基于MSET的电站锅炉空气预热器状态预测系统

贺涛 郭群龙

1.新疆中泰化学（集团）股份有限公司阜康能源热电项目部，新疆 乌鲁木齐 830009

2.中南电力设计院，湖北 武汉 430071

基于MSET的电站锅炉空气预热器状态预测系统

贺涛1郭群龙2

1.新疆中泰化学（集团）股份有限公司阜康能源热电项目部，新疆 乌鲁木齐 830009

2.中南电力设计院，湖北 武汉 430071

详细阐述了一种基于多变量状态估计(MultivariatSe tate EstimatioTn echniqueMs, SET )的电站锅炉空气预热器状态预测的方法。在该方法中, 首先建立正常工况下各监测参数之间的关联模型；然后根据系统当前观测特征向量与各建模样本特征向量之间的相似性程度, 使用MSET对当前观测向量进行估计 ,得到与观测向量相对应的估计残差。最终模拟计算结果表明, MSET 可有效并精确的对空气预热器的运行状态进行预测，实现对空气预热器劣化趋势进行早期预测，具有很高的实用价值。

MSET；空气预热器；状态预测；电站锅炉；劣化趋势

MSET; air preheaters; tate predictionp; owe r station boiler; degradation trend

引言

空气预热器是电厂的主要辅机设备，其运行状态直接决定了电厂机组运行的安全性与经济性。MSET 最早是由美国阿尔贡国立实验室旨在检测核电厂中传感器、设备以及运行参数的初始劣化点而开发的一种非线性、非参数的多元回归技术[1,2]。该技术利用设备历史正常运行参数进行建模，并用其对设备的运行状态进行预测。与神经网络相比, MSET 的学习和模型构建过程更加快速和简单, 可更好地满足工业现场的实时性要求。

1 MSET建模与电站锅炉空气预热器状态预测

1.1 MSET建模原理

假设某一过程或设备共有n个相互关联的测点，设在某一时刻i，观测到的n个测点记为观测向量，即

MSET方法的关键在于合理构造历史正常状态矩阵D，在设备正常工作的时段内，以及不同运行工况下采集m个历史相关测点，组成历史正常状态矩阵为[3]

历史正常状态矩阵中的每一列相关测点代表设备的一个正常工作状态。经过合理选择的历史正常状态矩阵中的m个历史相关测点能够代表设备正常运行的整个动态过程。因此，历史正常状态矩阵的实质就是对设备正常运行特性的学习和记忆过程。

假设MSET的输入某一时刻的观测向量为Xobs，通过模型计算输出的预测向量为，输出值与输入值的残差为ε，则

其中，W为一个m维的权值向量，反映了MSET模型中输入相关测点与历史正常状态矩阵中各向量的相似性。对残差进行极小化，求得权值向量W为

[4]

该非线性运算符具有直观的物理意义，当两向量相同或相似时，距离为0或接近0；两向量差异越大，其非线性运算的结果越大。

由式（4）和式（5）得

当设备工作正常时，Xobs位于D所代表的正常工作空间内，与D中的某些历史相关测点距离较近，相应的Xest具有很高的精度。当设备有劣化趋势时，由于动态特性的改变，Xobs将偏离D所代表的正常工作空间，此时Xest的精度会下降，残差增大。

1.2 电厂锅炉空气预热器状态预测过程

1.2.1 建模变量的选取以及历史观测向量集合K的生成

为建立空气预热器状态预测模型，需确定相关测点中的建模变量，即与电站锅炉空气预热器密切相关的测点参数。由电厂PI系统以及通过运行人员的运行经验，取得与空气预热器密切相关的12个参数。

由于历史正常状态矩阵的构造需要使其内部的m个相关测点X(1), X(2),…,X(m)能够尽量覆盖空气预热器的正常工作状态，因此，构成D的每一个历史相关测点应同时满足一下条件[5]：

① 涵盖了一段足够长的运行时间；

② 每组数据都表达了设备对象的一个正常状态；

③ 满足每一组采样值中各个变量的同时性，必须是同一时刻的采样值。

记空气预热器的历史正常相关测点集合为

其中，m表示空气预热器的每个测点在m个时刻的正常数据，n表示空气预热器有n个相关测点，每个相关测点包括从电厂PI系统中取得的12测点值，将其分别记为x1, x2,…, x12，即式(1)中n=12。

1.2.2 数据归一化处理

在选用电厂数据库中实时数据构造过程记忆矩阵和预测输出时，由于电厂中某一设备模型相关测点的量纲不同，且不同测点数据绝对值相差很大，为保证使用非线性算子正确衡量不同观测向量之间的距离，需要对各个测点的测量值根据各自的极值进行归一化处理，使实际测量值映射到[0，1]区间，具体计算表达式如下：

