CN111191881A - 一种基于大数据的火电机组工业设备状态监测方法 - Google Patents

Abstract

本发明涉及一种基于大数据的火电机组工业设备状态监测方法，包括：步骤1，获取火电机组工业设备监测数据；其中，监测数据包括温度、压力、流量和烟气成分数据；步骤2，对监测数据进行预处理；其中，预处理方法包括数据清洗和数据分组聚合；步骤3，基于预处理后的监测数据，针对不同的机组负荷状态阶段，通过参数均值，参数标准差，参数变化率，参数波动率、参数与参数之间的相关系数对火电机组工业设备状态进行监测；其中，机组负荷状态阶段包括火电机组启停机阶段、火电机组稳定运行阶段、火电机组变负荷运行阶段。本发明基于海量历史运行数据及丰富的检测手段可以提前反应数据的变化情况，提前判断设备状态，及时进行检修维护，避免造成机组非停。

Description

一种基于大数据的火电机组工业设备状态监测方法

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于大数据的火电机组工业设备状态监测方法。

背景技术

国家目前大力倡导信息化、工业化和智能化三化融合，大容量火电机组目前已基本实现了数字化运行，机组产生大量的实时工业数据是作为监控火电机组运行状况、设备安全以及能耗情况的重要依据。目前火电厂对于这些数据的利用还处于初级阶段，仅仅是对单点参数值的阈值预警，通过设置不同梯度范围的高报警和低报警值，将部分重要运行参数波动固定在一定范围内，但是这种模式的参数监测存在阈值预警不容易及时提取到故障预警特征的问题，往往参数异常达到报警时设备状态已异常明显，甚至短时间内因设备故障造成机组非停。

随着大数据和人工智能的发展，产生了一些工业智能方向状态监测的算法，但是这类算法大多属于半监督学习范畴，监测算法基于异常数据点，然后通过聚类等方式判断目前工业数据状态与异常状态的距离，通过对数据状态点和异常工况点距离的监测，进而做到监测数据状态的目的。但是这种监测方式也有一定的缺陷，首先该算法的目的是诊断数据是否异常，并不能提前判断数据的变化，对于现场运行人员来说并没有太大的指导意义。

发明内容

本发明的目的是提供一种基于大数据的火电机组工业设备状态监测方法，基于大数据分析技术，对火电机组工业设备所产生的温度、压力、流量、烟气成分等数据进行深入挖掘，旨在对火电机组从0-100％BMCR全过程、全状态进行监控，从海量工业数据中发现传统阈值报警模式中未能发现的异常，提前判断设备状态，及时进行检修维护，避免造成机组非停。

本发明提供了一种基于大数据的火电机组工业设备状态监测方法，包括：

步骤1，获取火电机组工业设备监测数据；其中，所述监测数据包括温度、压力、流量和烟气成分数据；

步骤2，对所述监测数据进行预处理；其中，所述预处理方法包括数据清洗和数据分组聚合；

步骤3，基于预处理后的监测数据，针对不同的机组负荷状态阶段，通过参数均值，参数标准差，参数变化率，参数波动率、参数与参数之间的相关系数对火电机组工业设备状态进行监测；其中，所述机组负荷状态阶段包括火电机组启停机阶段、火电机组稳定运行阶段、火电机组变负荷运行阶段。

