[0077]
(6)
[0078] 式（6)中，G(t)为第t次迭代时的引力常数；Mt)为个体i和个体j之间的欧 式距离；e是一个常数，防止分母为零；<(〇和<(〇分别为个体j和个体i第t次迭代时 在第d维空间上的位置；
[0079]步骤206:计算每个个体在d维的加速度<士），的计算公式为：
[0080]
(7)；
[0081] 步骤207 :更新每个个体的速度和位置，计算公式为：
[0082]
[0084]式（8)、（9)中，和.xf的为在t次迭代时粒子i在d维的速度和位置； 和+1)为在t+1次迭代时粒子i在d维的速度和位置；rand;，randJPrand2为[0, 1]之 间的随机数；乂士)为粒子i个体极值的第d维；gd(t)为全局极值的第d维；
[0085] 步骤208:计算每个个体的适应度值；对于每个个体，将其适应度值与个体极值Pl 作比较，如果适应度值小于个体极值Pl，则将其位置设置为个体极值p1;将其适应度值与全 局极值g作比较，如果适应度值小于全局极值g，则将其位置设置为全局极值g;
[0086] 步骤209 :返回步骤204循环迭代，直到达到最大迭代次数或满足精度要求为止；
[0087] 步骤210 :输出热力系统的典型故障原型，算法结束。
[0088] 其中，模糊最近邻分类器给出故障隶属度的具体步骤为：
[0089] 步骤301 :计算待分类样本Xq与故障原型P?之间的距离，计算公式为：
(10)
[0091] 式（10)中，Xq为待分类样本，且Xq= (Xql，Xq2，…，XqJT，T表示转置;m为样本的维 数；为第j类故障的第i个原型；d(PAXq)为待分类样本Xq与原型P^之间的距离；C为 故障类别的数目；S为每类故障的原型数目；
[0092] 步骤302:计算待分类样本与每类故障原型的最近距离disUco^Xq)，计算公式 为：
[0093]
( 1 1 )
[0094] 式（11)中，disUUq)为待分类样本与每类故障原型的最近距离；《,为故障类 别；
[0095] 步骤303 :计算待分类样本属于每一故障类别的隶属度y_jq(〇_j，Xq)，计算公式 为：
[0096]
[0097]步骤304 :得到待分类样本属于相应故障类别的隶属度向量yq，公式为：
[0098] yq=[ylq,y2q,yCq]T (13)
[0099] 式（13)中，yq为待分类样本属于相应故障类别的隶属度向量，T表不转置。
[0100] 本发明以某600MW超临界机组高压给水加热器为实施例，采用大旁路结构，3台高 压给水加热器按抽汽口压力由高到低依次称#1高加、#2高加和#3高加；各高加传热方式 均为过热-凝结-疏冷3段式，疏水均为逐级自流，正常疏水和危急疏水调节阀均由协调控 制系统控制；具有13个典型故障，加上无故障，共计14个故障类：F0~F13 ;相应地选取各 高加给水端差、疏水端差、给水温升、调门总开度、进汽压力以及给水栗转速共16个故障特 征参数。
[0101] 运用引力搜索算法获取热力系统的典型故障原型：
[0102] 借助600MW火电机组仿真系统，分别在600MW额定工况、540MW稳态工况、480MW稳 态工况、420MW稳态工况以及变负荷动态过渡工况下对高加给水系统各故障进行详细的仿 真实验，选取每种故障100个样本。运用故障征兆模糊计算方法进行特征参数预处理，征兆 计算所选用的特征参数参考值取机组额定工况下正常运行数据。
[0103] 算法参数设置如下：种群规模n= 20,迭代次数T= 200。每个个体按照故障类别 依次编码原型。为了使获得的原型集规模小且诊断正确率高，每类故障的原型数S按从小 到大取不同的值，引力搜索算法用于搜索不同原型数目S对应的最优故障原型集。对于不 同的S值，重复运行10次，取其最优值，最终确定每个故障类选取3个原型。
[0104] 热力系统故障诊断：
[0105] 借助600丽火电机组全工况仿真系统，对机组额定工况（600MW)、稳态工况 (540MW)以及稳态工况（480MW)下高加系统不同故障进行仿真研究。以#1高加管系泄漏 6% (F1)故障和#2高加进出水室短路20% (F5)为例，给出仿真诊断结果，如图2~图7所 不。
[0106] 在图2~图7中，均从第11s引入故障，即第Is~第10s为正常状态（F0)，从第 11s开始为故障状态（F1或者F5)。可以看出：本发明提出的故障诊断方法均能在20s内发 现故障，能在60内稳定且正确地识别出故障类型。
[0107] 本发明提出了一种热力系统故障的模糊最近邻融合诊断方法，具有诊断速度快、 诊断精度高的优点；可用于额定工况、不同稳态工况下的热力系统故障诊断；通过对故障 特征参数的实时预测，可适用于变工况动态过程热力系统故障诊断；因此，本发明提出的一 种热力系统故障的模糊最近邻融合诊断方法对热力系统在线故障诊断具有重要意义。
[0108] 以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权力要求的保护范围 为准。
【主权项】
