基于多元狀態(tài)估計(jì)的電廠設(shè)備狀態(tài)評(píng)估和故障預(yù)警研究

徐龍，張莉，任資龍，朱文濤，王洪武，周慧

（1.深圳大唐寶昌燃?xì)獍l(fā)電有限公司，廣東 深圳 518110；2.湖南大唐先一科技有限公司，湖南 長(zhǎng)沙 410000）

1 前言

隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，智慧電廠的建設(shè)正在逐步地深入電廠日常運(yùn)維的各個(gè)階段，其中重要的一部分就是設(shè)備的檢修，人們不僅希望在故障出現(xiàn)時(shí)提供及時(shí)的維修，還希望在設(shè)備發(fā)生故障早期就能提醒維護(hù)人員進(jìn)行檢查和維護(hù)，從而給維修人員爭(zhēng)取了足夠的時(shí)間采取措施來防止故障的發(fā)生和造成的停機(jī)，避免不必要的損失，對(duì)提高發(fā)電企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益都具有重要的意義。目前，電廠工作人員主要通過DCS 和SIS監(jiān)視設(shè)備運(yùn)行狀態(tài)，但此方法對(duì)設(shè)備劣化趨勢(shì)不敏感，導(dǎo)致設(shè)備得不到及時(shí)維護(hù)，因此，科學(xué)設(shè)備狀態(tài)監(jiān)測(cè)系統(tǒng)顯得尤為重要。

當(dāng)前開展設(shè)備狀態(tài)監(jiān)測(cè)的研究方向主要有單輸出的非線性回歸（NSET）和多輸出的狀態(tài)估計(jì)（MSET）、神經(jīng)網(wǎng)絡(luò)等，由于一臺(tái)設(shè)備測(cè)點(diǎn)參數(shù)較多，采用單輸出的算法進(jìn)行逐測(cè)點(diǎn)狀態(tài)監(jiān)控預(yù)警存在效率低下和自動(dòng)化程度不高的缺點(diǎn)，因此，采用狀態(tài)估計(jì)或神經(jīng)網(wǎng)絡(luò)算法進(jìn)行設(shè)備整體狀態(tài)監(jiān)測(cè)是較好的選擇。

本文通過采集電廠SIS 系統(tǒng)提供的機(jī)組運(yùn)行參數(shù)，采用多元狀態(tài)估計(jì)技術(shù)對(duì)電廠相關(guān)設(shè)備進(jìn)行大數(shù)據(jù)分析與建模，對(duì)電廠重要設(shè)備或系統(tǒng)的狀態(tài)進(jìn)行評(píng)估計(jì)算與監(jiān)測(cè)，以及時(shí)發(fā)現(xiàn)設(shè)備故障并提前預(yù)警，實(shí)現(xiàn)對(duì)發(fā)電系統(tǒng)設(shè)備的全面監(jiān)測(cè)。本文以某燃?xì)獍l(fā)電廠額定負(fù)荷120MW 燃?xì)廨啓C(jī)為例開展研究。

2 多元狀態(tài)估計(jì)技術(shù)

多元狀態(tài)估計(jì)技術(shù)（M u l t i v a r i a t e S t a t e Estimation Techniques，MSET）是一種基于特征驅(qū)動(dòng)的多變量時(shí)間序列分析方法，可以通過監(jiān)測(cè)電力系統(tǒng)設(shè)備實(shí)時(shí)運(yùn)行參數(shù)與歷史運(yùn)行參數(shù)的相似度來對(duì)系統(tǒng)或設(shè)備的狀態(tài)進(jìn)行計(jì)算和評(píng)價(jià)。MEST 算法利用系統(tǒng)或設(shè)備在各個(gè)工況下的歷史運(yùn)行的健康樣本構(gòu)建典型樣本數(shù)據(jù)庫(kù)，利用在歷史健康樣本學(xué)習(xí)到的狀態(tài)參數(shù)關(guān)系來評(píng)估每個(gè)新監(jiān)測(cè)的實(shí)時(shí)樣本的健康狀態(tài)。多元狀態(tài)估計(jì)技術(shù)的基本計(jì)算流程如圖1 所示。