进一步地，步骤1中获取的监测数据为最近一次机组大修之后，取数时间间隔根据不同监测设备调整取数频次的监测数据；所述时间间隔范围为1s到20s之间。

进一步地，步骤2中，所述数据清洗包括：处理获取的监测数据的坏点值和零点值，删除明显异常的测点值；

所述数据分组聚合包括：

在清洗完数据之后，根据机组的主汽流量以50t/h的单位将机组主汽流量从0-100％BMCR进行分割，保证机组稳定运行阶段每段的数据量不小于1000个。

进一步地，步骤3中，每个参数的计算基于滑动窗口方法，根据监测时间范围不同，调整窗口大小，其中：

所述参数均值用于直观反映出工业数据值的大小，其计算公式为：

式中，n为滑动窗口内数据量的数量；X_mean为窗口内所监测的工业参数平均值；x_i为滑动窗口内各参数值；

所述参数标准差用于确定工业数据正常波动值范围，其计算公式为：

式中n为滑动窗口内数据量的数量，X_std为窗口内所监测的工业参数标准差；x_i为滑动窗口内各参数值；

所述参数变化率用于观察并确定正常参数变化率范围，其计算公式为：

式中，n为滑动窗口内数据量的数量；X₁为窗口内所监测的工业参数变化率；x_i为滑动窗口内各参数值；

所述参数波动率用于观察并确定正常参数波动率范围，其计算公式为：

式中，n为滑动窗口内数据量的数量；X₂为窗口内所监测的工业参数波动率；X_1mean为工业参数变化率的平均值；x_1i为滑动窗口内各参数值；

所述参数与参数之间相关系数用于检测参数与参数之间的相关性，正相关最大值为1，负相关最小值为-1，其计算公式为：

式中，Cov(X,Y)为参数与参数之间的协方差，Var(X)为参数X方差，Var(Y)为参数Y方差。

进一步地，步骤3中所述火电机组启停机阶段的参数监测策略包括：

通过参数变化率获得参数变化快慢，若参数变化率过高，判定对工业设备造成不利影响；

通过检测参数波动率大小判断参数在升降负荷过程中参数波动是否剧烈，若参数波动剧烈，判定存在异常；

通过判断参数与参数之间相关系数的变化，判断参数变化是否在正常，若相关性变差，判定存在异常。

进一步地，步骤3中所述火电机组稳定运行阶段的参数监测策略包括：

通过滑动窗口将历史数据呈现出来的参数均值和标准差，利用下述公式确定参数的正常波动范围，若超出X₃范围，提示出现异常：

X₃＝X_mean±3*X_std；

将参数的变化率、波动率和相关系数作为监测参数测点的辅助条件，若某个参数的变化超过历史波动范围，判定该参数出现异常。

进一步地，步骤3中所述火电机组变负荷运行阶段的参数监测策略包括：

基于参数变化率相对于历史趋势过快或者过慢，判断对负荷响应速率参数的影响；

基于参数与参数之间的相关系数判断影响参数变化的设备安全；

参数均值、参数标准差、参数波动率的监测范围与稳定负荷状态下相同，根据变负荷时间段，求得平均负荷后，将变负荷时间段作为稳定负荷进行监测。

借由上述方案，通过基于大数据的火电机组工业设备状态监测方法，将大数据技术和传统工业进行融合，为工业数据提供了更丰富的数据监测手段，形成数据均值、数据标准差、数据变化率、数据波动率和数据与数据之间相关系数五大监测体系；全负荷段运用五大监测体系，负荷段分为启停机阶段、稳定运行阶段、变负荷阶段三部分，每一部分监测方式重点和意义不同，提供了火电机组全负荷监测框架；相对于传统工业数据阈值报警和半监督学习基于异常数据工况，本发明基于海量历史运行数据及丰富的检测手段可以提前反应数据的变化情况，提前判断设备状态，及时进行检修维护，避免造成机组非停。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于大数据的火电机组工业设备状态监测方法的流程图；

图2是本发明每个工业参数的五组监测方式图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于大数据的火电机组工业设备状态监测方法，包括：

步骤S1，获取火电机组工业设备监测数据；其中，所述监测数据包括温度、压力、流量和烟气成分数据；

步骤S2，对所述监测数据进行预处理；其中，所述预处理方法包括数据清洗和数据分组聚合；

步骤S3，基于预处理后的监测数据，针对不同的机组负荷状态阶段，通过参数均值，参数标准差，参数变化率，参数波动率、参数与参数之间的相关系数对火电机组工业设备状态进行监测；其中，所述机组负荷状态阶段包括火电机组启停机阶段、火电机组稳定运行阶段、火电机组变负荷运行阶段。

