基于動態加權方法的火電廠綜合狀態評估

陳 鑫，王鵬雅，王 苗

（三峽大學 電氣與新能源學院，湖北 宜昌 443000）

0 引 言

發電廠發電設備的可靠性是電能生產的重要保證。對發電設備實施健康監測和故障診斷，不僅能提高設備的生產穩定性和安全性，還能提升電廠效益，使維修模式由計劃檢修向狀態檢修和精細化檢修轉變。因此，形成一套科學量化的火電廠設備動態加權綜合評價方法具有重要的現實意義[1]。目前，對火電廠運行的評價研究主要集中在單因素評價領域，如節能、經濟、安全等，而多因素綜合評價的研究相對較少[2]。本文通過對火電廠設備各運行參數的分析，構建動態加權綜合評價模型。

1 動態加權綜合評價模型的建立

對指標數據進行一致化和標準化處理，選定合適的動態加權函數，得到系統運行的實時綜合評價分數，構建單個設備完整的評價體系。對上述評價體系進行自主學習，通過使用BP神經網絡算法進行多次擬合訓練，得到擬合情況較好的神經網絡。將系統的運行狀態和綜合評價分數段對應，進行設備的在線狀態評估與診斷。思路流程如圖1所示。

1.1 評價指標的一致化和標準化處理

先將偏小型指標做處理，使其轉化為偏大型，再對偏大型與中間型數據做如下處理。

中間型：

圖1 思路流程圖

偏大型：

1.2 動態加權函數的設定

從實際問題出發，根據具體問題分析確定相應的權函數。關于不同的指標，權函數的選取既可相同也可不同，本文選取如下幾種函數。

（1）偏大型柯西分布函數

其中a、b、c、d為待定常數，li為第i等級相應的量化數值。

（2）正態分布函數

其中αi為兩相鄰等級的均值，δi取為0.9。

類似地，根據實際情況，變權函數還可取S型分布函數、分段階梯型分布函數等。

1.3 綜合評價模型的構建

根據標準化后的各評價指標值x'ij以及相應的動態權函數Wij(x'ij)建立綜合評價模型，對被評價對象做出綜合評價[3]。此處，將綜合評價模型取為各評價指標的動態加權和，即：

代入收集到的實際實時監測數據，經計算便可得綜合評價指標值。

2 火電廠健康監測實例分析

2.1 指標的選取

火力發電廠設備的主要有汽泵前置泵、汽輪機本體以及一次風機[4]等。本文以氣泵前置幫泵為例，收集重要的7個運行參數的部分歷史數據，如表1所示。

表1 原始數據（部分）

設收集到的3 490組數據為3 490個評價對象，上述的7個運行參數為7個評價指標，則第i組數據的第j個參數值記為xij。對于每一個評價指標，可分為K個等級，對應于每個指標的每個等級都包含一個區間范圍記為即當評價指標時，xij屬于第K等級。

2.2 數據的預處理

分析上述得到的健康樣本庫指標值發現，各指標偏向于中間型。將各指標進行一致化處理，有：

再對一致化處理后的數據進行標準化處理，有：

其中：

2.3 單個設備的綜合狀態值

根據實際問題，本文選取動態加權函數為式（2），并計算動態加權和對3 490組被評價對象做出綜合評價，即：

根據3 490組實測歷史數據，經計算可得汽泵前置泵的綜合評價指標值，即一個7×3 490階的綜合評價矩陣(xij)7×3490。圖2即為汽泵前置泵評價指標分數的分布直方圖。

由圖2可看出：汽泵前置泵的歷史數據中，隨著綜合評價分數的增加，呈現的歷史次數先是緩慢增加，中間有一個快速增長過程，隨后平緩增加趨于最大，到達峰值后呈下降趨勢，其頻數分布直方圖近似呈正態分布曲線（左側）形狀。因此，可以運用統計學知識對綜合評價分數劃分區間，判斷設備的運行狀態。

直接進行運算，即可獲得系統當前運行的情況分數。統計汽泵前置泵、汽輪機本體、一次風機的綜合評價值，結果如表2所示。

圖2 綜合評價分數直方圖

表2 部分綜合評價指標值

2.4 基于方差分析對得分情況進行分類

將火電廠設備的運行狀態分為4種狀態，分別為正常、警告、異常、嚴重。由上述模型，可以得到各個設備運行的實時綜合評價分數，然后利用綜合評價分數進行區間劃分。綜合考慮系統的運行狀態和綜合評價分數段，對設備進行在線狀態評估與診斷。

由統計學知識可知，數據距離平均數越遠，分布越稀疏，即：綜合評價分數與密度最大區間的偏差絕對值處于[0,2δ]，則認為設備處于正常狀態；綜合評價分數與密度最大區間的偏差絕對值處于[2δ,3δ]，則認為設備處于警告狀態；綜合評價分數與密度最大區間的偏差絕對值處于[3δ,5δ]，則認為設備處于異常狀態；綜合評價分數與密度最大區間的偏差絕對值處于[5δ,∞]，則認為設備處于嚴重損壞狀態。各個區間結果如表3所示。

表3 設備的4種狀態的區間值

由表3可知，利用統計學知識，結合實時監測的綜合評分與密度最大區間，確定了系統正常狀態、發出警告、系統出現異常、系統出現嚴重損壞下的區間值。將該模型應用于設備的實時監測，可根據綜合評價分數判斷設備狀態，實現對單個設備的在線狀態評估與診斷。

3 基于人工神經網絡自主學習模型

鑒于火電廠實時運行數據數量龐大，動態加權函數的選取存在一定的主觀性，且在計算過程中可能存在誤差。因此，本文引入了BP神經網絡模型對上述動態加權綜合評價模型進行檢驗與修正。BP神經網絡有較強的非映射能力，適于求解內部機制復雜的系統，且有一定的容錯能力[5]。圖3是神經網絡的拓撲結構，采用三層前饋網絡，輸入層為指標數據，輸出一個評價值。

圖3 神經網絡結構拓補圖

將收集的大部分數據作為訓練樣本，另隨機選取20%的數據作為測試集。訓練集用來初始化BP網絡，確定模型參數，并直至誤差滿足要求完成訓練。圖4為訓練結果圖。

圖4 神經網絡的擬合

圖4 為MATLAB中BP網絡的學習與訓練過程。可以看出，該算法通過575次訓練達到了預設的誤差10-10，即訓練效果較好，精度較高。

將收集的數據挑出100組作為神經網絡的輸入樣本，圖5中十字為原始訓練的輸出結果，曲線為輸入樣本作為訓練樣本得到的結果。十字基本分布在曲線上，說明訓練得到的曲線非常接近原曲線，擬合效果較好，即該模型可以進行較好的自主學習，同時驗證了動態加權綜合評價模型對火電廠設備評估的有效性。

4 結 論

（1）建立動態加權綜合評價模型對火電廠實時運行狀態做出評估，確定設備分別處于正常、預警、異常、嚴重4種狀態時的綜合評價值區間范圍。

（2）引入BP神經網絡對上述模型進行學習訓練，從而實現單個設備在線狀態評估與診斷。

（3）在該模型的基礎上，可結合層次分析法建立多臺設備構成的火電廠機組以及擁有多機組的整個火電廠的實時監控模型，實現各層級的在線狀態評估與診斷。

圖5 訓練前后網絡的輸出結果