圖1 多元狀態(tài)估計(jì)技術(shù)計(jì)算流程

2.1 求解估計(jì)矩陣

本文以某燃機(jī)電廠燃?xì)廨啓C(jī)本體狀態(tài)監(jiān)測(cè)與預(yù)警為例，對(duì)該方法的應(yīng)用與實(shí)現(xiàn)進(jìn)行說明。

（1）構(gòu)建記憶矩陣。通過對(duì)燃?xì)廨啓C(jī)進(jìn)行機(jī)理分析，選取需要監(jiān)測(cè)的參數(shù)，從電廠SIS 數(shù)據(jù)庫(kù)中采集這些參數(shù)的歷史運(yùn)行數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗和健康數(shù)據(jù)篩選后，進(jìn)行歷史數(shù)據(jù)記憶矩陣D（典型運(yùn)行樣本）的構(gòu)建。

式中，X(ti)表示ti 時(shí)刻燃?xì)廨啓C(jī)多個(gè)監(jiān)測(cè)參數(shù)組成的狀態(tài)觀測(cè)向量；行數(shù)n 表示燃?xì)廨啓C(jī)有n 個(gè)狀態(tài)監(jiān)測(cè)參數(shù)；列數(shù)m 表示燃?xì)廨啓C(jī)有m 個(gè)歷史運(yùn)行狀態(tài)。

（2）組件剩余矩陣。從歷史健康數(shù)據(jù)中提取出記憶矩陣后，用其他剩余的列向量重新組建的矩陣，即為剩余訓(xùn)練矩陣。滿足K=D?L。

（3）求解估計(jì)矩陣。假設(shè)燃?xì)廨啓C(jī)的狀態(tài)觀測(cè)向量Xobs對(duì)應(yīng)的最優(yōu)估計(jì)向量為Xest，最優(yōu)估計(jì)向量Xest可通過歷史記憶矩陣D 與權(quán)值向量W 進(jìn)行加權(quán)計(jì)算得出。

式中，W 為權(quán)值向量，表征的是當(dāng)前運(yùn)行狀態(tài)的最優(yōu)參數(shù)估計(jì)與記憶矩陣中歷史正常運(yùn)行工況之間的相似程度。

假設(shè)燃?xì)廨啓C(jī)的狀態(tài)觀測(cè)向量Xobs與之對(duì)應(yīng)的估計(jì)向量Xest之間的殘差為ε，ε=Xobs-Xest。

當(dāng)燃?xì)廨啓C(jī)運(yùn)行狀態(tài)處于理想狀態(tài)時(shí)，燃?xì)廨啓C(jī)觀測(cè)向量與估計(jì)向量相同，殘差ε=0。顯然ε 越接近0，預(yù)測(cè)結(jié)果越準(zhǔn)確，為使預(yù)測(cè)精度更高，對(duì)ε 求最小平方誤差：

由于燃?xì)廨啓C(jī)各監(jiān)測(cè)參數(shù)之間存在一定的相關(guān)性，可能導(dǎo)致矩陣計(jì)算不可逆，從而無法計(jì)算出W，可采用非線性運(yùn)算符克羅內(nèi)克積代替乘法運(yùn)算。

故最優(yōu)估計(jì)向量Xest為：

利用同樣的方法可以求解剩余訓(xùn)練矩陣L 所對(duì)應(yīng)的估計(jì)矩陣Lest。

2.2 求解設(shè)備健康度

利用滑動(dòng)窗口統(tǒng)計(jì)方法（Sliding Window Statistical Method）能夠很好地消除電廠設(shè)備與設(shè)備之間、參數(shù)與參數(shù)之間的相互影響，通過調(diào)整滑動(dòng)窗口的寬度能夠很好的找出相似度統(tǒng)計(jì)特性的連續(xù)變化規(guī)律，從而消除隨機(jī)因素的影響，提高模型計(jì)算的精度，使得預(yù)警信息更加準(zhǔn)確。

假設(shè)某段時(shí)間MSET 模型的估計(jì)殘差序列為：

通過設(shè)置滑動(dòng)窗口的寬度，取滑動(dòng)窗口范圍內(nèi)樣本的殘差平均值，即

計(jì)算出所有健康樣本的殘差，即健康殘差。識(shí)別出健康殘差矩陣中的最大值，即為殘差閾值。當(dāng)大于殘差閾值時(shí)，系統(tǒng)給出設(shè)備故障預(yù)警提示。相似度定義（設(shè)備健康度）：

