一种电厂发电设备的故障智能预警方法及系统技术方案

本发明专利技术提出一种电厂发电设备的故障智能预警方法及系统，解决了如何提升电厂发电设备管理水平，实现发电设备故障智能化预警的问题，首先从电厂SIS数据库抽取发电设备历史运行数据，然后进行数据清洗等数据预处理操作，提升了数据质量，可以避免嘈杂的数据量带来的各种干扰，保证后续故障预警的可靠度，接着构建并封装电厂发电设备的故障智能预警算法模型并进行优化更新，最后发电设备的实时运行数据输入至故障智能预警算法模型，故障智能预警算法模型评估发电设备的运行状态，做出预警响应，提升了电厂发电设备管理水平，实现了发电设备故障智能化预警。

【技术实现步骤摘要】
一种电厂发电设备的故障智能预警方法及系统
本专利技术涉及故障预警的
，更具体地，涉及一种电厂发电设备的故障智能预警方法及系统。
技术介绍
电厂生产过程的任何故障不仅直接影响电能的产量和质量，而且还可能造成设备毁坏和人身事故，若要保证发电设备能够安全、可靠、有效的运行，使其充分发挥作用，发展设备在线监控和智能预警技术是必经之路。随着工业发展的突飞猛进，工业设备也日益发展，向智能、大型、高速、分布式的方向发展。设备结构与传统相比更加复杂，与此同时功能也更加强大，进而增加了维护的难度。设备发生故障概率比以前大幅提高，设备故障的信息数据呈现指数型增长，面对海量数据，人工已经无法完成正确、有效的故障分析。智能预警技术的基本思想是实时监测设备的运行状态，在设备故障产生初期，即设备当前运行状态刚开始偏离正常运行状态时，给出准确的、快速的预警结果，缩小故障定位范围，为检修和运行人员争取更多的故障处理时间与主动性，提高机组设备运行的可靠性，降低维修成本，减少经济损失。2020年12月11日，中国专利(公开号：CN112067335A)中公开了一种基于多元状态估计的电厂送风机故障预警方法，选择送风机端侧轴承水平振动幅值、送风机端侧轴承垂直振动幅值、送风机端侧轴承温度、送风机腰侧轴承温度这些变量作为观测集，然后对采集的数据进行预处理，并构造记忆矩阵建立多元状态估计预警模型，通过多元状态估计预警模型输出估计向量，根据估计向量计算偏离度，最后通过确认偏离度与故障预警阈值的关系，实现电厂送风机的故障预警，但整个方案考虑的因素偏向于理想化，实际故障预警的可靠度有待考证。
技术实现思路
为解决如何提升电厂发电设备管理水平，实现发电设备故障智能化预警的问题，本专利技术提出一种电厂发电设备的故障智能预警方法及系统，提高发电设备的运行安全水平和工作效率，减少因发电设备故障引起的非计划停机与事故。为了达到上述技术效果，本专利技术的技术方案如下：一种电厂发电设备的故障智能预警方法，至少包括：S1.初步选定发电设备测点变量，并以测点变量为基础，确定发电设备历史运行数据采集起止时间，从电厂SIS数据库抽取发电设备历史运行数据；S2.对发电设备历史运行数据进行数据清洗操作，并进行无量纲化处理；S3.构建并封装电厂发电设备的故障智能预警算法模型；S4.对故障智能预警算法模型进行优化更新；S5.采集发电设备的实时运行数据，并将发电设备的实时运行数据输入优化更新后的故障智能预警算法模型，故障智能预警算法模型评估发电设备的运行状态，做出预警响应。优选地，步骤S1所述初步选定的发电设备测点变量包括：送风机电机电流、送风机前轴承温度、送风机后轴承温度、电机前轴承温度、第一电机U相定子绕组温度、第一电机V相定子绕组温度、第一电机W相定子绕组温度、送风机入口温度、电机后轴承温度、第二电机U相定子绕组温度、第二电机V相定子绕组温度及第二电机W相定子绕组温度、送风机前轴承振动、送风机后轴承振动、送风机轴承座振动、送风机频率反馈。