本实施例提供的基于大数据的火电机组工业设备状态监测方法，基于海量历史运行数据及丰富的检测手段可以提前反应数据的变化情况，提前判断设备状态，及时进行检修维护，避免造成机组非停。

下面对本发明作进一步详细说明。

1、数据获取

火电机组工业数据分为温度、压力、流量和烟气成分四大类，火电机组在现实情况下数据都是在一定范围内波动的，而火电机组工业设备监测的第一步就是获取监测数据，为了保证数据的准确性和数量性，获取的监测数据须为最近一次机组大修之后，取数时间间隔根据监测设备的不同调整取数频次，一般时间间隔范围为1s到20s之间。

2、数据预处理

数据预处理是火电机组工业设备监测的第二步，该阶段需对获取的工业数据做预处理，预处理的步骤包括：数据清洗和数据分组聚合。

数据清洗是处理获取工业数据的坏点值和零点值，因为测点损坏、机组停机或者SIS系统重启等原因，所取工业数据并不是干净的，所以获得数据之后需要删除明显异常的测点值。

数据分组聚合是为下一阶段监测参数做的准备工作，在清洗完数据之后，需根据机组的主汽流量以50t/h的单位将机组主汽流量从0-100％BMCR进行分割，以避免火电机组供热阶段负荷与参数相关性发生变化，因机组最低稳燃负荷不同，应保证机组稳定运行阶段每段的数据量应不小于1000个。

3、全负荷段工业设备状态监测

该阶段是本方法的核心部分，每一个工业数据的监测方法如图2所示五部分组成，从上到下分别为参数均值，参数标准差，参数变化率，参数波动率和参数与参数之间的相关系数。每个参数的计算基于滑动窗口方法，根据监测时间范围的不同，调整窗口的大小，比如数据获取的时间间隔为1s，监测时间范围为1分钟，那么滑动窗口包括60个数据。下面对每个参数的计算方法作说明。

参数均值

参数均值计算公式如下，式中，n为滑动窗口内数据量的数量，x为所监测的工业参数，该方法用于直观反映出工业数据值的大小。

参数标准差

参数标准差计算公式如下，式中，n为滑动窗口内数据量的数量，x为所监测的工业参数，该方法用于确定工业数据正常波动值范围。

参数变化率

参数变化率计算公式如下，式中，n为滑动窗口内数据量的数量，x为所监测的工业参数，该方法用于观察并确定正常参数变化率范围。

参数波动率

参数波动率计算公式如下。式中，n为滑动窗口内数据量的数量，X₁为工业参数的参数变化率，X_1mean为工业参数变化率的平均值，该方法用于观察并确定正常参数波动率范围。

参数与参数之间相关系数

相关系数计算公式如下。式中，Cov(X,Y)为参数与参数之间的协方差，Var(X)为参数X方差，Var(Y)为参数Y方差，该方法用于检测参数与参数之间的相关性，正相关最大值为1，负相关最小值为-1。

每个监测内容在不同的机组负荷状态阶段作用不同，下面根据机组的负荷段对每个监测内容做说明。

3.1火电机组启停机阶段

火电机组在启停机阶段时并不是机组常规运行阶段，各参数均在不稳定的状态下变化，并且参数在该阶段停留时间很短，所以该阶段数据分布形式不符合高斯分布形式，中值和均值差值较大，因此参数监测侧重在参数变化率、参数波动率和参数与参数之间相关系数三方面，通过参数变化率可以得知参数变化快慢，过高的参数变化率对于工业设备会造成不利影响，例如过快的壁温温升或者温降易造成管壁产生较大的应力，严重会产生爆管现象；通过检测参数波动率大小判断参数在升降负荷过程中参数波动是否剧烈，如果参数波动剧烈根据工业参数类型不同会有不同的异常，比如炉内负压波动较大可能是锅炉内燃烧不稳，或者测点损坏等问题；参数与参数的相关系数在启停阶段也很重要，特别是一些与机组负荷相关性很强的参数，通过判断相关系数的变化，判断参数变化是否在正常，如果在启机升负荷阶段某流量与负荷相关性变差，可能是阀门线性度不好，或者卡死造成。总之在启停机阶段，状态监测的重点在于参数的变化趋势上，参数变化过快，波动频繁，或者相关性变差都有可能造成启停机阶段出现问题。

