動態多元狀態估計算法在火力發電設備智能預警中的應用

齊云龍，唐作興，王曉立，潘海祿

（1.南京科遠智慧科技集團股份有限公司，江蘇 南京 211102；2.東莞中電第二熱電有限公司，廣東 東莞 523000）

目前，自動發電控制（AGC）調控、深度調峰、燃料多變等原因使得火電機組相關設備（如鍋爐、汽輪機、水泵、風機等）的運行狀態多變，導致設備故障率上升，嚴重影響機組的安全性、可靠性［1–2］。而現有的報警系統普遍采用定值報警模式，存在嚴重的事后診斷；且該定值不隨負荷變化，誤報率較高，不能有效保障機組全負荷段安全運行。

火力發電設備智能預警系統旨在全負荷段動態監測重要設備狀態，在設備發生異常還未惡化為嚴重故障時即可預警，為運行人員留有足夠的時間處理異常，避免事故的發生，使得處理風險的模式從傳統的被動反應到主動規避、提前規劃和準備，這是未來故障診斷發展的新方向［3］。因此，實現機組異常的早期智能預警對火電生產的安全性、可靠性、經濟性具有重要意義。

現階段，火電機組智能預警普遍采用基于人工智能的大數據分析技術［4–7］，例如分類、聚類、回歸分析等。而多元狀態估計技術（multivariate state estimation technique，MSET）是智能算法中頗具代表性的先進模式識別技術，主要對設備的正常狀態進行學習，分析當前狀態與歷史正常狀態的相似程度，并對當前狀態進行估計，而當前實際狀態與估計狀態之間的差異隱含著設備的異常信息。MSET 最早是由美國阿爾貢國家實驗室提出的一種非參數建模方法，用于核電廠設備參數劣化檢測［8］。目前，國內學者采用MSET 算法在電站風機［9–10］、內燃機［11］、風力發電機［12］等設備上開展大量應用，取得了一定效果。

但常規MSET 使用靜態歷史記憶矩陣，存在計算速度慢等缺點。本文根據實時觀測向量動態確定歷史記憶矩陣，利用動態多元狀態估計技術（DMSET）智能預警算法對火力發電設備各參數進行實時監測。

2 動態多元狀態估計技術智能預警算法建模原理

2.1 靜態歷史矩陣的建立

選取某設備M個相互關聯的測點參數為監測變量，將設備某一正常運行狀態下此M個變量組成的向量記為觀測向量X(j)，即

式中，xi(j)為測點i在正常狀態j時的測量值。

選取該設備N個歷史正常狀態。該N個狀態覆蓋了該設備正常運行的全部范圍，將該N個狀態下的觀測向量組成靜態歷史記憶矩陣D，即

靜態歷史記憶矩陣是MSET 智能預警算法建模的基礎。歷史記憶矩陣中每列觀測向量代表該設備的一個正常運行狀態，對歷史數據進行預處理后選取的N個歷史觀測向量涵蓋了設備全負荷運行的整個動態過程。

2.2 靜態歷史矩陣數據歸一化處理

對設備各測點數據根據各自極值進行歸一化處理，將測量值轉化到[0，1]區間，歸一化后的靜態歷史矩陣為D’M×N。歸一化算法為

式中：x’i(j)為xi(j)歸 一化后的值；xi,max、xi,min分別為xi(j)的最大值、最小值。

2.3 動態建模

若設備某一時刻的實時觀測向量為Xobs，歸一化后為Xo’bs。 首先，計算該觀測向量Xo’bs與靜態歷史記憶矩陣D’M×N中每列向量的歐氏距離，選擇與實時觀測向量歐氏距離較小的Z個歷史觀測向量構成動態矩陣Dd。因此，每次計算時記憶矩陣是動態變化的。

設權值向量W=[w1,w2,···wz]T，設備當前狀態的估計向量Xe’st為動態矩陣中Z個歷史觀測向量的線性組合，即

當估計向量Xe’st與實時觀測向量Xo’bs之間的歐氏距離（ ||Xest-Xobs||）最小時即可求得權值向量W。設估計向量Xe’st與觀測向量Xo’bs的殘差向量為ε，存在關系式如式（8）～（9）。

因此，當 εTε取最小值時可利用最小二乘法計算權值向量W。通過推導可得到

但式（10）存在不足，很難保證Dd中列向量之間線性無關，也就難以保證矩陣DTd·Dd可逆。為了擴大式（10）的使用范圍，本文使用基于歐氏距離的非線性運算符 ?代替矩陣的點乘，相對應的權值計算式為［9］

