一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法与流程

1.本发明涉及电厂技术领域，具体地涉及一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法。


背景技术：

2.锅炉的四管包括水冷壁、过热器、再热器、省煤器，是燃煤发电机组锅炉的关键受热部件。由于这些受热部件直接接触燃烧流动介质的磨损和冲刷，受热面管道会逐渐减薄，直至产生泄漏事故，直接影响发电机组的安全稳定运行。据统计，锅炉四管泄漏占火力发电机组各类非计划停运原因之首。因此需要研究切实可行的预防措施，最大限度地减少锅炉受热面管道泄漏事故的发生，降低非计划停运次数，提高经济效益和社会效益。
3.目前，传统判断锅炉四管泄漏主要靠仪表分析，即根据给水流量、炉膛负压、烟气温度、受热面壁温等参数的变化综合分析获得。这种方法主要依赖运行值班员的知识积累以及工作经验，缺少统一的故障判定规则以及故障发生前的提前预警。


技术实现要素：

4.针对上述现有技术中存在的问题，本发明的目的在于提供一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，实现对四管泄漏故障的提前预警，最大限度地减少锅炉受热面管道泄漏事故的发生。
5.为了实现上述目的，本发明采用以下技术方案：
6.一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，所述四管包括水冷壁、过热器、再热器和省煤器，该方法包括：
7.步骤1，采集第一预设时间段内预先确定的基于数据建模分析四管泄漏至少一个因子的样本数据，以及第二预设时间段内用于预警分析每个所述因子的实时数据；
8.步骤2，根据所述因子的样本数据训练构建每个因子的大数据模型；
9.步骤3，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值；
10.步骤4，计算每个因子实时数据与模型值的偏差；
11.步骤5，综合多个因子的所述偏差进行四管泄漏故障预警。
12.本发明进一步的改进在于，步骤1中，所述第一预设时间段早于所述第二预设时间段。
13.本发明进一步的改进在于，步骤2中，根据所述因子的样本数据训练构建每个因子的大数据模型包括：根据对应因子样本数据特征选择合适的大数据算法；以及通过限值、包络线和人工分析方法筛除样本数据中的不良数据，而后训练构建对应因子的大数据模型。
14.本发明进一步的改进在于，所述因子包括以下至少一者：锅炉给水流量、总减温水流量、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽流量、再热蒸汽压力、再热蒸汽温度、炉膛负压、引风机电流、换热器进出口烟气温度、水冷壁金属壁温、过热器金属壁温、再热器
金属壁温和省煤器金属壁温。
15.本发明进一步的改进在于，对每个因子的大数据模型进行评估，评估指标包括模型诊出率以及模型误诊率，根据评估指标结果，获取每个因子诊出率高、误诊率低的大数据模型，所述根据评估指标结果，获取每个因子诊出率高、误诊率低的大数据模型指：所述因子的大数据模型在一定故障幅值下模型诊出率大于98％，模型误诊率小于2％时认为模型诊出率高、误诊率低。
16.本发明进一步的改进在于，所述对每个因子的大数据模型进行评估，评估指标包括模型诊出率以及模型误诊率指：随机抓取预定数量所述因子用于数据建模的样本数据，将作为每个因子对应大数据模型输出的参数依次分别加减预定的故障幅值作为对应因子大数据模型的评估样本，基于评估样本的t2统计量、spe统计量以及对应统计量的控制限获取模型诊出率以及模型误诊率。
17.本发明进一步的改进在于，所述故障幅值指：为生成所述因子大数据模型的评估样本，随机抓取预定数量所述因子用于建模的样本数据，在对应模型输出参数的基础上加减了设定的量，这个量的大小即为故障幅值；故障幅值预设为所述因子样本数据中最大值与最小值差的百分十五，或者根据需要增大或者减小故障幅值。
18.本发明进一步的改进在于，根据所述因子样本数据特征选用适配的大数据算法，所述样本数据特征包括：线性良好数据、非线性数据、分段线性良好数据；所述大数据算法包括以下三种：主成分分析算法、神经网络算法以及高斯混合模型算法。
