本发明属于大规模非平稳过程统计监测领域，特别是针对一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法。
背景技术：
：电力工业是我国国民经济最重要的基础能源产业和经济发展战略的重点。我国缺油少气，煤炭资源丰富，长期以来煤电一直是我国主要电力来源。燃煤发电过程日趋复杂化、大型化发展。大型燃煤发电过程环境复杂，现场具有高温，高压，高噪声等特点。百万千瓦超超临界机组是世界上最先进的高效、大容量燃煤发电设备，具有明显的能效优势，是我国电力工业发展的代表性机组和主流方向。我国百万千瓦超超临界机组保有量世界第一，并且发展空间巨大。百万千瓦超超临界机组具有明显的大规模，非平稳以及动态特性。为了保证百万千瓦超超临界机组的安全性并提高生产效益，必须采用有效的过程监测方法。过程监测就是监控过程运行状态，在异常出现时及时发出警报。随着技术的发展，在工业现场获得数据变得越来越容易，过程数据中蕴含了大量的过程信息，于是，基于数据的过程监测方法已成为研究的热点。前人对基于数据的过程监测做了相应的研究。主成分分析(pca)，偏最小二乘(pls)等多元统计分析方法已经被广泛应用于数据过程监控领域。然而，这些方法都假设过程是平稳的，并没有考虑过程的动态特性。实际上在百万千瓦超超临界机组中由于过程扰动，设备老化等原因过程会具有明显的非平稳特性。同时由于频繁调峰过程处于动态变化之中。因此，百万千瓦超超临界机组具有明显的大规模、非平稳以及动态特性，这给过程监测带来了很大的挑战。本发明针对百万千瓦超超临界机组这一典型大规模、动态非平稳过程提出一种结合稀疏协整分析和动态特征提取的过程监测方法。该方法将过程中的非平稳变量识别出来，利用这些非平稳变量建立稀疏协整模型并利用迭代方法将变量分为不同的变量组。提出动态特征提取的方法用于将动态信息与静态信息分别开来，并对二者分别建模和监测。该方法可以自动的将变量分成不同的变量组，同时可以有效的提取出过程动态及静态信息，有效的区分正常工作状态的改变和真正过程故障，大大提高了过程监测的性能。到目前为止，尚未见到与本发明相关的研究报道。技术实现要素：本发明的目的在于针对百万千瓦超超临界机组这一典型的大规模，动态非平稳过程，提供了一种面向大型燃煤发电机组非平稳过程的故障检测方法和诊断方法。本发明的目的是通过以下技术方案实现的：一种面向大型燃煤发电机组非平稳过程的故障检测方法，包括以下步骤：(1)获取正常过程数据：设一个百万千瓦超超临界机组中包含j个过程变量，每次采样可以得到一个1×j的向量，采样m次后得到一个正常过程下的二维矩阵xn(m×j)；(2)识别非平稳变量：应用augmenteddickey-fuller(adf)检验方法识别二维矩阵xn(m×j)中的非平稳变量，得到非平稳变量数据矩阵xns(m×n)，n表示非平稳变量个数；(3)利用(2)中得到的非平稳变量数据矩阵xns(m×n)＝[x1,x2,…,xn]，xt＝(x1,x2,…,xn)t建立稀疏协整模型，其中xt为数据矩阵xns(m×n)中的一个行向量的转置，表示在t时刻的采样值，t＝1,2，…，m。建立稀疏协整模型具体包括以下子步骤：(3.1)对xt建立向量自回归模型xt＝π1xt-1+…+πpxt-p+c+μt(1)其中，π1～πp均为(n×n)的系数矩阵，μt为(n×1)矩阵，表示高斯白噪声，μt～n(0,ξ)，c为(n×1)矩阵，表示常数，p为模型阶次；(3.2)在公式(1)两端减去xt-1得到误差纠正模型其中，in为(n×n)的单位矩阵；(3.3)将步骤(3.2)中的γ分解为两个列满秩的矩阵γ＝αβt，公式(2)变为其中，α(n×r)，β(n×r)；(3.4)通过极大似然估计方法对公式(3)中的协整向量矩阵β进行估计其中，l(*)表示极大似然函数，tr(*)表示矩阵的迹。