汽轮机热力性能退化故障早期预警方法、存储介质及设备技术

汽轮机热力性能退化故障早期预警方法、存储介质及设备，属于汽轮机监测技术领域。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准确评估热力性能进行预警的问题。本发明专利技术首先采集汽轮机组功率数据以及汽轮机热力数据，然后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SSAE

【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差数据；
[0008]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；
[0009]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。
[0010]进一步地，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。
[0011]进一步地，所述的汽轮机热力数据具体包括：
[0012]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。
[0013]进一步地，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。
[0014]进一步地，SSAE
‑
LSTM神经网络的训练过程包括以下步骤：
[0015]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；
[0016]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；
[0017]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；
[0018]步骤三：将SAE1的输出h1作为输入训练SAE2，得到SAE2中的隐含层增益及偏置w
21
,b
21
；
[0019]步骤四：以步骤二和步骤三中获得的隐含层增益及偏置为基础，将SSAE
‑
LSTM神经网络的第一隐含层输入增益与偏置设置为w
11
,b
11
，并将SSAE
‑
LSTM神经网络的第二隐含层输入增益与偏置设置为w
21
,b
21
；然后利用BPTT算法对LSTM网络参数进行训练；从而获得SSAE
‑
LSTM神经网络。
[0020]进一步地，SSAE
‑
LSTM神经网络的训练过程中，需要计算正常数据的早期预警精度：
[0021][0022]其中，n
nor
代表在故障检测阈值内的正常数据量；N
nor
代表正常数据总量；
[0023]当Acc
normal
数值达到99％时训练完成，得到训练好的SSAE
‑
LSTM神经网络。
[0024]进一步地，S3所述根据残差所对应的Pauta准则进行故障早期预警的过程包括以下步骤：
[0025]基于训练SSAE
‑
LSTM神经网络时对应的残差标准差σ确定的Pauta准则，计算异常数据的早期预警精度：
[0026][0027]其中，n
abn
代表在故障检测阈值外的异常数据量；N
abn
代表异常数据总量；
[0028]如果Acc
abnormal
小于1％则判断为未发生故障，如果Acc
abnormal
在1％
‑
50％之间则判断为小概率发生故障，如果Acc
abnormal
在50％
‑
100％之间则判断为大概率发生故障，如果Acc
abnormal
为100％则判断为发生故障。
[0029]进一步地，步骤一所述构建训练集的数据需要满足机组负荷满足全工况覆盖。
[0030]一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种汽轮机热力性能退化故障早期预警方法。
[0031]一种汽轮机热力性能退化故障早期预警设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种汽轮机热力性能退化故障早期预警方法。
[0032]有益效果：
[0033]利用机组现有可获得的热力学数据，对汽轮机整体性能做出准确评估，同时利用特征压缩算法对汽轮机各热力参数间存在的重复信息、干扰信息以及传感器测量噪声进行了有效的消除，进而可以实现更加灵敏和准确的汽轮机热力性能退化故障早期预警。
[0034]相比于传统方法可以实现实时准确监测，消除了传统方法只能对汽轮机进行专门热力试验的弊端。并且该方法将特征工程方法与时间序列分析方法有机结合，可以用于故障衍化本文档来自技高网...

【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：