Banner

ag手机登录网基于CSASS的预警系统建设尝试

2020-10-17 23:38

  在火电行业中,设备较多,针对每个设备设置了大量的监视参数,这些参数同步至DCS画面,大部分由火电厂运行值班人员进行监视。少量由DCS判断参数是越限后,发出声光报警,提醒运行人员进行干预。随着机组单机容量越来越大,设备越来越多,以及火电行业环保要求越来越高,所监视的数据越来越多,单台机组模拟量和开关量早已过万。庞大的数据量,需要运行值班人员耗费大量精力去分析、监视。DCS设置的报警基本是定值,不具备比较历史工况或数据功能;况且DCS设置的报警容量有限,不可能对每个参数进行超限报警的设定。在分析发生过的异常、事故时,发现相关参数虽然异常,但没到报警值,也就不会发出声光报警。但此参数早已经偏离同工况的数值。如果能及时发现,就能预先干预,把异常或事故扼杀在摇篮里,从而避免后期进行事故处理、甚至设备的损坏。

  火电厂设备的设备、参数异常通常由以下几种方法发现:1.DCS对于具体参数越限发出的声光报警,2.运行人员通过对比发现参数明显偏离正常值,3.技术人员对相关报表分析发现相关参数发生了变化。基于人员对参数异常的判断需要其对参数有一定的敏感性,而且具备相当的经验。同时需要分析大量的数据,工作量较大、容易出错。2018年华润电力在江苏大区试点CSASS项目,其中预警系统模块为了解决以上问题而生。

  以神经元网络为基础,能适应电厂运行方式的多样性及运行工况的复杂性,根据历史工况、数据建立的模型,可精准分析预测设备在当前工况下的正常运行区间,实现在各运行工况下对于设备及生产流程的持续监视、异常检测和早期预警;在渐变性故障发生之前,劣化趋势达到临界点之前发现蠕变缺陷,提高机组安全运行水平和设备可靠性水平。预警系统提供的三种算法

  GMM(高斯混合模型):高斯混合模型,利用高斯概率密度函数精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数形成的模型。通过对样本的概率密度分布进行估计,而估计采用的模型(训练模型)是多个高斯模型的加权和。每个高斯模型就代表了一个类簇。对样本中的数据分别在几个高斯模型上投影,就会分别得到在各个类上的概率,最后通过选取概率最大的类所为判决结果。高斯混合模型也?被视为一种聚类方法,是机器学习中对“无标签数据”进行训练得到的分类结果。其分类结果由概率表示,概率大者,则认为属于这一类。在样本足够大的情况下,利用高斯混合模型可以无限接近实际曲线。

  SVM(支持向量机):SVM:支撑向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。通过一个非线性映射p,把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间),使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题

  RGMM:递归高斯混合模型,核心思想与高斯混合模型相同,利用多个高斯模型的加权对样本的概率密度进行估计。而递归的含义在于模型的输入除了当前时刻的输入值,还包括上一个时刻的高斯混合模型状态值,从而对多测点间相关性在时间尺度上的依赖关系进行学习和预测。

  在这三种模型中,通过后期的建模以及运用效果分析,运用最广、最适合现场实际情况的是GMM。SVM在一些特殊的模型中运用效果较好。由于现场工况变化的快慢以及剧烈程度不一样,RGMM运用的效果并不好。

  随机固定送风机动叶开度为30%-31%,选取一个检修周期内的时间,如下图所示:

  在2019-07-01至2019-07-10这段时间内符合动叶开度在30%-31%内的风机电流数据点有5839个,这5839个数据点分布以及频次如下图所示:

  对这组抽样数据分析发现,其E(X)=58.6,D(X)=1.37,实际为X~N(58.6,1.37)的正态分布。通过多组抽样数据,固定送风机动叶开度的情况下,送风机电流抽样数据都符合X~N(μ, σ2)的正太分布,反之亦然。进一步分析其他数据,基本都具备这样的特征。

  再看一组数据,固定负荷在500MW-510MW,单台给水泵流量如下图所示:这组抽样个数为29371的数据是X~N(779.34,18.35)的正态分布,同负荷下,给水量波动将近100T/H。这也符合机组加减负荷时的现状。但对于分析给水泵性能,数据的精度显然是不够的。再尝试重新固定一些条件(汽泵进、出口压力及转速)的抽样数据:

  这组抽样数据是X~N(683,3.05)的正态分布,显然比上面一组数据要精确得多。因此限定不同的条件,抽样数据的E(X),D(X)是完全不一样的。为了更加准确及时的预警出设备异常、故障,希望D(X)越小越好。这就要求在模型搭建以及数据测点的选择方面要尽量完善,将有相关性的测点尽量加入到模型中,再分析相关性的强弱。