式中：X、Y為長度L的兩個向量；xk、yk分別為X、Y的第k個向量。

求得權值向量W后，估計向量Xe’st計算式為

將Xe’st反歸一化后即可得到各參數的實際估計向量Xest。

3 應用案例

3.1 某燃氣-蒸汽聯合循環機組高壓給水泵預警案例

某燃氣-蒸汽聯合循環電廠于2018 年2 月3 日17:30 發現#2 爐2 號高壓給水泵電流突發波動，泵驅動端發生異響，驅動端軸承溫度上升，立即手動切換至備用泵運行。經檢查發現，2 號高壓給水泵驅動端軸承損壞，驅動端軸承箱潤滑油內有雜質。

本文根據該泵的正常歷史運行數據建立DMSET 智能預警算法，并對該泵在2018 年2 月3 日13:50 至17:30 的運行狀態進行測試，圖1 為高壓給水泵驅動端軸承故障預警。由圖1可以看出，在2018 年2 月3 日13:50—15:00 時間段，歐氏距離約為10，與正常運行工況值類似；在2018 年2 月3 日15:00—15:30 時間段，歐氏距離明顯上升，且值大于10，表明該泵目前已偏離正常工況，處于異常狀態；15:30—16:10 時間段，該泵保持在非正常的穩定狀態；16:10 后，歐式距離變化較為劇烈，表明泵已嚴重偏離正常運行狀態。

圖1 高壓給水泵驅動端軸承故障預警Fig.1 Fault warning of drive-end bearing in a highpressure feedwater pump

可見，本文建立的DMSET 智能預警算法能敏銳捕捉到該高壓給水泵的異常變化，且在運行人員發現異常之前預警，可實現異常的早期預警，達到降低檢修成本、提高設備可靠性的目的。對于該泵，結合正常、異常狀態的歐氏距離分布，可將異常閾值定在10 ～ 15 之間，此處閾值定為20。

3.2 某660 MW 超超臨界燃煤電廠末級過熱器預警案例

某燃煤電廠#1 鍋爐于2018 年8 月10 日18:20發現鍋爐四管存在泄漏現象，隨后停機檢查，發現該鍋爐末級過熱器部分受熱面已破損、失效。

本文根據該鍋爐2017 年的正常運行數據建立末級過熱器DMSET 智能預警算法，并對該過熱 器 在2018 年8 月9 日00:00 至2018 年8 月10 日17:30 的運行狀態進行分析計算，相應的監測曲線如圖2 所示。由圖中可以看出，8 月9 日00:00—23:59 時間段，歐氏距離均在10 以內，末級過熱器尚未發生泄漏；8 月10 日00:00 后，歐氏距離曲線呈上升趨勢，表明末級過熱器已發生輕微泄漏現象，此時歐氏距離約為20；隨著末級過熱器破口面積增加，泄漏越來越嚴重，末級過熱器已嚴重偏離正常運行狀態，此時歐氏距離高達100 以上，遠大于正常狀態時的值。

圖2 某燃煤電廠末級過熱器爆管前預警Fig.2 Warning before tube explosion of final superheater in a coal-fired power plant

從歐氏距離曲線的變化趨勢可以看出，本文建立的末級過熱器DMSET 智能預警算法能快速捕捉到該設備泄漏后的異常信息，從而避免事故擴大。對于該鍋爐末級過熱器，結合正常、異常歐氏距離狀態測試結果，可將異常、故障閾值分別設為20、60。

3.3 某燃氣-蒸汽聯合循環電廠燃氣輪機預警案例

某聯合循環機組于2019 年3 月11 日凌晨發生壓氣機進氣口導向葉片（inlet guide vanes，IGV）連桿斷裂。該廠提供了該燃機歷史正常數據以及該故障時間段數據。本文利用歷史正常數據建立DMSET 算法模型，并對故障時間段數據進行檢測，檢測結果如圖3 所示。由圖中可見，3 月10 日17:30 曲線出現明顯異常的時間比之后電廠凌晨按反映發現異常的時間至少提前6.5 h，3 月11 日04:00 左右數據恢復正常。

圖3 某F 級聯合循環機組燃機IGV 連桿斷裂預警Fig.3 Early warning on IGV connecting rod break of a F-level gas turbine in a combined cycle unit

4 結 論

本文對某燃機電廠的高壓給水泵及燃機本體、某660 MW 超超臨界燃煤機組末級過熱器分別建立DMSET 智能預警算法，分別利用高壓給水泵、燃機本體及末級過熱器的正常運行狀態數據，某次出現異常前、后數據對算法進行測試，得到如下結論：

（1）當高壓給水泵、燃機本體、末級過熱器正常運行時，估計向量與實時觀測向量之間的歐氏距離較短。該算法預測精度較高，誤報率較低。

（2）當高壓給水泵、燃機本體、末級過熱器異常時，估計向量與實時觀測向量之間的歐氏距離顯著大于正常狀態下的值，表明本文建立的DMSET 智能預警算法能敏銳捕捉到設備的異常信息，實現異常的高準確率早期預警。