火電廠設備狀態(tài)監(jiān)測與故障預警的研究

謝小鵬，林玥廷，林英明

(1.湖南大唐先一科技有限公司，長沙 410007； 2.廣東電網公司電力調度控制中心，廣州 510600)

0 引言

近年來，全球有許多設備狀態(tài)監(jiān)測與故障診斷領域的、以大數據機器學習算法為熱點和方向的研究。通過大數據機器學習算法，對火電廠設備健康狀態(tài)的樣本進行學習和預測，將提升設備狀態(tài)監(jiān)測、評價與診斷的及時性與準確性，并提高設備維護員的工作效率，改變設備維護員的工作模式。采用信息化的技術手段，可利用設備狀態(tài)參數進行監(jiān)測和分析，判斷設備是否存在早期異常并對出現(xiàn)異常的部件和異常原因進行診斷。這對全面掌握劣化趨勢、及時維護和檢修、提高設備的可靠性和安全性十分必要[1-2]。

1 傳統(tǒng)火電廠設備狀態(tài)監(jiān)測與故障預警的缺陷

傳統(tǒng)火電廠的設備運行監(jiān)測方式主要為關注定值報警，而較少關注參數的波動范圍或劣化趨勢。當設備發(fā)生參數報警、熱工保護動作時，設備已經發(fā)生了明顯的劣化與故障。傳統(tǒng)的設備狀態(tài)評估主要依賴設備管理人員的主觀經驗來判斷，而非海量的歷史數據，許多機組隱患不能及時被發(fā)現(xiàn)和處理。傳統(tǒng)的設備故障診斷主要依賴外部專家，缺少對以往診斷經驗的積累、交流與學習，缺乏診斷經驗積累的支撐平臺[3]。

2 設備劣化與故障預警算法研究

2.1 GMM算法介紹

GMM，即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(正態(tài)分布曲線)形成的模型。在概率統(tǒng)計中，任意形狀的概率分布都可以用多個高斯分布函數去近似，其參數求解方法一般為使用極大似然估計求解。在混合高斯模型中，權值、高斯模型的期望值和方差為模型決定參數。

2.2 K-means算法介紹

K-means算法是最為經典的基于劃分的聚類方法，是十大經典數據挖掘算法之一。K-means算法的基本思想是以空間中k個點為中心進行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。

2.3 兩種算法比較

(1)K-means 算法優(yōu)點為算法快速、簡單，對大數據集有較高的效率并且具有可伸縮性；缺點為需要根據初始聚類中心來確定一個初始劃分，然后對初始劃分進行優(yōu)化，在K-means 算法中多維空間相似性度量基于歐氏距離進行計算，并不能準確反映多維空間點中的相似情況。

(2)GMM優(yōu)點：適用性廣，多維空間中聚類效果好；引入概率分布，算法簡單、迭代方法有效且穩(wěn)定。缺點：計算速度慢；模型初始化困難，權值(a0)、均值(μ0)、方差(σ0)較難確定；由于迭代算法是局部最優(yōu)解算法，雖然能保證收斂后達到局部最大點，但并不能保證收斂到全局最大點，聚類結果受初始值a0、μ0、σ0影響較大。

2.4 兩種算法結合應用

結合上述兩種算法優(yōu)缺點，可先采用K-means 算法得到結果，轉換為GMM的初始值。K-means 算法在對設備狀態(tài)原始數據進行較為粗略的分類時效率較高。 采用K-means算法對EM(最大期望)算法進行初始化，會顯著提高EM 算法的收斂速度，提高最終分類結果的準確率[4]。計算過程為： 使用K-means計算得到的中心點作為高斯模型初始期望μ0；同組工況點協(xié)方差得到高斯模型初始均方差σ0；同組包括的樣本點占總樣本的比例為高斯模型的初始權值。計算具體流程見圖1。

圖1 總體流程

2.5 兩種算法結合應用示例

以“前置泵電機模型”測試數據中的前8 000條數據作為訓練樣本，共得到11維、8 000多個樣本點。以“前置泵電機模型”的樣本數據表的后1 000個樣本點為實時測試數據。整個計算通過MATLAB工具編碼實現(xiàn)，高斯混合模型個數設定為100個，計算結果形成的趨勢圖如圖2、圖3所示。

圖2 前置泵電機繞組溫度實時值與期望值趨勢

圖3 前置泵電機運行相似度趨勢

3 系統(tǒng)總體設計

3.1 研究目標

(1)充分挖掘、利用實時和歷史數據的價值，采用數學方法，建立實體設備的數學模型并實時監(jiān)測計算，在設備出現(xiàn)早期異常時進行預警，便于客戶及早發(fā)現(xiàn)和消除故障隱患，從而降低設備故障率。

(2)提供模糊匹配和基于規(guī)則的設備智能診斷，及時發(fā)現(xiàn)和消除設備隱患，使用機組的被動檢修變?yōu)橹鲃訖z修，優(yōu)化檢修策略，提高機組安全性、可靠性，降低電廠的檢修費用，提高機組的運行性能，從而提高電廠的經濟效益。

(3)通過提供設備故障統(tǒng)計報告，在機組大修或小修前評估設備的健康狀況，逐步實現(xiàn)設備的狀態(tài)檢修。

(4)建立企業(yè)自身的知識庫，為設備管理和生產運行人員積累診斷經驗提供基礎平臺。通過故障模式庫，實現(xiàn)對設備潛在故障進行初步診斷；通過知識庫，提供對類似情況的參考案例，以便輔助診斷。

