一种火电厂设备状态评估方法
【技术领域】
[0001]本发明涉及设备状态检测预警技术领域，具体涉及一种火电厂设备状态评估方法，可用于火电厂设备故障的早期预警。
【背景技术】
[0002]火电厂设备系统是一个庞大而复杂的系统，具有故障率高和故障危害性大的特点。由于设计、制造、安装、维护、管理和运行等方面的原因使得很多火电机组的强迫停运率和事故发生率居高不下。传统的火电厂设备运行监测关注定值报警，较少关注参数的波动范围或劣化趋势；往往在发生参数报警、热工保护动作时，设备已经发生了较严重的劣化与故障。
[0003]从参数预测角度讲，火电厂热力系统分析是一个多参数、非线性、强耦合的复杂问题，动态测试数据处理的经典方法也很难给出合适的预测，普通的神经网络存在计算次数高，收敛速度慢等缺点，因此很有必要提出一种新型算法来对设备变工况运行时的参数训练值给出预测，作为设备监测的基准或对照数据。但是，传统的火电厂设备状态评估主要依赖设备管理人员的主观经验，未能依据设备海量监测数据进行分析与诊断，机组隐患不能及时被发现和处理；设备故障诊断依赖外部专家，未对以往的诊断经验进行积累、交流与学习，缺乏诊断经验积累的基础平台。
【发明内容】
[0004]本发明要解决的技术问题是:针对现有技术的上述问题，提供一种能够实现火电厂的设备、系统及机组的状态评估和设备对象潜在故障变化的早期预警，并通过基于不同报警类型的参数状态评估方法，提示引起设备、系统及机组报警的监测参数，帮助火电厂关注设备早期劣化、分析故障原因以及积累诊断经验的火电厂设备状态评估方法。
[0005]为了解决上述技术问题，本发明采用的技术方案为:
一种火电厂设备状态评估方法，实施步骤包括:
1)从火电厂的各个设备监测系统的实时数据库中选择设备监测参数，将火电厂的机组划分为多个设备群或者系统，将每一个设备群或者系统划分为多个设备，针对每一个设备建立至少一个设备监测模型，为每一个设备监测模型关联相关的设备监测参数，并根据所述设备监测参数的属性将每一个设备监测模型下的设备监测参数分类为不同的参数类；
2)从所述历史数据库中筛选出设备正常运行历史数据，得到设备的正常状态数据集；
3)建立基于广义矩估计算法的回归模型，使用所述正常状态数据集对设备监测模型进行模型训练，得到各个设备监测参数对应不同工况的正常值并输出；
4)从火电厂的各个设备监测系统的实时数据库中获取各个测点的设备监测参数数据，判断各个设备监测参数数据是否数据异常，如果数据异常则将其剔除不参与后续的状态评估；如果数据正常，则将其保留以参与后续的状态评估；
5)将所有正常的设备监测参数数据进行状态评估，得到各个正常的设备监测参数数据对应的评估状态；
6)将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值，基于设备监测参数的参数状态值评估得到对应参数类的参数类状态值及参数类状态，基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态，基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态，基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态，根据所述设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态；最终将火电厂机组的设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态输出。
[0006]优选地，所述步骤2)中从所述历史数据库中筛选出设备正常运行历史数据时，所述设备正常运行历史数据满足以下条件:所述设备正常运行历史数据涵盖一段能够反映设备在各个工况下的运行时间，且所述设备正常运行历史数据中的每个采样数据组包括的设备所有设备监测参数的数据值都在正常范围内以表达设备的正常运行状态，且每个采样数据组中设备各个设备监测参数均在同一时刻被采样。
[0007]优选地，所述步骤3)的详细步骤包括:
3.1)设定设备监测模型的模型监视条件，确定监视工况，非模型监视条件下不输出模型训练值；
3.2)调整所述正常状态数据集，进一步扩充或筛选设备正常运行历史数据，完善丰富所述正常状态数据集；
