申请日2014.01.14
公开(公告)日2017.12.15
IPC分类号G06F17/00
摘要
本发明涉及一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于包括以下步骤：1)通过采集水泵出水母管压力、阳床进水流量、阴床进水流量、阳离子交换器入口压力、阴离子交换器入口压力、混合离子交换器入口压力、离子浓度等传感器数据，确定各传感器稳态阀值和工况切换阀值;2)工况稳态检测与所处工况阶段的判定;2.1)根据步骤1)的传感器稳态阀值，计算判断流程是否为稳态，判定为非稳态，执行步骤2.2);2.2)根据步骤2)的工况切换阀值，计算判断工况是否发生切换，判定为发生切换，执行步骤2.3);2.3)通过实时采样的数据计算欧氏距离和相似度，判定工况所处阶段。本发明能准确地进行水处理流程的稳态和工况切换判断，具有过渡非稳态过程，自动、动态且实时监测各类传感器数据的特点。
权利要求书
1.一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于包括以下步骤：
1)确定火力发电厂水处理系统中各传感器稳态阈值和工况切换阈值
通过采集水泵出水母管压力、阳床进水流量、阴床进水流量、阳离子交换器入口压力、阴离子交换器入口压力、混合离子交换器入口压力和离子浓度传感器数据，确定各传感器稳态阈值和工况切换阈值;
2)判定水处理系统所处工况阶段
2-1)检测水处理系统中各传感器的动态数据，将所述各传感器的动态数据与根据步骤1)确定的稳态阈值作比较，从而判断水处理流程是稳态或非稳态，若为稳态则继续检测并保持工作状态，若判定为非稳态，执行步骤2-2);
2-2)根据步骤2-1)检测的各传感器的动态数据，通过与工况切换阈值作比较，判断工况是否发生切换，若判定为发生切换，执行步骤2-3);若判定为非发生切换，则继续检测各传感器的动态数据;
2-3)通过实时采样的数据计算欧氏距离和相似度，判定工况所处阶段。
2.根据权利要求1所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：所述传感器稳态阈值通过如下具体步骤确定：
1)采集传感器的数据，定义传感器稳态因子表达式：
其中，sfik为第i个传感器k时刻的稳态因子;为第i个传感器在k至k+l区间中的最大值;为第i个传感器在k至k+l区间中的最小值，δi是第i个传感器历史数据xi的标准差，m为传感器个数，l为区间长度，其中i=1,2,…,m;
2)为了判断流程状态，定义流程状态指数sk如下：
式中，sk为“1”表示k时刻流程处于稳态，反之为非稳态过程，其中ki为第i个传感器稳态阈值，
3)从历史运行数据中筛选多段典型的稳态和非稳态过程作为样本，通过对样本稳态因子sf序列的分析即可获得m个传感器的稳态阈值ki，其中i=1,2,…,m。
3.根据权利要求2所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：传感器的阈值设定在0.005-0.015之间。
4.根据权利要求2所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：通过所述样本稳态因子sf序列来判断工况切换;定义工况切换标志sk_ex，表达式为：
其中，为工况切换阈值，sk_ex为“1”表示k时刻处在原工况阶段，sk_ex为“0”表示流程在切换工况，从运行历史数据中筛选多个工况切换段作为样本，通过对样本稳态因子sf序列的分析获得各传感器的切换阈值
5.根据权利要求4所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：工况切换阈值取值在0.02-0.03之间。
6.根据权利要求2所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：确定所述流程状态指数sk的具体步骤如下：
1)由于发电厂水处理流程各传感器输出数据的量级相差较大，若直接进行处理将淹没低量级数据的有用信息，对获取的历史样本数据进行归一化处理：
其中，xim为第i个传感器历史数据归一化后的数据，xi是第i个传感器的历史数据，max(xi)和min(xi)分别是xi最大值和最小值,其中i=1,2,…,m;