  指为实现某一特定功能,一定的系统结构中各要素的内在工作方式以及诸要素在一定环境条件下相互联系、相互作用的运行规则和原理。在火电厂中根据生产过程中实际发生的变化机理,在传热学、流体力学等理论里都有各种经典的模型。如质量守恒方程,动量守恒方程以及反映流体流动、传热、传质、化学反应等基本规律的运动方程,物性参数方程和某些设备的特性方程等,从中我们可以获得较为经典的预警模型。

  根据工业过程的输入和输出的实测数据进行数学处理后得到的模型。特点是把被研究的工业过程视为一个黑匣子,完全从外特性上测试和描述它的动态性质,不需要深入掌握其内部机理。在火电厂中,有好多模型是用机理法分析基本分析不出来的。如汽轮机、发电机振动、瓦温、轴位移等参数,影响的因素太多、而且无法分析这些因素互相间之间有无影响,适合用测试法建模。

  对于火电厂来说,除了利用这两种建模方法,还可以根据实际生产需要,设备管理的盲点,运行画面监视的盲点,发生过的异常、事故,做针对性的模型。这类建模对于建模人员要求较高,需要对现场管理的盲点有深入的了解,同时对现场发生过的异常、事故进行过深入的分析,并具备将相关特征数据提炼成数学模型的能力。

  根据热力、电气系统的分布,以及历史异常、事故提炼出适合我们公司的几种模型:1.电动机模型,2.转动机械模型,3.换热器模型,4.系统的流量平衡模型, 5.相关阀门内漏模型,6.管损模型,7. 调节机构反馈跟踪模型,8.电功率平衡模型,9.主机相关模型等。

  3.3.1电动机模型电动机绕组的温度取决于热量的平衡,输入热量主要为电机绕组的铁损、铜损以及机械损失产生的热量。铜损主要由电流流过各种电阻产生的热量:Q=I2R,主要影响因素为定子电流。铁损主要的影响因素为电压、频率,对于工频电机电压、频率基本不变的;变频电机电压、频率的变化必然带来变频电流的变化,因此变频电机的铁损同样可以用变频电流来表征。电机机械损失主要影响因素为电机转速,电机转速变化必然与电流同步变化,因此电机的电流可以表征整个电机输入热值。至于输出的热量,形式有很多种,如自然冷却(电机绕组将热量传给电机外壳,外壳跟空气对流换热将热量传给空气),强迫风冷(电机绕组将热量传给空气、空气将热量带到电机空冷器处,空气与电机冷区器对流换热、热值传给冷区器,冷区器再将热量传给冷却水或空气),而轴承输出的热量传给润滑油或其他物质。本质上来说,电机模型最终可提炼成一种热平衡模型。因此用GMM算法建立的电机模型应包括测点:电流,转速,电机绕组温度,轴承温度,环境温度,冷却介质流量、温度、压力。

  火电厂最多的设备就是各种换热器,传热学中经典的传热公式:Φ=ΔtKA,Φ:传热量,Δt:冷热端加权温差,A:传热面积

  在现场实际系统换热器中,热端放热量:Q1=c1m1(t1-t2),冷端吸收热量Q2=c2m2(t2’-t1’).对于稳定的换热器模型,公式又可以表征为ΔQ1=ΔQ2=Φ,对于稳定的流量为q1、q2换热器模型,可以表征为c1q1(t1-t2)= c2q2(t1’-t2’)。现场很少布置流量q1、q2的测点,对于流量表征可借助理想流体流量与压差关系来表征:水管的流量公式:Q=μA√(2gH),式中:μ——管道流量系数;A——管道过水面积;√——表示其后()内式子的开平方;g——重力加速度;H——管道的作用水头。H可用进、回水管P1、P2或P1’、P2’表征。管道过水面积A可用调整门开度来表征。用GMM算法建立的换热器模型应包括以下测点:热侧液体进口压力P1、温度T1,出口压力P2、温度T2;冷侧进口压力进口压力P1’、温度T1’,出口压力P2’、温度T2’,进水调阀开度F。

  主要从质量、能量的角度来建立模型,模型测点包括:系统所有进、出质量或能量。

  此模型建立的目的解决运行人员日常监盘中的盲区。如阀门内漏模型,如高压旁路减压阀或减温阀内漏,对于高排320℃的温度来说,高排后温度变化10-20℃本身很难发现。况且高排温度变化到高旁后温度变化还存在一定惯性和延时。这类缺陷是日常监盘中的盲区,对机组的经济、安全性有着很大的威胁。此类模型包括:减温、减压阀前后温度,再加入两个测点相减的计算点。如疏水至凝器的阀门,可以直接用疏水集管的温度与凝器的温度建立一个模型。