x＝(δxp+1,...,δxm)t，y＝(δyp+1,...,δym)t,l＝p+1，…，m，ω＝(ω1,...,ωp-1)t,z＝(xt-1,...,xm-1)t,θ＝ξ-1；(3.5)对公式(4)的极大似然估计可以转化为特征方程求解过程其中，其中参数矩阵θi及φi,i＝1,2，…，p-1可以通过最小二乘算法求得；(3.6)对公式(4)的目标函数加入惩罚函数得到稀疏协整向量其中，p1，p2，p3为参数β，ω，θ的惩罚函数，采用一范数形式；其中β为协整向量矩阵，ω，θ是待估计的参数；调整参数λ1和λ2采用交叉检验来确定，调整参数λ3采用贝叶斯信息准则确定。通过对公式(6)的求解可以得到稀疏的协整向量。(4)利用公式(6)中得到的稀疏协整向量可以将变量进行划分，具体包括以下子步骤：(4.1)根据公式(6)得到稀疏协整向量矩阵βs(n×k)＝[βs,1,βs,2,...,βs,k]，其中k表示稀疏协整向量的个数；(4.2)根据稀疏协整向量得到平稳残差序列其中k＝1,2，…，k，t＝1,2，…，m。利用adf检验衡量残差序列的平稳程度，并记录残差序列γk,t的adf检验统计量tk(4.3)对得到的检验统计量tk进行升序排序，最小的检验统计量值对应的稀疏协整向量被保留。该稀疏协整向量中的非零元素对应的变量被分到子组中，并记为xb。(4.4)将xb中的变量从原始数据集中移除，此时原始数据集记为xl。(4.5)重复迭代步骤(4.1)-(4.4)直到所有变量都被分到不同的子组中，此时原始变量被分为z个不同的变量组。(5)在每个变量组中建立局部静态、动态监测统计量：(5.1)建立局部静态监测统计量其中，γs,b,t为每个变量组中的平稳残差序列，bf,b为每个变量组中计算的协整向量矩阵，λs,b＝(xbbf,b)t(xbbf,b)/(m-1)(b＝1,...,z)为协方差矩阵，m为采样点数目。z为变量分组的个数，表示原始变量被分为z个变量组，xb,t为xb中行向量的转置，表示在t时刻的采样点。(5.2)建立局部动态监测统计量其中，b表示第b个变量组，p表示时间滞后项，δxp+1,b表示p+1时刻的差分项即δxp+1,b＝xp+1,b-xp,b，xp,b为xb中行向量的转置，表示在p时刻的采样点，θb及φb(b＝1,...,z)为待估计参数，可通过最小二乘求得。be,b和bf,b为eb和fb计算典型相关分析后得到的权重矩阵。动态监测统计量为其中，te,b来自矩阵te,b，为te,b中列向量。(6)建立全局监测统计量(6.1)建立全局静态监测统计量：其中，z表示变量组的个数；ps(xb)＝p(xb|ns)p(ns)+p(xb|fs)p(fs)；p(ns)为置信区间，即p(ns)＝α，p(fs)＝1-α；为样本xb的监测统计量，为监测统计量的控制限；(6.2)建立全局动态监测统计量：其中，z表示变量组的个数；pe(xb)＝p(xb|ne)p(ne)+p(xb|fe)p(fe)；p(ne)为置信区间，即p(ne)＝α，p(fe)＝1-α；为样本xb的监测统计量，为监测统计量的控制限；(7)在线过程监测(7.1)对新采集到的非平稳变量样本xnew,t(n×1)进行变量分组，该样本被分为z个变量组即xnew,b,t，b＝1,2，…，z。(7.2)按照步骤5记载的方法，计算局部静态监测统计量xnewi,t与xnew,t(n×1)什么关系，xnewi,t表示什么(7.3)计算局部动态监测统计量(7.4)计算全局静态、动态监测统计量如果和超出控制限，意味着静态、动态长期均衡关系被打破，过程发生故障；如果在发生报警的同时，超出控制限后回到正常范围，此时意味着过程的工作点发生改变；如果和都未超出控制限，此时意味着过程工作在新的工况下，但是变量间的静态、动态长期均衡关系未被打破或者该工况包含在建模数据中。如果局部静态、动态监测统计量被故障影响时，bics或bice也超出控制限，此时意味着该故障不仅影响到过程的局部状态，同时也影响了全局的状态，如果bics或bice没超出控制限，表示该故障只影响过程的局部状态。