行業資訊/行業動態

基于CSASS的預警系統建設嘗試

發布時間：2019-11-19 點擊：105

基于CSASS的預警系統建設嘗試

發布時間：2019-11-18 來源：中國電力網作者：陳新偉

1前言

在火電行業中，設備較多，針對每個設備設置了大量的監視參數，這些參數同步至DCS畫面，大部分由火電廠運行值班人員進行監視。少量由DCS判斷參數是越限后，發出聲光報警，提醒運行人員進行干預。隨著機組單機容量越來越大，設備越來越多，以及火電行業環保要求越來越高，所監視的數據越來越多，單臺機組模擬量和開關量早已過萬。龐大的數據量，需要運行值班人員耗費大量精力去分析、監視。DCS設置的報警基本是定值，不具備比較歷史工況或數據功能；況且DCS設置的報警容量有限，不可能對每個參數進行超限報警的設定。在分析發生過的異常、事故時，發現相關參數雖然異常，但沒到報警值，也就不會發出聲光報警。但此參數早已經偏離同工況的數值。如果能及時發現，就能預先干預，把異常或事故扼殺在搖籃里，從而避免后期進行事故處理、甚至設備的損壞。火電廠設備的設備、參數異常通常由以下幾種方法發現：1.DCS對于具體參數越限發出的聲光報警，2.運行人員通過對比發現參數明顯偏離正常值，3.技術人員對相關報表分析發現相關參數發生了變化。基于人員對參數異常的判斷需要其對參數有一定的敏感性，而且具備相當的經驗。同時需要分析大量的數據，工作量較大、容易出錯。2018年華潤電力在江蘇大區試點CSASS項目，其中預警系統模塊為了解決以上問題而生。2預警系統簡介

以神經元網絡為基礎，能適應電廠運行方式的多樣性及運行工況的復雜性，根據歷史工況、數據建立的模型，可精準分析預測設備在當前工況下的正常運行區間，實現在各運行工況下對于設備及生產流程的持續監視、異常檢測和早期預警；在漸變性故障發生之前，劣化趨勢達到臨界點之前發現蠕變缺陷，提高機組安全運行水平和設備可靠性水平。
預警系統提供的三種算法GMM（高斯混合模型）：高斯混合模型，利用高斯概率密度函數精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數形成的模型。通過對樣本的概率密度分布進行估計，而估計采用的模型（訓練模型）是多個高斯模型的加權和。每個高斯模型就代表了一個類簇。對樣本中的數據分別在幾個高斯模型上投影，就會分別得到在各個類上的概率，最后通過選取概率最大的類所為判決結果。高斯混合模型也？被視為一種聚類方法，是機器學習中對“無標簽數據”進行訓練得到的分類結果。其分類結果由概率表示，概率大者，則認為屬于這一類。在樣本足夠大的情況下，利用高斯混合模型可以無限接近實際曲線。

SVM（支持向量機）：SVM:支撐向量機，是常見的一種判別方法。在機器學習領域，是一個有監督的學習模型，通常用來進行模式識別、分類以及回歸分析。通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分的問題RGMM：遞歸高斯混合模型，核心思想與高斯混合模型相同，利用多個高斯模型的加權對樣本的概率密度進行估計。而遞歸的含義在于模型的輸入除了當前時刻的輸入值，還包括上一個時刻的高斯混合模型狀態值，從而對多測點間相關性在時間尺度上的依賴關系進行學習和預測。在這三種模型中，通過后期的建模以及運用效果分析，運用最廣、最適合現場實際情況的是GMM。SVM在一些特殊的模型中運用效果較好。由于現場工況變化的快慢以及劇烈程度不一樣，RGMM運用的效果并不好。3熱力系統參數特征及建模思路

