機組啟動態溫度預測模型自適應測試技術

汪志強，張 豪，彭煜民

（南方電網調峰調頻發電有限公司，廣東廣州510630）

0 引 言

發電廠值班員需要對超過500個以上帶跳閘出口功能的溫度測點進行監視。這些帶跳閘出口功能的溫度測點分布于監控系統上位機不同模擬圖中［1-4］。依靠值班員人工跟蹤變化趨勢提前發現異常難度極大。隨著機器學習等智能技術蓬勃發展，智能技術在趨勢判斷和預測方面提供了重要技術手段［5，6］。

然而不容忽視的是，這些智能技術依賴于故障樣本，需要大量故障樣本參與算法訓練過程，才能保證良好的實施效果［3］。在技術成熟的發電廠運維中故障樣本數據少之又少［4］。此外更缺少檢驗智能技術實施效果的測試方法。對于智能技術的應用效果停留在主觀模糊的認識，甚至停留于偶然事件的處置中。由此可見，當前急需測試智能趨勢判斷算法性能的手段和為智能趨勢判斷算法提供故障樣本的方法［7-10］。

現有基于機器學習的機組溫度預測模型所需的故障樣本，都來自于大修后調試和故障處理。然后實際中一方面，獲取這些故障樣本代價極高，另一方面，這些故障樣本的數值特性不能完全覆蓋故障情況下的趨勢特征，存在局限性［11］。

針對故障樣本不足問題，已有不少文獻研究了樣本生成技術。文獻［12］提出了虛擬樣本生成技術。文獻［13，14］利用梯度懲罰優化的條件式Wasserstein 生成對抗網絡模型指導故障樣本生成。上述研究基于不同理論生成故障樣本，然而理論較為復雜，對計算都要較高的要求，難以廣泛應用于實際生產中。

為解決智能趨勢判斷算法依賴實測故障樣本的局限性并考慮方法的實用性，本文結合工程經驗進行標準化，綜合歷史運行情況、報警閾值、開關量信號等歷史數據，提出了故障樣本的自適應生成和基于靈敏度的測試方案。所提方法在算法測試時，可以根據機組歷史運行情況進行自適應調整，使得獲得故障樣本和測試智能技術實施效果的工作，得以通過計算機多快好省的一攬子解決。

1 故障樣本自適應生成技術

發電廠中不同功能位置類型的溫度測點由于監視對象不同，溫度測點在不同工況下的變化規律大相徑庭。為適應發電廠不同功能位置類型測點的故障樣本需求，可以從歷史統計獲得測點的平均概率下的變化趨勢，從報警值獲得測值距離報警值的裕量。通過平均概率下的變化趨勢疊加裕量，即可自適應獲得不同功能位置類型下的故障樣本。因此該技術需首先統計溫度測點開關量信號測值的歷史數據，然后綜合歷史統計、溫度測點報警值、溫度測點當前測值計算獲得帶時標的溫度測點模擬測值，具體如下：

基于開關量信號的溫度測點測值歷史統計由以下步驟獲得：

（1）遍歷近半年的開關量信號記錄，將按順序同時滿足開關量信號集合K的開關量信號取出，按開關量信號集合K的順序將取出的開關量信號的時間存在時間序列TL中；

（2）遍歷近半年的溫度測點ID 集合M的溫度記錄，將時標為時間序列TL且為溫度測點集合M的測點測值的最大值取出獲得測點測值集合CL；

（3）測點測值集合CL即為基于開關量信號的溫度測點測值歷史統計。

綜合歷史統計、溫度測點報警值、溫度測點當前測值計算獲得帶時標的溫度測點模擬測值由以下步驟獲得：

（1）從測點測值集合CL獲取平均值Vave，獲取機組該測點一級報警值b1，獲取機組該測點二級報警值b2。

（2）計算獲得疊加斜率k1，疊加斜率k1=b1/Vave-1，計算獲得疊加斜率k2，疊加斜率k2=b2/Vave-1。

（3）設i=1，測試樣本數yb，公差d=k2-k1。

（4）計算tmp1=k1+（i-1）×d。

（5）當i不大于yb時，將tmp1 存到向量k（i）中，i=i+1，轉至（4）步，當i大于yb時，執行第（6）步。

（6）將向量k各元素加0.01后即為疊加斜率向量k。

（7）獲取開關量信號集合K中機組開機令信號的時刻T1，機組負荷達到基荷信號的時刻T3。

（8）設i=1。

（9）獲取帶時標的實測溫度測值為x（t），在T1時刻前y（t）=x（t），在T1和T3之間y（t）=x（t）×［1+k（i）］，在T3時刻之后y（t）=x（t）+［y（T3）-x（T3）］。