3.3)针对广义矩估计算法进行系数设定，所述设定的算法系数包括模型精度、数据采样间隔，根据设定的算法系数建立基于广义矩阵估计算法的回归模型；
3.4)使用所述正常状态数据集对设备监测模型进行训练；
3.5)输出模型训练值，根据各个设备监测参数的状态，自动选择与设备监测参数最接近的正常状态数据集，给出每个设备监测参数对应的训练值，训练值即为参数在正常运行数据模型下的正常值；
3.6)判断所述模型训练值是否满足精度要求，如果满足要求，则结束并跳转执行步骤4);否则，跳转执行步骤3.2)。
[0008]优选地，所述步骤5)中所有正常的设备监测参数数据进行状态评估的详细步骤包括:
5.1)选择一个正常的设备监测参数数据输入，跳转执行步骤5.2)，
5.2)将该设备监测参数数据和预设的第一监测参数实际值允许波动范围进行比较，如果超出第一监测参数实际值允许波动范围，则跳转执行步骤5.8)，否则跳转执行步骤5.3)；
5.3)将该设备监测参数数据和预设的第二监测参数实际值允许波动范围进行比较，如果超出第二监测参数实际值允许波动范围，则跳转执行步骤5.7)，否则跳转执行步骤5.4)；
5.4)将该设备监测参数数据和预设的第三监测参数偏差值允许波动范围进行比较，如果超出第三监测参数偏差值允许波动范围，则跳转执行步骤5.6)，否则跳转执行步骤5.5)； 5.5)将该设备监测参数数据状态评估为“正常”，跳转执行步骤5.9);
5.6)将该设备监测参数数据状态评估为“注意”，跳转执行步骤5.9);
5.7)将该设备监测参数数据状态评估为“异常”，跳转执行步骤5.9);
5.8)将该设备监测参数数据状态评估为“严重”，跳转执行步骤5.9);
5.9)检测是否所有正常的设备监测参数数据已经处理完毕，如果处理完毕则跳转执行步骤6)，否则针对尚未处理的正常的设备监测参数数据，继续执行步骤5.2)。
[0009]优选地，所述步骤6)中将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值时，“正常”对应的的参数状态值为0.2，“注意”对应的的参数状态值为0.5，“异常”对应的的参数状态值为0.7，“严重”对应的的参数状态值为I。
[0010]优选地，所述步骤6)中基于设备监测参数的参数状态值评估得到对应参数类的参数类状态及参数类状态值时，参数类的参数类状态值取决于该参数类下设备监测参数的参数状态值的最高值作为参数类状态值，且将对应的参数状态值的状态作为该参数类的参数类状态。
[0011]优选地，所述步骤6)中基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态时，首先根据各个参数类对设备监测模型的影响程度确定各个参数类的权重，且同一设备监测模型下的所有参数类的权重之和为1，然后将各个参数类的参数类状态值与对应的权重进行加权取平均值，得到对应设备监测模型的模型状态值；根据模型状态值和“正常”、“注意”、“异常”、“严重”四种模型状态的预设映射关系表获取该模型状态值对应的模型状态；所述预设映射关系表中，“正常”对应的模型状态值的范围为(0，0.2]，“注意”对应的模型状态值的范围为(0.2，0.5]，“异常”对应的模型状态值的范围为(0.5,0.7], “严重”对应的模型状态值的范围为(0.7，I]。
[0012]优选地，所述步骤6)中基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态时，首先根据各个设备监测模型对设备的影响程度确定各个设备监测模型的权重，且同一设备下的所有设备监测模型的权重之和为1，然后将各个设备监测模型的模型状态值与对应的权重进行加权取平均值，得到对应设备的设备状态值；根据设备状态值和“正常”、“注意”、“异常”、“严重”四种设备状态之间的预设映射关系表获取该设备状态值对应的设备状态；所述预设映射关系表中，“正常”对应的设备状态值的范围为(0，0.2]，“注意”对应的设备状态值的范围为(0.2，0.5]，“异常”对应的设备状态值的范围为(0.5,0.7]，“严重”对应的设备状态值的范围为(0.7，I]。
[0013]优选地，所述步骤6)中基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态时