基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统技术方案

本发明专利技术提供一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统。本发明专利技术包括如下步骤：基于采集的历史数据构建关于各高压加热器的各疏水调节阀开度及流经该疏水调节阀流体流量的数学模型；提取高压加热器系统正常运行时特征向量参数，构建训练集和测试集；通过神经网络算法对训练集数据进行模型训练，记录加热器疏水调节阀开度与实际疏水调节阀开度的对比图最大误差范围；实时计算出各高加抽汽流量及疏水流量两者的差值，完成第一安全诊断；比较神经网络模型计算出的高压加热器疏水调阀开度与实际开度的差值，完成第二安全诊断，并自动切换第一安全诊断和第二安全诊断。本发明专利技术准确度更高，可大幅提高高压加热器泄漏诊断的实时性。

【技术实现步骤摘要】
基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统
本专利技术涉及电力系统故障诊断领域，尤其涉及一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统。
技术介绍
高压加热器，是利用汽轮机的部分抽气对给水进行加热的装置。作为一种热量转换装置，主要应用于大型火电机组回热系统。高压加热器由壳体和管系两大部分组成，在壳体内腔上部设置蒸汽凝结段，下部设置疏水冷却段，进、出水管顶端设置给水进口和给水出口。当过热蒸汽由进口进入壳体后即可将上部主螺管内的给水加热，蒸汽凝结为水后，凝结的热水又可将下部疏冷螺管内的部分给水加热，被利用后的凝结水经疏水出口流出体外。传统的高压加热器泄漏诊断需要通过集控人员的运行经验去判断，且机组没有高压加热器泄漏的报警，使得高压加热器泄漏诊断精度及实时性较差。现有技术加装一些流量测点来辅助判断，加装测点的成本较高以及后期对测点的维护成本也相应增加，在管道打孔加装流量测点后，破坏管道原有结构并且增加了节流损失，经济性和安全性变差。公开号为109459195A的《用于判断高压加热器系统泄漏的方法及系统》公开了一种根据热平衡原理、物料守恒原理以及高压加热器系统正常运行期间的多个历史测点数据计算得到所述高压加热器系统出口的多个历史疏水总量偏差值，再根据预设算法确定出泄漏判据的方法及系统，该方法相对于现有的只通过疾控人员判断相比，有了很大的进步，但是该方法的准确性完全依赖疏水流量测点的准确性，只有一种判据，现实工程中升降负荷期间，给水流量波动较大，该方法需要将时域加宽，时域越宽，诊断响应就越滞后。面对高加泄漏量较大的故障，不能够及时给出诊断信息，该方法故障诊断响应速度慢。
技术实现思路
根据上述提出的技术问题，而提供一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统。本专利技术采用的技术手段如下：一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，包括如下步骤：S1、基于采集的历史数据构建关于各高压加热器的各疏水调节阀开度及流经该疏水调节阀流体流量的数学模型；S2、提取高压加热器系统正常运行时各高压加热器正常疏水调节阀开度对应的特征向量参数，并将提取的特征向量数据分为训练集和测试集；S3、通过神经网络算法对训练集数据进行模型训练，得到高压加热器疏水调节阀开度模型，基于该模型计算出各加热器疏水调节阀开度与实际疏水调节阀开度的对比图，并记录最大误差范围D1；S4、基于热平衡原理和物料守恒原理，实时计算出各高压加热器正常疏水阀开度的期望值、计算各高压加热器抽汽流量及疏水流量前一时间段的平均值；比较各高加抽汽流量及疏水流量两者的差值，完成第一安全诊断；比较神经网络模型计算出的高压加热器疏水调阀开度与实际开度的差值D2，比较D2和D1的值，完成第二安全诊断；当神经网络特征向量在样本数据范围内时，选用第二安全诊断，当神经网络特征向量数据超出样本数据范围时，自动切换至第一安全诊断。