機(jī)組啟動(dòng)態(tài)溫度預(yù)測(cè)模型自適應(yīng)測(cè)試技術(shù)

汪志強(qiáng)，張 豪，彭煜民

（南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司，廣東廣州510630）

0 引 言

發(fā)電廠值班員需要對(duì)超過500個(gè)以上帶跳閘出口功能的溫度測(cè)點(diǎn)進(jìn)行監(jiān)視。這些帶跳閘出口功能的溫度測(cè)點(diǎn)分布于監(jiān)控系統(tǒng)上位機(jī)不同模擬圖中［1-4］。依靠值班員人工跟蹤變化趨勢(shì)提前發(fā)現(xiàn)異常難度極大。隨著機(jī)器學(xué)習(xí)等智能技術(shù)蓬勃發(fā)展，智能技術(shù)在趨勢(shì)判斷和預(yù)測(cè)方面提供了重要技術(shù)手段［5，6］。

然而不容忽視的是，這些智能技術(shù)依賴于故障樣本，需要大量故障樣本參與算法訓(xùn)練過程，才能保證良好的實(shí)施效果［3］。在技術(shù)成熟的發(fā)電廠運(yùn)維中故障樣本數(shù)據(jù)少之又少［4］。此外更缺少檢驗(yàn)智能技術(shù)實(shí)施效果的測(cè)試方法。對(duì)于智能技術(shù)的應(yīng)用效果停留在主觀模糊的認(rèn)識(shí)，甚至停留于偶然事件的處置中。由此可見，當(dāng)前急需測(cè)試智能趨勢(shì)判斷算法性能的手段和為智能趨勢(shì)判斷算法提供故障樣本的方法［7-10］。

現(xiàn)有基于機(jī)器學(xué)習(xí)的機(jī)組溫度預(yù)測(cè)模型所需的故障樣本，都來自于大修后調(diào)試和故障處理。然后實(shí)際中一方面，獲取這些故障樣本代價(jià)極高，另一方面，這些故障樣本的數(shù)值特性不能完全覆蓋故障情況下的趨勢(shì)特征，存在局限性［11］。

針對(duì)故障樣本不足問題，已有不少文獻(xiàn)研究了樣本生成技術(shù)。文獻(xiàn)［12］提出了虛擬樣本生成技術(shù)。文獻(xiàn)［13，14］利用梯度懲罰優(yōu)化的條件式Wasserstein 生成對(duì)抗網(wǎng)絡(luò)模型指導(dǎo)故障樣本生成。上述研究基于不同理論生成故障樣本，然而理論較為復(fù)雜，對(duì)計(jì)算都要較高的要求，難以廣泛應(yīng)用于實(shí)際生產(chǎn)中。

為解決智能趨勢(shì)判斷算法依賴實(shí)測(cè)故障樣本的局限性并考慮方法的實(shí)用性，本文結(jié)合工程經(jīng)驗(yàn)進(jìn)行標(biāo)準(zhǔn)化，綜合歷史運(yùn)行情況、報(bào)警閾值、開關(guān)量信號(hào)等歷史數(shù)據(jù)，提出了故障樣本的自適應(yīng)生成和基于靈敏度的測(cè)試方案。所提方法在算法測(cè)試時(shí)，可以根據(jù)機(jī)組歷史運(yùn)行情況進(jìn)行自適應(yīng)調(diào)整，使得獲得故障樣本和測(cè)試智能技術(shù)實(shí)施效果的工作，得以通過計(jì)算機(jī)多快好省的一攬子解決。

1 故障樣本自適應(yīng)生成技術(shù)

發(fā)電廠中不同功能位置類型的溫度測(cè)點(diǎn)由于監(jiān)視對(duì)象不同，溫度測(cè)點(diǎn)在不同工況下的變化規(guī)律大相徑庭。為適應(yīng)發(fā)電廠不同功能位置類型測(cè)點(diǎn)的故障樣本需求，可以從歷史統(tǒng)計(jì)獲得測(cè)點(diǎn)的平均概率下的變化趨勢(shì)，從報(bào)警值獲得測(cè)值距離報(bào)警值的裕量。通過平均概率下的變化趨勢(shì)疊加裕量，即可自適應(yīng)獲得不同功能位置類型下的故障樣本。因此該技術(shù)需首先統(tǒng)計(jì)溫度測(cè)點(diǎn)開關(guān)量信號(hào)測(cè)值的歷史數(shù)據(jù)，然后綜合歷史統(tǒng)計(jì)、溫度測(cè)點(diǎn)報(bào)警值、溫度測(cè)點(diǎn)當(dāng)前測(cè)值計(jì)算獲得帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值，具體如下：