其中，x为取得的原始数据，y为归一化处理后的数据，xmax和xmin分别为所取数据样本中的最大值和最小值。

实现归一化的计算程序如下（MATLAB）：

1.2.3 历史正常状态矩阵D的构造

对于空气预热器的每一个相关测点，将[0,1]之间等分为h份，以1/h为步距从集合K中查找出若干个观测向量加入矩阵D中。向历史正常状态矩阵D中添加观测向量的方法如图1所示。采用此方法构造过程记忆矩阵，能够将组成观测向量的相关测点的不同测量值对应的历史记录选入矩阵D中，且不重复录入，从而使其能较好地覆盖设备的正常工作空间。历史正常状态矩阵D构造完成后，即可按照公式(6)进行预测。

图1 历史正常状态矩阵D构造过程逻辑图

2 计算结果与分析

本文以山西某电厂电站锅炉空气预热器为例进行模拟计算。由于与空气预热器相关的测点共取了12个，本文只显示其中几个测点的模拟计算结果，其他结果与之类似。

图2为该电厂2号空气预热器底部轴承温度1的实测值与模型计算的预测值的对比图。有图2可以粗略展示预测值与实测值。图3为2号空气预热器底部轴承温度1的残差值图，图3清晰的展示了关于空气预热器底部轴承温度1的实测值与预测值之间的残差大小。

图2 空气预热器底部轴承温度1的实测值与预测值对比图

图3 空气预热器底部轴承温度1的残差值图

图4、图5分别为空气预热器入口送风压力的实测值与预测值的对比图和残差值图。

图4 空气预热器入口送风压力的实测值与预测值的对比图

图5 空气预热器入口送风压力的残差值图

由以上4个图可以得出：基于MSET的电站锅炉空气预热器的状态预测系统具有很高的预测精度，能够对空气预热器的运行状态进行比较精确的预测，防止其故障的发生。该系统与电厂的PI数据库连接可以对电站锅炉空气预热器进行在线实时的状态预测。

3 结语

本文介绍了多变量状态估计（MSET）理论，并给出了历史正常状态矩阵构造的有效方法，概述了建立MSET预测模型过程。该建模方法与神经网络等建模方法和传统在线监测方法相比，具有物理意义明确，实时性，创建动态设备模型快速、准确、可靠等优点。通过计算结果显示：利用多变量状态估计（MSET）方法建立的模型具有很高的精度，并实现对空气预热器劣化趋势早期预测，具有很好的应用价值。

[1]Gross KC, Singer RM, and WegerichS W, etal. Applicatioonf a model-basefad ult detectiosn ystem to nuclear plant signals[ A]. I SAP [C]. Seou l, Korean, 1997: 66—70.

[2]Stephan W WegerichS. imilarity based model ing of time synchronoauvs eragedv ibrations ignalsf or machinerhy ealth monitorin[Ag ].2004 IEEE Aerospace Conference Proceeding s[C].2004: 3654—3662.

[3]郭鹏等. 风电机组齿轮箱温度趋势状态监测及分析方法[J].中国电机工程学报，2011（30）

[4]姚良, 李艾华, 孙红辉, 张振仁. 基于MSET和SPRT的内燃机气阀机构振动监测[J].振动工程学报，2009, 4, 22(2):150-155

[5]北京中瑞泰科技有限公司. iEM 设备状态智能预警系统白皮书.北京:北京中瑞泰科技有限公司，2007.

The state prediction system of power station boiler air preheater based on MSET

He Tao1Guo Qunlong2
1.XINJIANG ZHONGTAI CHEMICAL（GROUP）CO., LTD. Urumqi 830009
2.Central Southern Electric Power Design Institute Wuhan 43007

A novel approacfho r air preheatesrt ate prediction of power station boileri s expoundedde tailed ly based on multivariatset ate estimatiotn echniq ues (MSET). In the approachc, orrelation modeal mong monitorinpg arameteris n normal work conditi on is constructefdi rstly. Then, accordintg o the similaritiebs etweent he current observedf eatur e vector and each history feature vector contained in process memory matrix, estimatioon f the current feature vector is calculated by using MSET Results demonstrattehd at MSET can effective ly and accurately predictt he operatiosnt ate of air preheatera, nd realize forecast the degradat ion trend of air preheatert, his approachh as hig h practical value.

10.3969/j.issn.1001-8972.2012.12.109