1前言
在火電行業(yè)中，設(shè)備較多，針對每個設(shè)備設(shè)置了大量的監(jiān)視參數(shù)，這些參數(shù)同步至DCS畫面，大部分由火電廠運行值班人員進行監(jiān)視。少量由DCS判斷參數(shù)是越限后，發(fā)出聲光報警，提醒運行人員進行干預(yù)。隨著機組單機容量越來越大，設(shè)備越來越多，以及火電行業(yè)環(huán)保要求越來越高，所監(jiān)視的數(shù)據(jù)越來越多，單臺機組模擬量和開關(guān)量早已過萬。龐大的數(shù)據(jù)量，需要運行值班人員耗費大量精力去分析、監(jiān)視。DCS設(shè)置的報警基本是定值，不具備比較歷史工況或數(shù)據(jù)功能；況且DCS設(shè)置的報警容量有限，不可能對每個參數(shù)進行超限報警的設(shè)定。在分析發(fā)生過的異常、事故時，發(fā)現(xiàn)相關(guān)參數(shù)雖然異常，但沒到報警值，也就不會發(fā)出聲光報警。但此參數(shù)早已經(jīng)偏離同工況的數(shù)值。如果能及時發(fā)現(xiàn)，就能預(yù)先干預(yù)，把異常或事故扼殺在搖籃里，從而避免后期進行事故處理、甚至設(shè)備的損壞。
火電廠設(shè)備的設(shè)備、參數(shù)異常通常由以下幾種方法發(fā)現(xiàn)：1.DCS對于具體參數(shù)越限發(fā)出的聲光報警，2.運行人員通過對比發(fā)現(xiàn)參數(shù)明顯偏離正常值，3.技術(shù)人員對相關(guān)報表分析發(fā)現(xiàn)相關(guān)參數(shù)發(fā)生了變化?；谌藛T對參數(shù)異常的判斷需要其對參數(shù)有一定的敏感性，而且具備相當(dāng)?shù)慕?jīng)驗。同時需要分析大量的數(shù)據(jù)，工作量較大、容易出錯。2018年華潤電力在江蘇大區(qū)試點CSASS項目，其中預(yù)警系統(tǒng)模塊為了解決以上問題而生。
2預(yù)警系統(tǒng)簡介
以神經(jīng)元網(wǎng)絡(luò)為基礎(chǔ)，能適應(yīng)電廠運行方式的多樣性及運行工況的復(fù)雜性，根據(jù)歷史工況、數(shù)據(jù)建立的模型，可精準(zhǔn)分析預(yù)測設(shè)備在當(dāng)前工況下的正常運行區(qū)間，實現(xiàn)在各運行工況下對于設(shè)備及生產(chǎn)流程的持續(xù)監(jiān)視、異常檢測和早期預(yù)警；在漸變性故障發(fā)生之前，劣化趨勢達到臨界點之前發(fā)現(xiàn)蠕變?nèi)毕?，提高機組安全運行水平和設(shè)備可靠性水平。
預(yù)警系統(tǒng)提供的三種算法
GMM（高斯混合模型）：高斯混合模型，利用高斯概率密度函數(shù)精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù)形成的模型。通過對樣本的概率密度分布進行估計，而估計采用的模型（訓(xùn)練模型）是多個高斯模型的加權(quán)和。每個高斯模型就代表了一個類簇。對樣本中的數(shù)據(jù)分別在幾個高斯模型上投影，就會分別得到在各個類上的概率，最后通過選取概率最大的類所為判決結(jié)果。高斯混合模型也？被視為一種聚類方法，是機器學(xué)習(xí)中對“無標(biāo)簽數(shù)據(jù)”進行訓(xùn)練得到的分類結(jié)果。其分類結(jié)果由概率表示，概率大者，則認為屬于這一類。在樣本足夠大的情況下，利用高斯混合模型可以無限接近實際曲線。