当依次归一化所有传感器的历史数据后，在每一个工况流程中选出各个传感器相对稳定的流程区间作为算法的训练模型;为了提高训练模型的精简性和准确性，以样本欧氏距离为指标遴选各工况的特征样本集，样本欧氏距离dpq按照以下方法获得：
其中，dpq为样本p和样本q的欧氏距离，xip是第i个传感器的p时刻的数据值，xiq是第i个传感器q时刻的数据值;
针对所有稳态工况样本，计算任意一个样本与其余样本之间的欧氏距离和di_sum如下式：
dij为任意两个样本间的欧氏距离，di_sum为任意一个样本与其余样本之间欧氏距离之和，n为任一工况的样本总数;循环采用式(6)可获得每个工况中每个样本与其余样本的欧式距离累加和，并将距离累加和最小的l个样本作为训练样本，针对火电厂水处理流程，l在区间[100，200]取值;
设水处理流程划分为t个工况，每个工况都获得其对应的特征训练集xu-l，由表达式(4)-(6)构建整个流程的训练样本集Xt：
Xt={xu-l,…,xt-l} (7)
式中，Xt是所有工况中选出的训练样本集合，xu-l为任一工况u的特征训练样本，其中u=1,2,…,t;
通过获取实时传感器在当前时刻k的数据，通过式(1)和(2)计算k时刻的流程状态指数sk：
若sk为“1”时，表明当前时刻处于稳态过程;若sk为“0”时则表示此刻流程处于非稳态过程。
7.根据权利要求4所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：通过确定工况切换标志sk_ex对工况切换判别的具体步骤如下：
通过表达式(1)-(3)进一步计算sk_ex，对工况切换进行判别：
1)若sk状态为“1”且sk_ex为“1”，或sk状态为“0”且sk_ex为“1”，或sk状态为“0”且sk_ex为“0”时，表明工况无切换，不需要进行工况识别;
2)若sk状态为“1”且sk_ex为“0”时，表明工况切换完毕，需要进行工况识别。
8.根据权利要求1所述的一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于：所述通过实时采样的数据计算欧氏距离和相似度，判定工况所处阶段，具体步骤如下：
1)若工况分类数量已经确定，分为t类，则需要判定实时数据样本x属于训练样本集Xt中的哪一类，计算实时数据样本x与训练样本集Xt的欧氏距离：
其中，dxm是实时数据样本x与训练样本集Xt中任一特征训练样本xt间的欧氏距离，xi为第i个传感器的数据值，xt_i是特征训练样本xt的第i个传感器的数据值;
从数据特征上看，实时数据样本x与训练样本集Xt中任一特征训练样本xt的相关系数也能体现两者之间的相似关系;将相关系数作为另一有效的判别参数，相关系数表达式如下：
其中，ρxm是实时数据样本x和训练样本集Xt中任一特征训练样本xt的相关系数值，xi是第i个传感器的数据值，是实时数据的样本均值，为特征训练样本xt的样本均值，xt_i是样本xt第i个传感器的数据值;
2)欧氏距离和相似度都可以来衡量实时数据样本x与特征训练样本xt的相似程度;为了提高工况判别的性能，定义了一个相似因子：
式中，XSxm为相似因子，相似因子XSxm值越小，样本与特征训练样本之间相似程度越高;
3)实时计算实时数据样本x与训练样本集Xt中每一个特征训练样本xt的相似因子XSxm，并将相似因子XSxm从小到大进行排序;从相似因子XSxm中按照由小到大的顺序取w个因子;并以w个因子对应的工况编号，构建一个w维向量N=[numi,numi+1,…,numw]，其中numi∈{1,2,…,t};针对火电厂水处理过程，w的经验值为5;统计向量N中各工况编号出现的次数，取出次数最多的标号判定为当前工况。
说明书
一种火力发电厂水处理流程稳态检测及运行工况判别方法
技术领域
本发明涉及一种水处理流程稳态检测及运行工况判别方法，属于发电机组工况分析判断技术领域。
背景技术