3.1火電廠數據特征：隨機固定送風機動葉開度為30%-31%，選取一個檢修周期內的時間，如下圖所示：

在2019-07-01至2019-07-10這段時間內符合動葉開度在30%-31%內的風機電流數據點有5839個，這5839個數據點分布以及頻次如下圖所示：

對這組抽樣數據分析發現，其E(X)=58.6，D(X)=1.37，實際為X~N（58.6,1.37）的正態分布。通過多組抽樣數據，固定送風機動葉開度的情況下，送風機電流抽樣數據都符合X~N（μ,σ2）的正太分布，反之亦然。進一步分析其他數據，基本都具備這樣的特征。再看一組數據，固定負荷在500MW-510MW，單臺給水泵流量如下圖所示：這組抽樣個數為29371的數據是X~N（779.34,18.35）的正態分布，同負荷下，給水量波動將近100T/H。這也符合機組加減負荷時的現狀。但對于分析給水泵性能，數據的精度顯然是不夠的。再嘗試重新固定一些條件（汽泵進、出口壓力及轉速）的抽樣數據：

這組抽樣數據是X~N（683,3.05）的正態分布，顯然比上面一組數據要精確得多。因此限定不同的條件，抽樣數據的E(X),D(X)是完全不一樣的。為了更加準確及時的預警出設備異常、故障，希望D(X)越小越好。這就要求在模型搭建以及數據測點的選擇方面要盡量完善，將有相關性的測點盡量加入到模型中，再分析相關性的強弱。3.2建模的方法、思路：
3.2.1機理法建模指為實現某一特定功能,一定的系統結構中各要素的內在工作方式以及諸要素在一定環境條件下相互聯系、相互作用的運行規則和原理。在火電廠中根據生產過程中實際發生的變化機理，在傳熱學、流體力學等理論里都有各種經典的模型。如質量守恒方程，動量守恒方程以及反映流體流動、傳熱、傳質、化學反應等基本規律的運動方程，物性參數方程和某些設備的特性方程等，從中我們可以獲得較為經典的預警模型。3.2.2測試法建模根據工業過程的輸入和輸出的實測數據進行數學處理后得到的模型。特點是把被研究的工業過程視為一個黑匣子，完全從外特性上測試和描述它的動態性質，不需要深入掌握其內部機理。在火電廠中，有好多模型是用機理法分析基本分析不出來的。如汽輪機、發電機振動、瓦溫、軸位移等參數，影響的因素太多、而且無法分析這些因素互相間之間有無影響，適合用測試法建模。3.2.3其他思路對于火電廠來說，除了利用這兩種建模方法，還可以根據實際生產需要，設備管理的盲點，運行畫面監視的盲點，發生過的異常、事故，做針對性的模型。這類建模對于建模人員要求較高，需要對現場管理的盲點有深入的了解，同時對現場發生過的異常、事故進行過深入的分析，并具備將相關特征數據提煉成數學模型的能力。3.3基礎模型根據熱力、電氣系統的分布，以及歷史異常、事故提煉出適合我們公司的幾種模型：1.電動機模型，2.轉動機械模型，3.換熱器模型,4.系統的流量平衡模型,5.相關閥門內漏模型，6.管損模型，7.調節機構反饋跟蹤模型，8.電功率平衡模型，9.主機相關模型等。3.3.1電動機模型
電動機繞組的溫度取決于熱量的平衡，輸入熱量主要為電機繞組的鐵損、銅損以及機械損失產生的熱量。銅損主要由電流流過各種電阻產生的熱量：Q=I2R，主要影響因素為定子電流。鐵損主要的影響因素為電壓、頻率，對于工頻電機電壓、頻率基本不變的；變頻電機電壓、頻率的變化必然帶來變頻電流的變化，因此變頻電機的鐵損同樣可以用變頻電流來表征。電機機械損失主要影響因素為電機轉速，電機轉速變化必然與電流同步變化，因此電機的電流可以表征整個電機輸入熱值。至于輸出的熱量，形式有很多種，如自然冷卻（電機繞組將熱量傳給電機外殼，外殼跟空氣對流換熱將熱量傳給空氣），強迫風冷（電機繞組將熱量傳給空氣、空氣將熱量帶到電機空冷器處，空氣與電機冷區器對流換熱、熱值傳給冷區器，冷區器再將熱量傳給冷卻水或空氣），而軸承輸出的熱量傳給潤滑油或其他物質。本質上來說，電機模型最終可提煉成一種熱平衡模型。因此用GMM算法建立的電機模型應包括測點：電流，轉速，電機繞組溫度，軸承溫度，環境溫度，冷卻介質流量、溫度、壓力。3.3.2轉動機械輸入的熱量主要是機械損耗，基本類似了電機模型。3.3.3換熱器模型火電廠最多的設備就是各種換熱器，傳熱學中經典的傳熱公式：
