一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法技術(shù)方案

本發(fā)明專利技術(shù)公開了屬于熱力系統(tǒng)故障診斷技術(shù)領(lǐng)域的一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法。獲取機(jī)組工作在額定工況下熱力系統(tǒng)故障的特征參數(shù)，確定額定工況下特征參數(shù)的正常值；采用征兆計(jì)算方法對(duì)特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，運(yùn)用引力搜索算法獲取典型故障原型；根據(jù)特征參數(shù)的實(shí)測(cè)值和正常值計(jì)算實(shí)時(shí)故障征兆；比較實(shí)時(shí)故障征兆與典型故障原型的相似性，模糊最近鄰分類器給出故障隸屬度；神經(jīng)網(wǎng)絡(luò)融合模糊最近鄰分類器給出的故障隸屬度，進(jìn)行二次診斷，給出最終的診斷結(jié)果。具有診斷速度快、診斷精度高的優(yōu)點(diǎn)；可用于額定工況、不同穩(wěn)態(tài)工況下的熱力系統(tǒng)故障診斷；通過(guò)對(duì)故障特征參數(shù)的實(shí)時(shí)預(yù)測(cè)，可適用于變工況動(dòng)態(tài)過(guò)程熱力系統(tǒng)故障診斷。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)屬于熱力系統(tǒng)故障診斷
，特別涉及一種熱力系統(tǒng)故障的模糊最近 鄰融合診斷方法。
技術(shù)介紹
熱力系統(tǒng)是火力發(fā)電廠的重要系統(tǒng)，對(duì)機(jī)組整體運(yùn)行的安全性和經(jīng)濟(jì)性有重要影 響，開展熱力系統(tǒng)故障診斷研究對(duì)提高火電機(jī)組整體的可用率，機(jī)組運(yùn)行的安全性、可靠性 和經(jīng)濟(jì)性具有重要的理論和應(yīng)用價(jià)值。熱力系統(tǒng)是由多個(gè)強(qiáng)耦合子系統(tǒng)構(gòu)成的復(fù)雜串并聯(lián) 系統(tǒng)，參數(shù)眾多且相互影響，故障的表現(xiàn)形式多樣，故障特征隨機(jī)組負(fù)荷、工況變化較大，導(dǎo) 致熱力系統(tǒng)故障樣本集過(guò)于龐大。子系統(tǒng)間的強(qiáng)耦合性導(dǎo)致故障異常參數(shù)在子系統(tǒng)間傳 播，某一子系統(tǒng)發(fā)生故障會(huì)導(dǎo)致其它相關(guān)子系統(tǒng)運(yùn)行參數(shù)異常，這些都給故障的準(zhǔn)確定位 增加了難度。 目前熱力系統(tǒng)故障診斷方法主要有神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法、多元統(tǒng)計(jì)方 法、以及符號(hào)有向圖、因果圖、鍵合圖等基于圖論的方法。現(xiàn)有的方法沒(méi)有考慮故障樣本集 的有效縮減，僅針對(duì)診斷方法進(jìn)行研究，大量冗余和噪聲樣本的存在增加了診斷系統(tǒng)的存 儲(chǔ)要求和計(jì)算代價(jià)，嚴(yán)重影響診斷系統(tǒng)在現(xiàn)場(chǎng)的實(shí)際應(yīng)用效果。另外，現(xiàn)有的方法多是針對(duì) 某一穩(wěn)定負(fù)荷工況（如額定負(fù)荷工況）進(jìn)行研究，僅見(jiàn)少數(shù)文獻(xiàn)采用神經(jīng)網(wǎng)絡(luò)對(duì)不同穩(wěn)態(tài) 工況下故障進(jìn)行診斷。目前，大型火電機(jī)組都需參與調(diào)峰運(yùn)行，熱力系統(tǒng)隨機(jī)組負(fù)荷調(diào)整經(jīng) 常處于變工況運(yùn)行，現(xiàn)有方法無(wú)法適應(yīng)這一新情況，使得故障診斷系統(tǒng)的實(shí)用性受到很大 限制。 針對(duì)上述熱力系統(tǒng)故障診斷中存在的問(wèn)題，本專利技術(shù)提出了一種熱力系統(tǒng)故障的模 糊最近鄰融合診斷方法，采用引力搜索算法獲取熱力系統(tǒng)典型故障類原型，既有效地縮減 了熱力系統(tǒng)故障樣本集，又具有較高的診斷速度和精度；可適用于熱力系統(tǒng)額定工況、穩(wěn)態(tài) 工況以及變工況動(dòng)態(tài)過(guò)程故障診斷。