在火电厂的热力系统中，良好的水汽品质能有效防止热力设备腐蚀、结垢和积盐;提升热力系统的可靠性。而良好的水汽品质是通过水处理流程的正常运行保证补给水水质指标来达到的。在水处理流程中，各类传感器的工作状态对水处理流程的运行可靠性起着至关重要的作用;为此，需要对水处理流程的相关传感器进行故障诊断。目前已经出现的一些故障监测及故障源定位的算法。例如，基于神经网络、支持向量机等智能算法的故障诊断方法，这些方法都是基于PCA(主成分分析法)进行运算，然而，基于PCA的故障诊断方法都需要在相对稳定的工况下建立各工况模型，然后再利用这些模型用于实时故障诊断。另外，处于不同流程的工况也会影响PCA故障诊断的结果，导致误判等情况的发生。因此，水处理流程的稳态检测及运行工况判断是传感器故障诊断的重要前续处理步骤，对故障诊断的性能起着重要作用。
火电厂典型的水处理流程包含原水、预处理、阳阴床一级除盐、混床除盐等环节。当工况切换时，与工况相关的水处理流程传感器数据会发生较大波动，若将此类数据直接用于传感器故障诊断算法，容易造成误判断。此外，工况切换所带来数据的变化也导致一般的自适应叠加建模手段难以获得良好的结果。若运用模式识别则能根据传感器数据区分当前状态所在的工况区间;这样不但能够过渡非稳态过程，还能继续实时监测各类数据，使整个监测方法具有自动动态适应的特性。
发明内容
本发明的目的，是为了解决上述现有技术的缺陷，提供一种火力发电厂水处理流程稳态检测及运行工况判别方法，该方法能准确地进行水处理流程的稳态和工况切换判断，具有过渡非稳态过程，自动、动态适应且实时监测各类传感器数据的特点。
本发明的目的可以通过以下技术方案达到：
一种火力发电厂水处理流程稳态检测及运行工况判别方法，其特征在于包括以下步骤：
1)确定火力发电厂水处理系统中各传感器稳态阀值和工况切换阀值
通过采集水泵出水母管压力、阳床进水流量、阴床进水流量、阳离子交换器入口压力、阴离子交换器入口压力、混合离子交换器入口压力和离子浓度传感器数据，确定各传感器稳态阀值和工况切换阀值;
2)判定水处理系统所处工况阶段
2-1)检测水处理系统中各传感器的动态数据，将所述检测数据与根据步骤1)确定的稳态阀值作比较，从而计算判断水处理流程是稳态或非稳态，若为稳态即继续检测并保持工作状态，若判定为非稳态，执行步骤2-2);
2-2)根据步骤2-1)检测的各传感器数据，通过与工况切换阀值作比较，判断工况是否发生切换，若判定为发生切换，执行步骤2-3);若判定为非发生切换，则继续检测各传感器的动态数据;
2-3)通过实时采样的数据计算欧氏距离和相似度，判定工况所处阶段。
本发明的目的还可以通过采取如下技术方案达到：
作为一种优选方案，所述的传感器稳态阀值通过如下具体步骤确定：
1)采集相关传感器的数据，定义传感器稳态因子表达式：
其中，为第i个传感器k时刻的稳态因子;为第i个传感器在k至k+l区间(区间长度为l)中的最大值;为第i个传感器在k至k+l区间(区间长度为l)中的最小值，δi是第i个传感器历史数据xi的标准差，m为传感器个数;
2)为了判断流程状态，定义流程状态指数sk如下：
式中，sk为“1”表示k时刻流程处于稳态，反之为非稳态过程，m是传感器个数;
3)从历史运行数据中筛选多段典型的稳态和非稳态过程作为样本，通过对样本稳态因子sf序列的分析即可获得m个关键传感器的稳定阈值ki(i=1,2Λ,m)。
作为一种优选方案，针对发电厂水处理流程，传感器的稳定阈值可以在0.005-0.015之间。
作为一种优选方案，根据水处理流程从一个工况切换到另外一个工况时，流程参数会发生激烈变化;相应地，稳态因子sf值也必将发生剧烈变化，通过前述稳态因子sf序列来判断工况切换;定义工况切换标志sk_ex，表达式为：
其中，是区分工况切换阈值，sk_ex为“1”表示k时刻处在原工况阶段，sk_ex为“0”表示流程在切换工况，m是关键传感器个数;从运行历史数据中筛选多个工况切换段作为样本，通过对样本sf序列的分析即可获得各关键传感器的切换阈值
作为一种优选方案，针对发电厂水处理流程，工况切换阈值取值可以在0.02-0.03之间。
作为一种优先方案，所述确定流程状态指数sk的具体步骤如下：
1)由于发电厂水处理流程各传感器输出数据的量级相差较大，若直接进行处理将淹没低量级数据的有用信息，对获取的历史样本数据进行归一化处理：
其中，xim为第i个传感器历史数据归一化后的数据，xi是第i个传感器的历史数据，max(xi)和min(xi)分别是xi最大值和最小值;