SVM（支持向量機）：SVM:支撐向量機，是常見的一種判別方法。在機器學(xué)習(xí)領(lǐng)域，是一個有監(jiān)督的學(xué)習(xí)模型，通常用來進行模式識別、分類以及回歸分析。通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題
RGMM：遞歸高斯混合模型，核心思想與高斯混合模型相同，利用多個高斯模型的加權(quán)對樣本的概率密度進行估計。而遞歸的含義在于模型的輸入除了當(dāng)前時刻的輸入值，還包括上一個時刻的高斯混合模型狀態(tài)值，從而對多測點間相關(guān)性在時間尺度上的依賴關(guān)系進行學(xué)習(xí)和預(yù)測。
在這三種模型中，通過后期的建模以及運用效果分析，運用最廣、最適合現(xiàn)場實際情況的是GMM。SVM在一些特殊的模型中運用效果較好。由于現(xiàn)場工況變化的快慢以及劇烈程度不一樣，RGMM運用的效果并不好。
3熱力系統(tǒng)參數(shù)特征及建模思路
3.1火電廠數(shù)據(jù)特征：
隨機固定送風(fēng)機動葉開度為30%-31%，選取一個檢修周期內(nèi)的時間，如下圖所示： 
在2019-07-01至2019-07-10這段時間內(nèi)符合動葉開度在30%-31%內(nèi)的風(fēng)機電流數(shù)據(jù)點有5839個，這5839個數(shù)據(jù)點分布以及頻次如下圖所示： 
對這組抽樣數(shù)據(jù)分析發(fā)現(xiàn)，其E(X)=58.6，D(X)=1.37，實際為X~N（58.6,1.37）的正態(tài)分布。通過多組抽樣數(shù)據(jù)，固定送風(fēng)機動葉開度的情況下，送風(fēng)機電流抽樣數(shù)據(jù)都符合X~N（μ, σ2）的正太分布，反之亦然。進一步分析其他數(shù)據(jù)，基本都具備這樣的特征。
再看一組數(shù)據(jù)，固定負荷在500MW-510MW，單臺給水泵流量如下圖所示： 
這組抽樣個數(shù)為29371的數(shù)據(jù)是X~N（779.34,18.35）的正態(tài)分布，同負荷下，給水量波動將近100T/H。這也符合機組加減負荷時的現(xiàn)狀。但對于分析給水泵性能，數(shù)據(jù)的精度顯然是不夠的。再嘗試重新固定一些條件（汽泵進、出口壓力及轉(zhuǎn)速）的抽樣數(shù)據(jù)： 
這組抽樣數(shù)據(jù)是X~N（683,3.05）的正態(tài)分布，顯然比上面一組數(shù)據(jù)要精確得多。因此限定不同的條件，抽樣數(shù)據(jù)的E(X),D(X)是完全不一樣的。為了更加準(zhǔn)確及時的預(yù)警出設(shè)備異常、故障，希望D(X)越小越好。這就要求在模型搭建以及數(shù)據(jù)測點的選擇方面要盡量完善，將有相關(guān)性的測點盡量加入到模型中，再分析相關(guān)性的強弱。
3.2建模的方法、思路：
3.2.1機理法建模
指為實現(xiàn)某一特定功能,一定的系統(tǒng)結(jié)構(gòu)中各要素的內(nèi)在工作方式以及諸要素在一定環(huán)境條件下相互聯(lián)系、相互作用的運行規(guī)則和原理。在火電廠中根據(jù)生產(chǎn)過程中實際發(fā)生的變化機理，在傳熱學(xué)、流體力學(xué)等理論里都有各種經(jīng)典的模型。如質(zhì)量守恒方程，動量守恒方程以及反映流體流動、傳熱、傳質(zhì)、化學(xué)反應(yīng)等基本規(guī)律的運動方程，物性參數(shù)方程和某些設(shè)備的特性方程等，從中我們可以獲得較為經(jīng)典的預(yù)警模型。
3.2.2測試法建模
