基于多元狀態估計的電廠設備狀態評估和故障預警研究

徐龍，張莉，任資龍，朱文濤，王洪武，周慧

（1.深圳大唐寶昌燃氣發電有限公司，廣東 深圳 518110；2.湖南大唐先一科技有限公司，湖南 長沙 410000）

1 前言

隨著大數據技術的不斷發展，智慧電廠的建設正在逐步地深入電廠日常運維的各個階段，其中重要的一部分就是設備的檢修，人們不僅希望在故障出現時提供及時的維修，還希望在設備發生故障早期就能提醒維護人員進行檢查和維護，從而給維修人員爭取了足夠的時間采取措施來防止故障的發生和造成的停機，避免不必要的損失，對提高發電企業的經濟效益和社會效益都具有重要的意義。目前，電廠工作人員主要通過DCS 和SIS監視設備運行狀態，但此方法對設備劣化趨勢不敏感，導致設備得不到及時維護，因此，科學設備狀態監測系統顯得尤為重要。

當前開展設備狀態監測的研究方向主要有單輸出的非線性回歸（NSET）和多輸出的狀態估計（MSET）、神經網絡等，由于一臺設備測點參數較多，采用單輸出的算法進行逐測點狀態監控預警存在效率低下和自動化程度不高的缺點，因此，采用狀態估計或神經網絡算法進行設備整體狀態監測是較好的選擇。

本文通過采集電廠SIS 系統提供的機組運行參數，采用多元狀態估計技術對電廠相關設備進行大數據分析與建模，對電廠重要設備或系統的狀態進行評估計算與監測，以及時發現設備故障并提前預警，實現對發電系統設備的全面監測。本文以某燃氣發電廠額定負荷120MW 燃氣輪機為例開展研究。

2 多元狀態估計技術

多元狀態估計技術（M u l t i v a r i a t e S t a t e Estimation Techniques，MSET）是一種基于特征驅動的多變量時間序列分析方法，可以通過監測電力系統設備實時運行參數與歷史運行參數的相似度來對系統或設備的狀態進行計算和評價。MEST 算法利用系統或設備在各個工況下的歷史運行的健康樣本構建典型樣本數據庫，利用在歷史健康樣本學習到的狀態參數關系來評估每個新監測的實時樣本的健康狀態。多元狀態估計技術的基本計算流程如圖1 所示。

圖1 多元狀態估計技術計算流程

2.1 求解估計矩陣

本文以某燃機電廠燃氣輪機本體狀態監測與預警為例，對該方法的應用與實現進行說明。

（1）構建記憶矩陣。通過對燃氣輪機進行機理分析，選取需要監測的參數，從電廠SIS 數據庫中采集這些參數的歷史運行數據，經過數據清洗和健康數據篩選后，進行歷史數據記憶矩陣D（典型運行樣本）的構建。

式中，X(ti)表示ti 時刻燃氣輪機多個監測參數組成的狀態觀測向量；行數n 表示燃氣輪機有n 個狀態監測參數；列數m 表示燃氣輪機有m 個歷史運行狀態。

（2）組件剩余矩陣。從歷史健康數據中提取出記憶矩陣后，用其他剩余的列向量重新組建的矩陣，即為剩余訓練矩陣。滿足K=D?L。

（3）求解估計矩陣。假設燃氣輪機的狀態觀測向量Xobs對應的最優估計向量為Xest，最優估計向量Xest可通過歷史記憶矩陣D 與權值向量W 進行加權計算得出。

式中，W 為權值向量，表征的是當前運行狀態的最優參數估計與記憶矩陣中歷史正常運行工況之間的相似程度。

假設燃氣輪機的狀態觀測向量Xobs與之對應的估計向量Xest之間的殘差為ε，ε=Xobs-Xest。

當燃氣輪機運行狀態處于理想狀態時，燃氣輪機觀測向量與估計向量相同，殘差ε=0。顯然ε 越接近0，預測結果越準確，為使預測精度更高，對ε 求最小平方誤差：

由于燃氣輪機各監測參數之間存在一定的相關性，可能導致矩陣計算不可逆，從而無法計算出W，可采用非線性運算符克羅內克積代替乘法運算。

故最優估計向量Xest為：

利用同樣的方法可以求解剩余訓練矩陣L 所對應的估計矩陣Lest。

2.2 求解設備健康度

利用滑動窗口統計方法（Sliding Window Statistical Method）能夠很好地消除電廠設備與設備之間、參數與參數之間的相互影響，通過調整滑動窗口的寬度能夠很好的找出相似度統計特性的連續變化規律，從而消除隨機因素的影響，提高模型計算的精度，使得預警信息更加準確。

