一种煤电机组汽轮机高加系统在线健康状况评估方法

技术领域

本发明涉及煤电机组汽轮机高加系统健康监测与诊断领域，特别涉及一种煤电机组汽轮机高加系统在线健康状况评估方法。

背景技术

随着风电、光伏等可再生能源高速增长，煤电区域性功能定位将从电量型电源向电力电量型电源转变，充分发挥自身基础电源的优势，通过提供灵活性、深度调峰等服务来提升新能源消纳，煤电机组低负荷变工况运行将成为常态。汽轮机高加系统作为煤电机组的核心装置之一，其性能影响着整个机组的安全性和经济性，根据火力发电厂热力设备的故障数据统计，高压加热器故障的发生率是30％，因此对煤电机组高压加热器的健康评估要格外重视，高压加热器一旦出现故障停止运行后，还会导致流水倒灌入汽轮机中，进一步引发更严重的恶性事故。

当前，煤电机组在实际运行中，现有汽轮机高加系统需电厂运行人员实时监测众多参数，但电厂运行人员仅能实时监测高压加热器进汽参数、出入口给水参数以及疏水参数、高加水位等，无法对高压加热器整体运行健康状况作出评估。当高加系统健康状况存在早期衰退趋势和异常时，更是没有办法及时察觉、进而重点关注去对高加系统进行诊断和检修。若高加系统健康状况持续处于这种衰退和异常情况，非常容易导致高加发生严重故障，进而造成高加解列等事故，对整个机组运行的经济性、安全性造成巨大影响。

发明内容

本发明研发目的是为了解决上述技术问题，在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。

本发明的技术方案：

一种煤电机组汽轮机高加系统在线健康状况评估方法，它包括以下步骤：

S1.建立煤电机组汽轮机高加系统预测模型；

S2.从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据，并将历史无故障数据分为训练数据和测试数据；

S3.利用历史无故障数据进行预测模型的训练和测试；

S4.步骤S3模型训练好之后，计算步骤3中得到的模型预测值与实际运行值间的方向距离。

S5.对步骤S4模型预测值与实际运行值间的方向距离概率密度分布状态进行高斯混合模型建模，建立高加系统健康状况评价指标；

S6.利用汽轮机高加系统的实测运行数据，得出汽轮机高加系统运行实时的健康指数。

优选的，步骤S1所述的建立煤电机组汽轮机高加系统预测模型具体为建立煤电机组汽轮机高加系统输入-输出预测模型，高加系统输入预测模型输入为高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，模型输出为高压加热器出口给水温度、高压加热器疏水温度。

优选的，步骤S2所述的从机组数据库中采集的数据包括高压加热器进汽压力、高压加热器进汽温度、上一级高压加热器出口给水温度、给水流量、高压加热器疏水气动调节阀阀位、下一级高压加热器疏水气动调节阀阀位、下一级高压加热器疏水温度，输出预测模型输出为高压加热器出口给水温度、高压加热器疏水温度。

优选的，数据采集频率为10s～5min。

优选的，步骤S3中所述的预测模型，采用多元非线性回归模型、BP神经网络模型、LSTM神经网络模型或自编码器模型。

优选的，步骤S4中所述的方向距离为欧式距离与夹角余弦之间的乘积，方向距离的计算式如下：

其中，

优选的，步骤S5中所述的高斯混合模型，具有如下概率分布形式：

其中，ω

优选的，步骤S5中所述建立高加系统健康状况评价指标，用健康指数表示，其定义为：

HI

式中：为t时GPD

优选的，在步骤S6中所述的煤电机组汽轮机高加系统在线健康状况评估中需要确定报警阈值，通过选定置信度为99.9％，从而得到报警阈值。

本发明具有以下有益效果：本发明提供一种煤电机组汽轮机高加系统在线健康状况评估方法，利用汽轮机高加系统运行机理，结合多元非线性、神经网络等大数据智能分析算法，提出汽轮机高加系统输入—输出预测模型，可确定出汽轮机高加系统在不同运行工况下的基准输出(即预测输出)。提出方向距离的思想来衡量预测输出与实际运行值之间的将距离信息和趋势信息，并利用高斯混合模型进行相应的概率密度分析。最终本发明提出高加系统健康指数的概念，来在线衡量煤电机组汽轮机高加系统健康状况，可以提前分析出高加系统性能衰退和异常状况，提醒电厂运行人员重点关注，从而第一时间对高加系统进行智能诊断和仔细检查检修，避免严重的高加系统故障发生，保证煤电机组在深度调峰的大背景下的安全性与经济性。

