一种电厂发电设备的故障智能预警方法及系统与流程

本发明涉及故障预警的技术领域，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。

背景技术：

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。

技术实现要素：

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，本发明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，本发明的技术方案如下：

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∈r^m，则当前运行的状态估计向量xest为：

xest＝dw＝w1x¹+w2x²+...+wmx^m

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,；)·(d^td)^-1d^txobs

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个历史观测向量两两之间计算欧氏距离，来反映相似性，设xobs与过程记忆中的历史观测向量x^j最相似，则两者的欧式距离最小，其对应的权值wj最大，对预测结果的贡献也最大。

在此，欧式距离的计算从侧面反映相似性，相似度高的数据起到的作用相同，过多相似的数据，不仅占用存储空间也会拖慢模型分析速度，通过欧式距离等方式的相似性计算与确认，可以进一步对观测值进行优选，减轻模型预测压力，保证模型的有效性。

优选地，步骤s4所述对故障智能预警算法模型进行优化更新的过程包括：

数据过滤值优化设定：故障智能预警算法模型用于监测发电设备运行状态，对发电设备启停阶段不做监测，故设置数据过滤值，以过滤发电设备非运行状态的值，过滤点选择在稳定运行状态时变化较少的发电设备测点；

更新：发电设备实时运行过程中，若出现真实故障报警，则将报警数据保存储至故障库，若为误报，则保存至误报库，设置故障智能预警算法模型自动更新时间，当到达设定时间t后，重新对发电设备进行电厂发电设备的故障智能预警算法模型的构建及封装，并剔除故障库里的数据。

在此，实时数据过滤优化设定和模型在线更新功能可大大减小智能预警系统在出现设备检修或启停阶段的误报，保证了预警系统报警的准确性。

优选地，步骤s5所述的故障智能预警算法模型评估发电设备的运行状态时，首先确认发电设备状态，若发电设备处于停机状态，则为健康偏离度赋标志停机的值“111”，若发电设备处于正在启动或正在停机过程，则为健康偏离度赋值“112”，且延时wait_time后再进行健康偏离度计算；若发电设备处于正常运行状态，则利用健康偏离度法进行健康偏离度法计算；

所述的评估发电设备的运行状态包括发电设备单个测点评估及发电设备整体运行状态评估，在进行所述单个测点评估时，评估每个测点的实际测量值与预测值的偏差；在进行所述发电设备整体运行状态评估时，评估发电设备的健康偏离度，当发电设备健康偏离度在持续时间内一直小于设置的异常阈值且大于故障阈值时，则发电设备出现异常，发出设备异常报警，若发电设备健康偏离度在持续时间内一直小于故障阈值，则发电设备出现故障，发出设备故障报警。

在此，方案对发电设备运行阶段、停机阶段、启动过程和停机过程分别进行了处理，减少了智能预警方法的误报率，且所选用的健康偏离度计算方法无需区分不同运行工况，只要历史数据量足够大，就能涵盖所有正常运行工况，允许用户手动确认异常故障阈值和持续时间，对于不同的预警设备、系统可以灵活设置报警规则，能够预警的设备、系统类型广泛。

本发明还提出一种电厂发电设备的故障智能预警系统，所述系统用于实现所述的电厂发电设备的故障智能预警方法，包括：

电厂sis数据库，用于提供发电设备的历史运行数据；

数据预处理模块，用于对发电设备历史运行数据进行数据清洗操作，并对发电设备历史运行数据进行无量纲化处理；

故障智能预警算法模型，用于封装电厂发电设备的故障智能预警算法，评估发电设备的运行状态；

优化更新模块，对故障智能预警算法模型进行优化更新；

实时数据采集模块，用于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至优化更新后的故障智能预警算法模型；

预警响应模块，对故障智能预警算法模型评估的发电设备的运行状态做出预警响应。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种电厂发电设备的故障智能预警方法及系统，首先从电厂sis数据库抽取发电设备历史运行数据，然后对发电设备历史运行数据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，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，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。

附图说明

图1表示本发明实施例中提出的电厂发电设备的故障智能预警方法的流程图；

图2表示本发明实施例中提出的单个测点评估时的送风机电机电流测点的评估曲线图；

图3表示本发明实施例中提出的电厂发电设备的故障智能预警系统的结构图；

图4表示本发明实施例中提出的2号高压给水泵在2018年1月22日至2018年2月2日正常历史运行的健康偏离度曲线图；

图5表示本发明实施例中提出的2号高压给水泵在2018年2月3日运行状态的健康偏离度曲线图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；

对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示的电厂发电设备的故障智能预警方法的流程示意图，如图1所示，所述方法包括：

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。

在本实施例中，以发电设备以送风机为例，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。

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。实际实施时，抽取的发电设备历史运行数据要求必须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。

在本实施例中，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。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。

在本实施例中，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。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。