（10）當i不大于yb時，將列向量y轉置后存到矩陣yy中，i=i+1，轉至（9）步，當i大于yb時，執行第（11）步。

（11）矩陣yy即為帶時標的溫度測點模擬測值。

2 基于靈敏度的測試技術

基于靈敏度的測試流程如圖1所示。

圖1 流程圖Fig.1 Flow chart

（1）從時序事件記錄表、溫度測點表、報警閾值表中讀取事件記錄順序情況、溫度測點ID、溫度測點報警值；

（2）獲取機組近半年正常運行狀態的運行記錄形成基于開關量信號的溫度測點測值歷史統計；

（3）綜合歷史統計、溫度測點報警值、溫度測點當前測值計算獲得帶時標的溫度測點模擬測值；

（4）將帶時標的溫度測點模擬測值提供給機組啟動狀態溫度測值智能預測算法測試，并計算靈敏度；

（5）當靈敏度小于閾值時，發出報警提醒技術人員調整被測試算法的參量。

靈敏度由以下步驟計算獲得：

（1）獲取測試樣本數yb；

（2）獲取開關量信號集合K中機組開機令信號的時刻T1，機組穩態信號的時刻T2，機組負荷達到基荷信號的時刻T3，設i=1，f=0；

（3）將帶時標t的溫度測點模擬測值yy（i，：）提供給機組啟動狀態溫度測值智能預測算法測試，測試算法在時刻T2前發現故障的f=f+1；

（4）當i不大于yb時，i=i+1，轉至（5.3）步，當i大于yb時，執行第（5.5）步；

（5）由于故障樣本是根據歷史統計的平均值基礎上疊加裕量獲得，因此可以通過靈敏度計算公式L=f/yb×100%獲知被檢測算法的可靠程度。

3 實 例

對廣州蓄能水電廠2019年04月10日11∶00 至19∶00，4 號機組發電工況啟動的監控信號進行實例分析。結合圖1流程，本文技術包含以下步驟：

（1）從表1時序事件記錄表、表2溫度測點表中讀取事件記錄順序情況、溫度測點ID，該溫度測點一級報警值b1=75 ℃，二級報警值為b2=80 ℃。

表1 時序事件記錄表Tab.1 Sequence event record

表2 溫度測點表Tab.2 Temperature measuring point table

（2）獲取機組近半年正常運行狀態的運行記錄形成基于開關量信號的溫度測點測值歷史統計，測點測值集合CL的平均值Vave=60.7 ℃。

（3）綜合歷史統計、溫度測點報警值、溫度測點當前測值計算獲得帶時標的溫度測點模擬測值。

計算獲得疊加斜率k1=b1/Vave-1=75/60.7-1=0.235 6，計算獲得疊加斜率k2=b2/Vave-1=80/60.7-1=0.318 0。

獲得疊加斜率向量k后各元素加0.01 后，k=［0.245 6，0.262 1，0.278 5，0.295 0，0.311 5］T。

（4）將帶時標的溫度測點模擬測值提供給機組啟動狀態溫度測值智能預測算法測試，并計算靈敏度。

圖2藍色曲線為溫度測點的實測原值，黑色曲線為帶時標的溫度測點模擬測值，將帶時標的溫度測點模擬測值提供給機組啟動狀態溫度測值智能預測算法進行測試。

圖2 實測曲線和模擬曲線Fig.2 Measured and simulated curves

在時刻T2前發現故障f=4，yb=5，則靈敏度L=f/yb×100%=80%。

（5）當靈敏度小于閾值時，發出報警提醒技術人員調整算法。靈敏度L不小于閾值，無需發報警提醒技術人員調整算法。

4 結 語

本文提供了針對機組啟動狀態溫度測值智能預測算法測試的標準化測試方法，提供的測試可完全覆蓋故障情況下的趨勢特征，打破了原依靠實測故障樣本的局限性。可自動根據機組歷史運行情況進行自適應調整以滿足測試要求，使得獲得故障樣本和測試智能技術實施效果的工作，得以通過計算機多快好省的一攬子解決。同時也實現了對智能技術實施效果的量化評價，為智能技術調參，遴選合適算法和實施手段提供指標支撐，也實現了智能技術實施效果驗證工作的前移，避免通過實際工程進行驗證帶來的損失和不確定影響。 □