3 燃?xì)廨啓C(jī)本體狀態(tài)評(píng)估與預(yù)警

3.1 數(shù)據(jù)采集與預(yù)處理

（1）狀態(tài)參數(shù)選取。某燃?xì)獍l(fā)電廠燃?xì)廨啓C(jī)通過TCS 控制系統(tǒng)進(jìn)行監(jiān)控，監(jiān)測(cè)參數(shù)反映了設(shè)備的運(yùn)行狀態(tài)。選取燃?xì)廨啓C(jī)軸系各監(jiān)測(cè)參數(shù)構(gòu)建燃機(jī)軸承狀態(tài)觀測(cè)向量，對(duì)燃機(jī)軸承狀態(tài)進(jìn)行評(píng)估及預(yù)警。選取的燃?xì)廨啓C(jī)軸承監(jiān)測(cè)參數(shù)如表1 所示。

表1 燃?xì)廨啓C(jī)軸承監(jiān)測(cè)參數(shù)

（2）歷史數(shù)據(jù)采集。從電廠廠級(jí)監(jiān)控系統(tǒng)（SIS）實(shí)時(shí)數(shù)據(jù)庫(kù)中采集上述參數(shù)的歷史數(shù)據(jù)，采集時(shí)間段為2021 年全年，采集間隔時(shí)間為1min，共采集數(shù)據(jù)525600 條，如圖2 所示。

圖2 2021 年燃?xì)廨啓C(jī)軸系部分運(yùn)行數(shù)據(jù)截圖

（3）數(shù)據(jù)預(yù)處理。在數(shù)據(jù)采集時(shí)間段內(nèi)，燃?xì)廨啓C(jī)存在停機(jī)數(shù)據(jù)、異常運(yùn)行數(shù)據(jù)、測(cè)點(diǎn)異常數(shù)據(jù)等，需進(jìn)行歷史健康數(shù)據(jù)篩選。通過電廠運(yùn)行規(guī)程確定的燃?xì)廨啓C(jī)各參數(shù)報(bào)警定值和運(yùn)行數(shù)據(jù)統(tǒng)計(jì)分析，確定監(jiān)測(cè)參數(shù)的健康上下限，篩選燃?xì)廨啓C(jī)歷史健康運(yùn)行數(shù)據(jù)。

選取燃?xì)廨啓C(jī)預(yù)警負(fù)荷范圍。首先，剔除燃機(jī)停機(jī)數(shù)據(jù)，共得到191077 條數(shù)據(jù)，然后根據(jù)電廠調(diào)研情況及查詢?nèi)紮C(jī)歷史運(yùn)行數(shù)據(jù)，燃機(jī)運(yùn)行負(fù)荷區(qū)間一般在70%額定負(fù)荷以上，因此選定燃機(jī)預(yù)警負(fù)荷范圍為84 ～120MW，得到184190 條數(shù)據(jù)。

確定其他特征參數(shù)健康區(qū)間，篩選健康狀態(tài)樣本數(shù)據(jù)。查詢各特征參數(shù)的歷史曲線進(jìn)行統(tǒng)計(jì)分析，確定各參數(shù)的統(tǒng)計(jì)報(bào)警值，共篩選到184002 條健康樣本數(shù)據(jù)。

3.2 典型樣本選取

從健康樣本中按照歐式距離等距抽取燃?xì)廨啓C(jī)運(yùn)行的典型樣本。

（1）歐式距離。歐氏距離是指m 維空間中兩點(diǎn)間的真實(shí)距離，或向量的自然長(zhǎng)度。計(jì)算公式如下：

（2）典型樣本篩選。借助平臺(tái)工具利用歐式距離方法，從184002 個(gè)健康樣本中等距抽取了約500 個(gè)典型樣本。

3.3 狀態(tài)估計(jì)與預(yù)警測(cè)試

本文以某電廠4#機(jī)組燃機(jī)本體的運(yùn)行數(shù)據(jù)作為系統(tǒng)功能測(cè)試數(shù)據(jù)來源。采集時(shí)間段為2021 年全年，采集間隔時(shí)間為1min，共采集數(shù)據(jù)525600 條。通過了解，該電廠4#機(jī)組于2021 年09 月15 日，由于輪機(jī)側(cè)3 號(hào)瓦振動(dòng)偏差超限導(dǎo)致燃機(jī)故障，為例驗(yàn)證算法及預(yù)測(cè)模型的準(zhǔn)確性，選取故障發(fā)生前的運(yùn)行數(shù)據(jù)為測(cè)試數(shù)據(jù)，共計(jì)800 組數(shù)據(jù)。