当依次归一化所有传感器的历史数据后，在每一个工况流程中可选出各个传感器相对稳定的流程区间作为算法的训练模型;为了提高训练模型的精简性和准确性，以样本欧氏距离为指标遴选各工况的特征样本集，样本欧氏距离dpq按照以下方法获得：
其中，dpq为样本p和样本q的欧氏距离，xip是第i个传感器的p时刻(样本)的数据值，xiq是是第i个传感器q时刻(样本)的数据值，m为传感器的总数;
针对所有稳态工况样本，计算出的任意一个样本与其余样本之间欧氏距离和di_sum如下式：
式中，dij为任意两个样本间的欧氏距离，di_sum为任意一个样本与其余样本之间欧氏距离之和，n为任一工况的样本总数;循环采用式(6)可获得每个工况中每个样本与其余样本的欧式距离累加和，并将距离和最小的l个样本作为训练样本，l为工况特征训练集的维数。针对火电厂水处理流程，l在区间[100，200]取值;
设水处理流程划分为t个工况，每个工况都获得其对应的特征训练集xi_l，由表达式(4)-(6)构建整个流程的训练样本集Xt：
Xt={xi_l,K,xt_l};(i=1,2,L,t) (7)
式中，Xt是所有工况中选出的训练样本集合，xi_l(i=1,2,Λ,t)为任一工况i的特征训练样本;
通过获取实时相关传感器在当前时刻k的数据。通过式(1)和(2)计算k时刻的稳态指数sk：
若sk为“1”时，表明当前时刻处于稳态过程;否则，sk为“0”时则表示此刻流程处于非稳态过程。
作为一种优先方案，通过确定工况切换标志sk_ex对工况切换判别的具体步骤如下：
通过表达式(1)-(3)进一步计算sk_ex，对工况切换进行判别：
1)若sk状态为“1”且sk_ex为“1”，或sk状态为“0”且sk_ex为“1”，或sk状态为“0”且sk_ex为“0”时，表明工况无切换，不需要进行工况识别;
2)若sk状态为“1”且sk_ex为“0”时，表明工况切换完毕，需要进行工况识别。
作为一种优选方案，所述通过实时采样的数据计算欧氏距离和相似度，判定工况所处阶段，具体步骤如下：
1)若工况分类数量已经确定，例如分为t类，则需要判定实时样本数据x属于训练样本Xt中属于哪一类，计算实时样本数据x与训练样本集Xt的欧氏距离：
其中，dxm是实时数据样本x与训练样本集Xt中任一特征训练样本xt(任意选取)间的欧氏距离，xi为第i个传感器的数据值，xt_i是特征训练样本xt的第i个传感器的数据值;
从数据特征上看，实时样本x与训练集Xt中任一特征样本xt(任意选取)的相关系数也能体现两者之间的相似关系;将相关系数作为另一有效的判别参数，相关系数计算如下：
其中，ρxm是实时数据样本x和训练样本集Xt中任一特征训练样本xt(任意选取)的相关系数值，xi是第i个传感器的数据值，是实时数据的样本均值，为特征训练样本xt(任意选取)的样本均值，xt_i是样本xt第i个传感器的数据值;
2)欧氏距离和相似度都可以来衡量实时数据样本x与训练样本xt的相似程度;为了提高工况判别的性能，定义了一个相似因子：
式中，XSxm为相似因子，dxm是实时样本x与任一特征样本xt(任意选取)的欧氏距离，ρxm是实时数据样本x与特征训练样本xt(任意选取)的相关系数;相似因子XSxm值越小，样本与特征训练样本之间相似程度越高;
3)实时计算实时样本x与训练样本集Xt中每一个特征样本xt的相似因子序列XSxm，并将相似因子序列XSxm从小到大进行排序;从相似因子序列XSxm中按照由小到大的顺序取个w因子;并以w个因子对应的工况编号构建一个w维向量N=[numi,numi+1,L,numw]，其中numi∈{1,2L,t};针对火电厂水处理过程，w的经验值为5;统计向量N中各工况编号出现的次数，取出次数最多的标号判定为当前工况。
本发明具有如下突出的有益效果：
1、本发明在工作复杂且运行工况多变的水处理流程中，能对连续性工作的工业流程进行稳态判断，并且能自动对工况切换和当前工况换属于何种模式进行判断。仅采集相关传感器数据进行代数运算，实施成本低，可以用软件实现，适用于在线实时检测、判别。
2、本发明通过采集历史相关传感器数据为样本，以实时检测所得数据为变量与样本数据进行计算比较，来判定流程所稳态和工况。所需获取的实时数据较少，计算量少，能快速且准确地对流程进行判别，可靠性高。