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∈r^m，则当前运行的状态估计向量xest为：

xest＝dw＝w1x¹+w2x²+...+wmx^m

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。

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,；)·(d^td)^-1d^txobs

为避免变量之间的相关性造成d^td不可逆的情况，欲选择不同的算子衡量向量间的相似性，选择不同的算子衡量向量间的相似性，考虑向量x,y∈rⁿ，备选的相似性算子可以选取欧氏距离、闵科夫斯基距离、相对熵、线性相关系数等，本实施例中，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个历史观测向量两两之间计算欧氏距离，来反映相似性，设xobs与过程记忆中的历史观测向量x^j最相似，则两者的欧式距离最小，其对应的权值wj最大，对预测结果的贡献也最大。欧式距离的计算从侧面反映相似性，相似度高的数据起到的作用相同，过多相似的数据，不仅占用存储空间也会拖慢模型分析速度，通过欧式距离等方式的相似性计算与确认，可以进一步对观测值进行优选，减轻模型预测压力，保证模型的有效性。

在本实施例中，步骤s4所述对故障智能预警算法模型进行优化更新的过程包括：

数据过滤值优化设定：故障智能预警算法模型用于监测发电设备运行状态，对发电设备启停阶段不做监测，故设置数据过滤值，以过滤发电设备非运行状态的值，过滤点选择在运行状态变化少的发电设备测点；如送风机所用测点为电机电流，过滤值条件为电机电流大于10。也就是说，仅电机电流连续n次大于10的时候(n可根据经验设置)，设备模型才会对设备运行状态就行评估，当电机电流连续n次小于10的时候，模型认为设备在启停阶段，不需要进行状态评估。

更新：发电设备实时运行过程中，若出现真实故障报警，则将报警数据保存储至故障库，若为误报，则保存至误报库，设置故障智能预警算法模型自动更新时间，当到达设定时间t后，重新对发电设备进行电厂发电设备的故障智能预警算法模型的构建及封装，并剔除故障库里的数据。实时数据过滤优化设定和模型在线更新功能可大大减小智能预警系统在出现设备检修或启停阶段的误报，保证了预警系统报警的准确性。

步骤s5所述的故障智能预警算法模型评估发电设备的运行状态时，首先确认发电设备状态，若发电设备处于停机状态，则为健康偏离度赋标志停机的值“111”，若发电设备处于正在启动或正在停机过程，则为健康偏离度赋值“112”，且延时wait_time后再进行健康偏离度计算；若发电设备处于正常运行状态，则利用健康偏离度法进行健康偏离度法计算；

所述的评估发电设备的运行状态包括发电设备单个测点评估及发电设备整体运行状态评估，在进行所述单个测点评估时，评估每个测点的实际测量值与预测值的偏差；在进行所述发电设备整体运行状态评估时，评估发电设备的健康偏离度，当发电设备健康偏离度在持续时间内一直小于设置的异常阈值且大于故障阈值时，则发电设备出现异常，发出设备异常报警，若发电设备健康偏离度在持续时间内一直小于故障阈值，则发电设备出现故障，发出设备故障报警。在实际实施时，方案对发电设备运行阶段、停机阶段、启动过程和停机过程分别进行了处理，减少了智能预警方法的误报率，且所选用的健康偏离度计算方法无需区分不同运行工况，只要历史数据量足够大，就能涵盖所有正常运行工况，允许用户手动确认异常故障阈值和持续时间，对于不同的预警设备、系统可以灵活设置报警规则，能够预警的设备、系统类型广泛。

在实际实施时，每个测点会产生动态预测带，随生产实时运行状态不断变化，图2表示送风机电机电流的单点评估曲线，其中“△”所在标记曲线代表实际测量值，“○”所在标记曲线代表预测值。如果实际测量值和预测值偏差不大，则表明送风机运行状态良好；如果偏差超出设定值，则表明送风机正偏离正常运行状态，当偏离过大时可能造成设备异动甚至故障。

如图3所示，本发明还提出一种电厂发电设备的故障智能预警系统，所述系统用于实现所述的电厂发电设备的故障智能预警方法，包括：

电厂sis数据库，用于提供发电设备的历史运行数据；

数据预处理模块，用于对发电设备历史运行数据进行数据清洗操作，并对发电设备历史运行数据进行无量纲化处理；

故障智能预警算法模型，用于封装电厂发电设备的故障智能预警算法，评估发电设备的运行状态；

优化更新模块，对故障智能预警算法模型进行优化更新；

实时数据采集模块，用于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至优化更新后的故障智能预警算法模型；

预警响应模块，对故障智能预警算法模型评估的发电设备的运行状态做出预警响应。

下面结合具体实施实例来对本发明所提技术方案进一步说明。

某联合循环机组(9e燃机)2018年2月3日17时30分发现2号高压给水泵电流突发波动，泵驱动端发生异响，驱动端轴承温度上升。经检查发现驱动端轴承损坏、驱动端轴承箱润滑油内带有杂质。

参见表1，首先初步选定电厂2号高压给水泵的测点变量。

表1

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，然后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，构建并封装电厂发电设备的故障智能预警算法模型，并对故障智能预警算法模型进行优化更新；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，电厂2号高压给水泵再2018年1月22日至2018年2月2日期间的正常历史运行健康偏离度曲线图如图4所示，2018年2月3日电厂2号高压给水泵运行状态下健康偏离度曲线图如图5所示，参见图5，2018年2月3日14:30-15:00时间段，有明显的下降趋势(至少提前2个多小时)，表明该泵已偏离正常工况，呈异常状态；15:00后，健康度值降为0，泵已经严重偏离正常运行状态。

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。