3.2火电机组稳定运行阶段

稳定运行阶段是火电机组常规运行方式之一，随着电网的负荷指令，火电机组的负荷随之进行响应，在稳定工况下，机组处于一种准静态过程，各类工业参数随着运行工况在一定范围内稳定波动，在该阶段确定参数波动范围就显得更加重要，根据上一节数据预处理，已经将参数范围按照不同的主汽流量进行划分，在每个主汽流量段内，参数呈现出正态分布特征，通过滑动窗口将大量历史数据呈现出来的参数均值和标准差，利用下面公式确定参数的正常波动范围。

X₃＝X_mean±3*X_std；

通过X₃将参数在不同负荷段下(负荷与主汽流量强相关)的正常波动范围根据历史参数约束出来，如果超出X₃范围，但是没有超过系统设定的参数报警值，以前的阈值报警方式就不会提示出异常，但实际上该参数已经偏离历史波动范围；在该阶段，参数的变化率、波动率和相关系数变化如果出现超过历史波动范围，那么该参数出现异常的可能性大大增加，因此这三组参数作为监测参数测点的辅助条件同样重要。

3.3火电机组变负荷运行阶段

变负荷阶段作为火电机组另一种常规运行状态，与上两种运行方式略有不同，因为上网火电机组大多都投用自动发电控制(AGC)，但是由于机组管理和设备上的差异，所以AGC机组的运行和调节性能也存在差异，所以电网对于具备AGC功能的机组在投入AGC期间对其调节性能进行考核，考核的指标分为三方面：调节速率、调节精度和调节范围。其中调节速率为负荷响应速度，火电机组负荷变动基于协调控制系统(CCS)，其原理概况就是将火电机组锅炉和汽机作为一个整体进行控制，共同适应电网对负荷的要求，在协同锅炉汽机调节机组负荷过程中，各设备的工业数据变化是造成负荷变化的本源，因此在该阶段，工业参数变化率和参数与参数之间相关性是最重要的监测指标，参数变化率相对于历史趋势过快或者过慢都会对负荷响应速率参数影响，参数与参数之间的相关系数是判断影响参数变化的设备安全的重要手段，在变负荷阶段，参数与参数之间的相关系数变化反映了机组的设备状态，比如锅炉相关性很强的壁温参数在变负荷阶段会发生变化，当相关系数变弱可能会发生锅炉管内换热或者管外换热发生变化，管内换热变化可能是管壁泄露、管内结垢或者产生异物造成，管外换热变化可能是管内积灰、燃烧不稳、烟道堵塞等原因造成。参数均值、参数标准差、参数波动率的监测范围与稳定负荷状态下相同，根据变负荷时间段，求得平均负荷后，相应的将这段作为稳定负荷进行监测。

该基于大数据的火电机组工业设备状态监测方法，将大数据技术和传统工业进行融合，为工业数据提供了更丰富的数据监测手段，形成数据均值、数据标准差、数据变化率、数据波动率和数据与数据之间相关系数五大监测体系；全负荷段运用五大监测体系，负荷段分为启停机阶段、稳定运行阶段、变负荷阶段三部分，每一部分监测方式重点和意义不同，提供了火电机组全负荷监测框架；相对于传统工业数据阈值报警和半监督学习基于异常数据工况，本发明基于海量历史运行数据及丰富的检测手段可以提前反应数据的变化情况，提前判断设备状态，及时进行检修维护，避免造成机组非停。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种基于大数据的火电机组工业设备状态监测方法，其特征在于，包括：

