齊云龍，唐作興，王曉立，潘海祿

（1.南京科遠(yuǎn)智慧科技集團(tuán)股份有限公司，江蘇 南京 211102；2.東莞中電第二熱電有限公司，廣東 東莞 523000）

目前，自動(dòng)發(fā)電控制（AGC）調(diào)控、深度調(diào)峰、燃料多變等原因使得火電機(jī)組相關(guān)設(shè)備（如鍋爐、汽輪機(jī)、水泵、風(fēng)機(jī)等）的運(yùn)行狀態(tài)多變，導(dǎo)致設(shè)備故障率上升，嚴(yán)重影響機(jī)組的安全性、可靠性［1–2］。而現(xiàn)有的報(bào)警系統(tǒng)普遍采用定值報(bào)警模式，存在嚴(yán)重的事后診斷；且該定值不隨負(fù)荷變化，誤報(bào)率較高，不能有效保障機(jī)組全負(fù)荷段安全運(yùn)行。

火力發(fā)電設(shè)備智能預(yù)警系統(tǒng)旨在全負(fù)荷段動(dòng)態(tài)監(jiān)測(cè)重要設(shè)備狀態(tài)，在設(shè)備發(fā)生異常還未惡化為嚴(yán)重故障時(shí)即可預(yù)警，為運(yùn)行人員留有足夠的時(shí)間處理異常，避免事故的發(fā)生，使得處理風(fēng)險(xiǎn)的模式從傳統(tǒng)的被動(dòng)反應(yīng)到主動(dòng)規(guī)避、提前規(guī)劃和準(zhǔn)備，這是未來故障診斷發(fā)展的新方向［3］。因此，實(shí)現(xiàn)機(jī)組異常的早期智能預(yù)警對(duì)火電生產(chǎn)的安全性、可靠性、經(jīng)濟(jì)性具有重要意義。

現(xiàn)階段，火電機(jī)組智能預(yù)警普遍采用基于人工智能的大數(shù)據(jù)分析技術(shù)［4–7］，例如分類、聚類、回歸分析等。而多元狀態(tài)估計(jì)技術(shù)（multivariate state estimation technique，MSET）是智能算法中頗具代表性的先進(jìn)模式識(shí)別技術(shù)，主要對(duì)設(shè)備的正常狀態(tài)進(jìn)行學(xué)習(xí)，分析當(dāng)前狀態(tài)與歷史正常狀態(tài)的相似程度，并對(duì)當(dāng)前狀態(tài)進(jìn)行估計(jì)，而當(dāng)前實(shí)際狀態(tài)與估計(jì)狀態(tài)之間的差異隱含著設(shè)備的異常信息。MSET 最早是由美國阿爾貢國家實(shí)驗(yàn)室提出的一種非參數(shù)建模方法，用于核電廠設(shè)備參數(shù)劣化檢測(cè)［8］。目前，國內(nèi)學(xué)者采用MSET 算法在電站風(fēng)機(jī)［9–10］、內(nèi)燃機(jī)［11］、風(fēng)力發(fā)電機(jī)［12］等設(shè)備上開展大量應(yīng)用，取得了一定效果。

但常規(guī)MSET 使用靜態(tài)歷史記憶矩陣，存在計(jì)算速度慢等缺點(diǎn)。本文根據(jù)實(shí)時(shí)觀測(cè)向量動(dòng)態(tài)確定歷史記憶矩陣，利用動(dòng)態(tài)多元狀態(tài)估計(jì)技術(shù)（DMSET）智能預(yù)警算法對(duì)火力發(fā)電設(shè)備各參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

2 動(dòng)態(tài)多元狀態(tài)估計(jì)技術(shù)智能預(yù)警算法建模原理

2.1 靜態(tài)歷史矩陣的建立

選取某設(shè)備M個(gè)相互關(guān)聯(lián)的測(cè)點(diǎn)參數(shù)為監(jiān)測(cè)變量，將設(shè)備某一正常運(yùn)行狀態(tài)下此M個(gè)變量組成的向量記為觀測(cè)向量X(j)，即

式中，xi(j)為測(cè)點(diǎn)i在正常狀態(tài)j時(shí)的測(cè)量值。

選取該設(shè)備N個(gè)歷史正常狀態(tài)。該N個(gè)狀態(tài)覆蓋了該設(shè)備正常運(yùn)行的全部范圍，將該N個(gè)狀態(tài)下的觀測(cè)向量組成靜態(tài)歷史記憶矩陣D，即

靜態(tài)歷史記憶矩陣是MSET 智能預(yù)警算法建模的基礎(chǔ)。歷史記憶矩陣中每列觀測(cè)向量代表該設(shè)備的一個(gè)正常運(yùn)行狀態(tài)，對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理后選取的N個(gè)歷史觀測(cè)向量涵蓋了設(shè)備全負(fù)荷運(yùn)行的整個(gè)動(dòng)態(tài)過程。

