基于MSET的電站鍋爐空氣預熱器狀態預測系統

賀濤 郭群龍

1.新疆中泰化學（集團）股份有限公司阜康能源熱電項目部，新疆 烏魯木齊 830009

2.中南電力設計院，湖北 武漢 430071

基于MSET的電站鍋爐空氣預熱器狀態預測系統

賀濤1郭群龍2

1.新疆中泰化學（集團）股份有限公司阜康能源熱電項目部，新疆 烏魯木齊 830009

2.中南電力設計院，湖北 武漢 430071

詳細闡述了一種基于多變量狀態估計(MultivariatSe tate EstimatioTn echniqueMs, SET )的電站鍋爐空氣預熱器狀態預測的方法。在該方法中, 首先建立正常工況下各監測參數之間的關聯模型；然后根據系統當前觀測特征向量與各建模樣本特征向量之間的相似性程度, 使用MSET對當前觀測向量進行估計 ,得到與觀測向量相對應的估計殘差。最終模擬計算結果表明, MSET 可有效并精確的對空氣預熱器的運行狀態進行預測，實現對空氣預熱器劣化趨勢進行早期預測，具有很高的實用價值。

MSET；空氣預熱器；狀態預測；電站鍋爐；劣化趨勢

MSET; air preheaters; tate predictionp; owe r station boiler; degradation trend

引言

空氣預熱器是電廠的主要輔機設備，其運行狀態直接決定了電廠機組運行的安全性與經濟性。MSET 最早是由美國阿爾貢國立實驗室旨在檢測核電廠中傳感器、設備以及運行參數的初始劣化點而開發的一種非線性、非參數的多元回歸技術[1,2]。該技術利用設備歷史正常運行參數進行建模，并用其對設備的運行狀態進行預測。與神經網絡相比, MSET 的學習和模型構建過程更加快速和簡單, 可更好地滿足工業現場的實時性要求。

1 MSET建模與電站鍋爐空氣預熱器狀態預測

1.1 MSET建模原理

假設某一過程或設備共有n個相互關聯的測點，設在某一時刻i，觀測到的n個測點記為觀測向量，即

MSET方法的關鍵在于合理構造歷史正常狀態矩陣D，在設備正常工作的時段內，以及不同運行工況下采集m個歷史相關測點，組成歷史正常狀態矩陣為[3]

歷史正常狀態矩陣中的每一列相關測點代表設備的一個正常工作狀態。經過合理選擇的歷史正常狀態矩陣中的m個歷史相關測點能夠代表設備正常運行的整個動態過程。因此，歷史正常狀態矩陣的實質就是對設備正常運行特性的學習和記憶過程。

假設MSET的輸入某一時刻的觀測向量為Xobs，通過模型計算輸出的預測向量為，輸出值與輸入值的殘差為ε，則

其中，W為一個m維的權值向量，反映了MSET模型中輸入相關測點與歷史正常狀態矩陣中各向量的相似性。對殘差進行極小化，求得權值向量W為

[4]

該非線性運算符具有直觀的物理意義，當兩向量相同或相似時，距離為0或接近0；兩向量差異越大，其非線性運算的結果越大。

由式（4）和式（5）得

當設備工作正常時，Xobs位于D所代表的正常工作空間內，與D中的某些歷史相關測點距離較近，相應的Xest具有很高的精度。當設備有劣化趨勢時，由于動態特性的改變，Xobs將偏離D所代表的正常工作空間，此時Xest的精度會下降，殘差增大。

1.2 電廠鍋爐空氣預熱器狀態預測過程

1.2.1 建模變量的選取以及歷史觀測向量集合K的生成

為建立空氣預熱器狀態預測模型，需確定相關測點中的建模變量，即與電站鍋爐空氣預熱器密切相關的測點參數。由電廠PI系統以及通過運行人員的運行經驗，取得與空氣預熱器密切相關的12個參數。

由于歷史正常狀態矩陣的構造需要使其內部的m個相關測點X(1), X(2),…,X(m)能夠盡量覆蓋空氣預熱器的正常工作狀態，因此，構成D的每一個歷史相關測點應同時滿足一下條件[5]：

① 涵蓋了一段足夠長的運行時間；

② 每組數據都表達了設備對象的一個正常狀態；

③ 滿足每一組采樣值中各個變量的同時性，必須是同一時刻的采樣值。

記空氣預熱器的歷史正常相關測點集合為

其中，m表示空氣預熱器的每個測點在m個時刻的正常數據，n表示空氣預熱器有n個相關測點，每個相關測點包括從電廠PI系統中取得的12測點值，將其分別記為x1, x2,…, x12，即式(1)中n=12。