3.2 設計思路

系統(tǒng)基于REAP4.0平臺，研發(fā)了B/S結構的可擴展設計思想，并結合SOA(面向服務的體系結構)思想，實現(xiàn)即插即用的模塊組件化。系統(tǒng)基于設備監(jiān)測參數，針對電廠設備、設備群或系統(tǒng)，建立實時算法模型。依據大量歷史數據中隱含的參數關聯(lián)性、耦合性以及設備正常運行的樣本數據，建立基于神經網絡算法的參數正常值預測模型，實現(xiàn)了基于規(guī)則的設備故障診斷及運行指導，為設備管理和生產運行人員積累診斷經驗提供了基礎平臺。

3.3 系統(tǒng)架構設計

系統(tǒng)采用面向服務SOA+B/S體系架構設計，系統(tǒng)設計采用成熟的三層結構，分為數據層、中間層和應用層，具體架構如圖4所示[5]。數據層：數據采集接口采用標準網絡通訊協(xié)議，將DCS(分布式控制系統(tǒng))及其他控制系統(tǒng)的實時數據采集并到實時與關系數據庫。中間層：基于REAP 4.0、RTDB平臺，完成模型建立、模型訓練、參數評估、分層評估以及潛在故障預警等數據處理環(huán)節(jié)，是系統(tǒng)模型運算與業(yè)務處理的核心層。應用層：系統(tǒng)配置管理及功能應用部分，主要包括設備狀態(tài)監(jiān)視、設備故障預警定位、設備故障分析、設備健康狀態(tài)評價等應用。

3.4 技術要求

(1)數據采集與計算周期：原始實時數據采集周期≤1分鐘；計算周期≤1分鐘。

(2)模型配置與參數要求：根據電廠監(jiān)測要求及訓練情況，建立監(jiān)測模型，建議單臺機組模型不超過80個；每個監(jiān)測模型的參數可以根據監(jiān)測目的來選擇，個數沒有要求，但選擇與模型監(jiān)測目的無關的參數將影響模型預警結果準確性。

(3)訓練樣本要求：模型訓練應保證正常運行時段四季的樣本數據，可從不同季節(jié)中選擇典型月份，再從中篩選正常標準運行數據；樣本數據越全面，模型預警準確性越高，建議樣本條數在8 000條以上[5]。

圖4 系統(tǒng)架構圖

3.5 技術亮點

(1)利用數據挖掘技術，從大量歷史數據中挖掘出隱含的參數關聯(lián)性、耦合性，建立基于神經網絡算法的回歸模型，實時預測給出監(jiān)測參數的正常值。

(2)采用數據準確性甄別技術，主動地發(fā)現(xiàn)測點異常，為控制部和運行部提供實時和歷史的測點異常清單，輔助熱工測量維護工作。

(3)采用多重告警模式，實現(xiàn)了設備早期劣化或故障報警提示，電廠技術人員和管理人員能更高效地發(fā)現(xiàn)設備的異常，有助于設備狀態(tài)檢修。

(4)采用分層級評價方法，從安全性、經濟性角度分析，評價設備參數組的狀態(tài)依次得出設備、系統(tǒng)、機組的健康狀態(tài)。評價依據充分，結果可靠。

數據準確性甄別提高了設備監(jiān)測原始數據的可靠性與準確性。數據準確性甄別技術已經獲得了國家發(fā)明專利，且在國內電網節(jié)能環(huán)保智能一體化系統(tǒng)與SIS(安全儀表系統(tǒng))產品中得到了廣泛應用。

4 應用效果

4.1 經濟效益分析

以某電廠4×300 MW機組為例，本項目一次投入大約為100萬元。系統(tǒng)投入使用1年后取得經濟效益如下。

(1)減少人力資源投入。按每1臺機組可以減少巡檢員1名，1名職工支付年工資約6萬元，1年該電廠4臺機組共節(jié)約人力成本約24萬元。

(2)減少設備檢修及備件費用。根據行業(yè)統(tǒng)計數據，由于監(jiān)控不到位、發(fā)現(xiàn)不及時，每年將造成4次以上輔機、軸瓦等設備損壞，直接經濟損失約10萬元/次，1年可減少費用40萬元。

(3)減少降出力。根據電力可靠性指標發(fā)布數據顯示，非計劃停運次數平均為0.48次/臺年，非計劃停運年平均值為33.00 h/臺。若系統(tǒng)能在設備發(fā)生異常前提前報警，保守估計1臺300 MW機組每年減少一次“降出力”事件。若降出力負荷為機組額定負荷的20% ，即60MW，降出力時間為20 h，1年將能挽回降出力經濟損失約104萬元。

綜上所述，此電廠總計1年的經濟效益約168萬元。

4.2 社會效益

(1)本產品的應用，為發(fā)電行業(yè)設備狀態(tài)監(jiān)測、診斷系統(tǒng)的應用提供了一個標桿，特別是基于大數據機器學習算法，改變了傳統(tǒng)的依靠人員管理經驗進行設備狀態(tài)監(jiān)測與診斷方法；

(2)設備點檢長、點檢員對于設備狀態(tài)監(jiān)測與評估有據可依、有記錄可查，日常工作量和工作壓力得到降低，工作效率至少提高20%；

(3)幫助火電廠提高了設備劣化、缺陷的監(jiān)測與故障診斷水平，從而提高發(fā)電設備可靠性，減少機組非計劃事件的發(fā)生[6-7]。

5 結束語

本文以火電廠設備狀態(tài)監(jiān)測與故障預警為研究對象，重點研究了系統(tǒng)設計中的高斯混合算法與K-means算法結合應用的方法，并詳細介紹了系統(tǒng)總體設計，分析了設備狀態(tài)監(jiān)測與診斷在電廠的應用效果。通過建立該系統(tǒng)，電廠可實時掌握設備劣化與故障情況，為電廠機組設備的安全與穩(wěn)定運行提供參考依據。