1. 一种热力系统故障的模糊最近邻融合诊断方法，其特征在于，包括如下步骤： 1) 获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的 正常值； 2) 采用征兆计算方法对热力系统故障的特征参数进行标准化处理，运用引力捜索算法 获取热力系统的典型故障原型W反映不同热力系统故障的特征； 3) 根据热力系统故障特征参数的实测值和正常值计算实时故障征兆； 4) 比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度； 5) 将每个模糊最近邻分类器给出的故障隶属度送入神经网络，神经网络融合模糊最近 邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果。2. 根据权利要求1所述一种热力系统故障的模糊最近邻融合诊断方法，其特征在于， 所述运用引力捜索算法获取热力系统的典型故障原型的具体步骤为： 步骤201 :给定种群规模n，最大迭代次数Tm。、，随机初始化个体的速度Vi和位置X1，i为正整数，i= 1，2，...，n，个体依次编码为训练集中不同类型故障样本的特征，个体的速 度是与位置同维的向量，且个体的初始速度设置为零； 步骤202 :在训练集T上计算每个个体的适应度值，计算公式为：/ - !.2,...,? ' 1) 式（1)中，Xk为第k个样本；N为样本总数；h狂k)指出样本Xk是否被正确分类，若正确 分类，h化）=1，否则，h化）=0 ;t为迭代次数； 步骤203 :将每个个体的当前位置设置为个体极值Pi,i= 1，2,...，n;将种群中适应度 值最小的个体位置设置为全局极值g; 步骤204 :计算每个个体的惯性质量Mi(t)，计算公式为：1 = 1,2，,,.,:双 冷 式似中，fiti(t)为个体i第t次迭代的适应度值；fitbMt(t)和fitwfst(t)分别表示 第t次迭代时种群中所有个体最好的适应度值和最坏的适应度值，fitbMt(t)和fitwfst(t) 的计算公式分别为：(3) (4) :;' 步骤205 :计算每个个体在d维所受的作用力巧，计算公式如下：!'.=:1;,?,;,,,M 、5) 式（5)中，rand,为[0, 1]之间的随机数；巧(0为第t次迭代时个体j对个体i在d维 的作用力，巧/(〇的计算公式为： (6) 式（6)中，G(t)为第t次迭代时的引力常数；Ri,(t)为个体i和个体j之间的欧式距 离；e是一个常数，防止分母为零；<W和.<W分别为个体j和个体i第t次迭代时在第 d维空间上的位置； 步骤206 :计算每个个体在d维的加速度<'(〇，(0的计算公式为：1=1,2,...,'， （7); 步骤207 :更新每个个体的速度和位置，计算公式为： +1)二株XV'.;'W+印,"的一+ /.二 1,2，...，" （ 8 ) V," 0 +1)二.'V;'(0 + V;'0 -Kl) / = 1，2,...，" (9) 式做、（9)中，V;'(0和.<(〇为在t次迭代时粒子i在d维的速度和位置；Vf(Wl)和 尤,江矿+1)为在1：+1次迭代时粒子1在(1维的速度和位置江曰]1山，阿]1(11和阿]1(12为[〇，。之间 的随机数；公的为粒子i个体极值的第d维；gd(t)为全局极值的第d维； 步骤208 :计算每个个体的适应度值；对于每个个体，将其适应度值与个体极值Pi作比 较，如果适应度值小于个体极值Pi,则将其位置设置为个体极值Pi;将其适应度值与全局极 值g作比较，如果适应度值小于全局极值g，则将其位置设置为全局极值g; 步骤209 :返回步骤204循环迭代，直到达到最大迭代次数或满足精度要求为止； 步骤210 :输出热力系统的典型故障原型，算法结束。3.根据权利要求1所述一种热力系统故障的模糊最近邻融合诊断方法，其特征在于， 所述模糊最近邻分类器给出故障隶属度的具体步骤为： 步骤301 :计算待分类样本Xq与故障原型/T之间的距离，计算公式为： 雌f，种:=Z(巧i = ]. = 1，2,...，及 ；(臘 A-:=! 式（10)中，Xq为待分类样本，且X。二狂。1，X曲…，Xqm)T，T表示转置；m为样本的维数；if为第^'类故障的第1个原型；^^'，.^,,)为待分类样本乂。与原型择^之间的距离；(：为故障 类别的数目；S为每类故障的原型数目； 步骤302 :计算待分类样本与每类故障原型的最近距离dist(CO,，Xq)，计算公式为： 化7(似，)=min 乂，） /二 1，2,…，C (11) 式（11)中，dist(W,，Xq)为待分类样本与每类故障原型的最近距离；W,为故障类别； 步骤303 :计算待分类样本属于每一故障类别的隶属度yM(CO,，Xq)，计算公式为： j =1,2,(12); 步骤304 :得到待分类样本属于相应故障类别的隶属度向量yq，公式为： Wq=[yIq，ii2q，…，yCq]T(蝴 式（13)中，iiq为待分类样本属于相应故障类别的隶属度向量，T表示转置。
【专利摘要】本发明公开了属于热力系统故障诊断技术领域的一种热力系统故障的模糊最近邻融合诊断方法。获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的正常值；采用征兆计算方法对特征参数进行标准化处理，运用引力搜索算法获取典型故障原型；根据特征参数的实测值和正常值计算实时故障征兆；比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度；神经网络融合模糊最近邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果。具有诊断速度快、诊断精度高的优点；可用于额定工况、不同稳态工况下的热力系统故障诊断；通过对故障特征参数的实时预测，可适用于变工况动态过程热力系统故障诊断。
【IPC分类】G06N5/04, G06K9/62
【公开号】CN105205492
【申请号】CN201510532354
【发明人】王晓霞, 马良玉
【申请人】华北电力大学（保定）
【公开日】2015年12月30日
【申请日】2015年8月26日