基于模型预测的氢压异常检测方法及系统

1.本发明涉及发电技术领域，尤其是一种基于模型预测的氢压异常检测方法及系统。


背景技术：

2.电厂机组的发电机在运行中会发生能量损耗，包括铁芯和绕组的发热，转子转动时气体和转子之间的鼓风摩擦发热，以及励磁损耗、轴承摩擦损耗等，这些损耗最终都转化为热量，致使发电机发热，因此必须及时将这些热量排离。
3.氢气的导热系数是空气的8.4倍，比重小、扩散快，容易输送并可循环使用，能将发电机的热量迅速导出，冷却效率高。另外氢气不能助燃，发电机内充入的含氧量小于2％，一旦发电机绕组击穿时着火的危险性很小。所以汽轮发电机组的发电机一般采用氢气冷却。作为一种冷却方式，发电机内的氢气在发电机的两端风扇的驱动下，以闭式循环方式在发电机内部作强制循环流动，使发电机的铁芯和转子绕组得到冷却。其间，氢气流经位于发电机四角处的四个氢气冷却器，经氢气冷却器冷却后的氢气又重新进入铁芯和转子绕组作反复循环。
4.传统的氢冷系统，氢压正常520kpa，氢压高报警560kpa(上限)、氢压低报警480kpa(下限)。但是在实际运行过程中，氢冷系统作为重要的冷却系统，如果是进行氢压的实时监测，监测到超限再报警，一旦没有及时处理或处理不当，严重时将影响发电厂的经济性和安全性。