在此，测点指发电设备运行状态评估时被观测的目标点，这些点可自由选取，保证后续配置的灵活性。优选地，在步骤S1所述抽取的发电设备历史运行数据的每组采样值中，各个测点变量的采样值是同一时刻的，发电设备历史运行数据的抽取间隔为1min。在此，抽取的发电设备历史运行数据涵盖了一段足够长的运行时间，另外，各个测点变量的采样值是同一时刻的，反映多变量在不同运行情况下的统计关联关系，确保抽取数据的有效性。优选地，步骤S2中所述对发电设备历史运行数据进行的数据清洗操作包括：缺失数据的清洗操作、错误数据的清洗操作及重复记录数据的清洗操作；其中，缺失数据进行清洗操作时，从数据源手工录入数据缺失值；错误数据进行清洗操作时，根据数据最小值与最大值的限幅范围，剔除限幅范围之外的错误数据；重复记录数据进行清洗操作时，利用相对偏差法，合并或清除相等相近数据，仅保留一条记录；采用极值法或标准差标准化法对发电设备历史运行数据进行无量纲化处理。在此，对原始数据进行数据填补、错误值和重复值的剔除等一系列数据清洗操作，即通过数据计算和统计分析的方法修改数据，新生成的样本具有更大的可靠性，提升数据质量，可以避免嘈杂的数据量带来的各种干扰，保证后续故障预警的可靠度，另外，对于所有的设备模型，所表征的规律是需要不受量纲影响的，为了消除这种影响作用，就需要对数据进行处理，全部处理成无量纲的形式，以方便对于设备规律的正确描述。根据实际需要，可以采用直线型处理方法，对所有数据进行处理。优选地，步骤S5所述的构建并封装电厂发电设备的故障智能预警算法模型的过程包括：选定健康偏离度法作为封装基础，结合发电设备历史运行数据，设定发电设备的异常阈值及异常持续时间，设定发电设备的故障阈值及故障持续时间，并确定发电设备故障预警计算周期，结合测点配置，形成电厂发电设备的故障智能预警算法模型。在此，电厂发电设备的故障智能预警算法模型构建与封装灵活、开放，并且可配置，不用考虑理想化的情况，无须明确系统精确状态，即可完成模型封装，保证了后续发电设备运行状态的评估的可靠性。优选地，所述的健康偏离度法所指过程包括：根据发电设备正常运行状态下的观测值，构造记忆矩阵D，表达式为：其中，记忆矩阵D中的每一列代表一个历史运行数据构成的观测向量，表示第i个参数第j个正常运行状态下的观测值；设Xobs＝(X1,X2,...Xn)T∈Rn表示发电设备运行状态的新的观测向量，Xobs＝(X1,X2,...Xn)T∈Rn输入电厂发电设备的故障智能预警算法模型时，生成一个权值向量w＝(w1,w2,...wm)T∈Rm，则当前运行的状态估计向量Xest为：Xest＝Dw＝w1X1+w2X2+...+wmXm即当前运行状态的估计向量通过对历史的观测向量线性求和得到；观测残差ε的表达式为：ε＝Xobs-Xest∈Rn；其中，当前运行的状态估计向量代表了预测值，Xobs代表了实际测量值，观测残差ε代表预测值与实际测量值的健康偏离度，设健康偏离度阈值为H，当ε≤H时，表明实际测量值和预测值偏差小，发电设备运行状态正常，当ε＞H时，表明实际测量值和预测值偏差大，发电设备偏离正常运行状态或故障。优选地，利用最小二乘法使观测残差的平方和最小化，得到权重w的最小二乘估计的表达式为：表明权重由当前观测向量与历史观测的相似程度决定；则当前运行的状态估计向量的表达式为：当前某一参数i的状态估计表达式为：Xest(i)＝D(i,；)·(DTD)-1DTXobs选择不同的算子衡量向量间的相似性，考虑向量X,Y∈Rn，选取欧式距离作为相似性算子，运算符为：则：新的观测变量Xobs变换为：当前某一参数i的状态估计表达式变换为：新的观测向量与过程记忆矩阵中的m个历史观测本文档来自技高网...

