火電廠設備狀態監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監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的樣本進行學習和預測，將提升設備狀態監測、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，可利用設備狀態參數進行監測和分析，判斷設備是否存在早期異常并對出現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 傳統火電廠設備狀態監測與故障預警的缺陷

傳統火電廠的設備運行監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。當設備發生參數報警、熱工保護動作時，設備已經發生了明顯的劣化與故障。傳統的設備狀態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現和處理。傳統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(正態分布曲線)形成的模型。在概率統計中，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，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測計算，在設備出現早期異常時進行預警，便于客戶及早發現和消除故障隱患，從而降低設備故障率。

(2)提供模糊匹配和基于規則的設備智能診斷，及時發現和消除設備隱患，使用機組的被動檢修變為主動檢修，優化檢修策略，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，逐步實現設備的狀態檢修。

(4)建立企業自身的知識庫，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

系統基于REAP4.0平臺，研發了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，實現即插即用的模塊組件化。系統基于設備監測參數，針對電廠設備、設備群或系統，建立實時算法模型。依據大量歷史數據中隱含的參數關聯性、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，實現了基于規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 系統架構設計

系統采用面向服務SOA+B/S體系架構設計，系統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議，將DCS(分布式控制系統)及其他控制系統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節，是系統模型運算與業務處理的核心層。應用層：系統配置管理及功能應用部分，主要包括設備狀態監視、設備故障預警定位、設備故障分析、設備健康狀態評價等應用。

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：根據電廠監測要求及訓練情況，建立監測模型，建議單臺機組模型不超過80個；每個監測模型的參數可以根據監測目的來選擇，個數沒有要求，但選擇與模型監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，實時預測給出監測參數的正常值。

(2)采用數據準確性甄別技術，主動地發現測點異常，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現設備的異常，有助于設備狀態檢修。

(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依次得出設備、系統、機組的健康狀態。評價依據充分，結果可靠。

數據準確性甄別提高了設備監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明專利，且在國內電網節能環保智能一體化系統與SIS(安全儀表系統)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。根據行業統計數據，由于監控不到位、發現不及時，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。若系統能在設備發生異常前提前報警，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，為發電行業設備狀態監測、診斷系統的應用提供了一個標桿，特別是基于大數據機器學習算法，改變了傳統的依靠人員管理經驗進行設備狀態監測與診斷方法；

(2)設備點檢長、點檢員對于設備狀態監測與評估有據可依、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、缺陷的監測與故障診斷水平，從而提高發電設備可靠性，減少機組非計劃事件的發生[6-7]。

5 結束語

本文以火電廠設備狀態監測與故障預警為研究對象，重點研究了系統設計中的高斯混合算法與K-means算法結合應用的方法，并詳細介紹了系統總體設計，分析了設備狀態監測與診斷在電廠的應用效果。通過建立該系統，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定運行提供參考依據。