基于灰熵分析法的高压加热器运行状态测点选择

顾 伟，杜景琦

（1. 云南电力试验研究院（集团）有限公司，云南 昆明 650217；2. 云南电网公司电力科学研究院 研究生工作站，云南 昆明 650217）

基于灰熵分析法的高压加热器运行状态测点选择

顾 伟1,2，杜景琦1

（1. 云南电力试验研究院（集团）有限公司，云南 昆明 650217；2. 云南电网公司电力科学研究院 研究生工作站，云南 昆明 650217）

为了建立高压加热器状态预警模型，选择合适的测点。采用灰熵关联法，分析了抽汽温度、抽汽压力、出口水压、端差、进汽温度、疏水温度、主给水流量对昆二电厂1号机1号高压加热器运行状态（出口水温）的关联性程度。结果表明疏水温度、抽汽温度、进汽温度是高压加热器运行状态的合适测点，这为高压加热器故障预警模型建立提供了科学依据。

高压加热器；测点；出口水温；灰熵分析法

0 引言

高压加热器是火电机组的主要辅助设备之一。高加系统长期处于高温高压的运行状态，加之运行中还受到机组负荷突变、给水泵故障、旁路切换等因素的影响，造成了高加系统的频繁故障。目前，高加系统故障已成为影响机组稳发满发的主要原因之一，仅次于锅炉爆管。

提高高压加热器的可靠性和安全性将会极大地提高火电机组运行经济性，降低运行成本。因此建立高压加热器故障预警模型并对故障进行早期诊断是提高整个火电机组安全性的必要手段。其中用于反映设备状态的过程变量（即测点）种类和数量繁多，这些测点分别从不同方面反映了设备的状态信息，而不同测点之间又相互耦合关联，且存在冗余。由于测点选择的好坏对状态预警算法的性能具有重要影响，需要分析设备不同测点之间的关联程度。

灰熵关联分析是一种系统分析方法，可以在不完全的信息中，对所要分析研究的各因素，通过一定的数据处理，在随机的因素序列中找到其关联性，提炼出影响系统的主要因素及主要特征和因素间对系统影响的差别[5]。本文从灰色系统的理论出发，采用灰熵关联法，针对昆二电厂1号机1号高压加热器进行分析研究，同时定性分析和研究了相关测点对运行状态的影响，这对于高加故障预警模型的建立有重要意义。

1 灰熵关联分析法

灰色系统理论是由我国邓聚龙教授创建的，近年来已被应用于工业、社会、经济等领域。灰色系统理论着重研究部分信息明确，部分信息未知的小样本、贫信息的不确定性系统，通过对部分已知信息的处理，实现对系统的确切描述。

在实际应用过程中许多学者对灰色关联法提出了一些改进，但这些方法在确定关联度时都采用计算逐点关联测度值平均值的办法，这样依然存在 2个缺点：（1）局部关联点倾向，即在点关联测度值分布离散的情况下，由点关联测度值大的点决定总体关联程度的倾向；（2）信息损失，即平均值淹没了许多点关联测度值的个性，没有充分利用由点关联测度值提供的丰富信息。

因此提出了灰熵关联分析法来弥补上述不足，灰关联熵分析是在灰关联分析基础上发展而来的方法。灰关联熵分析将参考因素和比较因素的数据序列的关联程度用“熵”的方法进行定量分析，用灰熵关联度表征参考序列与比较序列的相关程度。灰关联熵分析法能够充分利用个性信息，实现整体性接近，更为科学合理。

灰熵关联分析的基本步骤：（1）求出灰色关联系数；（2）计算灰熵关联密度、灰关联熵；（3）计算灰熵关联度，并据其大小确定影响系统的主次因素。

1.1 灰色关联系数

设灰关联因子集为X，xi(k)∈ X，i=1,2,…,m，k=1,2,…,n。其中x0为参考序列；xi为比较序列， 比较序列与参考序列间的灰色关联系数为：

1.2 灰关联熵

灰关联系数列 Ri(k)= { γ[x0(k ) ,xi( k ) ]|k = 1 ,2,… ,n}，为了使之前获得的灰关联系数满足灰熵的要求：同一序列内所有元素之和为 1。进行灰关联系数分布映射：