假設某段時間MSET 模型的估計殘差序列為：

通過設置滑動窗口的寬度，取滑動窗口范圍內樣本的殘差平均值，即

計算出所有健康樣本的殘差，即健康殘差。識別出健康殘差矩陣中的最大值，即為殘差閾值。當大于殘差閾值時，系統給出設備故障預警提示。相似度定義（設備健康度）：

3 燃氣輪機本體狀態評估與預警

3.1 數據采集與預處理

（1）狀態參數選取。某燃氣發電廠燃氣輪機通過TCS 控制系統進行監控，監測參數反映了設備的運行狀態。選取燃氣輪機軸系各監測參數構建燃機軸承狀態觀測向量，對燃機軸承狀態進行評估及預警。選取的燃氣輪機軸承監測參數如表1 所示。

表1 燃氣輪機軸承監測參數

（2）歷史數據采集。從電廠廠級監控系統（SIS）實時數據庫中采集上述參數的歷史數據，采集時間段為2021 年全年，采集間隔時間為1min，共采集數據525600 條，如圖2 所示。

圖2 2021 年燃氣輪機軸系部分運行數據截圖

（3）數據預處理。在數據采集時間段內，燃氣輪機存在停機數據、異常運行數據、測點異常數據等，需進行歷史健康數據篩選。通過電廠運行規程確定的燃氣輪機各參數報警定值和運行數據統計分析，確定監測參數的健康上下限，篩選燃氣輪機歷史健康運行數據。

選取燃氣輪機預警負荷范圍。首先，剔除燃機停機數據，共得到191077 條數據，然后根據電廠調研情況及查詢燃機歷史運行數據，燃機運行負荷區間一般在70%額定負荷以上，因此選定燃機預警負荷范圍為84 ～120MW，得到184190 條數據。

確定其他特征參數健康區間，篩選健康狀態樣本數據。查詢各特征參數的歷史曲線進行統計分析，確定各參數的統計報警值，共篩選到184002 條健康樣本數據。

3.2 典型樣本選取

從健康樣本中按照歐式距離等距抽取燃氣輪機運行的典型樣本。

（1）歐式距離。歐氏距離是指m 維空間中兩點間的真實距離，或向量的自然長度。計算公式如下：

（2）典型樣本篩選。借助平臺工具利用歐式距離方法，從184002 個健康樣本中等距抽取了約500 個典型樣本。

3.3 狀態估計與預警測試

本文以某電廠4#機組燃機本體的運行數據作為系統功能測試數據來源。采集時間段為2021 年全年，采集間隔時間為1min，共采集數據525600 條。通過了解，該電廠4#機組于2021 年09 月15 日，由于輪機側3 號瓦振動偏差超限導致燃機故障，為例驗證算法及預測模型的準確性，選取故障發生前的運行數據為測試數據，共計800 組數據。

將采集的訓練樣本寫入人工智能平臺進行大數據分析與挖掘，包括對數據進行預處理、相關性分析、穩定性分析以及典型樣本選取等。將篩選出來的健康訓練樣本和典型樣本接入多元狀態估計預警組件，得出監測參數的健康固定上下限值和健康偏差上下限值，具體參數預警上下限值見表2。

表2 參數預警上下限值

輪機側瓦振、主副推力軸承溫度、推力瓦回油溫度、輪機軸承瓦溫、輪機瓦回油溫度的監測與估計結果如圖3 ～6 所示。

圖3 燃氣輪機軸承瓦振監測與估計結果

圖4 燃機軸承溫度及推力瓦回油溫度監測與估計結果

圖5 燃氣輪機軸承瓦溫度監測與估計結果

圖6 燃氣輪機軸瓦回油溫度監測與估計結果

由圖3 ～6 可知，輪機側1-2 號瓦振、主副推力軸承溫度、推力瓦回油溫度、輪機軸承瓦溫、輪機瓦回油溫度預測精度較高且殘差較小，均屬于正常狀態，但輪機側3 號瓦振實際值有明顯增大的趨勢，對應的估計偏差超出了健康偏差上限值，表明故障發生。系統觸發規則引擎，發出預警信息并給出異常描述、原因分析與處理指導。

測試結果表明，基于多元狀態估計的設備狀態評估與預警研究對電廠系統或設備運行狀態進行預測具有較好的效果，能夠有效地對電力系統或設備運行狀態進行實時監測，幫助運行監盤人員發現設備和參數的異常，更加全面地實現對電廠系統設備狀態的監測。

4 結語

本文依托各類先進的機器學習算法，從生產監測大數據中挖掘出各類系統和設備的參數變化規律，準確發現和提示運行控制異常事件，可以大大降低運行人員的監盤壓力，有效提高機組運行的可靠性。同時，運行異常診斷知識庫還集成了電廠運行專家以及電廠運行專工和值長的經驗和智慧，歷史健康數據挖掘更是傳承了機組歷史運行經驗。綜合而言，基于多元狀態估計的電廠設備狀態評估和故障預警的研究具備實際意義，有效實施與應用將會大大提升機組的監盤效率與運行水平。