进一步地，所述数学模型具体为：模型的输入为调节阀的开度、调节阀前的压力、调节阀后的压力及工质温度，中间参数为该调节阀的导纳及调节阀的非线性特性，模型的输出为流经调节阀的流体流量，具体公式如下：其中：cond为阀门及连通管道导通系数，通过调试得到，c为调节阀的开度，f(c)为折线函数，通过调试得到，p入表示阀门入口压力，p出表示阀门出口压力，t表示疏水温度，f(t)表示温度修正。进一步地，步骤S1中，还通过如下方法对构建的数学模型的准确性进行判断：通过调整各高压加热器疏水调节阀的导通系数及调节阀在不同开度时非线性特性，使得各高压加热器抽汽流量的时域平均值等于对应高压加热器的疏水流量减去上一级加热器疏水流量的时域平均值。进一步地，步骤S3中，通过如下方法对高压加热器疏水调节阀开度模型的准确性进行验证：调取高压加热器泄漏的故障数据，将高压加热器泄漏的故障数据代入该模型中，模型计算的正常疏水调阀开度值与实际调阀开度最小差值远大于D1，则视该模型为合格的模型。进一步地，还包括如下步骤：S5、将D2代入数学模型中，计算期望的高压加热器泄漏量。进一步地，还包括如下步骤：S6、根据相似性原理：Wdqi*Wdneti/(‖Wdq876‖*‖Wdnet876‖)求得两个向量的余弦夹角作为两个向量的相识度n％，其中，i＝1,...,n表示高压加热器的编号，i越小抽汽压力越大；设定第一安全诊断最大泄漏量为Wmax，第二安全诊断最大泄漏量为wmax，n％*(max(Wdqi)/Wmax*(max(Wdneti)/wmax)作为高压加热器泄漏诊断的置信度pre；当高压加热器泄漏置信度超过设定的阈值则判定高压加热器泄漏，高压加热器泄漏量取最大值pre*max(Wdqi,Wdneti)。本专利技术还提供一种基于神经网络及热力学建模诊断高压加热器泄漏故障系统，包括：数据整合单元，包括用于采集各高压加热器实时数据的特征向量获取模块以及用于存储采集数据的存储模块；数学模型构筑单元，用于基于采集的历史数据，构筑疏水调节阀数学模型；神经网络模型构筑单元，用于基于采集的历史数据，通过神经网络训练得到高压加热器疏水调节阀开度模型；第一安全判断单元，用于将流经本级加热器疏水调节阀流量减去流经上级加热器疏水调阀流量的差值与实时采集信息计算得到的高压加热器抽汽流量的偏差，与预设值比较，完成第一安全诊断；第二安全判断单元，用于将实时采集的疏水调节阀实际开度特征向量输入神经网络模型中计算得到预测的疏水调节阀开度，实际开度与预测开度二者偏差与D1比较完成第二安全诊断；报警单元，用于接收到第一安全诊断属于泄漏故障或是第二安全诊断属于泄漏故障时，发出可视化的报警信号。进一步地，还包括：高压加热器泄露确认单元，用于将高压加热器泄露置信度与设定的阈值比较，若高压加热器泄露置信度超过设定的阈值则判定高压加热器泄漏，所述高压加热器泄露置信度通过第一安全判断单元的各抽汽与疏水流量偏差组成的向量和第二安全判断单元的各实际阀门开度值与期望阀门开度值偏差转化为流量偏差后组成的向量之间的相似性计算得到。本专利技术具有以下优点：1、通过神经网络模型计算高压加热器疏水调节阀的实时值，当实际值与期望值误差超过设定的阈值会立刻发出预警，可大幅提高高压加热器泄漏诊断的实时性。2、根据热平衡原理计算各高压加热器的抽汽量，分析比较抽汽量与疏水量的差值便可准确的定位出具体哪个高加泄漏，准确度更高。3、利用建立的疏水调门数学模型可将神经网络模型计算出的疏水调门开度与实际开度的差值转化为高加泄漏量，将两种的不同类型的变量转化为相同类型的变量，使高加泄露诊断有数据参考，使诊断结果的参照更加直观明了。4、根据相似性原理将两种方法结合，提高了准确性，增加了高加泄漏故障诊断的置信度。5、通过对高压加热器疏水调门建立数学模型可以计算出流经各疏水调节阀的流体流量。该方法可以运用到火电厂集本文档来自技高网...

