[发明专利]基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法

摘要

本发明公开了一种基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法。本发明针对磨煤机过程变量众多，控制器调节作用复杂的问题，运用典型变量分析提取过程的时序相关关系的信息，同时，结合慢特征分析算法，提取过程动静态特征，综合闭环系统调节作用与运行状态相关的时序相关关系和动静态特征，在不同的子空间内建立了动静态在线监测指标对磨煤机进行过程监测。该方法的优势在于能够充分反应闭环系统的调节作用，有利于对复杂过程特性的了解，增强了对磨煤机在线过程监测的可靠性和可信度，有助于火电厂对磨煤机运行状态做出准确判断，及时发现故障，从而保证了磨煤机的安全可靠运行。

主权项

1.一种基于典型相关分析与慢特征分析的智能电厂燃煤发电机组磨煤机的在线监测方法，其特征在于，该方法包括以下步骤：(1)获取待分析数据：设一个磨煤机生产过程具有J个测量变量和操作变量，每一次采样可以得到一个1×J的向量，采样N次后得到的数据表述为一个二维矩阵X(N×J)，所述测量变量为运行过程中可被测量的过程变量，包括温度、转速、压力、阀门开度等。(2)基于典型变量分析的磨煤机运行数据时序相关信息提取，该步骤由以下子步骤来实现：(2.1)提取磨煤机运行数据的典型变量，分析时序相关关系：将每个时间点t处的测量值x(t)(1×J)分别用l个过去测量值x(t‑1)，x(t‑2)，…，x(t‑l)，以及h个将来测量值x(t)，x(t+1)，…，x(t+h)的展开。其中，下标p代表过去，f代表将来。xp(t)表示过去测量值的集合，xf(t)表示将来测量值的集合；其中，l和h根据与当前时刻x(t)的相关程度确定，具体如下：与当前时刻t间隔l+1个采样间隔的过去时刻的测量值xp(t+l+1)和当前时刻x(t)的相关程度表示为：其中α是一个阈值，0＜α＜0.5。autocorr(Xi，p)是第i个过程变量加p个时滞后的自相关系数。和当前时刻的相关程度，当Al+1其小于α时，可认为xp(t+l+1)和x(t)不存在相关关系，不参与构建矩阵xp(t)。选择能满足上式的最小的值确定为l，同时，确定出h＝l，从而构建出xp(t)和xf(t)。当某测量值与当前时刻t的时间间隔大于所确定的l和h时，变量间的相关关系可以忽略。(2.2)将不同时刻展开的向量组成过去和将来的矩阵：Xp＝[xp(t+1)，xp(t+2)，…，xp(t+m)]   (4)Xf＝[xf(t+1)，xf(t+2)，…，xf(t+m)]   (5)其中下标p代表过去，f代表将来，m＝N‑l‑h+1。(2.3)求取不同时刻t的典型变量z(t)以及残差变量e(t)：其中，∑p，f表示过去矩阵Xp和将来矩阵Xf的协方差矩阵，∑p，p表示过去矩阵Xp的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作，∑f，f表示将来矩阵Xf的协方差矩阵，上标1/2表示对矩阵内元素进行开方操作。表示式(6)等号左侧进行SVD分解，得到正交矩阵U和V，以及对角矩阵Λ，其对角线上的系数是主成分相关系数γ1≥…≥γr，下表r表示对角矩阵Λ对角线上元素个数。其中J代表求取相关变量的转换矩阵，L代表求取残差标量的转换矩阵，I表示单位矩阵，Uk包含了矩阵U的k列，k的选择根据下式决定：其中β是个阈值，0.5≤β≤1。Z＝JXP   (10)E＝LXP   (11)其中矩阵Z和矩阵E分别表示主成分空间和残差空间。Z和E的每列分别是典型变量z(t)和残差变量e(t)。(3)基于慢特征分析的对磨煤机运行的协同监测，该步骤由以下子步骤来实现：(3.1)分别对主成分空间Z和残差空间E进行SFA建模sc＝WcZ   (12)se＝WeE   (13)其中sc是提取出的主成分空间Z的慢特征，Wc是主成分空间Z的转换矩阵；se是提取出的残差空间E的慢特征，We是残差空间E的转换矩阵。(3.2)选取主成分空间中慢特征sc的主慢特征。