基于机器学习的火力发电机组设备异常监测方法研究

• 作 者: 洪星芸
• 出 处: 浙江大学
• 发表日期: 2004年期
• 关键词: 异常检测与诊断 机器学习 关联性 异常工况预测 在线监测平台

火力发电机组是一个复杂的大型系统,其安全稳定运行对社会的生产和生活有着重要意义。由于机组的高复杂性和设备的强关联性,单个设备的异常可能导致整个机组的可靠性和经济性降低,因此,火力发电机组设备的异常监测,是保障火电生产安全和效率的重要基础。随着工业信息化趋势的发展,大型火力发电机组普遍配备了大规模的传感器,以实现机组设备实时运行状态的监测,因此基于机组实时运行参数分析的机组异常工况识别与诊断,得到了学术界和工业界的广泛关注。本文以火力发电机组设备中的磨煤机和汽轮机为主要研究对象,以数据挖掘和机器学习方法为主要技术背景,研究基于实时运行参数分析的设备异常监测方法。本文首先对基于机器学习的故障检测、诊断和预测技术的研究现状进行了综述,并对现有方法的特点和存在的不足之处进行了分析和讨论。其次,针对火力发电机组设备的性能异常检测问题,设计了一种异常检测框架。提出了一种“运行参数-性能参数”关联模型,将支持向量回归方法用于机组性能的异常检测。在此基础上,讨论了不同的控制限选择策略,针对设备发生性能异常的情况,使用基于相似性的方法进行异常参数的诊断,并以磨煤机为对象进行算法的验证和分析。再次,针对异常工况预测问题,考虑多参数的相关性和时间序列的关联性,将多变量和注意力机制引入循环神经网络模型,提出了两种网络结构分别用于目标变量的单步和多步预测,并用该方法对汽轮机的跳机时间进行预测,基于实际数据分析验证了算法的有效性。在方法研究的基础上,针对制粉性能监测与分析问题,开发了制粉系统在线监测平台,并完成了系统的测试工作。该系统可用于提高制粉系统智能化水平、保障系统安全高效运行。最后,对本文的工作进行了总结,并展望了之后可以进一步研究的方向。