將采集的訓(xùn)練樣本寫入人工智能平臺(tái)進(jìn)行大數(shù)據(jù)分析與挖掘，包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、相關(guān)性分析、穩(wěn)定性分析以及典型樣本選取等。將篩選出來的健康訓(xùn)練樣本和典型樣本接入多元狀態(tài)估計(jì)預(yù)警組件，得出監(jiān)測(cè)參數(shù)的健康固定上下限值和健康偏差上下限值，具體參數(shù)預(yù)警上下限值見表2。

表2 參數(shù)預(yù)警上下限值

輪機(jī)側(cè)瓦振、主副推力軸承溫度、推力瓦回油溫度、輪機(jī)軸承瓦溫、輪機(jī)瓦回油溫度的監(jiān)測(cè)與估計(jì)結(jié)果如圖3 ～6 所示。

圖3 燃?xì)廨啓C(jī)軸承瓦振監(jiān)測(cè)與估計(jì)結(jié)果

圖4 燃機(jī)軸承溫度及推力瓦回油溫度監(jiān)測(cè)與估計(jì)結(jié)果

圖5 燃?xì)廨啓C(jī)軸承瓦溫度監(jiān)測(cè)與估計(jì)結(jié)果

圖6 燃?xì)廨啓C(jī)軸瓦回油溫度監(jiān)測(cè)與估計(jì)結(jié)果

由圖3 ～6 可知，輪機(jī)側(cè)1-2 號(hào)瓦振、主副推力軸承溫度、推力瓦回油溫度、輪機(jī)軸承瓦溫、輪機(jī)瓦回油溫度預(yù)測(cè)精度較高且殘差較小，均屬于正常狀態(tài)，但輪機(jī)側(cè)3 號(hào)瓦振實(shí)際值有明顯增大的趨勢(shì)，對(duì)應(yīng)的估計(jì)偏差超出了健康偏差上限值，表明故障發(fā)生。系統(tǒng)觸發(fā)規(guī)則引擎，發(fā)出預(yù)警信息并給出異常描述、原因分析與處理指導(dǎo)。

測(cè)試結(jié)果表明，基于多元狀態(tài)估計(jì)的設(shè)備狀態(tài)評(píng)估與預(yù)警研究對(duì)電廠系統(tǒng)或設(shè)備運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)具有較好的效果，能夠有效地對(duì)電力系統(tǒng)或設(shè)備運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，幫助運(yùn)行監(jiān)盤人員發(fā)現(xiàn)設(shè)備和參數(shù)的異常，更加全面地實(shí)現(xiàn)對(duì)電廠系統(tǒng)設(shè)備狀態(tài)的監(jiān)測(cè)。

4 結(jié)語

本文依托各類先進(jìn)的機(jī)器學(xué)習(xí)算法，從生產(chǎn)監(jiān)測(cè)大數(shù)據(jù)中挖掘出各類系統(tǒng)和設(shè)備的參數(shù)變化規(guī)律，準(zhǔn)確發(fā)現(xiàn)和提示運(yùn)行控制異常事件，可以大大降低運(yùn)行人員的監(jiān)盤壓力，有效提高機(jī)組運(yùn)行的可靠性。同時(shí)，運(yùn)行異常診斷知識(shí)庫(kù)還集成了電廠運(yùn)行專家以及電廠運(yùn)行專工和值長(zhǎng)的經(jīng)驗(yàn)和智慧，歷史健康數(shù)據(jù)挖掘更是傳承了機(jī)組歷史運(yùn)行經(jīng)驗(yàn)。綜合而言，基于多元狀態(tài)估計(jì)的電廠設(shè)備狀態(tài)評(píng)估和故障預(yù)警的研究具備實(shí)際意義，有效實(shí)施與應(yīng)用將會(huì)大大提升機(jī)組的監(jiān)盤效率與運(yùn)行水平。