【技术实现步骤摘要】
汽轮机热力性能退化故障早期预警方法、存储介质及设备
[0001]本专利技术涉及一种汽轮机热力性能退化故障的预警方法、存储介质及设备,属于汽轮机监测
技术介绍
[0002]目前,对汽轮机组整体性能的评价手段主要集中在利用热力性能指标对其进行量化评估,即利用美国ASME协会制定的汽轮机热耗率定义,即利用火电机组总耗煤产生的热量与总发电量的比值,即每发出一度电所需要的热量值。参数定义完善且易于理解。为了实现对于热耗率的准确计算,需要对机组进行完备的热力性能实验,即调整机组至稳定工况并运行一段时间,对相对稳定工况下的汽轮机进行热力计算以获得准确的热耗率值。
[0003]现有方案均应用现有定义较为完善的热耗率指标,而该指标的应用范围受到其定义条件的限制。针对现阶段火电机组频繁调峰调频的运行状态已经不再全部适用,无法利用实时数据进行准确的性能评估和性能退化故障早期预警。
技术实现思路
[0004]本专利技术是为了解决现有的汽轮机热力性能指标不能全部适用火电机组频繁调峰调频的运行状态导致的无法实时准确评估热力性能并针对故障进行预警的问题。
[0005]一种汽轮机热力性能退化故障早期预警方法,包括以下步骤:
[0006]S1、实时采集汽轮机组功率数据以及汽轮机热力数据;
[0007]S2、将汽轮机组功率数据记为实际测量功率;将汽轮机热力数据输入预先训练好的SSAE
‑
LSTM神经网络模型,得到神经网络的输出功率,将神经网络的输出功率与实际测量功率的差值作为残 ...
【技术保护点】
【技术特征摘要】
1.一种汽轮机热力性能退化故障早期预警方法,其特征在于,包括以下步骤:S1、实时采集汽轮机组功率数据以及汽轮机热力数据;S2、将汽轮机组功率数据记为实际测量功率;将汽轮机热力数据输入预先训练好的SSAE
‑
LSTM神经网络模型,得到神经网络的输出功率,将神经网络的输出功率与实际测量功率的差值作为残差数据;S3、基于残差数据,根据残差所对应的Pauta准则进行故障早期预警;所述预先训练好的SSAE
‑
LSTM神经网络模型在训练过程中使用的数据为汽轮机新机或大修之后采集的汽轮机组功率数据以及汽轮机热力数据;在SSAE
‑
LSTM神经网络模型的训练过程中将神经网络的输出功率与实际测量功率的差值作为残差数据;基于残差数据,对其分析得到残差标准差σ,根据Pauta准则确定故障检测阈值为3σ。2.根据权利要求1所述的一种汽轮机热力性能退化故障早期预警方法,其特征在于,所述的汽轮机热力数据包括汽轮机组通流部分的数据、回热系统水数据各辅机参数。3.根据权利要求2所述的一种汽轮机热力性能退化故障早期预警方法,其特征在于,所述的汽轮机热力数据具体包括:主蒸汽压力,主蒸汽温度,调节级压力,调节级温度,再热蒸汽压力,再热蒸汽温度,凝汽器压力,第1
‑
8抽汽点蒸汽压力,第1
‑
8抽汽点蒸汽温度,第1
‑
3高压回热器、除氧器、第5
‑
8低压回热器入口给水温度,第1
‑
3高压回热器、除氧器、第5
‑
8低压回热器出口给水温度,第1
‑
3高压回热器、除氧器、第5
‑
8低压回热器出口疏水温度,主蒸汽流量,锅炉给水流量,各段过热减温水流量,各段过热减温水压力,各段过热减温水温度,各段再热减温水流量,各段再热减温水压力,各段再热减温水温度。4.根据权利要求1、2或3所述的一种汽轮机热力性能退化故障早期预警方法,其特征在于,所述SSAE
‑
LSTM神经网络包含三个隐含层,其中第一层、第二层为全连接层,第三层为LSTM网络,LSTM网络的输出层输出机组功率。5.根据权利要求4所述的一种汽轮机热力性能退化故障早期预警方法,其特征在于,SSAE
‑
LSTM神经网络的训练过程包括以下步骤:步骤一:采集汽轮机组功率数据以及汽轮机热力数据,构建训练集;步骤二:将训练集中的机组功率定义为y,将汽轮机热力数据定义为x;设置初始输入x训练第一稀疏自编码器SAE1,得到SAE1中的隐含层增益及偏置w
11
,b
11
以及隐含层输出h1;步骤三:将SAE1的输出h1作为输入训...
【专利技术属性】
技术研发人员:江飞,李兴朔,江万泽,姚坤,刘东旭,
申请(专利权)人:哈尔滨沃华智能电力技术有限公司哈尔滨工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。