Φ=ΔtKA，Φ:傳熱量，Δt:冷熱端加權溫差，A:傳熱面積在現場實際系統換熱器中，熱端放熱量:Q1=c1m1(t1-t2)，冷端吸收熱量Q2=c2m2(t2’-t1’).對于穩定的換熱器模型，公式又可以表征為ΔQ1=ΔQ2=Φ，對于穩定的流量為q1、q2換熱器模型，可以表征為c1q1(t1-t2)=c2q2(t1’-t2’)。現場很少布置流量q1、q2的測點，對于流量表征可借助理想流體流量與壓差關系來表征：水管的流量公式：Q=μA√(2gH)，式中：μ——管道流量系數；A——管道過水面積；√——表示其后（）內式子的開平方；g——重力加速度；H——管道的作用水頭。H可用進、回水管P1、P2或P1’、P2’表征。管道過水面積A可用調整門開度來表征。
用GMM算法建立的換熱器模型應包括以下測點：熱側液體進口壓力P1、溫度T1，出口壓力P2、溫度T2；冷側進口壓力進口壓力P1’、溫度T1’，出口壓力P2’、溫度T2’,進水調閥開度F。3.3.4流量、管損、電功率平衡主要從質量、能量的角度來建立模型，模型測點包括：系統所有進、出質量或能量。3.3.5閥門內漏模型此模型建立的目的解決運行人員日常監盤中的盲區。如閥門內漏模型，如高壓旁路減壓閥或減溫閥內漏，對于高排320-360℃的溫度來說，高排后溫度變化10-20℃本身很難發現。況且高排溫度變化到高旁后溫度變化還存在一定慣性和延時。這類缺陷是日常監盤中的盲區，對機組的經濟、安全性有著很大的威脅。此類模型包括：減溫、減壓閥前后溫度，再加入兩個測點相減的計算點。如疏水至凝器的閥門，可以直接用疏水集管的溫度與凝器的溫度建立一個模型。3.3.6調節機構反饋跟蹤模型此模型也是為了解決運行人員監盤中的盲區，調節機構包括：各式調門、風機動葉。這類機構如果故障到一定程度，DCS上指令跟反饋偏差大會跳“自動”。為了防止偏差大頻繁跳自動，偏差一般設置在15%-20%。但調節機構在故障發展到這個階段之前總會有一些異常現象。正常情況下，調節機構的指令和反饋偏差應在很小的范圍內，一般不會超過3%。超過3%的情況可能是指令剛變化或調節機構故障等原因。模型利用SVM算法，采用指令的變化率（當前時刻的指令減去1s-3s，根據各調門的特性選擇時間），指令與反饋差的計算測點。當調節機構開始有故障時，由于反饋跟蹤開始滯后時，反饋與指令的差值開始變大。利用這個特點可以提前預警出故障。3.3.7主機相關的模型對于汽輪機、發電機來說，一些振動、瓦溫、抽汽壓力相關模型。以振動為例：影響汽輪機的振動除了傳統的瓦溫、潤滑油壓、油溫等因素外，現場高中壓調門的開度以及調門運行方式都會對振動產生影響。通過參數分析可以發現高中壓調門的開度不但影響振動而且影響部分瓦的溫度。發電機的振動除了瓦溫、潤滑油壓、油溫等影響因素外，還受勵磁電流以及勵磁電流變化速率、氫氣溫度、密封油壓等因素影響。但這些影響因素很難用傳統的理論去分析和量化，無法從內部機理去分析，它像個黑匣子一樣，適用測試法建模，將所有可能影響到的因素相關測點都羅列至模型中。有了以上基礎模型后，根據系統和設備搭建不同的模型，以二次風系統為列，二次風系統流程：送風機經過電機驅動，利用動葉將空氣加速成有一定壓頭、流速的二次風，經過空預器加熱后通過大風箱小風門節流后進入爐膛。二次風系統分解為以下模型：送風機電動機，送風風機本體，送風機動葉開度與電流對應關系，二次風道壓損與流量，空預器換熱二次風部分。對于這些模型中交叉的測點，如果在模型中為純輸入點，可將其設置為不報警。4樣本選擇