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于提出，其特征在 于，包括如下步驟： 1)獲取機(jī)組工作在額定工況下熱力系統(tǒng)故障的特征參數(shù)，確定額定工況下特征參 數(shù)的正常值； 2)采用征兆計(jì)算方法對(duì)熱力系統(tǒng)故障的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，運(yùn)用引力搜索 算法獲取熱力系統(tǒng)的典型故障原型以反映不同熱力系統(tǒng)故障的特征； 3)根據(jù)熱力系統(tǒng)故障特征參數(shù)的實(shí)測(cè)值和正常值計(jì)算實(shí)時(shí)故障征兆； 4)比較實(shí)時(shí)故障征兆與典型故障原型的相似性，模糊最近鄰分類器給出故障隸屬 度； 5)將每個(gè)模糊最近鄰分類器給出的故障隸屬度送入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)融合模糊 最近鄰分類器給出的故障隸屬度，進(jìn)行二次診斷，給出最終的診斷結(jié)果。 所述運(yùn)用引力搜索算法獲取熱力系統(tǒng)的典型故障原型的具體步驟為： 步驟201 :給定種群規(guī)模n，最大迭代次數(shù)T_，隨機(jī)初始化個(gè)體的速度Vl和位置 xpi為正整數(shù)，i= 1，2, ...，n，個(gè)體依次編碼為訓(xùn)練集中不同類型故障樣本的特征，個(gè)體 的速度是與位置同維的向量，且個(gè)體的初始速度設(shè)置為零； 步驟202 :在訓(xùn)練集T上計(jì)算每個(gè)個(gè)體的適應(yīng)度值，計(jì)算公式為：(I) 式⑴中，Xk為第k個(gè)樣本；N為樣本總數(shù)；h(Xk)指出樣本X#否被正確分類，若 正確分類，h(Xk) = 1，否則，h(Xk) = 0 ;t為迭代次數(shù)； 步驟203 :將每個(gè)個(gè)體的當(dāng)前位置設(shè)置為個(gè)體極值Pl，i= 1，2,. ..，n;將種群中適 應(yīng)度值最小的個(gè)體位置設(shè)置為全局極值g; 步驟204 :計(jì)算每個(gè)個(gè)體的慣性質(zhì)量Mjt)，計(jì)算公式為：/、1，2"_.，/? v2) 式⑵中，fit; (t)為個(gè)體i第t次迭代的適應(yīng)度值；fitbf；st(t)和fitWOTSt(t)分 別表示第t次迭代時(shí)種群中所有個(gè)體最好的適應(yīng)度值和最壞的適應(yīng)度值，fittest(t)和 fitWOTSt(t)的計(jì)算公式分別為： (3) :⑷ 步驟205 :計(jì)算每個(gè)個(gè)體在d維所受的作用力Fid(t)，計(jì)算公式如下：/ -1,2,...,/7 (5) 式（5)中，rand^ 之間的隨機(jī)數(shù)；為第t次迭代時(shí)個(gè)體j對(duì)個(gè)體i 在d維的作用力，<的的計(jì)算公式為：C；6：5 式（6)中，G(t)為第t次迭代時(shí)的引力常數(shù)；Mt)為個(gè)體i和個(gè)體j之間的歐 式距離；e是一個(gè)常數(shù)，防止分母為零；<(0和<(〇分別為個(gè)體j和個(gè)體i第t次迭代時(shí) 在第d維空間上的位置； 步驟206 :計(jì)算每個(gè)個(gè)體在d維的加速度 <⑴，的計(jì)算公式為：C7)； 步驟207 :更新每個(gè)個(gè)體的速度和位置，計(jì)算公式為：式（8)、（9)中，v/⑴和彳(f)為在t次迭代時(shí)粒子i在d維的速度和位置；vf(f+1) 和xf(/_ + 1)為在t+1次迭代時(shí)粒子i在d維的速度和位置；rand;，randJPrand2為 之間的隨機(jī)數(shù)；為粒子i個(gè)體極值的第d維；gd(t)為全局極值的第d維； 步驟208 :計(jì)算每個(gè)個(gè)體的適應(yīng)度值；對(duì)于每個(gè)個(gè)體，將其適應(yīng)度值與個(gè)體極值Pl 作比較，如果適應(yīng)度值小于個(gè)體極值Pl，則將其位置設(shè)置為個(gè)體極值p1;將其適應(yīng)度值與全 局極值g作比較，如果適應(yīng)度值小于全局極值g，則將其位置設(shè)置為全局極值g; 步驟209 :返回步驟204循環(huán)迭代，直到達(dá)到最大迭代次數(shù)或滿足精度要求為止； 步驟210 :輸出熱力系統(tǒng)的典型故障原型，算法結(jié)束。 