基于開關(guān)量信號(hào)的溫度測(cè)點(diǎn)測(cè)值歷史統(tǒng)計(jì)由以下步驟獲得：

（1）遍歷近半年的開關(guān)量信號(hào)記錄，將按順序同時(shí)滿足開關(guān)量信號(hào)集合K的開關(guān)量信號(hào)取出，按開關(guān)量信號(hào)集合K的順序?qū)⑷〕龅拈_關(guān)量信號(hào)的時(shí)間存在時(shí)間序列TL中；

（2）遍歷近半年的溫度測(cè)點(diǎn)ID 集合M的溫度記錄，將時(shí)標(biāo)為時(shí)間序列TL且為溫度測(cè)點(diǎn)集合M的測(cè)點(diǎn)測(cè)值的最大值取出獲得測(cè)點(diǎn)測(cè)值集合CL；

（3）測(cè)點(diǎn)測(cè)值集合CL即為基于開關(guān)量信號(hào)的溫度測(cè)點(diǎn)測(cè)值歷史統(tǒng)計(jì)。

綜合歷史統(tǒng)計(jì)、溫度測(cè)點(diǎn)報(bào)警值、溫度測(cè)點(diǎn)當(dāng)前測(cè)值計(jì)算獲得帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值由以下步驟獲得：

（1）從測(cè)點(diǎn)測(cè)值集合CL獲取平均值Vave，獲取機(jī)組該測(cè)點(diǎn)一級(jí)報(bào)警值b1，獲取機(jī)組該測(cè)點(diǎn)二級(jí)報(bào)警值b2。

（2）計(jì)算獲得疊加斜率k1，疊加斜率k1=b1/Vave-1，計(jì)算獲得疊加斜率k2，疊加斜率k2=b2/Vave-1。

（3）設(shè)i=1，測(cè)試樣本數(shù)yb，公差d=k2-k1。

（4）計(jì)算tmp1=k1+（i-1）×d。

（5）當(dāng)i不大于yb時(shí)，將tmp1 存到向量k（i）中，i=i+1，轉(zhuǎn)至（4）步，當(dāng)i大于yb時(shí)，執(zhí)行第（6）步。

（6）將向量k各元素加0.01后即為疊加斜率向量k。

（7）獲取開關(guān)量信號(hào)集合K中機(jī)組開機(jī)令信號(hào)的時(shí)刻T1，機(jī)組負(fù)荷達(dá)到基荷信號(hào)的時(shí)刻T3。

（8）設(shè)i=1。

（9）獲取帶時(shí)標(biāo)的實(shí)測(cè)溫度測(cè)值為x（t），在T1時(shí)刻前y（t）=x（t），在T1和T3之間y（t）=x（t）×［1+k（i）］，在T3時(shí)刻之后y（t）=x（t）+［y（T3）-x（T3）］。

（10）當(dāng)i不大于yb時(shí)，將列向量y轉(zhuǎn)置后存到矩陣yy中，i=i+1，轉(zhuǎn)至（9）步，當(dāng)i大于yb時(shí)，執(zhí)行第（11）步。

（11）矩陣yy即為帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值。

2 基于靈敏度的測(cè)試技術(shù)

基于靈敏度的測(cè)試流程如圖1所示。

圖1 流程圖Fig.1 Flow chart

（1）從時(shí)序事件記錄表、溫度測(cè)點(diǎn)表、報(bào)警閾值表中讀取事件記錄順序情況、溫度測(cè)點(diǎn)ID、溫度測(cè)點(diǎn)報(bào)警值；

（2）獲取機(jī)組近半年正常運(yùn)行狀態(tài)的運(yùn)行記錄形成基于開關(guān)量信號(hào)的溫度測(cè)點(diǎn)測(cè)值歷史統(tǒng)計(jì)；

（3）綜合歷史統(tǒng)計(jì)、溫度測(cè)點(diǎn)報(bào)警值、溫度測(cè)點(diǎn)當(dāng)前測(cè)值計(jì)算獲得帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值；

（4）將帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值提供給機(jī)組啟動(dòng)狀態(tài)溫度測(cè)值智能預(yù)測(cè)算法測(cè)試，并計(jì)算靈敏度；

（5）當(dāng)靈敏度小于閾值時(shí)，發(fā)出報(bào)警提醒技術(shù)人員調(diào)整被測(cè)試算法的參量。

靈敏度由以下步驟計(jì)算獲得：

（1）獲取測(cè)試樣本數(shù)yb；

（2）獲取開關(guān)量信號(hào)集合K中機(jī)組開機(jī)令信號(hào)的時(shí)刻T1，機(jī)組穩(wěn)態(tài)信號(hào)的時(shí)刻T2，機(jī)組負(fù)荷達(dá)到基荷信號(hào)的時(shí)刻T3，設(shè)i=1，f=0；

