大型燃煤锅炉异常工况的建模与智能检测方法研究

In the process of large-scale coal-fired thermal power generation, the online detection of abnormal conditions is a necessary precondition for safe and economical production. As thermal power generation systems become more and more integrated, the number of process variables collected from industrial process is very large. In addition, the feature of system condition is not obvious, and the abnormal conditions are difficult to find. Therefore, it is necessary to study the modeling and testing method of abnormal conditions using intelligent method based on data-driven. The present project intends to study the online modeling and detection method of abnormal operating conditions of large-scale coal-fired power plants based on artificial intelligence technology. Firstly, we study the feature extraction method of abnormal working conditions, design intelligent feature extraction algorithm, and establish the correlation model of process variables and condition indexes. Then, the dynamic test statistic for multi-condition is studied, based on this, a real-time detection method combined with deep learning and statistical testing will be developed. Finally, the actual industrial data collected from the coal-fired boiler system of the large generating units of coal-fired power plants are used to verify the theoretical methods. The research results of this project not only have important theoretical significance, but also have important application value for improving the safety and economic operation of large coal-fired boilers in thermal power plants.

在大型燃煤火力发电过程中，对系统异常工况的实时检测是安全性、经济性生产的必要前提。随着火力发电系统的集成度越来越高，实际工业现场采集到的过程变量数量庞大，系统工况特征不明显，异常工况难以发现，因此采用基于数据的智能方法研究异常工况的建模与检测十分必要。本课题拟基于人工智能技术研究复杂条件下大型火力发电机组燃煤锅炉异常工况的建模与实时检测方法，首先挖掘异常工况的数据表征模式，设计特征模式的智能提取方案，建立过程变量与工况指标的关联模型；然后研究适用于多工况条件下的动态检测统计量，开发融合深度学习与统计检验的异常工况实时检测方案；最后以煤电企业大型发电机组燃煤锅炉系统的实际工业数据为基础对理论研究结果进行实验验证和工业应用研究。本课题的研究成果不仅具有重要的理论意义，而且对提高火电厂大型燃煤锅炉安全、经济运行具有重要的应用价值。

在大型燃煤火力发电过程中，对系统异常工况的实时检测是安全性、经济性生产的必要前提。随着火力发电系统的集成度越来越高，实际工业现场采集到的过程变量数量庞大，系统工况特征不明显，异常工况难以发现，因此采用基于数据的智能方法研究异常工况的建模与检测十分必要。本课题基于数据驱动，采用统计理论与智能计算融合的方法研究复杂条件下大型火力发电机组燃煤锅炉异常工况的建模与实时检测。主要研究内容包括基于统计理论的过程变量关键性能参数实时检测研究、大型燃煤锅炉异常工况实时检测理论研究，以及理论方法在实际工业上的应用研究。关键参数的实时检测是构建异常工况在线诊断模型的基础，目前主流方法是采用基于数据驱动的软测量方法实现。但是，在面对数据不平衡、工况多变、标称数据采样困难的实际问题时，传统的方法实际应用效果不佳。本项目研究提出了采用有偏估计的思路构建关键性能参数估计模型。并提出了训练样本智能优选集的自适应更新方法，可以有效提高模型运行生命周期，在提高关键参数在线检测精度的同时减少了模型人工维护的工作量。针对复杂多工况情况下异常工况的智能检测方面，目前的异常工况检测算法多需要基于完备的故障数据集；在数据完备的情况下，传统的方法如随机森林等可以得到很好的故障检测效果。但是，实际工业数据往往是不完备的：故障类型不完备、故障标签数据少。这使得基于分类的故障检测算法无法实际应用。针对这一问题，本项目研究了基于证据思想的异常工况诊断方法，模型构建及实施不依赖完备的故障数据，而是以历史正常工况数据为基础，辨识正常工况数据边界，根据边界范围判别工况是否为未知工况，指导巡检人员及时进行现场巡检模型具有良好的应用及推广价值。应用研究上，本项目以锅炉及辅机设备故障数据为基础开展研究，以所提出的算法为基础已开发完成相应的工业监控软件，部分成果形成发明专利并申请软件著作权。