火力發電廠鍋爐智能融合故障診斷方法

馬連彬

（中電建湖北電力建設有限公司，湖北武漢 430080）

0.引言

人們在日常生活和生產工作中離不開電力資源，而發電廠是為人們提供電力資源的重要保障，只有確保發電廠及廠內設備的穩定運行，才能夠確保社會秩序的穩定及發展[1]。在當前形勢下，鍋爐仍然是火力發電廠中重要的設備，若在這一環節出現故障，則會對輸出的電力質量產生極大的影響，不僅會影響到社會穩定運行，同時對于火力發電廠的自身利益也會造成影響。因此，當前火力發電廠將鍋爐運行相關的安全問題放在了戰略層面上，而有針對性地執行鍋爐定期、不定期安檢工作，不僅可以保證電廠鍋爐在運行中的穩定性，同時也可以為火力發電廠的安全、持續化運行提供保障[2]。為實現對鍋爐故障的有效處理，需要在設計方法前，對其常見的故障現象進行總結與描述，具體包括：鍋爐滅火、鍋爐受熱面上管道爆裂、鍋爐尾部煙道再燃、鍋爐壓力過高等。造成上述問題的原因包括：燃燒材料質量較差、通風量不足、材料檢驗未達標便應用到鍋爐運行中、給水流量不合理等。由于鍋爐故障的類型眾多，并且對應的故障因素復雜，并且存在故障類型或故障因素同時存在的可能，因此對鍋爐的故障診斷難度和復雜度進一步提升[3]。針對這一問題，應用現有故障診斷方法很難實現對其有效診斷，為了進一步提高火力發電廠鍋爐的運行穩定性，本文開展火力發電廠鍋爐智能融合故障診斷方法研究。

1.火力發電廠鍋爐智能融合故障診斷方法設計

1.1 火力發電廠鍋爐故障特征提取

在對火力發電廠鍋爐的故障問題進行診斷時，需要獲取鍋爐在運行過程中產生的實時數據，因此在鍋爐運行中在其周圍設置多個測點，通過各個測點實現對鍋爐運行電力信號和物理信號的采集[4]，根據各類信號信息能夠實現對鍋爐故障特征的有效提取。在鍋爐運行過程中會產生數萬個信號數據，通過對特征數據的選擇，提高故障診斷的效率，并降低計算量?；诖?，本文選用Relief算法從已知的火力發電廠鍋爐數據當中隨機挑出一組數據，并將其作為樣本數據R。再從與樣本數據R相同類別的數據當中，挑選出最近的相鄰數據，并構成相鄰數據樣本H；從與樣本數據R不相同類別的數據當中，挑選出最近的相鄰數據，并構成鄰數據樣本M。最后，計算每個特征上樣本數據R與M和H之間的距離[5]。根據距離實現對不同類別的區分。例如R與M之間的距離大，而與H之間的距離小，則說明該變量數據特征值高，反之同理，特征值低。在重復n次后，計算得出每一個變量的平均值，并以此實現對各個變量分類能力的表示。根據上述思路，利用Relief算法對每一個特征進行權重排序。在進行權重排序時，可將公式（1）作為依據：

公式（1）中，m表示為信號振蕩頻率；L表示為信號數據到樣本數據R之間的距離；δ表示為信號容量；ρ表示為信號數據的模糊特征量。根據上述公式，計算得出各個樣本數據集合中信號數據距離，并將符合公式（1）的數據提取，將其作為特征樣本數據。在實際應用中，對鍋爐的運行產生影響的特征數據包括鍋爐主蒸汽溫度、過熱器溫度、煙溫、機組負荷等。

1.2 構建鍋爐故障診斷模型及模型訓練

在實現對火力發電廠鍋爐故障特征提取后，由于鍋爐故障問題分為多種不同類型，本文選擇在構建診斷模型的過程中，引進SVM分類器，使用此分類器進行故障數據集合的訓練與迭代處理。確保迭代數據的集成化與全面優化。在此基礎上，將所選的分類器與核函數建立連接關系，對特征數據進行映射，將現有的單維度數據集合映射到高維度數據空間中，實現對數據邊界的生成。將SVM定義為（w，b），其中w表示為權重量；b表示為權重偏差。將（w，b）中的最佳權重和最佳權重偏差定義為w0和b0。w與b之間存在下述關系：

公式（2）中，T表示為補償系數；x表示為特征數據。利用通過上述特征提取后剩余的數據作為訓練集合，將其導入到SVM分類器當中，以此實現對鍋爐故障診斷模型的構建。為了進一步提高模型的診斷精度，將構建的模型帶入到LVQ神經網絡當中，并對其進行訓練。通過自組織特征的改良，得到更智能的診斷模型。LVQ神經網絡與其他訓練網絡相比，具備結構簡單，計算方便等優勢，同時通過各個層級之間的相互作用，對輸入數據和對競爭層距離的計算，以此實現分類[6]。如圖1所示為基于LVQ神經網絡的模型訓練流程示意圖。

圖1 基于LVQ神經網絡的模型訓練流程示意圖

圖1中S為分類器，在模型訓練的過程中將LVQ神經網絡層劃分為3個層次。其中，中間層中所含有的原始變量數據最多。在此基礎上，按照上述圖1所示的內容，進行原始數據輸入量之間距離的計算，選擇距離較近的數據作為變量數據。若在計算過程中出現兩種原型變量數據類別相同的情況，需要將計算結果進行靠近處理的方式解決。根據上述論述，對所有模型中的變量進行劃分，并實現對模型的訓練。