  此模型也是为了解决运行人员监盘中的盲区,调节机构包括:各式调门、风机动叶。这类机构如果故障到一定程度,DCS上指令跟反馈偏差大会跳“自动”。为了防止偏差大频繁跳自动,偏差一般设置在15%-20%。但调节机构在故障发展到这个阶段之前总会有一些异常现象。正常情况下,调节机构的指令和反馈偏差应在很小的范围内,一般不会超过3%。超过3%的情况可能是指令刚变化或调节机构故障等原因。模型利用SVM算法,采用指令的变化率(当前时刻的指令减去1s-3s,根据各调门的特性选择时间),指令与反馈差的计算测点。当调节机构开始有故障时,由于反馈跟踪开始滞后时,反馈与指令的差值开始变大。利用这个特点可以提前预警出故障。

  对于汽轮机、发电机来说,一些振动、瓦温、抽汽压力相关模型。以振动为例:影响汽轮机的振动除了传统的瓦温、润滑油压、油温等因素外,现场高中压调门的开度以及调门运行方式都会对振动产生影响。通过参数分析可以发现高中压调门的开度不但影响振动而且影响部分瓦的温度。发电机的振动除了瓦温、润滑油压、ag手机登录网,油温等影响因素外,还受励磁电流以及励磁电流变化速率、氢气温度、密封油压等因素影响。但这些影响因素很难用传统的理论去分析和量化,无法从内部机理去分析,它像个黑匣子一样,适用测试法建模,将所有可能影响到的因素相关测点都罗列至模型中。

  有了以上基础模型后,根据系统和设备搭建不同的模型,以二次风系统为列,二次风系统流程:送风机经过电机驱动,利用动叶将空气加速成有一定压头、流速的二次风,经过空预器加热后通过大风箱小风门节流后进入炉膛。二次风系统分解为以下模型:送风机电动机,送风风机本体,送风机动叶开度与电流对应关系,二次风道压损与流量,空预器换热二次风部分。对于这些模型中交叉的测点,如果在模型中为纯输入点,可将其设置为不报警。

  一般以最近一次大小修为起始时间来选择样本,大小修后,设备在大小修后性能会产生不同程度的改变,因此各参数之间的条件概率分布P(YX)也会发生改变。同样固定送风机动叶开度在30%-31%,查看506C修前、后开度对应电流的变化。首先选定时间和动叶开度,如下图所示

  然后匹配工况,将所有符合条件的时间点选上,最后在对比指标中找出时间对应的电流,如下图所示:

  通过对比发现同样的动叶开度,506C修后送风机电流上升了9A左右。因此,当设备检修或异动过后性能发生明显改变时,在进行模型维护时应删除原有的样本。如果不删除原有样本,则电流概率密度分布变为如图所示:

  显然,直接加样本后的概率密度分布与506C修后的是完全不一样的。在模型训练时,可能得到期望值E(X)是不准确的。模型在进行预警时会出现一些预警的盲区:如果风机或动叶有故障,而电流又落在左锋残差允许范围内,此时模型就不会发出报警,模型也就起不到预警作用了。

  1.由于预警系统采用的是监督学习,他的决策函数Y=f(X)或条件概率分布P(YX)会随着设备检修或长时间运行发生变化。因此需要对预警系统进行持续的维护。

  2.无论是决策函数还是条件概率分布函数,它们都是描述的数据与数据之间静态关系。在实际生产中,数据与数据之间甚至有多种动态关系。因此,模型对样本要求覆盖面广,而样本数量又受到限制,预警系统对这类模型的预警效果会相对较差且维护量较大。

  3.当设备存在异常或故障无法及时消除时,模型会持续的发出报警,只能选择将模型下线或将异常工况当成正常的暂时学习进去。无论时间模型下线或将异常工况学习成正常工况,需要对预警系统进行持续的管理。

  随着人工智能技术的愈发成熟,相应技术不可避免的冲击着传统行业。在整个火电行业不景气的背景下,减员增效成为很多企业的迫切的任务。华润电力近期推出的“大集控”模式应运而生。总人数减少了,总的工作量又不变,个人的工作量大幅增加又会影响到机组的安全与经济运行。要解决这些矛盾,只能依靠人工智能等先进的技术。随着“大集控”模式的到来,预警系统将扮演越来越重要的角色。