则比较序列xi的灰关联熵为：

由于已对灰关联系数进行了分布影射，所以灰关联熵是一种灰熵，灰熵的熵增原理对灰关联熵同样适用。灰关联熵Hi越大，比较序列xi与参考序列x0之间的关联度越大。

1.3 灰熵关联度

设灰关联因子集为X，xi(k)∈ X，i=1,2,…,m，k=1,2,…,n。其中x0为参考序列；xi为比较序列。Hi为比较序列xi的灰关联熵。比较序列xi的灰熵关联度为：

式中Hmax=ln m，m代表由比较序列xi的m个元素构成的差异信息列的最大值。

根据熵增原理，灰熵关联度Ei越大，比较序列xi与参考序列x0之间的关联度越大。

1.4 认识灰熵关联准则

由的灰熵关联度可以确定灰关联序列的灰熵关联准则：比较序列的灰熵关联度越大，则比较序列与参考序列的关联性就越强（即两者的吻合程度越好），其在关联排序中的位置则相应地靠前。值得指出的是，在灰熵关联度的分析中，依据灰熵的关联准则，序列的初始处理方法不同，会引起灰熵关联度的大小变化，但关联序的排序一般是不发生变化的，就是说，关联度的大小只是序列间相互作用、相互影响的外在表现，而关联序的排序才是其实质，因为人们所关注的是灰熵关联度的排序，而不是关联度的实际大小。

2 高压加热器运行状态测点选择

高压加热器的状态参数有很多，如抽汽压力、抽汽温度、进口水温、出口水温、主给水流量疏水温度等，其中加热器的出口水温最为重要，直接反应了加热器的性能及其运行状态。

以昆二电厂1号机1号高压加热器为例，把高加的出口水温作为评价指标，对高压加热器运行状态影响因素中的抽汽温度、抽汽压力、出口水压、端差、进汽温度、疏水温度、主给水流量的关联性进行评价。提取1000组历史数据，通过处理显著误差和随机误差，得到参考序列和比较序列如表1所示，表中，X0为高加出口水温，X1为抽汽温度，X2为抽汽压力，X3为出口水压，X4为端差，X5为进汽温度，X6为疏水温度，X7为主给水流量。

将表1作为灰熵分析的原始数列，为了消除样本数据量纲不同对灰关联分析的影响，使序列之间具有可比性，对其进行均值化处理，其值为 Yi，i=0,…,7，结果如表2所示。

图1 高压加热器示意图Fig.1 Schematic diagram of high pressure heater

根据式（1）计算出各个测点与高加出口水温的灰关联系数γi，i=0,…,7，其结果如表3所示。

根据公式（2），得到灰色关联系数分布映射密度值Pi（i=0,…,7，）的计算结果，如表4所示。

表1 测点预处理后的数据Tab.1 Data after preprocessing of measured points

表2 序列均值化Tab.2 Se quence averaging

表3 灰关联系数Tab.3 Gr ey relational coefficient

表4 灰色关联系数分布映射密度值Tab.4 Gr ey relational coefficient distribution mapping density value

按式（3）计算比较序列的灰关联熵，结果为：H1=6.90765，H2= 6.90338，H3=6.90337，H4=8.39394，H5=6.90755，H6= 6.83780，H7=7.00488。由式（4）计算灰熵关联度, 比较序列的灰熵关联度如图2所示。

图2 测点的灰熵关联度Fig.2 Grey entropy correlation degree of measurement points

由于主要测点的关联性随着灰熵关联度的增大而增大，从图1可以看出，在相同时刻下,与出口水温的关联性由大到小顺序为: 端差、出口水压、主给水流量、抽汽温度、进汽温度、抽汽压力、疏水温度。

设备状态预警测点选择的基本原则为：（1）选择的测点能够从机理上反映设备所处不同状态；（2）不同测点之间的关联性尽量小，即当两个测点之间具有极大关联性时，可以根据实际应用情况选择一个测点。

为了使状态预警模型准确率和效率达到平衡，只取4个测点。由于出口水温与端差两测点具有极大关联性，出口水温必不可少，舍去端差。疏水温度关联性最小，为1个测点。抽汽温度与抽汽压力关联性相差不大，且加热器抽汽压力值可靠度较低，抽汽温度为1测点。