根據(jù)工業(yè)過程的輸入和輸出的實測數(shù)據(jù)進行數(shù)學(xué)處理后得到的模型。特點是把被研究的工業(yè)過程視為一個黑匣子，完全從外特性上測試和描述它的動態(tài)性質(zhì)，不需要深入掌握其內(nèi)部機理。在火電廠中，有好多模型是用機理法分析基本分析不出來的。如汽輪機、發(fā)電機振動、瓦溫、軸位移等參數(shù)，影響的因素太多、而且無法分析這些因素互相間之間有無影響，適合用測試法建模。
3.2.3其他思路
對于火電廠來說，除了利用這兩種建模方法，還可以根據(jù)實際生產(chǎn)需要，設(shè)備管理的盲點，運行畫面監(jiān)視的盲點，發(fā)生過的異常、事故，做針對性的模型。這類建模對于建模人員要求較高，需要對現(xiàn)場管理的盲點有深入的了解，同時對現(xiàn)場發(fā)生過的異常、事故進行過深入的分析，并具備將相關(guān)特征數(shù)據(jù)提煉成數(shù)學(xué)模型的能力。
3.3基礎(chǔ)模型
根據(jù)熱力、電氣系統(tǒng)的分布，以及歷史異常、事故提煉出適合我們公司的幾種模型：1.電動機模型，2.轉(zhuǎn)動機械模型，3.換熱器模型,4.系統(tǒng)的流量平衡模型, 5.相關(guān)閥門內(nèi)漏模型，6.管損模型，7. 調(diào)節(jié)機構(gòu)反饋跟蹤模型，8.電功率平衡模型，9.主機相關(guān)模型等。
3.3.1電動機模型
電動機繞組的溫度取決于熱量的平衡，輸入熱量主要為電機繞組的鐵損、銅損以及機械損失產(chǎn)生的熱量。銅損主要由電流流過各種電阻產(chǎn)生的熱量：Q=I2R，主要影響因素為定子電流。鐵損主要的影響因素為電壓、頻率，對于工頻電機電壓、頻率基本不變的；變頻電機電壓、頻率的變化必然帶來變頻電流的變化，因此變頻電機的鐵損同樣可以用變頻電流來表征。電機機械損失主要影響因素為電機轉(zhuǎn)速，電機轉(zhuǎn)速變化必然與電流同步變化，因此電機的電流可以表征整個電機輸入熱值。至于輸出的熱量，形式有很多種，如自然冷卻（電機繞組將熱量傳給電機外殼，外殼跟空氣對流換熱將熱量傳給空氣），強迫風(fēng)冷（電機繞組將熱量傳給空氣、空氣將熱量帶到電機空冷器處，空氣與電機冷區(qū)器對流換熱、熱值傳給冷區(qū)器，冷區(qū)器再將熱量傳給冷卻水或空氣），而軸承輸出的熱量傳給潤滑油或其他物質(zhì)。本質(zhì)上來說，電機模型最終可提煉成一種熱平衡模型。因此用GMM算法建立的電機模型應(yīng)包括測點：電流，轉(zhuǎn)速，電機繞組溫度，軸承溫度，環(huán)境溫度，冷卻介質(zhì)流量、溫度、壓力。
3.3.2轉(zhuǎn)動機械
輸入的熱量主要是機械損耗，基本類似了電機模型。
3.3.3換熱器模型
火電廠最多的設(shè)備就是各種換熱器，傳熱學(xué)中經(jīng)典的傳熱公式：
Φ=ΔtKA，Φ:傳熱量，Δt:冷熱端加權(quán)溫差，A:傳熱面積
在現(xiàn)場實際系統(tǒng)換熱器中，熱端放熱量:Q1=c1m1(t1-t2)，冷端吸收熱量Q2=c2m2(t2’-t1’).對于穩(wěn)定的換熱器模型，公式又可以表征為ΔQ1=ΔQ2=Φ，對于穩(wěn)定的流量為q1、q2換熱器模型，可以表征為c1q1(t1-t2)= c2q2(t1’-t2’)?，F(xiàn)場很少布置流量q1、q2的測點，對于流量表征可借助理想流體流量與壓差關(guān)系來表征：水管的流量公式：Q=μA√(2gH)，式中：μ——管道流量系數(shù)；A——管道過水面積；√——表示其后（）內(nèi)式子的開平方；g——重力加速度；H——管道的作用水頭。H可用進、回水管P1、P2或P1’、P2’表征。管道過水面積A可用調(diào)整門開度來表征。