本发明的有益效果为：本发明可以将大规模非平稳过程划分为不同的变量组降低过程的复杂性，同时通过在不同变量组中监测静态和动态变化，可以实现工况变化的识别和对故障的检测，给出局部的监测信息同时给出全局的监测信息。附图说明图1是本发明基于稀疏协整分析的动态分布式监测的流程图；图2是本方法的局部监测结果；图3是本方法的全局监测结果；图4是传统协整分析的监测结果。图5是传统协整分析的监测结果。具体实施方式下面结合附图及具体实例，对本发明作进一步详细说明。百万千瓦超超临界机组是典型非平稳过程，其中一部分变量具有明显的非平稳特性，如凝汽器循环水压力、高压加热器进汽压力、除氧器进口凝结水量等。本发明以嘉华燃发电厂8号机组为例，该机组的功率为10000mw，为百万千瓦超超临界机组，其中包括159个过程变量，这些变量涉及到压力、温度、水位、流速等。如图1所示，本发明是一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法，包括以下步骤：步骤1：获取过程数据：设一个百万千瓦超超临界机组中包含j个过程变量，每次采样可以得到一个1×j的向量，采样k次后得到的数据可以描述为一个二维矩阵x(k×j)。获取正常数据xn(m×j)，其中下标n表示正常数据。本实例中，采样周期为1分钟，对于正常数据采集740个样本，159个过程变量。所以正常数据样本为xn(740×159)。步骤2：识别非平稳变量：应用augmenteddickey-fuller(adf)检验方法识别正常数据xn(740×159)中的非平稳变量，经过adf检验，其中51个变量为非平稳变量，得到非平稳变量数据xns(740×51)，其中下标ns表示非平稳数据。下面为方便表示，将采样点数目740用m表示，非平稳变量数目51用n表示。步骤3：利用(2)中得到的非平稳变量数据矩阵xns(m×n)＝[x1,x2,…,xn]，xt＝(x1,x2,…,xn)t建立稀疏协整模型，其中xt为数据矩阵xns(m×n)中的一个行向量的转置，表示在t时刻的采样值，t＝1,2，…，m。建立稀疏协整模型具体包括以下子步骤：(3.1)对xt建立向量自回归模型xt＝π1xt-1+…+πpxt-p+c+μt(1)其中，π1～πp均为(n×n)的系数矩阵，μt为(n×1)矩阵，表示高斯白噪声，μt～n(0,ξ)，c为(n×1)矩阵，表示常数，p为模型阶次；(3.2)在公式(1)两端减去xt-1得到误差纠正模型其中，in为(n×n)的单位矩阵；(3.3)将步骤(3.2)中的γ分解为两个列满秩的矩阵γ＝αβt，公式(2)变为其中，α(n×r)，β(n×r)；(3.4)通过极大似然估计方法对公式(3)中的协整向量矩阵β进行估计其中，l(*)表示极大似然函数，tr(*)表示矩阵的迹。x＝(δxp+1,...,δxm)t，y＝(δyp+1,...,δym)t,l＝p+1，…，m，ω＝(ω1,...,ωp-1)t,z＝(xt-1,...,xm-1)t,θ＝ξ-1；(3.5)对公式(4)的极大似然估计可以转化为特征方程求解过程其中，其中参数矩阵θi及φi,i＝1,2，…，p-1可以通过最小二乘算法求得；(3.6)对公式(4)的目标函数加入惩罚函数得到稀疏协整向量其中，p1，p2，p3为参数β，ω，θ的惩罚函数，采用一范数形式；其中β为协整向量矩阵，ω、θ是待估计的参数；调整参数λ1和λ2采用交叉检验来确定，调整参数λ3采用贝叶斯信息准则确定。通过对公式(6)的求解可以得到稀疏的协整向量。(4)利用公式(6)中得到的稀疏协整向量可以将变量进行划分，具体包括以下子步骤：(4.1)根据公式(6)得到稀疏协整向量矩阵βs(n×k)＝[βs,1,βs,2,...,βs,k]，其中k表示稀疏协整向量的个数；(4.2)根据稀疏协整向量得到平稳残差序列其中k＝1,2，…，k，t＝1,2，…，m。