數據驅動下定子繞組出水溫度在不同工況下標準值的確定

李鵬竹

（寧夏京能寧東發電有限責任公司，寧夏 銀川750001）

1 概述

對于大型火力發電廠來說，在保證設備安全經濟穩定運行的前提下，追求更高的經濟效益，節約檢修成本支出，對設備的檢修采用“點檢定修”顯得尤為重要，點檢定修必須精準檢修，所以要確定每一個設備的劣化程度，對該設備進行檢修，對于發電機來說實現狀態的檢修必須對故障特征參數做到精準的預測，我國汽輪發電機運行規程中規定的線棒允許限制，一方面只是從絕緣材料和冷卻系統所承受的最高溫度，并不是發電機運行的實際溫度，實際溫度與發電機冷卻介質的進水、進氫溫度和發電機的設計溫升有關，更不是狀態監測及故障診斷中所需要的標準值。另一方面由于各線圈在制造工藝上的差異、附加損耗的不同，是否有引線等，在同一工況下，各測點的溫度不盡相同，甚至差異較大，從現場獲得的數據可以證明這一點，所以，對各測點制定狀態監測所需要的溫度標準值顯得尤為重要。

從20 世紀80 年代開始，許多專家對定子線棒溫度進行了預測，閱讀大量文獻，確定溫度模型有六種方法，五種方法是運用五個經驗的溫度模型進行預測。分別是：李永剛老師定子繞組溫度模型，蒲瑩老師定子繞組溫度模型，指紋系數判斷法溫度模型，數值計算法溫度模型，許伯強老師溫度模型，第六方法是采用人工神經網絡方法。文獻1 采用曲線擬合和蒲瑩經驗公式和神經網絡兩個方法進行預測，并對兩種結果進行了比較。

本文在上述文獻1 的基礎上，根據現場實際運行經驗，利用指紋系數判斷法運用最小二乘法擬合指紋系數確定溫度預測模型和BP 神經網絡預測不同工況下溫度標準值進行進一步的研究。結果表明，運用指紋系數判斷法和神經網絡得出的結果基本上都能滿足現場實際需求且偏差在0.5℃以內。

2 影響定子繞組出水溫度的因素和溫度模型介紹

2.1 影響定子繞組出水溫度的主要因素有定子電流、定子流量、定子冷卻水進水溫度、冷氫溫度。次要因素有上下層層間線棒溫度的影響，鐵芯溫度的影響。

2.2 溫度模型的介紹

指紋系數判斷法——俄羅斯學者V.Poljakov 根據經驗建立了一種溫度水力溫度模型：Θi=ai+bi{Θw+Fe/F[ciI2/Ie2+diI/Ie+ei(ΘH2-Θw)]}（1-1）

式中：Θ：定子線棒出水溫度，Θw：定子冷卻水進水溫度，F：定冷水流量

I：定子電流，ΘH2：冷卻氣體，指紋權重系數：a b c d e

3 預測溫度所用的方法介紹

3.1 大數據擬合的最小二乘法溫度預測方法

3.2 大數據處理的BP 神經網絡預測方法

BP 神經網絡是一種誤差逆向傳播算法，由輸入層、隱含層和輸出層三部分組成。同層之間各個神經元相互獨立、不連接。相鄰兩層之間所有單元均與上層單元通過權連接。其網絡結構圖如圖1 所示。

圖1 BP 神經網絡結構圖

整個BP 神經網絡包含正向傳播與反向傳播兩個過程。當有輸入信號正向傳播時，信號向前傳播到隱含層各節點，此過程信號的傳播是逐層遞進的，每層都會有相應的權函數、閾值進行變換，最終傳至輸出各節點。如果實際輸出與期望輸出之間的誤差大于所給精度，誤差信號將沿原來的路徑由輸出層至返隱含層返回至輸入層，反向傳播直至滿足條件為止。