步骤1，获取火电机组工业设备监测数据；其中，所述监测数据包括温度、压力、流量和烟气成分数据；

步骤2，对所述监测数据进行预处理；其中，所述预处理方法包括数据清洗和数据分组聚合；

步骤3，基于预处理后的监测数据，针对不同的机组负荷状态阶段，通过参数均值，参数标准差，参数变化率，参数波动率、参数与参数之间的相关系数对火电机组工业设备状态进行监测；其中，所述机组负荷状态阶段包括火电机组启停机阶段、火电机组稳定运行阶段、火电机组变负荷运行阶段。

2.根据权利要求1所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤1中获取的监测数据为最近一次机组大修之后，取数时间间隔根据不同监测设备调整取数频次的监测数据；所述时间间隔范围为1s到20s之间。

3.根据权利要求1所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤2中，所述数据清洗包括：处理获取的监测数据的坏点值和零点值，删除明显异常的测点值；

所述数据分组聚合包括：

在清洗完数据之后，根据机组的主汽流量以50t/h的单位将机组主汽流量从0-100％BMCR进行分割，保证机组稳定运行阶段每段的数据量不小于1000个。

4.根据权利要求1所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤3中，每个参数的计算基于滑动窗口方法，根据监测时间范围不同，调整窗口大小，其中：

所述参数均值用于直观反映出工业数据值的大小，其计算公式为：

式中，n为滑动窗口内数据量的数量；X_mean为窗口内所监测的工业参数平均值；x_i为滑动窗口内各参数值；

所述参数标准差用于确定工业数据正常波动值范围，其计算公式为：

式中n为滑动窗口内数据量的数量，X_std为窗口内所监测的工业参数标准差；x_i为滑动窗口内各参数值；

所述参数变化率用于观察并确定正常参数变化率范围，其计算公式为：

式中，n为滑动窗口内数据量的数量；X₁为窗口内所监测的工业参数变化率；x_i为滑动窗口内各参数值；

所述参数波动率用于观察并确定正常参数波动率范围，其计算公式为：

式中，n为滑动窗口内数据量的数量；X₂为窗口内所监测的工业参数波动率；X_1mean为工业参数变化率的平均值；x_1i为滑动窗口内各参数值；

所述参数与参数之间相关系数用于检测参数与参数之间的相关性，正相关最大值为1，负相关最小值为-1，其计算公式为：

式中，Cov(X,Y)为参数与参数之间的协方差，Var(X)为参数X方差，Var(Y)为参数Y方差。

5.根据权利要求4所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤3中所述火电机组启停机阶段的参数监测策略包括：

通过参数变化率获得参数变化快慢，若参数变化率过高，判定对工业设备造成不利影响；

通过检测参数波动率大小判断参数在升降负荷过程中参数波动是否剧烈，若参数波动剧烈，判定存在异常；

通过判断参数与参数之间相关系数的变化，判断参数变化是否在正常，若相关性变差，判定存在异常。

6.根据权利要求5所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤3中所述火电机组稳定运行阶段的参数监测策略包括：

通过滑动窗口将历史数据呈现出来的参数均值和标准差，利用下述公式确定参数的正常波动范围，若超出X₃范围，提示出现异常：

X₃＝X_mean±3*X_std；

将参数的变化率、波动率和相关系数作为监测参数测点的辅助条件，若某个参数的变化超过历史波动范围，判定该参数出现异常。

7.根据权利要求6所述的基于大数据的火电机组工业设备状态监测方法，其特征在于，步骤3中所述火电机组变负荷运行阶段的参数监测策略包括：

基于参数变化率相对于历史趋势过快或者过慢，判断对负荷响应速率参数的影响；

基于参数与参数之间的相关系数判断影响参数变化的设备安全；

参数均值、参数标准差、参数波动率的监测范围与稳定负荷状态下相同，根据变负荷时间段，求得平均负荷后，将变负荷时间段作为稳定负荷进行监测。

Images