[发明专利]一种基于FEKNN策略的燃煤电厂锅炉故障诊断方法

说明书

本发明提供一种基于FEKNN的燃煤电厂锅炉故障诊断方法,主要包括以下步骤：S1、对历史数据进行预处理，为进行燃烧系统故障诊断分析提供高质量样本；S2、对预处理后的数据进行MDS降维；S3、利用均值漂移聚类方法对正常历史数据进行聚类，形成燃烧系统正常运行状态库；S4、采用FEKNN故障诊断方法得到燃烧系统运行状态曲线，进行燃烧系统的故障诊断；本发明方法为不需要故障标签数据，只利用锅炉燃烧系统正常数据组成状态库，以锅炉燃烧系统运行状态曲线判断其运行状态的FEKNN故障诊断方法。

技术领域

本发明涉及火力发电技术与故障诊断技术领域，特别是涉及一种基于FEKNN策略的燃煤电厂锅炉故障诊断方法。

背景技术

随着我国经济的不断发展，社会对于电力工业的需求也不断增加，而在我国电力结构中，火力发电依然具有十分重要的地位。

大型火电机组常与一定容量的汽轮发电机组相配套，主要用于发电，但在某些特殊场合下也可兼作对外供热之用。一般其蒸发量较大，蒸汽参数(汽温和汽压)很高，需要有一整套的辅助设备，多需配置室燃炉膛，采用强制通风方式，可燃用多种燃料(煤粉、原油或重油、高炉煤气或炼焦炉煤气)，结构较复杂，效率较高，多数可达85％～93％左右，对运行管理水平、机械化程度以及自动控制技术有相当高的要求。大型火电机组结构复杂，系统众多，一旦某个系统产生故障，未被及时发现处理，很容易扩展为更大的故障，从而造成机组的非计划停机，不仅影响火力发电的稳定性，而且会提高运营成本，增加能源消耗。

目前故障诊断的推理机制已经达到很高的水平，但征兆的获取成为了一个瓶颈，即最大的问题是检测手段不能满足诊断的需要，不能真实地反应故障的特征。对故障机理的了解是准确诊断故障的前提，对电厂某些设备的复杂故障，很难从理论上给出解释，对其机理的了解并不深刻。专家系统作为人工智能在电厂主要设备故障诊断中的应用已获得成功，但仍有一些关键的人工智能应用问题需要解决，主要有知识的表达与获取、自学习、智能辨识、信息融合等。

当前火电厂设备的故障诊断系统所用的诊断方法有模糊逻辑法、故障树分析法、专家系统、人工神经网络等。但是单一的诊断方法往往难以达到期望的诊断效果。目前的故障诊断系统常常只是进行到故障类型识别这一部分，不能确定故障的具体位置，且对设备的状态进行预测的功能研究不够。

因此，亟需一种燃煤电厂锅炉故障诊断方法。

发明内容

本发明的目的是实时、准确的对火电厂锅炉燃烧系统的健康状态进行监测并实现对故障部件的准确定位。

为实现上述目的，本发明提供了如下方案：

一种基于FEKNN的燃煤电厂锅炉故障诊断方法，包括以下步骤：

S1、对历史数据进行预处理,得到处理后正常运行的历史数据；

S2、数据降维：对经过数据预处理的正常运行的历史数据进行降维处理；

S3、数据聚类：利用均值漂移聚类Mean Shift方法对所述正常运行的历史数据进行聚类，形成燃烧系统正常运行状态库；

S4、故障诊断：采用FEKNN故障诊断方法得到燃烧系统运行状态曲线，进行燃烧系统的故障诊断。

优选地，所述步骤S1中对历史数据进行预处理的过程为：利用肖维勒准则法进行异常值剔除，首先找到一个以样本均值为中心的概率带，所述概率带包含所有的样本数据，所述概率带以外的数据为异常值，剔除出数据集，计算剩余数据的均值和标准差；采用Savitzky-Golay滤波方法通过时域内局域多项式最小二乘法拟合的方法对所述剩余数据进行滤波。

优选地，采用MDS算法对所述步骤S2中正常运行的历史数据进行降维处理。

优选地，所述步骤S3中均值漂移聚类Mean Shift方法的步骤为：