基于多元状态估计的电厂设备状态评估和故障预警研究

徐龙，张莉，任资龙，朱文涛，王洪武，周慧

（1.深圳大唐宝昌燃气发电有限公司，广东 深圳 518110；2.湖南大唐先一科技有限公司，湖南 长沙 410000）

1 前言

随着大数据技术的不断发展，智慧电厂的建设正在逐步地深入电厂日常运维的各个阶段，其中重要的一部分就是设备的检修，人们不仅希望在故障出现时提供及时的维修，还希望在设备发生故障早期就能提醒维护人员进行检查和维护，从而给维修人员争取了足够的时间采取措施来防止故障的发生和造成的停机，避免不必要的损失，对提高发电企业的经济效益和社会效益都具有重要的意义。目前，电厂工作人员主要通过DCS 和SIS监视设备运行状态，但此方法对设备劣化趋势不敏感，导致设备得不到及时维护，因此，科学设备状态监测系统显得尤为重要。

当前开展设备状态监测的研究方向主要有单输出的非线性回归（NSET）和多输出的状态估计（MSET）、神经网络等，由于一台设备测点参数较多，采用单输出的算法进行逐测点状态监控预警存在效率低下和自动化程度不高的缺点，因此，采用状态估计或神经网络算法进行设备整体状态监测是较好的选择。

本文通过采集电厂SIS 系统提供的机组运行参数，采用多元状态估计技术对电厂相关设备进行大数据分析与建模，对电厂重要设备或系统的状态进行评估计算与监测，以及时发现设备故障并提前预警，实现对发电系统设备的全面监测。本文以某燃气发电厂额定负荷120MW 燃气轮机为例开展研究。

2 多元状态估计技术

多元状态估计技术（M u l t i v a r i a t e S t a t e Estimation Techniques，MSET）是一种基于特征驱动的多变量时间序列分析方法，可以通过监测电力系统设备实时运行参数与历史运行参数的相似度来对系统或设备的状态进行计算和评价。MEST 算法利用系统或设备在各个工况下的历史运行的健康样本构建典型样本数据库，利用在历史健康样本学习到的状态参数关系来评估每个新监测的实时样本的健康状态。多元状态估计技术的基本计算流程如图1 所示。

图1 多元状态估计技术计算流程

2.1 求解估计矩阵

本文以某燃机电厂燃气轮机本体状态监测与预警为例，对该方法的应用与实现进行说明。

（1）构建记忆矩阵。通过对燃气轮机进行机理分析，选取需要监测的参数，从电厂SIS 数据库中采集这些参数的历史运行数据，经过数据清洗和健康数据筛选后，进行历史数据记忆矩阵D（典型运行样本）的构建。

式中，X(ti)表示ti 时刻燃气轮机多个监测参数组成的状态观测向量；行数n 表示燃气轮机有n 个状态监测参数；列数m 表示燃气轮机有m 个历史运行状态。

（2）组件剩余矩阵。从历史健康数据中提取出记忆矩阵后，用其他剩余的列向量重新组建的矩阵，即为剩余训练矩阵。满足K=D⊗L。

（3）求解估计矩阵。假设燃气轮机的状态观测向量Xobs对应的最优估计向量为Xest，最优估计向量Xest可通过历史记忆矩阵D 与权值向量W 进行加权计算得出。

式中，W 为权值向量，表征的是当前运行状态的最优参数估计与记忆矩阵中历史正常运行工况之间的相似程度。

假设燃气轮机的状态观测向量Xobs与之对应的估计向量Xest之间的残差为ε，ε=Xobs-Xest。

当燃气轮机运行状态处于理想状态时，燃气轮机观测向量与估计向量相同，残差ε=0。显然ε 越接近0，预测结果越准确，为使预测精度更高，对ε 求最小平方误差：

由于燃气轮机各监测参数之间存在一定的相关性，可能导致矩阵计算不可逆，从而无法计算出W，可采用非线性运算符克罗内克积代替乘法运算。

故最优估计向量Xest为：

利用同样的方法可以求解剩余训练矩阵L 所对应的估计矩阵Lest。

2.2 求解设备健康度

利用滑动窗口统计方法（Sliding Window Statistical Method）能够很好地消除电厂设备与设备之间、参数与参数之间的相互影响，通过调整滑动窗口的宽度能够很好的找出相似度统计特性的连续变化规律，从而消除随机因素的影响，提高模型计算的精度，使得预警信息更加准确。

