[发明专利]面向高端发电装备中汽轮机的控制性能实时监测方法

摘要

本发明公开了一种面向高端发电装备中汽轮机的控制性能实时监测方法。汽轮机性能指标与火电厂机组的负荷、运行参数之间存在着复杂的关系，本发明针对高端发电装备中汽轮机因参数众多、工况多变导致的控制性能监测困难的问题，运用典型变量分析提取汽轮机控制系统变量间的相关信息，再利用慢特征分析算法，提取相关信息中的动态信息。最后，结合变量的相关性和变化快慢信息构造汽轮机控制性能在线监测模型。该方法克服了大型汽轮机因变量众多、工况变化而导致的控制性能监测困难的问题，大大提高了动态过程控制性能在线监测的准确度，有助于火电厂对汽轮机控制系统进行有效及时的监测，对保证高端发电装备的安全可靠运行意义重大。

主权项

1.一种面向高端发电装备中汽轮机的控制性能实时监测方法，其特征在于，该方法包括以下步骤:(1)获取训练数据：设汽轮机的控制系统具有J个测量变量和操作变量，每一次采样可以得到一个J×1的观测向量y_k，其中下标k为时间指标，采样N次后得到的数据表述为一个二维观测矩阵所述测量变量为汽轮机运行过程中可被测量的状态参数，包括轴承金属温度、轴承轴向振动、发电机有功功率、汽机转速、励磁三相温度等；所述操作变量包括凝结水流量(三分钟平均)、给水压力、给水流量、给煤机给煤量等；训练数据应当选取汽轮机在正常运行状态下的采样数据。(2)利用CVA算法提取数据的时序相关信息，该步骤通过以下子步骤实现：(2.1)时序拓展构建过去矩阵与将来矩阵：在特定的采样时刻k，将观测向量y_k向k之前拓展p步生成过去观测向量向k之后拓展f步生成将来观测向量再对y_p,k，y_f,k进行均值化处理：其中：mean(y_p,k)表示的均值，mean(y_f,k)表示的均值。分别用所有的过去观测向量和将来观测向量构建过去观测矩阵Yp和将来观测矩阵Yf：其中，M＝N‑f‑p+1，p,f为两类时滞参数，令p＝f，其值可以通过样本自相关函数来确定：其中：autocorr(Yj,p)表示矩阵Yp第j个列向量与其时滞p的自相关系数；(2.2)构建Hankel矩阵：计算过去矩阵和将来矩阵的协方差矩阵∑pp，∑ff以及他们的互协方差矩阵∑fp，再利用协方差与互协方差矩阵构建Hankel矩阵H：(2.3)奇异值分解：对Hankel矩阵进行奇异值分解可以得到Jp组典型变量配对，用(aiTYp,biTYf)表示第i组典型变量配对，aiT、biT表示第i组典型变量配对间的相关系数：H＝UDVT                   (6)U和V分别为奇异向量ui，vi组成的正交矩阵，D为奇异值矩阵，U、V中的奇异向量只成对相关，且相关性大小由D中对应的第i个奇异值γi表征。奇异值越大(γ1>γ2>…>γJp)，典型变量间的相关性越大。(2.4)计算变换矩阵并提取出典型变量和残差变量：截取矩阵的前r列，生成降维后的矩阵V_r仍保留了大部分时序相关信息。其中，r值的大小可以通过以下准则确定：Cr表示准则值，β为判断阈值，β＝0.5。由Vr计算典型变量转换矩阵C和残差变量转换矩阵L：再利用转换矩阵可以得到典型变量空间Z和残差空间E：Z，Ε中的列向量zk∈r×1，εk∈Jp×1分别表示在采样时刻k的典型变量和残差变量；Z，Ε中的行向量zt，εt包含了同一变量在不同时刻的时序信息。(3)利用慢特征分析算法(Slow Feature Analysis，SFA)分别提取典型变量空间Z和残差空间Ε中的慢特征sZ，sE。典型变量空间Z中慢特征sZ的提取方法如下：(3.1)数据标准化：对典型变量空间Z按变量进行标准化处理，计算公式如下：zt表同一变量在不同时刻的时序向量，mean(zt)表示zt的均值，std(zt)表示zt的标准差。(3.2)Z经过投影后的输出信号为s_Zj，s_Zj表示sZ第j个慢特征序列。