利用adf检验衡量残差序列的平稳程度，并记录残差序列γk,t的adf检验统计量tk(4.3)对得到的检验统计量tk进行升序排序，最小的检验统计量值对应的稀疏协整向量被保留。该稀疏协整向量中的非零元素对应的变量被分到子组中，并记为xb。(4.4)将xb中的变量从原始数据集中移除，此时原始数据集记为xl。(4.5)重复迭代步骤(4.1)-(4.4)，所有变量都被分到5个不同的子组中。(5)在每个变量组中建立局部静态、动态监测统计量：(5.1)建立局部静态监测统计量其中，γs,b,t为每个变量组中的平稳残差序列，bf,b为每个变量组中计算的协整向量矩阵，λs,b＝(xbbf,b)t(xbbf,b)/(m-1)(b＝1,...,5)为协方差矩阵，m为采样点数目。xb,t为xb中行向量的转置，表示在t时刻的采样点。(5.2)建立局部动态监测统计量其中，表示第b个变量组，p表示时间滞后项，δxp+1,b表示p+1时刻的差分项即δxp+1,b＝xp+1,b-xp,b，xp,b为xb中行向量的转置，表示在p时刻的采样点，θb及φb(b＝1,...,z)为待估计参数，可通过最小二乘求得。be,b和bf,b为eb和fb计算典型相关分析后得到的权重矩阵。动态监测统计量为其中，te,b来自矩阵te,b，为te,b中列向量。(6)建立全局监测统计量(6.1)建立全局静态监测统计量：其中，ps(xb)＝p(xb|ns)p(ns)+p(xb|fs)p(fs)；p(ns)为置信区间，即p(ns)＝α，p(fs)＝1-α；为样本xb的监测统计量，为监测统计量的控制限；(6.2)建立全局动态监测统计量：其中，pe(xb)＝p(xb|ne)p(ne)+p(xb|fe)p(fe)；p(ne)为置信区间，即p(ne)＝α，p(fe)＝1-α；为样本xb的监测统计量，为监测统计量的控制限；步骤7：在线过程监测(7.1)对新采集到的非平稳变量样本xnew,t(n×1)进行变量分组，该样本被分为z个变量组即xnew,b,t，b＝1,2，…，5。(7.2)按照步骤5记载的方法，计算局部静态监测统计量(7.3)计算局部动态监测统计量(7.4)计算全局静态、动态监测统计量如果和超出控制限意味着静态、动态长期均衡关系被打破，此时过程发生故障；如果在发生报警的同时，超出控制限后回到正常范围，此时意味着过程的工作点发生改变；如果和都未超出控制限，此时意味着过程可能工作在新的工况下，但是变量间的静态、动态长期均衡关系未被打破或者该工况包含在建模数据中。如果局部静态、动态监测统计量被故障影响时，bics或bice也超出控制限，此时意味着该故障不仅影响到过程的局部状态，同时也影响了全局的状态，如果bics或bice没超出控制限表示该故障只影响过程的局部状态。表1为变量组划分情况，非平稳变量被划分为5个不同的变量组。由图2可以看出，百万千瓦超超临界机组的负荷经常变化，这意味着机组的工况不停改变。图3是本方法的监测结果，可以看出变量组1-4的静态监测统计量超出控制限当工作点发生变化后，这意味着静态长期均衡关系被打破。然而动态监测统计量只是在工作点发生改变后超出控制限，接下来回到正常范围。变量组5的静态和动态监测统计量都未超出控制限，这表示工作的变化对变量组5中的变量没有影响。图4为全局监测结果，可以看出全局监测结果与局部监测结果一致。图5展示了传统协整分析的监测结果，可以看出当工作点发生变化后监测统计量一直处于报警状态，这会对现场工程师造成影响，使工程师误认为过程处于异常状态。通过本方法可以帮助现场工程师有效的区分过程工作点的改变和故障对过程的影响，保证了百万千瓦超超临界机组的高效运行。表1.变量组划分结果变量组变量14,7,15,16,20,22,26,27,29,30,33,34,37,39,43,47,4925,6,13,18,24,31,35,40,41,42,45,50,51328,44,46,4848,9,11,12,17,19,21,23,25,36,38,51,2,3,10,14,32,当前第1页12