2.2 靜態(tài)歷史矩陣數(shù)據(jù)歸一化處理

對(duì)設(shè)備各測(cè)點(diǎn)數(shù)據(jù)根據(jù)各自極值進(jìn)行歸一化處理，將測(cè)量值轉(zhuǎn)化到[0，1]區(qū)間，歸一化后的靜態(tài)歷史矩陣為D’M×N。歸一化算法為

式中：x’i(j)為xi(j)歸 一化后的值；xi,max、xi,min分別為xi(j)的最大值、最小值。

2.3 動(dòng)態(tài)建模

若設(shè)備某一時(shí)刻的實(shí)時(shí)觀測(cè)向量為Xobs，歸一化后為Xo’bs。 首先，計(jì)算該觀測(cè)向量Xo’bs與靜態(tài)歷史記憶矩陣D’M×N中每列向量的歐氏距離，選擇與實(shí)時(shí)觀測(cè)向量歐氏距離較小的Z個(gè)歷史觀測(cè)向量構(gòu)成動(dòng)態(tài)矩陣Dd。因此，每次計(jì)算時(shí)記憶矩陣是動(dòng)態(tài)變化的。

設(shè)權(quán)值向量W=[w1,w2,···wz]T，設(shè)備當(dāng)前狀態(tài)的估計(jì)向量Xe’st為動(dòng)態(tài)矩陣中Z個(gè)歷史觀測(cè)向量的線性組合，即

當(dāng)估計(jì)向量Xe’st與實(shí)時(shí)觀測(cè)向量Xo’bs之間的歐氏距離（ ||Xest-Xobs||）最小時(shí)即可求得權(quán)值向量W。設(shè)估計(jì)向量Xe’st與觀測(cè)向量Xo’bs的殘差向量為ε，存在關(guān)系式如式（8）～（9）。

因此，當(dāng) εTε取最小值時(shí)可利用最小二乘法計(jì)算權(quán)值向量W。通過推導(dǎo)可得到

但式（10）存在不足，很難保證Dd中列向量之間線性無關(guān)，也就難以保證矩陣DTd·Dd可逆。為了擴(kuò)大式（10）的使用范圍，本文使用基于歐氏距離的非線性運(yùn)算符 ?代替矩陣的點(diǎn)乘，相對(duì)應(yīng)的權(quán)值計(jì)算式為［9］

式中：X、Y為長度L的兩個(gè)向量；xk、yk分別為X、Y的第k個(gè)向量。

求得權(quán)值向量W后，估計(jì)向量Xe’st計(jì)算式為

將Xe’st反歸一化后即可得到各參數(shù)的實(shí)際估計(jì)向量Xest。

3 應(yīng)用案例

3.1 某燃?xì)?蒸汽聯(lián)合循環(huán)機(jī)組高壓給水泵預(yù)警案例

某燃?xì)?蒸汽聯(lián)合循環(huán)電廠于2018 年2 月3 日17:30 發(fā)現(xiàn)#2 爐2 號(hào)高壓給水泵電流突發(fā)波動(dòng)，泵驅(qū)動(dòng)端發(fā)生異響，驅(qū)動(dòng)端軸承溫度上升，立即手動(dòng)切換至備用泵運(yùn)行。經(jīng)檢查發(fā)現(xiàn)，2 號(hào)高壓給水泵驅(qū)動(dòng)端軸承損壞，驅(qū)動(dòng)端軸承箱潤滑油內(nèi)有雜質(zhì)。

本文根據(jù)該泵的正常歷史運(yùn)行數(shù)據(jù)建立DMSET 智能預(yù)警算法，并對(duì)該泵在2018 年2 月3 日13:50 至17:30 的運(yùn)行狀態(tài)進(jìn)行測(cè)試，圖1 為高壓給水泵驅(qū)動(dòng)端軸承故障預(yù)警。由圖1可以看出，在2018 年2 月3 日13:50—15:00 時(shí)間段，歐氏距離約為10，與正常運(yùn)行工況值類似；在2018 年2 月3 日15:00—15:30 時(shí)間段，歐氏距離明顯上升，且值大于10，表明該泵目前已偏離正常工況，處于異常狀態(tài)；15:30—16:10 時(shí)間段，該泵保持在非正常的穩(wěn)定狀態(tài)；16:10 后，歐式距離變化較為劇烈，表明泵已嚴(yán)重偏離正常運(yùn)行狀態(tài)。

圖1 高壓給水泵驅(qū)動(dòng)端軸承故障預(yù)警Fig.1 Fault warning of drive-end bearing in a highpressure feedwater pump

可見，本文建立的DMSET 智能預(yù)警算法能敏銳捕捉到該高壓給水泵的異常變化，且在運(yùn)行人員發(fā)現(xiàn)異常之前預(yù)警，可實(shí)現(xiàn)異常的早期預(yù)警，達(dá)到降低檢修成本、提高設(shè)備可靠性的目的。對(duì)于該泵，結(jié)合正常、異常狀態(tài)的歐氏距離分布，可將異常閾值定在10 ～ 15 之間，此處閾值定為20。

