[发明专利]一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法

摘要

本发明公开了一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法。本发明针对百万千瓦超超临界机组这一典型的大规模非平稳过程，结合运用稀疏协整分析和动态特征提取方法用于故障检测和工况转变的识别。该方法可以自动的将大规模过程变量分成不同变量组，同时在每个变量组中分别提取过程静态和动态信息，并对二者进行分别建模和监测。实现深度挖掘过程信息，并有效的实现区分过程正常工况的转变和真正过程故障。该方法有效的解决了百万千瓦超超临界机组这一大规模非平稳动态系统的过程监测难问题，大大提高了过程监测的性能，有助于现场工程师准确的掌握机组运行状态，从而保证百万千瓦超超临界机组的安全性并提高了生产效益。

主权项

1.一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法，其特征在于，包括以下步骤：(1)获取正常过程数据：设一个百万千瓦超超临界机组中包含J个过程变量，每次采样可以得到一个1×J的向量，采样M次后得到一个正常过程下的二维矩阵X_n(M×J)；(2)识别非平稳变量：应用Augmented Dickey‑Fuller(ADF)检验方法识别二维矩阵X_n(M×J)中的非平稳变量，得到非平稳变量数据矩阵X_ns(M×N)，其中，N为非平稳变量的个数；(3)利用(2)中得到的非平稳变量数据矩阵X_ns(M×N)＝[x₁,x₂,…,x_N]，x_t＝(x₁,x₂,…,x_N)^T建立稀疏协整模型；建立稀疏协整模型具体包括以下子步骤：(3.1)对x_t建立向量自回归模型：x_t＝Π₁x_t‑1+…+Π_px_t‑p+c+μ_t               (1)其中，Π₁～Π_p均为(N×N)的系数矩阵，μ_t为(N×1)矩阵，表示高斯白噪声，μ_t～N(0,Ξ)，c为(N×1)矩阵，表示常数，x_t表示数据矩阵X_ns(M×N)中的一个行向量的转置，表示在t时刻的采样值，t＝1,2，…，M，p 为模型阶次；(3.2)在公式(1)两端减去x_t‑1得到误差纠正模型：其中，I_N为(N×N)的单位矩阵；(3.3)将步骤(3.2)中的Γ分解为两个列满秩的矩阵Γ＝ΑΒ^T，公式(2) 变为：其中，Α(N×R)，Β(N×R)；(3.4)通过极大似然估计方法对公式(3)中的协整向量矩阵Β进行估计：其中，L(*)表示极大似然函数，tr(*)表示矩阵的迹；X＝(Δx_p+1,...,Δx_M)^T，Y＝(ΔY_p+1,...,ΔY_M)^T,Ω＝(Ω₁,...,Ω_p‑1)^T,Z＝(x_t‑1,...,x_M‑1)^T,Θ＝Ξ^‑1；(3.5)对公式(4)的极大似然估计可以转化为特征方程求解过程：其中，其中参数矩阵Θ_i及Φ_i,i＝1,2，…，p‑1可以通过最小二乘算法求得；(3.6)对公式(4)的目标函数加入惩罚函数得到稀疏协整向量：其中，P₁，P₂，P₃为参数Β，Ω，Θ的惩罚函数，采用一范数形式；其中Β为协整向量矩阵，Ω、Θ是待估计的参数；调整参数λ₁和λ₂采用交叉检验来确定，调整参数λ₃采用贝叶斯信息准则确定；通过对公式(6)的求解可以得到稀疏的协整向量；(4)利用公式(6)中得到的稀疏协整向量可以将变量进行划分，具体包括以下子步骤：(4.1)根据公式(6)得到稀疏协整向量矩阵Β_s(N×K)＝[β_s,1,β_s,2,...,β_s,K]，其中K表示稀疏协整向量的个数；(4.2)根据稀疏协整向量得到平稳残差序列其中k＝1,2，…，K，t＝1,2，…，M；利用ADF检验衡量残差序列的平稳程度，并记录残差序列γ_k,t的ADF检验统计量t_k；(4.3)对得到的检验统计量t_k进行升序排序，最小的检验统计量值对应的稀疏协整向量被保留；该稀疏协整向量中的非零元素对应的变量被分到子组中，并记为X_b；(4.4)将X_b中的变量从原始数据集中移除，此时原始数据集记为X_L；(4.5)重复迭代步骤(4.1)‑(4.4)直到所有变量都被分到不同的子组中，此时原始变量被分为Z个不同的变量组；(5)在每个变量组中建立局部静态、动态监测统计量：(5.1)建立局部静态监测统计量其中，γ_s,b,t为每个变量组中的平稳残差序列，B_f,b为每个变量组中计算的协整向量矩阵，Λ_s,b＝(X_bB_f,b)^T(X_bB_f,b)/(M‑1)(b＝1,...,Z)为协方差矩阵；Z为变量分组的个数，表示原始变量被分为Z个变量组，x_b,t为X_b中行向量的转置，表示在t时刻的采样点；(5.2)建立局部动态监测统计量：其中，b表示第b个变量组，p表示时间滞后项，Δx_p+1,b表示p+1时刻的差分项即Δx_p+1,b＝x_p+1,b‑x_p,b，x_p,b为X_b中行向量的转置，表示在p时刻的采样点，Θ_b及Φ_b(b＝1,...,Z)为待估计参数，可通过最小二乘求得；B_e,b和B_f,b为E_b和F_b计算典型相关分析后得到的协整向量矩阵；动态监测统计量为其中，t_e,b来自矩阵T_e,b，为T_e,b中列向量；(6)建立全局监测统计量：(6.1)建立全局静态监测统计量：其中，Z表示变量组的个数；P_S(x_b)＝P(x_b|N_s)P(N_s)+P(x_b|F_s)P(F_s)；P(N_s)为置信区间，即P(N_s)＝α，P(F_s)＝1‑α；为样本x_b的监测统计量，为监测统计量的控制限；(6.2)建立全局动态监测统计量：其中，Z表示变量组的个数；P_e(x_b)＝P(x_b|N_e)P(N_e)+P(x_b|F_e)P(F_e)；P(N_e)为置信区间，即P(N_e)＝α，P(F_e)＝1‑α；为样本x_b的监测统计量，为监测统计量的控制限；(7)在线过程监测：(7.1)对新采集到的非平稳变量样本x_new,t(N×1)进行变量分组，该样本被分为Z个变量组即x_new,b,t，b＝1,2，…，Z；(7.2)按照步骤5记载的方法，计算局部静态监测统计量(7.3)计算局部动态监测统计量：(7.4)计算全局静态、动态监测统计量：如果和超出控制限，意味着静态、动态长期均衡关系被打破，过程发生故障；如果在发生报警的同时，超出控制限后回到正常范围，此时意味着过程的工作点发生改变；如果和都未超出控制限，此时意味着过程工作在新的工况下，但是变量间的静态、动态长期均衡关系未被打破或者该工况包含在建模数据中；如果局部静态、动态监测统计量被故障影响时，BIC_s或BIC_e也超出控制限，此时意味着该故障不仅影响到过程的局部状态，同时也影响了全局的状态，如果BIC_s或BIC_e没超出控制限，表示该故障只影响过程的局部状态。