技术实现要素：

5.针对现有技术的不足，本发明提供一种基于模型预测的氢压异常检测方法及系统，目的是在氢压异常出现的早期阶段实现预判，便于及时处理，提高运行的安全性。
6.本发明采用的技术方案如下：
7.本技术提供一种基于模型预测的氢压异常检测方法，包括：
8.构建预测模型：所述预测模型基于发电机氢冷系统稳态工况下的历史运行数据，以前一时段发电机冷却系统氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段氢气压力为输出，通过神经网络训练而成；
9.在线预测：采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；
10.超压判定：以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。
11.进一步技术方案为：
12.所述超压判定，还包括：
13.判断所述预测值曲线中相邻的两个预测时刻预测值的变化率是否超过设定值，若超过，则判定存在超压隐患。
14.所述超压判定，还包括：
15.判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患。
16.所述的基于模型预测的氢压异常检测方法，还包括：
17.判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。
18.所述构建预测模型，还包括：
19.采用pca方法对历史运行数据集的多维变量进行降维，再进行稳态判定，选取出机组最佳稳定工况下的运行数据，最后归一化形成训练样本用于模型训练。
20.所述神经网络为bp神经网络。
21.本技术还提供一种基于模型预测的氢压异常检测系统，包括：
22.构建模块，用于构建预测模型，所述预测模型基于发电机氢冷系统覆盖稳态工况下的历史运行数据，以前一时段发电机冷侧氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段氢气压力为输出，通过神经网络训练而成；
23.在线预测模块，用于采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；
24.超压判定模块，用于以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。
25.所述超压判定模块还用于：
26.判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；
27.判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；
28.判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。
29.本技术还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于模型预测的氢压异常检测方法。
30.本技术还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现所述的基于模型预测的氢压异常检测方法。
31.本发明的有益效果如下：
32.本技术基于历史运行数据通过神经网络的训练构建预测模型，基于预测模型获得下一时段的预测值曲线，并根据设定的误差值，得出安全运行的预测值范围，以所述安全运行的预测值范围带约束当前时段的运行值，进行超压风险的在线预判，便于进行超压早期阶段报警，做出超压风险判定时，超压的趋势处于很早期的状态，即系统实际仍处于正常运行状态未产生任何损失。由此可实现提前预警，给保护措施的执行争取了很大的操作空间和应对时间。避免因对应不及时而造成损失，提高了系统运行的安全性。
33.本技术结合设定的误差值获得安全运行的预测值范围带，提高了判别精度，实现以当前运行状态快速、准确判断未来运行状态的目的，提高了检测系统的自动化程度和精度。
34.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
35.图1为本发明实施例检测方法的流程示意图。
36.图2为本发明实施例检测方法超压判定时划分出的预测值范围带示意图。
具体实施方式
37.以下结合附图说明本发明的具体实施方式。
38.各电厂及电力集团公司存储了大量的运行数据及化验数据，形成了覆盖电站机组生产全过程的数据库，这些数据包含着大量的隐含信息。随着先进信息技术的发展以及数据处理技术、数据存储技术、数据分析技术的进步，利用这些海量数据来满足日益提高的系统可靠性要求，从而为火电机组节能降耗减排提供新手段。
39.基于上述的数据分析技术手段，本技术实施例提供一种基于模型预测的氢压异常检测方法，可用于对发电机组氢冷系统的氢压进行预测。氢冷系统的结构主要包括氢冷发电机本体，其上连接有co2和h2的进气管道、放空管道和氢气干燥冷却器，h2进入发电机本体内在密封环境(壳侧)中对发电机线圈进行冷却。氢冷发电机上连接有氢压信号测量采集装置，用于实时采集氢冷发电机运行过程中氢气压力的运行值。
40.参见图1，本实施例的基于模型预测的氢压异常检测方法，包括：
41.s1、构建预测模型：所述预测模型基于发电机氢冷系统覆盖各种运行工况的历史运行数据，以前一时段发电机冷却系统氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段的氢气压力为输出，通过神经网络训练而成。
42.具体的，所述神经网络为bp神经网络。bp神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
43.本实施例在构建基于bp神经网络的预测模型时，由于电厂运行存储的历史数据中存在着大量变工况时记录的数据，机组此时是处于非稳态的运行状况下，这些数据存在较大的动态时滞特性，无法准确表征系统的静态特征，因此需要对数据进行稳态判定。
44.具体的，采用pca方法对数据集的多维变量进行降维，然后再归一化处理，最后再进行稳态判定，选取出机组最佳稳定工况下的运行数据，建立数据集用于模型训练。
45.模型训练时的学习率等参数可根据经验设置，不再赘述。
46.s2、在线预测：采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线。
47.本实施例中所述“当前时段”可以是以当前(预测)时刻为终点、以当前(预测)时刻之前的某一(预测)时刻为起点的一个时间段。所述“下一时段”是以下一(预测)时刻为起点、以距离下一(预测)时刻若干时间的(预测)时刻为终点的一个时间段。当前时段与下一
时段的长度可以相同或不相同，两个时段所包含的预测时刻由采样频率决定。
48.s3、超压判定：以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。
49.如图2所示，误差值可设定为一个固定值，例如
±
2kpa或
±
3kpa，以预测值曲线为中心向上、向下
±
2kpa或
±
3kpa划分出一个安全运行的预测值范围带，如图2中上、下两条虚线之间的范围，可将其视为安全运行的安全带。若当前时段的运行值处于该安全带之内，则判断没有超压风险，否则判断存在超压风险。做出超压风险判定时，超压的趋势处于很早期的状态，即系统实际仍处于正常运行状态未产生任何损失。由此可实现提前预警，给保护措施的执行争取了很大的操作空间和应对时间。
50.所述误差值可以根据氢冷运行的历史数据结合现场设备的铭牌参数及专家经验进行设置氢。
51.通过“安全运行的预测值范围带”的设置，实现以当前运行状态准确判断未来运行状态的目的，提高了系统安全运行的自动化程度。
52.为了进一步严格判定条件，所述超压判定，还包括：
53.判断所述预测值曲线中相邻的两个预测时刻预测值的变化率是否超过设定值(本实施例可以为1kpa/min)，若超过，则判定存在超压隐患。
54.为了进一步严格判定条件，所述超压判定，还包括：
55.判断所述预测值曲线是否包含超过设定的压力限值(本实施例的上下限值分别为560kpa、480kpa)的部分，若包含，则判定存在超压隐患。
56.为了提高自动化操作的程度，本实施例的检测方法，还包括：
57.s4、判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。
58.具体的，可以向发电机氢冷控制系统发出执行信号，执行调节机组负荷、调节阀门等操作。
59.具体的，可以向发电机氢冷控制系统发出报警信号，以便于人工进行系统检查和参数调节，运行参数或执行相应的保护操作。例如，当氢压高报警时，检查补氢压力压力表、补氢门开关状态；检查是否因为引负荷升高导致，氢压超过高限则需要进行排氢。氢压降低速率过快时，检查油氢差压是否正常，氢气纯度仪流量是否过大，提示氢气漏点排查。
60.具体的，可以向发电机氢冷控制系统发出报警信号和执行信号，自动执行保护措施并引起运行人员注意，追踪保护措施的执行效果。
61.综上，本实施例的基于模型预测的氢压异常检测方法，基于历史运行数据通过神经网络的训练构建预测模型，基于预测模型获得下一时段的预测值曲线，并根据设定的误差值，得出安全运行的预测值范围，以所述安全运行的预测值范围带约束当前时段的运行值，进行超压风险的在线预判，便于进行超压早期阶段报警，避免因压力超限而造成损失，提高了机组运行的安全性。
62.本技术实施例还提供一种基于模型预测的氢压异常检测系统，包括：
63.构建模块，用于构建预测模型，所述预测模型基于发电机氢冷系统覆盖各种运行工况的历史运行数据，以前一时段发电机冷却系统氢气的进气温度、出气温度、纯度、消耗
量以及发电机功率为输入，以后一时段的氢气压力为输出，通过神经网络训练而成；
64.在线预测模块，用于采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；
65.超压判定模块，用于以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。
66.所述超压判定模块还用于：
67.判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；
68.判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；
69.判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。
70.本技术实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的基于模型预测的氢压异常检测方法。
71.本技术实施例还提供一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现所述的基于模型预测的氢压异常检测方法。
72.本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于模型预测的氢压异常检测方法，其特征在于，包括：构建预测模型：所述预测模型基于发电机氢冷系统稳态工况下的历史运行数据，以前一时段发电机冷却系统氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段氢气压力为输出，通过神经网络训练而成；在线预测：采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；超压判定：以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。2.根据权利要求1所述的基于模型预测的氢压异常检测方法，其特征在于，所述超压判定，还包括：判断所述预测值曲线中相邻的两个预测时刻预测值的变化率是否超过设定值，若超过，则判定存在超压隐患。3.根据权利要求1所述的基于模型预测的氢压异常检测方法，其特征在于，所述超压判定，还包括：判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患。4.根据权利要求1所述的基于模型预测的氢压异常检测方法，其特征在于，还包括：判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。5.根据权利要求1所述的基于模型预测的氢压异常检测方法，其特征在于，所述构建预测模型，还包括：采用pca方法对历史运行数据集的多维变量进行降维，再进行稳态判定，选取出机组最佳稳定工况下的运行数据，最后归一化形成训练样本用于模型训练。6.根据权利要求1所述的基于模型预测的氢压异常检测方法，其特征在于，所述神经网络为bp神经网络。7.一种基于模型预测的氢压异常检测系统，其特征在于，包括：构建模块，用于构建预测模型，所述预测模型基于发电机氢冷系统覆盖稳态工况下的历史运行数据，以前一时段发电机冷侧氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段氢气压力为输出，通过神经网络训练而成；在线预测模块，用于采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用所述预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；超压判定模块，用于以所述预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据所述预测值范围带与所述运行值曲线之间的偏差，判断是否存在超压隐患。8.根据权利要求7所述的基于模型预测的氢压异常检测系统，其特征在于，所述超压判定模块还用于：判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；
判断所述预测值曲线是否包含超过设定的压力限值的部分，若包含，则判定存在超压隐患；判定存在超压隐患后，向发电机氢冷控制系统发出信号，用于示警或/和执行相应的保护操作。9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至6任一项所述的基于模型预测的氢压异常检测方法。10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至6任一项所述的基于模型预测的氢压异常检测方法。