1.3 基于融合規則的故障診斷決策融合

在利用上述構建的模型得出鍋爐的故障診斷結果后，為了確保模型結果的可靠性，針對多次輸出結果，利用融合規則對其進行決策融合。假設模型對于故障診斷問題的全部依據可以由θ提供的若干證據進行歸納總結，其中θ即為融合規則，是針對鍋爐故障問題域的有限n個互拆假設集。同時，利用融合規則給出多個依據的組合規則，將模型輸出的不同結果通過規則進行分配，從而生成一個新的規則函數，其表達式為：

公式（3）中，m1和m2表示為通過診斷模型輸出的不同診斷結果，K表示為歸一化常數，⊕表示為決策融合。在實際應用中，按照上述公式將模型得出的鍋爐故障診斷結果代入，通過規則函數對其進行決策融合將輸出結果作為最終的診斷結果。

2.實例應用分析

為了進一步驗證本文上述提出的故障診斷方法在實際應用中的可行性，選擇以某火力發電廠作為依托，利用本文上述提出的診斷方法對該發電廠中現有鍋爐進行故障診斷。提取該火力發電廠近5個月內的運行數據作為測試數據，已知在5個月內鍋爐出現了幾次不同的故障問題，并且相關信息記錄在了測試數據內。為了確保最終應用效果的真實性，在測試過程中，確保故障診斷方法在應用中所處環境為火力發電廠鍋爐正常的運行環境。分別從本文方法的故障診斷性能和決策融合性能兩方面對方法的應用效果進行評價和驗證。

2.1 本文方法故障診斷性能驗證分析

首先，為了實現對本文方法故障診斷性能的驗證，嘗試引入混淆矩陣，利用該矩陣實現對本文方法故障診斷結果分類準確率的可視化展現。將上述獲取到的測試數據作為研究對象，利用本文上述提出的診斷方法對鍋爐故障問題進行診斷，并給出相應的故障類型，將其與實際鍋爐的故障情況以及故障類型進行對比。如表1所示為本文故障診斷方法的混淆矩陣結果。

表1 本文故障診斷方法的混淆矩陣結果

表1中“148”“147”表示為在故障診斷過程中測試數據內共包含的正常運行鍋爐數據；“3”“2”表示為在故障診斷過程中測試數據內包含的異常運行鍋爐數據。表1中帶有“＊”符號的數據為本文故障診斷方法正確診斷的概率。同時，在表1混淆矩陣當中，每一列的數據總數表示在該類別下對應的數據實際數目。通過上述混淆矩陣可以看出，將本文提出的故障診斷方法應用到對鍋爐的故障診斷中，能夠使最終結果的分類準確率達到95.00%以上。因此，通過上述得出的結果能夠初步證明，本文提出的故障診斷方法能夠實現對鍋爐的高精度診斷，在實際應用中具有極高的應用價值，證明該方法可行。

2.2 本文方法決策融合性能驗證分析

在明確本文故障診斷方法的應用可行性后，再對該方法在應用過程中的決策融合性進行驗證。仍然選擇將本文提出的故障診斷方法應用到真實的火力發電廠鍋爐運行環境當中，并針對上述獲取到的測試數據進行故障診斷。為了實現對診斷方法決策融合性能的驗證，選擇將2次針對相同測試數據的鍋爐故障診斷結果進行決策融合，并通過對比融合后結果的誤報和漏報情況，實現對其融合效果的驗證。其中，誤報可通過誤報率表示，其計算公式為：

公式（4）中，δ表示為本文診斷方法誤報率；m表示為測試數據當中包含的故障數據總數；m'表示為診斷結果中與真實故障數據不相符的總量。漏報情況可通過漏報率表示，其計算公式為：

公式（5）中，χ表示為本文診斷方法漏報率；m0表示為本文診斷方法診斷結果當中包含的測試數據，數據中包含了正確診斷數據和錯誤診斷數據。根據上述公式，計算得出本文診斷方法的誤報率和漏報率，并將其記錄如表2所示。

表2 本文故障診斷方法誤報率和漏報率記錄表

從表2中記錄的數據得出，本文故障診斷方法在決策融合前，通過5次故障診斷，其診斷結果的誤報率均在1.00%～1.50%范圍內，而漏報率均超過0.50%。通過決策融合，誤報率低于1.00%，漏報率也降低到了0.50%以下。由此可以看出，本文提出的故障診斷方法在完成診斷后，通過決策融合能夠進一步降低診斷結果的誤報率和漏報率，從而提高故障診斷方法的診斷精度。

3.結語

鍋爐裝置是火力發電廠中的核心設備，對于整個行業以及人們日常生活都有著十分重要的意義。通過本文上述論述研究，在明確鍋爐運行特點以及常見的故障類型，以及故障發生原因的基礎上提出一種全新的故障診斷方法，同時也通過應用實現了對其各項性能的檢驗。在實際火力發電廠運行中，除了應用本文提出的故障診斷方法為鍋爐運行和維護提供重要依據外，還應當從根本上提高對鍋爐安全檢驗的重視程度，確保鍋爐在運行中的質量和效率，促進火力發電廠能夠更快適應當前社會發展趨勢。