变化缓慢的特征能够表示过程变化总体趋势，而变化较快的那些特征可以看作是噪声；将全部慢特征按照变化快慢进行排序，选择Rm(Rm＜Rc)个变化慢的慢特征作为主慢特征sc，d，剩余的慢特征可看作噪声，其中Rc为全部慢特征数；主慢特征数Rm的选择从重构的角度考虑，具体如下：过程变量xj可以通过慢特征s重构：其中，是的第j列，是将的某几个元素用0替代，元素个数为R_m，R_m的确定方法如下：降噪重构的过程变量的缓慢程度能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此Δ(x_j)表示过程变量x_j的缓慢程度，降噪重构后的过程变量的变化比x_j的变化慢；而Δ(x_j)和Δ(s_i)呈线性关系，慢特征s中Δ(s_i)＞Δ(x_j)部分使x_j变化加快，去除该部分，就能使能够满足综合考虑所有变量的重构效果，应该去除的特征集合为：划分的主慢特征个数Rm＝Rc‑cnt(F)，cnt(F)为全部慢特征数减去集合F中元素的数量；定义Wc的前Rm行为Wc，d(Rm×J)。sc，d＝Wc，dZ   (18)其中，sc，d是提取出来的在主成分空间中能够表示过程内部变化主要趋势的慢特征；Wc，d表示转换矩阵；(3.3)在主成分空间中计算静态监测的控制限：其中，和是s_c，d的T²监测统计量；利用核密度估计确定出的控制限Ctr_c，Td；(3.4)在主成分空间中计算动态监测的控制限：其中，是s_c，d的S²监测统计量；其中是s_c，d的一阶差分；Ω_c，d是的经验协方差矩阵；利用核密度估计求出的控制限Ctr_c，sd；(3.5)根据(3.2)中方法，选择残差空间中慢特征se的主慢特征数Rme：根据特征的缓慢程度，提取出se中的主慢特征：(3.6)计算残差空间中静态监测的控制限：其中，是s_e，d的T²监测统计量；利用核密度估计确定出T²的控制限Ctr_e，Td；(3.7)计算残差空间中动态监测的控制限：其中，是s_e，d的S²监测统计量；其中是s_e，d的一阶差分；Ω_e，d是的经验协方差矩阵；利用核密度估计求出S²的控制限Ctr_e，sd；(4)磨煤机的在线监测：基于上述步骤求得磨煤机运行过程数据的变量相关关系以及动静协同的监测模型，通过主成分空间中和残差空间中的监测统计量可以在线监测过程的运行状态；该步骤由以下子步骤来实现：(4.1)在磨煤机运行过程中采集新测量的数据并进行扩展：在线监测时，采集到新的过程测量数据xnew，t(J×1)，其中，下标new代表新样本，下标t代表当前时刻，J为测量变量，与步骤1中的测量变量相同；用过去的l个时刻的数据将其进行扩展：(4.2)求取当前时刻的典型变量和残差变量：znew＝Jxnew   (25)enew＝Lxnew   (26)(4.3)分别从当前时刻的典型变量和残差变量中提取出各自的慢特征向量：(4.4)分别计算主成分空间和残差空间中的在线静态监测统计量：(4.5)分别计算主成分空间和残差空间中的在线动态监测统计量：(5)判断磨煤机运行状态：实时比较不同子空间中两个监测指标与各自的统计控制限：(a)在主成分空间中，如果两个监测量均处于控制限制范围内，则表明过程有一个不变的时序相关关系，典型变量的变化在正常范围内。(b)在主成分空间中，如果静态监测量没有超限，动态监测量超限，则说明监测到了一个过程动态的异常，可能导致主成分空间中变量自相关关系出现稳态偏差。(c)在主成分空间中，如果静态监测量超限，动态监测量没有超限，则说明监测到了稳态偏差，但是对过程动态特性没有影响，过程在良好的控制下发生了状态切换。(d)在主成分空间中，如果静态监测量和动态监测量均超限，则说明过程既出现了稳态偏差又出现了动态异常，检测到了过程发生故障且超出了控制系统调节能力，应及时处理。(e)在残差空间中，如果两个监测量均处于控制限制范围内，残差变量的变化在正常范围内。(f)在残差空间中，如果静态监测量没有超限，动态监测量超限，检测到了过程动态行为的异常，可能导致残差子空间中出现状态偏差。(g)在残差子空间中，如果静态监测量超限，动态监测量没有超限，则说明在残差空间中监测到了稳态偏差，但是对过程动态特性没有影响，过程处于良好的控制下。(h)在残差子空间中，如果静态监测量和动态监测量均超限，在残差子空间中既检测到了稳态偏差，又检测到了动态异常，过程发生了故障，控制性能差，应及时处理。