以下是BP 神經網絡算法的具體運行流程。在對網絡節點權值及閾值等初始化處理后，選取輸入參數X={x1，x2，…xd}以及對應的目標輸出參數Y={y1，y2，…，y1}。正向傳播過程中，隱含層第h 個神經元的輸入表達式為：ah=∑di=1μihxi-γh，i=1，2，…d（2）式中，ah為隱含層第h 個神經元的輸入；μih為輸入層第i 個神經元與隱含層第h 個神經元之間的權值；γh為隱含層第h 個神經元的閾值。進而隱含層第h 個神經元的輸出表達式為：

bh=f（ah）（3）式中，bh為隱含層第h 個神經元的輸出；f 為激活函數，通常選用Sigmoid 函數。

同理，輸出層第j 個神經元的輸入與輸出為：

式中，βj輸出層第j 個神經元的輸入；ωhj為隱含層第h 個神經元與輸出層第j 個神經元之間的權值；θj為輸出層第j 個神經元的閾值；y^j為神經網絡的輸出；f 為激活函數。

整個網絡需確定d×q 個輸入層到隱含層的權值，q×l 個隱含層到輸出層的權值，q 個隱含層神經元的閾值，l 個輸出層神經元的閾值，經過反復迭代至達到預期精度停止。其中均方誤差的計算為：

其中E 為均方誤差。

4 某660MW 汽輪發電機定子線圈出水溫度預測模型

4.1 模型數據的選取

選取機組大修后不同工況下影響定子線圈出水溫度的穩定參數,選取數組為580 組數據其中500 組作為預測數據，30 組為測試數據。

4.2 利用二乘法和公式擬合的方法確定指紋系數，擬合出指紋系數判斷法的方程，根據擬合到的方程，將自變量帶入方程中得到所需要的因變量。

將指紋系數判斷法方程轉換成矩陣形式的方程：

Y=@（k，x）k（1）+k（2）*（x（:，1）+100*（k（3）*x（:，3）.^2./（21.17^2）+k（4）*x（:，3）./21.17+k（5）*（x（:，4）-x（:，1）））./x（:，2））;（7）

式中k（1、2、3、4、5）代表a b c d e。x（1、2、3、4）分別代表定冷水溫度、定冷水流量、定子電流、冷氫溫度。

用500 組數據利用最小二乘法[k，resnorm] = lsqcurvefit（Y，k，x，y） 擬合出指紋權重系數a=31.7063、b=0.3352、c=48.9376、d=9.7566、e=0.8634。將權重系數代入方程得到指紋系數方程，用測試數據和實測數據進行對比的偏差結果。如表1，如圖2。

圖1 為運用二乘法和指紋系數判斷法預測的實測溫度和預測溫度值

表1 數據建模的樣本數據和預測數據

4.3 利用BP 神經網絡預測網絡模型

因為選取的數據不在一個數量級上，所以對數據進行歸一化處理，建立了net=newff（inputn，outputn，[9，1]，{'tansig'，'purelin'}，'trainlm'）神經網絡，設置兩層隱含層，第一層設置了9 個神經元，第二層設置了1 各神經元，第一層和第二層的激勵函數為雙曲線正切函數，第二層和輸出層之間的激勵函數為線性函數。訓練函數采用的Levenberg-Marquard（共軛梯度法）優化算法的函數。經過大數據的訓練認為該網絡滿足實際的需求。用測試數據對網絡進行預測結果表明實測溫度和預測溫度偏差最大不超過0.5℃，圖3。

圖3 神經網絡模型預測數據誤差分析

5 結論

5.1 采用最小二乘法和指紋系數判斷法擬合的指紋系數公式的精確度在0.5℃以內，完全滿足現場實際的需求。確定的指紋權重系數有其特定的含義，可以反映出測量通道的固有特性，冷卻水管的通暢程度及其測量元件的靈敏度，對各線圈（或各槽）的指紋系數的橫向比較，可以診斷出具體的故障類型，避免溫度比較法可能產生的誤判和漏判，是目前較為實用的一種故障診斷方法，為發電機精準檢修提供有力的支撐。

5.2 BP 神經網絡采用Levenberg-Marquard 作為訓練函數，可以找到全局的最優解，適合于有特定規則的函數模型預測中。

5.3 指紋系數判斷法結構清晰，運算簡單、明了與神經網絡計算結果誤差幾乎相等，適合運行在現有的監控分析平臺中。