附图说明

图1是在线健康评估方法流程图；

图2是1号高加系统输入—输出预测模型示意图；

图3是1号高压加热器疏水温度、出口给水温度模型预测值与实际值对比示意图；

图4是1号高压加热器疏水温度、出口给水温度模型预测值与实际值方向距离示意图；

图5是不同高斯子模型数k的BIC准则示意图；

图6是方向距离高斯混合模型概率密度分布示意图；

图7是1号高加系统在线健康状况评估示意图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

具体实施方式：参照图1-7说明本实施方式，本实施方式的一种煤电机组汽轮机高加系统在线健康状况评估方法，步骤1、根据1号高加系统运行机理，建立煤电机组汽轮机1号高加系统输入—输出预测模型；在本实施例中，由于1号高加作为给水进入锅炉省煤器前最后一级高压加热器，故模型输入为1号高压加热器进汽压力、1号高压加热器进汽温度、2号高压加热器出口给水温度、给水流量、1号高压加热器疏水气动调节阀阀位，模型输出为1号高压加热器出口给水温度、1号高压加热器疏水温度，参照图2。

步骤2、从机组数据库中采集筛选包含机组运行全工况的历史无故障数据和当前运行数据，并将历史无故障数据分为训练数据和测试数据。采集的数据包括1号高压加热器进汽压力、1号高压加热器进汽温度、2号高压加热器出口给水温度、给水流量、1号高压加热器疏水气动调节阀阀位、1号高压加热器出口给水温度以及1号高压加热器疏水温度。数据采集频率可以为10s～5min,本实施例中采集频率为1min；所述的历史无故障数据分为训练数据和测试数据，比例按照7:3划分。采集的部分数据如表1所示。

步骤3、利用历史无故障数据进行预测模型的训练和测试，数据实例预测结果如图3所示。预测模型，可以采用多元非线性回归模型、BP神经网络模型、LSTM神经网络模型或自编码器模型。本实施例中采用多元非线性回归模型。其表达形式如下：

式中：y为1号高压加热器出口给水温度、1号高压加热器疏水温度实际观察值；i表示第i组数据；f(x

步骤4、步骤3模型训练好之后，计算步骤3中得到的模型预测值与实际运行值间的方向距离，数据实例如图4所示。

方向距离为欧式距离与夹角余弦之间的乘积，将距离信息和趋势信息充分结合起来。方向距离的计算式如下：

其中，

步骤5、对步骤4中模型预测值与实际运行值之间方向距离的概率密度分布状态进行高斯混合模型建模，数据实例如图6所示。并定义高加系统健康状况评价指标，这里用健康指数来表示。

所述的高斯混合模型，具有如下概率分布形式：

其中，ω

通过BIC(Bayesian Information Criterion)贝叶斯信息准则，用于高斯混合模型分模型个数选择，定义为：

BIC＝kln(n)-2ln(L)

其中，k为模型参数个数，n为样本数量，L为似然函数，从一组可供选择的模型中选择最佳模型时，目标选择BIC最小的模型，数据实例如图5所示。当k＝5时，BIC最小，是-15810.1962，所以，分模型数量取5。

所述的高加系统健康状况评价指标，这里用健康指数来表示。健康指数越小，说明健康衰退越严重，运行状况差。其定义为

HI

式中：GPD

步骤6、利用汽轮机高加系统的实测运行数据，得出汽轮机高加系统运行实时的健康指数，从而完成对于煤电机组汽轮机高加系统在线健康状况评估。某次1号高加运行故障，在线健康状况评估示例如图7所示。

所述的煤电机组汽轮机高加系统在线健康状况评估中需要确定报警阈值，通过选定置信度为99.9％，依据核密度估计方法，从而得到报警阈值，本实施例中报警阈值为2.9603。核密度估计的表达式为：

式中：

需要说明的是，在以上实施例中，只要不矛盾的技术方案都能够进行排列组合，本领域技术人员能够根据排列组合的数学知识穷尽所有可能，因此本发明不再对排列组合后的技术方案进行一一说明，但应该理解为排列组合后的技术方案已经被本发明所公开。

本实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。