【技术保护点】
1.一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，其特征在于，包括如下步骤：/nS1、基于采集的历史数据构建关于各高压加热器的各疏水调节阀开度及流经该疏水调节阀流体流量的数学模型；/nS2、提取高压加热器系统正常运行时各高压加热器正常疏水调节阀开度对应的特征向量参数，并将提取的特征向量数据分为训练集和测试集；/nS3、通过神经网络算法对训练集数据进行模型训练，得到高压加热器疏水调节阀开度模型，基于该模型计算出各加热器疏水调节阀开度与实际疏水调节阀开度的对比图，并记录最大误差范围D1；/nS4、基于热平衡原理和物料守恒原理，实时计算出各高压加热器正常疏水阀开度的期望值、计算各高压加热器抽汽流量及疏水流量前一时间段的平均值；比较各高加抽汽流量及疏水流量两者的差值，完成第一安全诊断；/n比较神经网络模型计算出的高压加热器疏水调阀开度与实际开度的差值D2，比较D2和D1的值，完成第二安全诊断；/n当神经网络特征向量在样本数据范围内时，选用第二安全诊断，当神经网络特征向量数据超出样本数据范围时，自动切换至第一安全诊断。/n

【技术特征摘要】
1.一种基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，其特征在于，包括如下步骤：
S1、基于采集的历史数据构建关于各高压加热器的各疏水调节阀开度及流经该疏水调节阀流体流量的数学模型；
S2、提取高压加热器系统正常运行时各高压加热器正常疏水调节阀开度对应的特征向量参数，并将提取的特征向量数据分为训练集和测试集；
S3、通过神经网络算法对训练集数据进行模型训练，得到高压加热器疏水调节阀开度模型，基于该模型计算出各加热器疏水调节阀开度与实际疏水调节阀开度的对比图，并记录最大误差范围D1；
S4、基于热平衡原理和物料守恒原理，实时计算出各高压加热器正常疏水阀开度的期望值、计算各高压加热器抽汽流量及疏水流量前一时间段的平均值；比较各高加抽汽流量及疏水流量两者的差值，完成第一安全诊断；
比较神经网络模型计算出的高压加热器疏水调阀开度与实际开度的差值D2，比较D2和D1的值，完成第二安全诊断；
当神经网络特征向量在样本数据范围内时，选用第二安全诊断，当神经网络特征向量数据超出样本数据范围时，自动切换至第一安全诊断。


2.根据权利要求1所述的基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，其特征在于，所述数学模型具体为：模型的输入为调节阀的开度、调节阀前的压力、调节阀后的压力及工质温度，中间参数为该调节阀的导纳及调节阀的非线性特性，模型的输出为流经调节阀的流体流量，具体公式如下：



其中：cond为阀门及连通管道导通系数，通过调试得到，c为调节阀的开度，f(c)为折线函数，通过调试得到，p入表示阀门入口压力，p出表示阀门出口压力，t表示疏水温度，f(t)表示温度修正。


3.根据权利要求1所述的基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，其特征在于，步骤S1中，还通过如下方法对构建的数学模型的准确性进行判断：通过调整各高压加热器疏水调节阀的导通系数及调节阀在不同开度时非线性特性，使得各高压加热器抽汽流量的时域平均值等于对应高压加热器的疏水流量减去上一级加热器疏水流量的时域平均值。


4.根据权利要求1所述的基于神经网络及热力学建模诊断高压加热器泄漏故障的方法，其特征在于，步骤S3中，通过如下方法对高压加热器疏水调节阀开度模型的准确性进行验证：调取高压加热器泄漏的故障数据，将高压加热器泄漏的故障数据代入该模型中，模型计算的正常疏水调阀开度值与实际调阀开度最小差值远大于D1，则视该模型为合格的模型。


5.根据权利要求1所述的基于神经网...

【专利技术属性】
技术研发人员：陈筑，徐仁博，韩旭，李杨，姜鹏，曲辰，王志浩，谷博，
申请(专利权)人：华能国际电力股份有限公司大连电厂，
类型：发明
国别省市：辽宁;21