考虑线性条件下，表示系数向量，这等价于寻找一个从标准化输入信号Z中提取慢特征信号s_Z＝[s_Z1^T，s_Z2^T，...，s_Zr^T]^T的转换矩阵即s_Z＝W_ZZ。慢特征信号s_Zj要满足的目标函数及约束条件为：目标函数：约束条件为：其中：表示慢特征信号s_Z的时序差分，运算<·>表示为t₁，t₀分别表示时间上下限。(3.3)白化：利用奇异值分解，对输入数据的协方差矩阵进行白化处理可以去除数据中的相关性，使提取出的慢特征值携带不同的信息：其中：ΛZ‑1/2BT为白化矩阵，ΟZ为对应的白化后的输入信号。(3.4)计算转换矩阵W_Z：对输入矩阵O_Z做差分处理得到时序差分信号可以证明，对的协方差矩阵进行奇异值分解后，得到的一系列奇异值ω_Zj即为式(12)所述的目标函数值WZ＝PΛZ‑1/2BT                (17)所述残差空间Ε中的慢特征sE的提取方法与上述典型变量空间Z中慢特征sZ的提取方法相同。(4)划分慢特征s_Z：最慢的特征对应最小的特征值，将特征值由小到大排列，并依据特征值大小将前l个特征划分为s_Z中变化较慢的特征，用s_Z,d表示；将后(r‑l)个特征划分为s_Z中变化较快的特征，用s_Z,e表示。划分依据l的确定方法为，首先利用慢特征值s_Z的变化快慢表示过程变量的变化快慢：其中：r_ji为矩阵R_Z中第j行第i列的元素，s_Zi表示第i个慢特征序列，Δ(·)表示计算序列变化缓慢程度的一种运算：将提取出的慢特征值中缓慢度比输入数据缓慢度还要大的特征划分为快特征，一共有Me个这样的快特征：这里card{·}表示集合{·}中元素个数。根据式(19)确定的Me值，对应将矩阵ΩZ也划分成两部分：(5)计算动态监测指标：从典型变量空间的第一个样本点开始，每个样本点可以得到一组动态监测指标(SZ,d2，SZ,e2)。(6)确定基于动态监测指标的控制限：利用核密度估计的方法，先估计出动态监测指标S_Z,d²的概率密度函数p(x)，对于给定显著性水平α，S_Z,d²的控制限的计算方式为：以同样的方法可以计算出S_Z,e²的控制限(7)按照步骤(3)到步骤(6)所述方法，提取残差空间Ε的慢特征s_E并将s_E划分成两部分s_E,d，s_E,e，建立监测指标S_E,d²，S_E,e²并计算控制限(8)在线监测控制性能：基于步骤(2)到(4)建立的CVA‑SFA模型、步骤(5)到步骤(7)所得的四个监测统计量在线监测汽轮机控制系统的性能状态，该步骤由以下子步骤来实现：(8.1)获取新在线数据以及新数据预处理：采集到新的一段观测数据后，其中，下表new表示新观测数据，首先按照步骤(2)将Y_new拓展成过去矩阵，并根据步骤(2)中获得的均值和标准差对过去矩阵进行标准化处理得到Y_pnew。(8.2)提取出新观测数据的典型变量和残差变量：标准化处理后，利用步骤(2)确定的转换矩阵Vr和L计算出新观测数据的典型变量空间Znew和残差空间Enew。(8.3)提取新观测数据的典型变量空间Znew中的慢特征：首先按照步骤(3.1)中确定的均值和方差对Znew进行标准化处理，之后利用步骤(3.4)中确定的慢特征转换矩阵WZ，提取出标准化Znew的慢特征sZnew，并按照之前的划分参数将sZnew划分成sZ,d new和sZ,e new，同样根据WE可以得到Enew，进一步得到sE,d new和sE,e new。(8.4)计算新监测统计指标：根据建立的模型以及步骤(5)(7)中确定的计算方法，计算典型变量空间下的监测统计指标和残差空间监测指标(8.5)在线判断汽轮机控制性能状态：实时比较四个监测指标与其各自的统计控制限，若四个监测指标都位于统计控制限之内，表明控制系统正常工作；若有一个或以上监测指标超出正常控制限，表明控制系统有异常状况发生。