假设某段时间MSET 模型的估计残差序列为：

通过设置滑动窗口的宽度，取滑动窗口范围内样本的残差平均值，即

计算出所有健康样本的残差，即健康残差。识别出健康残差矩阵中的最大值，即为残差阈值。当大于残差阈值时，系统给出设备故障预警提示。相似度定义（设备健康度）：

3 燃气轮机本体状态评估与预警

3.1 数据采集与预处理

（1）状态参数选取。某燃气发电厂燃气轮机通过TCS 控制系统进行监控，监测参数反映了设备的运行状态。选取燃气轮机轴系各监测参数构建燃机轴承状态观测向量，对燃机轴承状态进行评估及预警。选取的燃气轮机轴承监测参数如表1 所示。

表1 燃气轮机轴承监测参数

（2）历史数据采集。从电厂厂级监控系统（SIS）实时数据库中采集上述参数的历史数据，采集时间段为2021 年全年，采集间隔时间为1min，共采集数据525600 条，如图2 所示。

图2 2021 年燃气轮机轴系部分运行数据截图

（3）数据预处理。在数据采集时间段内，燃气轮机存在停机数据、异常运行数据、测点异常数据等，需进行历史健康数据筛选。通过电厂运行规程确定的燃气轮机各参数报警定值和运行数据统计分析，确定监测参数的健康上下限，筛选燃气轮机历史健康运行数据。

选取燃气轮机预警负荷范围。首先，剔除燃机停机数据，共得到191077 条数据，然后根据电厂调研情况及查询燃机历史运行数据，燃机运行负荷区间一般在70%额定负荷以上，因此选定燃机预警负荷范围为84 ～120MW，得到184190 条数据。

确定其他特征参数健康区间，筛选健康状态样本数据。查询各特征参数的历史曲线进行统计分析，确定各参数的统计报警值，共筛选到184002 条健康样本数据。

3.2 典型样本选取

从健康样本中按照欧式距离等距抽取燃气轮机运行的典型样本。

（1）欧式距离。欧氏距离是指m 维空间中两点间的真实距离，或向量的自然长度。计算公式如下：

（2）典型样本筛选。借助平台工具利用欧式距离方法，从184002 个健康样本中等距抽取了约500 个典型样本。

3.3 状态估计与预警测试

本文以某电厂4#机组燃机本体的运行数据作为系统功能测试数据来源。采集时间段为2021 年全年，采集间隔时间为1min，共采集数据525600 条。通过了解，该电厂4#机组于2021 年09 月15 日，由于轮机侧3 号瓦振动偏差超限导致燃机故障，为例验证算法及预测模型的准确性，选取故障发生前的运行数据为测试数据，共计800 组数据。

将采集的训练样本写入人工智能平台进行大数据分析与挖掘，包括对数据进行预处理、相关性分析、稳定性分析以及典型样本选取等。将筛选出来的健康训练样本和典型样本接入多元状态估计预警组件，得出监测参数的健康固定上下限值和健康偏差上下限值，具体参数预警上下限值见表2。

表2 参数预警上下限值

轮机侧瓦振、主副推力轴承温度、推力瓦回油温度、轮机轴承瓦温、轮机瓦回油温度的监测与估计结果如图3 ～6 所示。

图3 燃气轮机轴承瓦振监测与估计结果

图4 燃机轴承温度及推力瓦回油温度监测与估计结果

图5 燃气轮机轴承瓦温度监测与估计结果

图6 燃气轮机轴瓦回油温度监测与估计结果

由图3 ～6 可知，轮机侧1-2 号瓦振、主副推力轴承温度、推力瓦回油温度、轮机轴承瓦温、轮机瓦回油温度预测精度较高且残差较小，均属于正常状态，但轮机侧3 号瓦振实际值有明显增大的趋势，对应的估计偏差超出了健康偏差上限值，表明故障发生。系统触发规则引擎，发出预警信息并给出异常描述、原因分析与处理指导。

测试结果表明，基于多元状态估计的设备状态评估与预警研究对电厂系统或设备运行状态进行预测具有较好的效果，能够有效地对电力系统或设备运行状态进行实时监测，帮助运行监盘人员发现设备和参数的异常，更加全面地实现对电厂系统设备状态的监测。

4 结语

本文依托各类先进的机器学习算法，从生产监测大数据中挖掘出各类系统和设备的参数变化规律，准确发现和提示运行控制异常事件，可以大大降低运行人员的监盘压力，有效提高机组运行的可靠性。同时，运行异常诊断知识库还集成了电厂运行专家以及电厂运行专工和值长的经验和智慧，历史健康数据挖掘更是传承了机组历史运行经验。综合而言，基于多元状态估计的电厂设备状态评估和故障预警的研究具备实际意义，有效实施与应用将会大大提升机组的监盘效率与运行水平。