1.2.2 數據歸一化處理

在選用電廠數據庫中實時數據構造過程記憶矩陣和預測輸出時，由于電廠中某一設備模型相關測點的量綱不同，且不同測點數據絕對值相差很大，為保證使用非線性算子正確衡量不同觀測向量之間的距離，需要對各個測點的測量值根據各自的極值進行歸一化處理，使實際測量值映射到[0，1]區間，具體計算表達式如下：

其中，x為取得的原始數據，y為歸一化處理后的數據，xmax和xmin分別為所取數據樣本中的最大值和最小值。

實現歸一化的計算程序如下（MATLAB）：

1.2.3 歷史正常狀態矩陣D的構造

對于空氣預熱器的每一個相關測點，將[0,1]之間等分為h份，以1/h為步距從集合K中查找出若干個觀測向量加入矩陣D中。向歷史正常狀態矩陣D中添加觀測向量的方法如圖1所示。采用此方法構造過程記憶矩陣，能夠將組成觀測向量的相關測點的不同測量值對應的歷史記錄選入矩陣D中，且不重復錄入，從而使其能較好地覆蓋設備的正常工作空間。歷史正常狀態矩陣D構造完成后，即可按照公式(6)進行預測。

圖1 歷史正常狀態矩陣D構造過程邏輯圖

2 計算結果與分析

本文以山西某電廠電站鍋爐空氣預熱器為例進行模擬計算。由于與空氣預熱器相關的測點共取了12個，本文只顯示其中幾個測點的模擬計算結果，其他結果與之類似。

圖2為該電廠2號空氣預熱器底部軸承溫度1的實測值與模型計算的預測值的對比圖。有圖2可以粗略展示預測值與實測值。圖3為2號空氣預熱器底部軸承溫度1的殘差值圖，圖3清晰的展示了關于空氣預熱器底部軸承溫度1的實測值與預測值之間的殘差大小。

圖2 空氣預熱器底部軸承溫度1的實測值與預測值對比圖

圖3 空氣預熱器底部軸承溫度1的殘差值圖

圖4、圖5分別為空氣預熱器入口送風壓力的實測值與預測值的對比圖和殘差值圖。

圖4 空氣預熱器入口送風壓力的實測值與預測值的對比圖

圖5 空氣預熱器入口送風壓力的殘差值圖

由以上4個圖可以得出：基于MSET的電站鍋爐空氣預熱器的狀態預測系統具有很高的預測精度，能夠對空氣預熱器的運行狀態進行比較精確的預測，防止其故障的發生。該系統與電廠的PI數據庫連接可以對電站鍋爐空氣預熱器進行在線實時的狀態預測。

3 結語

本文介紹了多變量狀態估計（MSET）理論，并給出了歷史正常狀態矩陣構造的有效方法，概述了建立MSET預測模型過程。該建模方法與神經網絡等建模方法和傳統在線監測方法相比，具有物理意義明確，實時性，創建動態設備模型快速、準確、可靠等優點。通過計算結果顯示：利用多變量狀態估計（MSET）方法建立的模型具有很高的精度，并實現對空氣預熱器劣化趨勢早期預測，具有很好的應用價值。

[1]Gross KC, Singer RM, and WegerichS W, etal. Applicatioonf a model-basefad ult detectiosn ystem to nuclear plant signals[ A]. I SAP [C]. Seou l, Korean, 1997: 66—70.

[2]Stephan W WegerichS. imilarity based model ing of time synchronoauvs eragedv ibrations ignalsf or machinerhy ealth monitorin[Ag ].2004 IEEE Aerospace Conference Proceeding s[C].2004: 3654—3662.

[3]郭鵬等. 風電機組齒輪箱溫度趨勢狀態監測及分析方法[J].中國電機工程學報，2011（30）

[4]姚良, 李艾華, 孫紅輝, 張振仁. 基于MSET和SPRT的內燃機氣閥機構振動監測[J].振動工程學報，2009, 4, 22(2):150-155

[5]北京中瑞泰科技有限公司. iEM 設備狀態智能預警系統白皮書.北京:北京中瑞泰科技有限公司，2007.

The state prediction system of power station boiler air preheater based on MSET

He Tao1Guo Qunlong2
1.XINJIANG ZHONGTAI CHEMICAL（GROUP）CO., LTD. Urumqi 830009
2.Central Southern Electric Power Design Institute Wuhan 43007

A novel approacfho r air preheatesrt ate prediction of power station boileri s expoundedde tailed ly based on multivariatset ate estimatiotn echniq ues (MSET). In the approachc, orrelation modeal mong monitorinpg arameteris n normal work conditi on is constructefdi rstly. Then, accordintg o the similaritiebs etweent he current observedf eatur e vector and each history feature vector contained in process memory matrix, estimatioon f the current feature vector is calculated by using MSET Results demonstrattehd at MSET can effective ly and accurately predictt he operatiosnt ate of air preheatera, nd realize forecast the degradat ion trend of air preheatert, his approachh as hig h practical value.

10.3969/j.issn.1001-8972.2012.12.109