19.本发明进一步的改进在于，步骤3中，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值指：使第二预设时间段内每个所述因子大数据模型输入参数的实时数据流代入对应因子的大数据模型，计算获取每个因子在第二预设时间段内的模型值流。
20.本发明进一步的改进在于，步骤4中，所述综合多个因子的所述偏差进行四管泄漏故障预警包括：将每个因子的所述偏差与每个因子预设的预警区间进行比较；综合多个因子所述偏差越过预警区间的情况进行泄漏预警；其中，所述预警区间基于以下方法确定：随机抓取预定数量所述因子用于数据建模的样本数据，将每个因子对应大数据模型输出的参数依次分别加减预定的故障幅值作为对应因子大数据模型的评估样本，而后将评估样本代入对应因子的大数据模型，通过迭代方法获取满足模型指标的最小故障幅值；基于正最小故障幅值以及负最小故障幅值限定所述预警区间。
21.本发明至少具有如下有益的技术效果：
22.本发明提供的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，能够通过每个因子的大数据模型获取对应因子实时值的模拟值，从而确定每个因子的变化趋势，进而对四管泄漏进行有效的预警分析，实现对四管泄漏故障的有效预警，减少运行人员的工作量。
23.进一步，综合多个因子的所述偏差进行四管泄漏故障预警包括：根据每个因子的大数据模型在模型诊出率大于98％，模型误诊率小于2％的情况下的故障幅值确定每个因子的所述偏差预警下限区间；综合多个因子的预警情况对锅炉四管泄漏故障进行预警。
附图说明
24.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
25.图1是本发明一种实施方式提供的基于大数据算法分析火电厂锅炉四管泄漏的方法的流程图。
具体实施方式
26.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
27.图1是本发明一种实施方式提供的基于大数据算法分析火电厂锅炉四管泄漏的方法的流程图。如图1所示，本发明实施方式提供一种基于大数据算法分析火电厂锅炉四管泄漏的方法，所述四管包括水冷壁、过热器、再热器和省煤器，所述方法包括：
28.步骤1，采集第一预设时间段内预先确定的基于数据建模分析四管泄漏至少一个因子的样本数据，以及第二预设时间段内用于预警分析每个所述因子的实时数据。
29.步骤2，根据每个因子的样本数据训练构建每个因子的大数据模型。
30.步骤3，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值。
31.步骤4，计算每个因子实时数据与模型值的偏差，即计算同一时刻下每个因子的模型值与测量值的偏差。
32.步骤5，综合多个因子的所述偏差进行四管泄漏故障预警。
33.其中，第一预设时间段即数据采集时间段，第一预设时间段早于第二预设时间段，并且该第一预设时间段用于采集每个因子的样本数据，该样本数据用作训练构建每个因子的大数据模型。可选地，该第一预设时间段可以例如为一年。
34.第二预设时间段即需要进行预警分析的时间段，将该第二预设时间段内作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型获取所述因子的模型值进行涉及四管泄漏的预警。对于任意因子，可以将第二预设时间段内的实时数据与计算获取的模型值进行比较，计算实时数据与模型值的偏差，根据偏差是否超过某个阈值范围来判断是否进行报警。一般地，通过单个因子实时数据与模型值的偏差超过某个阈值范围预警四管泄漏是不现实的，需参考多个因子的偏差超过各自的预警阈值范围情况综合分析后给出。可选地，该第二预设时间段可以例如为十分钟、半个小时或者一个小时。
35.所述偏差是指第二预设时间段内所述因子的实时数据减去作为所述因子大数据模型输入参数的实时数据代入对应因子大数据模型计算获取到的所述因子的模型值，例如所述因子实时数据为c、所述因子模型值为m，则偏差为c-m。
36.通过本发明上述技术方案，能够通过多个因子的实时数据与模型值的差值，来确定每个因子的变化趋势，从而可对四管泄漏进行有效的预警分析，实现对四管泄漏的有效预警，减少运行人员的工作量。
37.在本发明一种可选实施方式中，所述因子可以包括：锅炉给水流量、总减温水流量、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽流量、再热蒸汽压力、再热蒸汽温度、炉