（3）將帶時(shí)標(biāo)t的溫度測(cè)點(diǎn)模擬測(cè)值yy（i，：）提供給機(jī)組啟動(dòng)狀態(tài)溫度測(cè)值智能預(yù)測(cè)算法測(cè)試，測(cè)試算法在時(shí)刻T2前發(fā)現(xiàn)故障的f=f+1；

（4）當(dāng)i不大于yb時(shí)，i=i+1，轉(zhuǎn)至（5.3）步，當(dāng)i大于yb時(shí)，執(zhí)行第（5.5）步；

（5）由于故障樣本是根據(jù)歷史統(tǒng)計(jì)的平均值基礎(chǔ)上疊加裕量獲得，因此可以通過靈敏度計(jì)算公式L=f/yb×100%獲知被檢測(cè)算法的可靠程度。

3 實(shí) 例

對(duì)廣州蓄能水電廠2019年04月10日11∶00 至19∶00，4 號(hào)機(jī)組發(fā)電工況啟動(dòng)的監(jiān)控信號(hào)進(jìn)行實(shí)例分析。結(jié)合圖1流程，本文技術(shù)包含以下步驟：

（1）從表1時(shí)序事件記錄表、表2溫度測(cè)點(diǎn)表中讀取事件記錄順序情況、溫度測(cè)點(diǎn)ID，該溫度測(cè)點(diǎn)一級(jí)報(bào)警值b1=75 ℃，二級(jí)報(bào)警值為b2=80 ℃。

表1 時(shí)序事件記錄表Tab.1 Sequence event record

表2 溫度測(cè)點(diǎn)表Tab.2 Temperature measuring point table

（2）獲取機(jī)組近半年正常運(yùn)行狀態(tài)的運(yùn)行記錄形成基于開關(guān)量信號(hào)的溫度測(cè)點(diǎn)測(cè)值歷史統(tǒng)計(jì)，測(cè)點(diǎn)測(cè)值集合CL的平均值Vave=60.7 ℃。

（3）綜合歷史統(tǒng)計(jì)、溫度測(cè)點(diǎn)報(bào)警值、溫度測(cè)點(diǎn)當(dāng)前測(cè)值計(jì)算獲得帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值。

計(jì)算獲得疊加斜率k1=b1/Vave-1=75/60.7-1=0.235 6，計(jì)算獲得疊加斜率k2=b2/Vave-1=80/60.7-1=0.318 0。

獲得疊加斜率向量k后各元素加0.01 后，k=［0.245 6，0.262 1，0.278 5，0.295 0，0.311 5］T。

（4）將帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值提供給機(jī)組啟動(dòng)狀態(tài)溫度測(cè)值智能預(yù)測(cè)算法測(cè)試，并計(jì)算靈敏度。

圖2藍(lán)色曲線為溫度測(cè)點(diǎn)的實(shí)測(cè)原值，黑色曲線為帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值，將帶時(shí)標(biāo)的溫度測(cè)點(diǎn)模擬測(cè)值提供給機(jī)組啟動(dòng)狀態(tài)溫度測(cè)值智能預(yù)測(cè)算法進(jìn)行測(cè)試。

圖2 實(shí)測(cè)曲線和模擬曲線Fig.2 Measured and simulated curves

在時(shí)刻T2前發(fā)現(xiàn)故障f=4，yb=5，則靈敏度L=f/yb×100%=80%。

（5）當(dāng)靈敏度小于閾值時(shí)，發(fā)出報(bào)警提醒技術(shù)人員調(diào)整算法。靈敏度L不小于閾值，無需發(fā)報(bào)警提醒技術(shù)人員調(diào)整算法。

4 結(jié) 語

本文提供了針對(duì)機(jī)組啟動(dòng)狀態(tài)溫度測(cè)值智能預(yù)測(cè)算法測(cè)試的標(biāo)準(zhǔn)化測(cè)試方法，提供的測(cè)試可完全覆蓋故障情況下的趨勢(shì)特征，打破了原依靠實(shí)測(cè)故障樣本的局限性。可自動(dòng)根據(jù)機(jī)組歷史運(yùn)行情況進(jìn)行自適應(yīng)調(diào)整以滿足測(cè)試要求，使得獲得故障樣本和測(cè)試智能技術(shù)實(shí)施效果的工作，得以通過計(jì)算機(jī)多快好省的一攬子解決。同時(shí)也實(shí)現(xiàn)了對(duì)智能技術(shù)實(shí)施效果的量化評(píng)價(jià)，為智能技術(shù)調(diào)參，遴選合適算法和實(shí)施手段提供指標(biāo)支撐，也實(shí)現(xiàn)了智能技術(shù)實(shí)施效果驗(yàn)證工作的前移，避免通過實(shí)際工程進(jìn)行驗(yàn)證帶來的損失和不確定影響。 □