因此取4个测点为出口水温、疏水温度、抽汽温度、进汽温度。

3 结论

采用灰熵分析法分析了不同测点对高压加热器运行状态的关联性程度，分析结果表明端差、出口水压和主给水流量对高压加热器运行状态（即出口水温）关联性较大，抽汽温度、进汽温度和抽汽压力关联性次之，疏水温度的关联性最小。找出不同测点对高压加热器运行状态的关联性的主次关系, 可以为建立高压加热器状态预警模型提供科学依据。选择合适数量和代表性的测点，是高加状态预警的关键步骤，直接影响故障预警方法的有效性和效率。将高压加热器看作灰色系统，对高压加热器进行灰关联熵分析，整个过程步骤清晰，算法简单。灰熵分析法分析得到每个测点与高压加热器状态之间的灰熵关联度，量化测点与高压加热器状态之间的关联程度。利用灰熵关联度对测点进行排序，克服了测点选择的主观性和盲目性，保证了测试点选择的客观性和正确性。

[1] 马良玉, 王兵树, 高建强, 等. 300MW火电机组高加系统典型故障特征规律的仿真研究[J]. 系统仿真学报, 2002,14(4): 455-458.

[2] 黄亮, 侯建军, 刘颖, 等. 基于灰关联熵的模拟电路测试点优选算法[J]. 电子测量与仪器学报, 2009, 23(9): 27-32.

[3] 张祎, 杨春霞, 栗保明. 基于灰熵分析法的电枢出口速度影响因素分析[J]. 弹道学报, 2011, 23(1): 93-96.

[4] 杨玉中, 吴立云, 张强, 等. 煤矿运输安全性的灰熵综合评价[J]. 中国安全科学学报, 2005, 15(9): 83-87.

[5] 张岐山, 郭喜江, 邓聚龙. 灰关联熵分析方法[J]. 系统工程理论与实践, 1996, (8): 7-11.

[6] 李裕, 郭子彦, 朱会柱, 等. 基于混沌多目标粒子群算法的测点优选方法[J]. 电子测量与仪器学报, 2016, 30(7):1052-1061.

[7] 李艳, 李英浩, 高峰, 等. 基于互信息法和改进模糊聚类的温度测点优化[J]. 仪器仪表学报, 2015, 36(11): 2466-2472.

[8] 鲁丰坤, 王勇, 李保军, 等. 深水隔水管疲劳多测点数据传输与仿真研究[J]. 国外电子测量技术, 2015, 34(12): 18-22.

[9] 王刚毅. 电厂高加水位控制的现状及改进[J].机电信息,2010, 10(18): 102-103.

[10] 任志远, 杨亚媛. #3机高加漏泄原因分析及治理方案[J].电力科学与工程, 2007, 23(5): 52-54,68.

Selection of Operation Point of High Pressure Heater Based on Grey Entropy Analysis

GU Wei, DU Jing-qi
(1. Yunnan Electric Power Research Institute (Group) Co., Ltd. Kunming 650217;2. Yunnan Power grid Co., LTD Electric Power Research Institute, Graduate Workstation Kunming 650217)

In order to establish an early warning model of high pressure heater, the suitable measuring point is chosen. By the gray entropy correlation analysis method, extraction pressure, outlet pressure, temperature difference,inlet temperature, temperature, feed water flow rate of steam turbine No. 1 Kunming two power plant No. 1 high-pressure heater operation state of the correlation degree (outlet water temperature). The results show that the hydrophobic temperature, the extraction temperature and the inlet temperature are the appropriate measuring points for the operation of the high pressure heater. This provides a scientific basis for the establishment of the fault warning model of the high pressure heater.

High pressure heater; Measuring point; Outlet water temperature; Grey entropy analysis method

TP206+.3 故障预测、诊断与排除

A

10.3969/j.issn.1003-6970.2017.11.023

本文著录格式：顾伟，杜景琦. 基于灰熵分析法的高压加热器运行状态测点选择[J]. 软件，2017，38（11）：119-122

顾伟(1992-），男，硕士，昆明理工大学在读研究生，从事自动化控制研究工作；杜景琦，硕士，工程师，云南电力试验研究院(集团)有限公司，从事电力系统自动化研究工作。