所述模糊最近鄰分類器給出故障隸屬度的具體步驟為： 步驟301 :計(jì)算待分類樣本Xq與故障原型P?之間的距離，計(jì)算公式為： 「00381(10) 式（10)中，Xq為待分類樣本，且Xq= (Xql，Xq2，…，XqJT，T表示轉(zhuǎn)置;m為樣本的維 數(shù)；P?為第j類故障的第i個(gè)原型；d(pAXq)為待分類樣本xq與原型P?之間的距離；C為 故障類別的數(shù)目；S為每類故障的原型數(shù)目； 步驟302:計(jì)算待分類樣本與每類故障原型的最近距離disUco^Xq)，計(jì)算公式 為：(11》 式（11)中，disUUq)為待分類樣本與每類故障原型的最近距離；《,為故障類 別； 步驟303 :計(jì)算待分類樣本屬于每一故障類別的隸屬度y_jq(〇_j，Xq)，計(jì)算公式 為： (12)；[0044步驟304 :得到待分類樣本屬于相應(yīng)故障類別的隸屬度向量yq，公式為： yq=T (13) 式（13)中，yq為待分類樣本屬于相應(yīng)故障類別的隸屬度向量，T表不轉(zhuǎn)置。 本專利技術(shù)的有益效果是針對(duì)現(xiàn)有熱力系統(tǒng)故障診斷方法的實(shí)用性受限的問(wèn)題，提出 了，采用引力搜索算法優(yōu)化故障類原型，在 確保產(chǎn)生的精簡(jiǎn)原型集能夠全面地表示不同故障類的典型特征分布的同時(shí)，降低了算法的 存儲(chǔ)開銷和計(jì)算開銷，有效解決了故障類別多樣、機(jī)組運(yùn)行工況多變導(dǎo)致的故障樣本集過(guò) 于龐大的問(wèn)題；采用神經(jīng)網(wǎng)絡(luò)融合模糊最近鄰分類器的結(jié)果進(jìn)行二次診斷，有效提高故障 診斷的準(zhǔn)確性；可用于額定工況、不同穩(wěn)態(tài)工況以及變工況動(dòng)態(tài)過(guò)程熱力系統(tǒng)故障的診斷， 在熱力系統(tǒng)在線故障診斷中存在廣泛的適用性。【附圖說(shuō)明】 圖1為流程圖。 圖2為600Mff#l高加管系泄漏6% (F1)診斷結(jié)果。 圖3為600Mff#2高加進(jìn)出水室短路20% (F5)診斷結(jié)果。 圖4為540Mff#l高加管系泄漏6% (F1)診斷結(jié)果。 圖5為540Mff#2高加進(jìn)出水室短路20% (F5)診斷結(jié)果。 圖6為480Mff#l高加管系泄漏6% (F1)診斷結(jié)果。 圖7為480Mff#2高加進(jìn)出水室短路20% (F5)診斷結(jié)果?！揪唧w實(shí)施方式】 本專利技術(shù)提出，下面結(jié)合附圖和具體 實(shí)施例對(duì)本專利技術(shù)作詳細(xì)說(shuō)明。本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法，其特征在于，包括如下步驟：1)獲取機(jī)組工作在額定工況下熱力系統(tǒng)故障的特征參數(shù)，確定額定工況下特征參數(shù)的正常值；2)采用征兆計(jì)算方法對(duì)熱力系統(tǒng)故障的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，運(yùn)用引力搜索算法獲取熱力系統(tǒng)的典型故障原型以反映不同熱力系統(tǒng)故障的特征；3)根據(jù)熱力系統(tǒng)故障特征參數(shù)的實(shí)測(cè)值和正常值計(jì)算實(shí)時(shí)故障征兆；4)比較實(shí)時(shí)故障征兆與典型故障原型的相似性，模糊最近鄰分類器給出故障隸屬度；5)將每個(gè)模糊最近鄰分類器給出的故障隸屬度送入神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)融合模糊最近鄰分類器給出的故障隸屬度，進(jìn)行二次診斷，給出最終的診斷結(jié)果。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王曉霞，馬良玉，
申請(qǐng)(專利權(quán))人：華北電力大學(xué)保定，
類型：發(fā)明
國(guó)別省市：河北;13