【技术保护点】
1.一种电厂发电设备的故障智能预警方法，其特征在于，至少包括:/nS1.初步选定发电设备测点变量，并以测点变量为基础，确定发电设备历史运行数据采集起止时间，从电厂SIS数据库抽取发电设备历史运行数据；/nS2.对发电设备历史运行数据进行数据清洗操作，并进行无量纲化处理；/nS3.构建并封装电厂发电设备的故障智能预警算法模型；/nS4.对故障智能预警算法模型进行优化更新；/nS5.采集发电设备的实时运行数据，并将发电设备的实时运行数据输入优化更新后的故障智能预警算法模型，故障智能预警算法模型评估发电设备的运行状态，做出预警响应。/n

【技术特征摘要】
1.一种电厂发电设备的故障智能预警方法，其特征在于，至少包括:
S1.初步选定发电设备测点变量，并以测点变量为基础，确定发电设备历史运行数据采集起止时间，从电厂SIS数据库抽取发电设备历史运行数据；
S2.对发电设备历史运行数据进行数据清洗操作，并进行无量纲化处理；
S3.构建并封装电厂发电设备的故障智能预警算法模型；
S4.对故障智能预警算法模型进行优化更新；
S5.采集发电设备的实时运行数据，并将发电设备的实时运行数据输入优化更新后的故障智能预警算法模型，故障智能预警算法模型评估发电设备的运行状态，做出预警响应。


2.根据权利要求1所述的电厂发电设备的故障智能预警方法，其特征在于，步骤S1所述初步选定的发电设备测点变量包括：送风机电机电流、送风机前轴承温度、送风机后轴承温度、电机前轴承温度、第一电机U相定子绕组温度、第一电机V相定子绕组温度、第一电机W相定子绕组温度、送风机入口温度、电机后轴承温度、第二电机U相定子绕组温度、第二电机V相定子绕组温度及第二电机W相定子绕组温度、送风机前轴承振动、送风机后轴承振动、送风机轴承座振动、送风机频率反馈。


3.根据权利要求2所述的电厂发电设备的故障智能预警方法，其特征在于，在步骤S1所述抽取的发电设备历史运行数据的每组采样值中，各个测点变量的采样值是同一时刻的，发电设备历史运行数据的抽取间隔为1min。


4.根据权利要求3所述的电厂发电设备的故障智能预警方法，其特征在于，步骤S2中所述对发电设备历史运行数据进行的数据清洗操作包括：缺失数据的清洗操作、错误数据的清洗操作及重复记录数据的清洗操作；其中，缺失数据进行清洗操作时，从数据源手工录入数据缺失值；错误数据进行清洗操作时，根据数据最小值与最大值的限幅范围，剔除限幅范围之外的错误数据；重复记录数据进行清洗操作时，利用相对偏差法，合并或清除相等相近数据，仅保留一条记录；采用极值法或标准差标准化法对发电设备历史运行数据进行无量纲化处理。


5.根据权利要求4所述的电厂发电设备的故障智能预警方法，其特征在于，步骤S5所述的构建并封装电厂发电设备的故障智能预警算法模型的过程包括：
选定健康偏离度法作为封装基础，结合发电设备历史运行数据，设定发电设备的异常阈值及异常持续时间，设定发电设备的故障阈值及故障持续时间，并确定发电设备故障预警计算周期，结合测点配置，形成电厂发电设备的故障智能预警算法模型。


6.根据权利要求5所述的电厂发电设备的故障智能预警方法，其特征在于，所述的健康偏离度法所指过程包括：
根据发电设备正常运行状态下的观测值，构造记忆矩阵D，表达式为：



其中，记忆矩阵D中的每一列代表一个历史运行数据构成的观测向量，i＝1,2,...n；j＝1,2,...,m表示第i个参数第j个正常运行状态下的观测值；
设Xobs＝(X1,X2,...Xn)T∈Rn表示发电设备运行状态的新的观测向量，Xobs＝(X1,X2,...Xn)T∈Rn输入电厂发电设备的故障智能预警算法模型时，生成一个权值向量w＝(w1,w2,...wm)T∈Rm，则当前运行的状态估计向量Xest为：
Xest＝Dw＝w1X1+w2X2+...+wmXm
即当前运行状态的估计向量通过对历史的观测向量线性求和得到；
观测残差ε的表达式为：
ε＝Xobs-Xest∈Rn；
其中，当前运行的状态估计向量代表了预测值，Xobs代表了实际测量值，观测残差ε代表预测值与实际测量值的健康偏离度，设健康偏离度阈值为H，当ε≤H时，表明实际测量值...

【专利技术属性】
技术研发人员：唐任宗，赵永安，郭赞，吴公宝，颜云，王耀坤，章褆，程传良，潘海禄，吴生辉，沙晓亮，王骋宇，
申请(专利权)人：珠海市钰海电力有限公司，南京科远智慧科技集团股份有限公司，
类型：发明
国别省市：广东;44