一般以最近一次大小修為起始時間來選擇樣本，大小修后，設備在大小修后性能會產生不同程度的改變，因此各參數之間的條件概率分布P（Y|X）也會發生改變。同樣固定送風機動葉開度在30%-31%，查看506C修前、后開度對應電流的變化。首先選定時間和動葉開度，如下圖所示

然后匹配工況，將所有符合條件的時間點選上，最后在對比指標中找出時間對應的電流，如下圖所示：

506C修前、后的兩組數據的正態分布參數為：

X~N（μ,σ2）

σ2

506C修前

0.952862

49.77072

506C修后

1.764559

58.73168

對應的正態分布圖為：

通過對比發現同樣的動葉開度，506C修后送風機電流上升了9A左右。因此，當設備檢修或異動過后性能發生明顯改變時，在進行模型維護時應刪除原有的樣本。如果不刪除原有樣本，則電流概率密度分布變為如圖所示：

顯然，直接加樣本后的概率密度分布與506C修后的是完全不一樣的。在模型訓練時，可能得到期望值E(X)是不準確的。模型在進行預警時會出現一些預警的盲區：如果風機或動葉有故障，而電流又落在左鋒殘差允許范圍內，此時模型就不會發出報警，模型也就起不到預警作用了。5預警系統運用中的一些問題

1.由于預警系統采用的是監督學習，他的決策函數Y=f（X）或條件概率分布P（Y|X）會隨著設備檢修或長時間運行發生變化。因此需要對預警系統進行持續的維護。2.無論是決策函數還是條件概率分布函數，它們都是描述的數據與數據之間靜態關系。在實際生產中，數據與數據之間甚至有多種動態關系。因此，模型對樣本要求覆蓋面廣，而樣本數量又受到限制，預警系統對這類模型的預警效果會相對較差且維護量較大。3.當設備存在異常或故障無法及時消除時，模型會持續的發出報警，只能選擇將模型下線或將異常工況當成正常的暫時學習進去。無論時間模型下線或將異常工況學習成正常工況，需要對預警系統進行持續的管理。6結論

隨著人工智能技術的愈發成熟，相應技術不可避免的沖擊著傳統行業。在整個火電行業不景氣的背景下，減員增效成為很多企業的迫切的任務。華潤電力近期推出的“大集控”模式應運而生。總人數減少了，總的工作量又不變，個人的工作量大幅增加又會影響到機組的安全與經濟運行。要解決這些矛盾，只能依靠人工智能等先進的技術。隨著“大集控”模式的到來，預警系統將扮演越來越重要的角色。

參考文獻：[1]賈俊平，何曉群，金勇進，統計學（第七版）[2]李航，統計學習方法[3]楊世銘，陶文銓，傳熱學（第四版）[4]陳世元，電機學

分享到：QQ空間新浪微博騰訊微博人人網微信

更多關于鍋爐的信息