3.2 某660 MW 超超臨界燃煤電廠末級(jí)過熱器預(yù)警案例

某燃煤電廠#1 鍋爐于2018 年8 月10 日18:20發(fā)現(xiàn)鍋爐四管存在泄漏現(xiàn)象，隨后停機(jī)檢查，發(fā)現(xiàn)該鍋爐末級(jí)過熱器部分受熱面已破損、失效。

本文根據(jù)該鍋爐2017 年的正常運(yùn)行數(shù)據(jù)建立末級(jí)過熱器DMSET 智能預(yù)警算法，并對(duì)該過熱 器 在2018 年8 月9 日00:00 至2018 年8 月10 日17:30 的運(yùn)行狀態(tài)進(jìn)行分析計(jì)算，相應(yīng)的監(jiān)測(cè)曲線如圖2 所示。由圖中可以看出，8 月9 日00:00—23:59 時(shí)間段，歐氏距離均在10 以內(nèi)，末級(jí)過熱器尚未發(fā)生泄漏；8 月10 日00:00 后，歐氏距離曲線呈上升趨勢(shì)，表明末級(jí)過熱器已發(fā)生輕微泄漏現(xiàn)象，此時(shí)歐氏距離約為20；隨著末級(jí)過熱器破口面積增加，泄漏越來越嚴(yán)重，末級(jí)過熱器已嚴(yán)重偏離正常運(yùn)行狀態(tài)，此時(shí)歐氏距離高達(dá)100 以上，遠(yuǎn)大于正常狀態(tài)時(shí)的值。

圖2 某燃煤電廠末級(jí)過熱器爆管前預(yù)警Fig.2 Warning before tube explosion of final superheater in a coal-fired power plant

從歐氏距離曲線的變化趨勢(shì)可以看出，本文建立的末級(jí)過熱器DMSET 智能預(yù)警算法能快速捕捉到該設(shè)備泄漏后的異常信息，從而避免事故擴(kuò)大。對(duì)于該鍋爐末級(jí)過熱器，結(jié)合正常、異常歐氏距離狀態(tài)測(cè)試結(jié)果，可將異常、故障閾值分別設(shè)為20、60。

3.3 某燃?xì)?蒸汽聯(lián)合循環(huán)電廠燃?xì)廨啓C(jī)預(yù)警案例

某聯(lián)合循環(huán)機(jī)組于2019 年3 月11 日凌晨發(fā)生壓氣機(jī)進(jìn)氣口導(dǎo)向葉片（inlet guide vanes，IGV）連桿斷裂。該廠提供了該燃機(jī)歷史正常數(shù)據(jù)以及該故障時(shí)間段數(shù)據(jù)。本文利用歷史正常數(shù)據(jù)建立DMSET 算法模型，并對(duì)故障時(shí)間段數(shù)據(jù)進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖3 所示。由圖中可見，3 月10 日17:30 曲線出現(xiàn)明顯異常的時(shí)間比之后電廠凌晨按反映發(fā)現(xiàn)異常的時(shí)間至少提前6.5 h，3 月11 日04:00 左右數(shù)據(jù)恢復(fù)正常。

圖3 某F 級(jí)聯(lián)合循環(huán)機(jī)組燃機(jī)IGV 連桿斷裂預(yù)警Fig.3 Early warning on IGV connecting rod break of a F-level gas turbine in a combined cycle unit

4 結(jié) 論

本文對(duì)某燃機(jī)電廠的高壓給水泵及燃機(jī)本體、某660 MW 超超臨界燃煤機(jī)組末級(jí)過熱器分別建立DMSET 智能預(yù)警算法，分別利用高壓給水泵、燃機(jī)本體及末級(jí)過熱器的正常運(yùn)行狀態(tài)數(shù)據(jù)，某次出現(xiàn)異常前、后數(shù)據(jù)對(duì)算法進(jìn)行測(cè)試，得到如下結(jié)論：

（1）當(dāng)高壓給水泵、燃機(jī)本體、末級(jí)過熱器正常運(yùn)行時(shí)，估計(jì)向量與實(shí)時(shí)觀測(cè)向量之間的歐氏距離較短。該算法預(yù)測(cè)精度較高，誤報(bào)率較低。

（2）當(dāng)高壓給水泵、燃機(jī)本體、末級(jí)過熱器異常時(shí)，估計(jì)向量與實(shí)時(shí)觀測(cè)向量之間的歐氏距離顯著大于正常狀態(tài)下的值，表明本文建立的DMSET 智能預(yù)警算法能敏銳捕捉到設(shè)備的異常信息，實(shí)現(xiàn)異常的高準(zhǔn)確率早期預(yù)警。