技术总结
本发明涉及一种基于模型预测的氢压异常检测方法及系统，包括：构建预测模型，其基于发电机氢冷系统稳态工况下的历史运行数据，以前一时段发电机冷却系统氢气的进气温度、出气温度、纯度、消耗量以及发电机功率为输入，以后一时段氢气压力为输出，通过神经网络训练而成；采集发电机氢冷系统当前时段的运行数据，拟合获得氢气压力的运行值曲线，利用预测模型对下一时段氢气压力进行在线预测，并拟合输出预测值曲线；以预测值曲线为中心，根据设定的误差值，划分出安全运行的预测值范围带，根据预测值范围带与运行值曲线之间的偏差，判断是否存在超压隐患。本发明实现在氢压异常出现的早期阶段的预判，提高了系统运行的安全性。提高了系统运行的安全性。提高了系统运行的安全性。


技术研发人员：于沛东 李智华 赵凯 李俊 曹越 展宗波 司风琪 何晓迪 丁衡 刘冰 姜伟 杨红兵 王俊俊 杨振英 刘涛 邵兴恩 弥社刚 卢建荣 陈应贤 陈俊利 康永鑫 王鹏 涂以康 王华
受保护的技术使用者：东南大学
技术研发日：2023.05.05
技术公布日：2023/10/15