膛负压、引风机电流、换热器进出口烟气温度、水冷壁金属壁温、过热器金属壁温、再热器金属壁温、省煤器金属壁温等。在具体实施时，可以采集上述全部因子的样本数据和实时数据，也可以选取上述因子中的一部分来采集样本数据和实时数据。
38.在本发明一种可选方式中，根据每个因子的样本数据训练构建每个因子的大数据模型包括：分析所选因子样本数据之间的所呈现的数据特征，线性亦或非线性；选择合适的大数据算法，主成分分析算法、神经网络算法亦或高斯混合模型算法；剔除样本数据中的不良数据，可选地，限值剔除、包络线剔除以及人工分析剔除；基于筛选后的样本数据训练构建每个因子的大数据模型。
39.在本发明一种可选方式中，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值包括：每个所述因子的大数据模型包括模型输入端以及模型输出端，所使用的大数据算法包括多输入多输出模型以及多输入单输出模型；所述因子可以是模型的输出也可以既是模型的输出也是模型的输入。
40.在本发明一种可选实施方式中，综合多个因子的所述偏差进行四管泄漏故障预警包括：计算每个因子实时数据与模型值的偏差，综合多个因子的偏差是否超过某个阈值范围来判断是否进行报警。
41.其中，阈值范围最小值为在满足模型诊出率以及模型误诊率指标情况下的最小故障幅值，例如最小故障幅值为f，则最小阈值范围为
±
f；另外，阈值范围可在满足预警要求的情况下适当放宽。
42.在本发明一种可选实施方式中，对于上述每个因子，可以按照以下方法进行样本数据、实时数据的采集、模型值的计算、最小阈值范围的确定。
43.1)锅炉给水流量
44.采集1年的锅炉给水流量、总减温水流量、主蒸汽流量、主蒸汽压力和机组负荷数据作为样本数据；
45.可选地，根据所述数据筛选方法去除样本中的不良数据，并确保用作训练大数据模型的样本数据覆盖所有负荷工况；
46.可选地，构建以锅炉给水流量为输出，总减温水流量、主蒸汽流量、主蒸汽压力和机组负荷数据为输入的神经网络模型；
47.可选地，在模型诊出率大于98％以及模型误诊率小于2％的情况下，迭代获取最小锅炉给水流量故障幅值；
48.采集机组最近十分钟、半个小时或者一个小时的锅炉给水流量、总减温水流量、主蒸汽流量、主蒸汽压力和机组负荷数据作为实时数据，将作为输入的总减温水流量、主蒸汽流量、主蒸汽压力以及机组负荷数据代入上述以锅炉给水流量为输出，总减温水流量、主蒸汽流量、主蒸汽压力和机组负荷数据为输入的神经网络模型，获取锅炉给水流量在实时数据时间段内的模型值；
49.计算锅炉给水流量在实时数据时间段内实时数据与模型值的差，并根据确定的锅炉给水流量预警阈值范围开展进一步的分析；
50.2)过热器金属壁温
51.采集1年的过热器金属壁温数据作为样本数据；
52.可选地，将过热器金属壁温在空间上进行分类，分别构建各自的主成分分析算法
大数据模型，例如以屏式过热器a侧管壁温度以及屏式过热器b侧管壁温度的样本数据分别构建各自的大数据模型；
53.采集机组最近十分钟、半个小时或者一个小时的过热器金属壁温数据作为实时数据，遍历上述以过热器金属壁温为输入，过热器金属壁温为输出的主成分分析算法模型，获取过热器金属壁温在实时数据时间段内的模型值；
54.可选地，在模型诊出率大于98&以及模型误诊率小于2％的情况下，迭代获取最小过热器金属壁温故障幅值；
55.计算锅炉过热器金属壁温在实时数据时间段内实时数据与模型值的差，并根据确定的过热器金属壁温预警阈值范围开展进一步的分析；
56.以此类推，可选地，根据其他因子数据特征构建其优选的大数据模型，最终获取引风机电流、换热器进出口烟气温度、水冷壁金属壁温、再热器金属壁温、省煤器金属壁温等因子在实时数据时间段内的模型值；计算每个因子在实时数据时间段内实时数据与模型值的差，并根据确定的预警阈值范围开展进一步的分析。
57.最后，可选地，综合多个因子的所述偏差进行四管泄漏故障预警。例如，可以综合屏式过热器a侧管壁温度大数据模型预警结果、屏式过热器a侧出口烟温大数据模型预警结果、锅炉给水流量大数据模型预警结果、引风机电流大数据模型预警结果综合判断屏式过热器a侧泄漏故障。
58.虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。