用GMM算法建立的換熱器模型應(yīng)包括以下測點：熱側(cè)液體進口壓力P1、溫度T1，出口壓力P2、溫度T2；冷側(cè)進口壓力進口壓力P1’、溫度T1’，出口壓力P2’、溫度T2’,進水調(diào)閥開度F。
3.3.4流量、管損、電功率平衡
主要從質(zhì)量、能量的角度來建立模型，模型測點包括：系統(tǒng)所有進、出質(zhì)量或能量。
3.3.5閥門內(nèi)漏模型
此模型建立的目的解決運行人員日常監(jiān)盤中的盲區(qū)。如閥門內(nèi)漏模型，如高壓旁路減壓閥或減溫閥內(nèi)漏，對于高排320-360℃的溫度來說，高排后溫度變化10-20℃本身很難發(fā)現(xiàn)。況且高排溫度變化到高旁后溫度變化還存在一定慣性和延時。這類缺陷是日常監(jiān)盤中的盲區(qū)，對機組的經(jīng)濟、安全性有著很大的威脅。此類模型包括：減溫、減壓閥前后溫度，再加入兩個測點相減的計算點。如疏水至凝器的閥門，可以直接用疏水集管的溫度與凝器的溫度建立一個模型。
3.3.6調(diào)節(jié)機構(gòu)反饋跟蹤模型
此模型也是為了解決運行人員監(jiān)盤中的盲區(qū)，調(diào)節(jié)機構(gòu)包括：各式調(diào)門、風(fēng)機動葉。這類機構(gòu)如果故障到一定程度，DCS上指令跟反饋偏差大會跳“自動”。為了防止偏差大頻繁跳自動，偏差一般設(shè)置在15%-20%。但調(diào)節(jié)機構(gòu)在故障發(fā)展到這個階段之前總會有一些異?，F(xiàn)象。正常情況下，調(diào)節(jié)機構(gòu)的指令和反饋偏差應(yīng)在很小的范圍內(nèi)，一般不會超過3%。超過3%的情況可能是指令剛變化或調(diào)節(jié)機構(gòu)故障等原因。模型利用SVM算法，采用指令的變化率（當(dāng)前時刻的指令減去1s-3s，根據(jù)各調(diào)門的特性選擇時間），指令與反饋差的計算測點。當(dāng)調(diào)節(jié)機構(gòu)開始有故障時，由于反饋跟蹤開始滯后時，反饋與指令的差值開始變大。利用這個特點可以提前預(yù)警出故障。
3.3.7主機相關(guān)的模型
對于汽輪機、發(fā)電機來說，一些振動、瓦溫、抽汽壓力相關(guān)模型。以振動為例：影響汽輪機的振動除了傳統(tǒng)的瓦溫、潤滑油壓、油溫等因素外，現(xiàn)場高中壓調(diào)門的開度以及調(diào)門運行方式都會對振動產(chǎn)生影響。通過參數(shù)分析可以發(fā)現(xiàn)高中壓調(diào)門的開度不但影響振動而且影響部分瓦的溫度。發(fā)電機的振動除了瓦溫、潤滑油壓、油溫等影響因素外，還受勵磁電流以及勵磁電流變化速率、氫氣溫度、密封油壓等因素影響。但這些影響因素很難用傳統(tǒng)的理論去分析和量化，無法從內(nèi)部機理去分析，它像個黑匣子一樣，適用測試法建模，將所有可能影響到的因素相關(guān)測點都羅列至模型中。
有了以上基礎(chǔ)模型后，根據(jù)系統(tǒng)和設(shè)備搭建不同的模型，以二次風(fēng)系統(tǒng)為列，二次風(fēng)系統(tǒng)流程：送風(fēng)機經(jīng)過電機驅(qū)動，利用動葉將空氣加速成有一定壓頭、流速的二次風(fēng)，經(jīng)過空預(yù)器加熱后通過大風(fēng)箱小風(fēng)門節(jié)流后進入爐膛。二次風(fēng)系統(tǒng)分解為以下模型：送風(fēng)機電動機，送風(fēng)風(fēng)機本體，送風(fēng)機動葉開度與電流對應(yīng)關(guān)系，二次風(fēng)道壓損與流量，空預(yù)器換熱二次風(fēng)部分。對于這些模型中交叉的測點，如果在模型中為純輸入點，可將其設(shè)置為不報警。
4樣本選擇
一般以最近一次大小修為起始時間來選擇樣本，大小修后，設(shè)備在大小修后性能會產(chǎn)生不同程度的改變，因此各參數(shù)之間的條件概率分布P（Y|X）也會發(fā)生改變。同樣固定送風(fēng)機動葉開度在30%-31%，查看506C修前、后開度對應(yīng)電流的變化。首先選定時間和動葉開度，如下圖所示
然后匹配工況，將所有符合條件的時間點選上，最后在對比指標(biāo)中找出時間對應(yīng)的電流，如下圖所示：
506C修前、后的兩組數(shù)據(jù)的正態(tài)分布參數(shù)為：
X~N（μ, σ2） | μ | σ2 |
506C修前 | 0.952862 | 49.77072 |
506C修后 | 1.764559 | 58.73168 |
對應(yīng)的正態(tài)分布圖為：
通過對比發(fā)現(xiàn)同樣的動葉開度，506C修后送風(fēng)機電流上升了9A左右。因此，當(dāng)設(shè)備檢修或異動過后性能發(fā)生明顯改變時，在進行模型維護時應(yīng)刪除原有的樣本。如果不刪除原有樣本，則電流概率密度分布變?yōu)槿鐖D所示：
顯然，直接加樣本后的概率密度分布與506C修后的是完全不一樣的。在模型訓(xùn)練時，可能得到期望值E(X)是不準(zhǔn)確的。模型在進行預(yù)警時會出現(xiàn)一些預(yù)警的盲區(qū)：如果風(fēng)機或動葉有故障，而電流又落在左鋒殘差允許范圍內(nèi)，此時模型就不會發(fā)出報警，模型也就起不到預(yù)警作用了。
5預(yù)警系統(tǒng)運用中的一些問題
1.由于預(yù)警系統(tǒng)采用的是監(jiān)督學(xué)習(xí)，他的決策函數(shù)Y=f（X）或條件概率分布P（Y|X）會隨著設(shè)備檢修或長時間運行發(fā)生變化。因此需要對預(yù)警系統(tǒng)進行持續(xù)的維護。
2.無論是決策函數(shù)還是條件概率分布函數(shù)，它們都是描述的數(shù)據(jù)與數(shù)據(jù)之間靜態(tài)關(guān)系。在實際生產(chǎn)中，數(shù)據(jù)與數(shù)據(jù)之間甚至有多種動態(tài)關(guān)系。因此，模型對樣本要求覆蓋面廣，而樣本數(shù)量又受到限制，預(yù)警系統(tǒng)對這類模型的預(yù)警效果會相對較差且維護量較大。
3.當(dāng)設(shè)備存在異?；蚬收蠠o法及時消除時，模型會持續(xù)的發(fā)出報警，只能選擇將模型下線或?qū)惓９r當(dāng)成正常的暫時學(xué)習(xí)進去。無論時間模型下線或?qū)惓９r學(xué)習(xí)成正常工況，需要對預(yù)警系統(tǒng)進行持續(xù)的管理。
6結(jié)論
隨著人工智能技術(shù)的愈發(fā)成熟，相應(yīng)技術(shù)不可避免的沖擊著傳統(tǒng)行業(yè)。在整個火電行業(yè)不景氣的背景下，減員增效成為很多企業(yè)的迫切的任務(wù)。華潤電力近期推出的“大集控”模式應(yīng)運而生。總?cè)藬?shù)減少了，總的工作量又不變，個人的工作量大幅增加又會影響到機組的安全與經(jīng)濟運行。要解決這些矛盾，只能依靠人工智能等先進的技術(shù)。隨著“大集控”模式的到來，預(yù)警系統(tǒng)將扮演越來越重要的角色。
參考文獻：
[1] 賈俊平，何曉群，金勇進，統(tǒng)計學(xué)（第七版）
[2] 李航，統(tǒng)計學(xué)習(xí)方法
[3] 楊世銘，陶文銓，傳熱學(xué)（第四版）
[4] 陳世元，電機學(xué)
