CN113781758A - 面向高端燃煤发电装备的变量协同动态报警阈值优化方法 - Google Patents

Abstract

本发明公开了一种面向高端燃煤发电装备的变量协同动态报警阈值优化方法。本发明针对高端燃煤发电过程中的磨煤机设备，考虑了非平稳变工况运行下的变量协同动态报警阈值优化。借助时序分割有序聚类方法将非平稳过程的历史正常数据划分至若干工况(包括稳态、过渡过程)，每种工况用一个多元高斯分布模型进行数学表征。在线时，根据时序分割有序聚类方法将当前数据分类到所属工况，选取当前工况的多元高斯模型，从而根据条件概率进行阈值设计。该方法可满足全工况下的准确报警，对保证过程安全运行和人员安全有重大意义。

Description

面向高端燃煤发电装备的变量协同动态报警阈值优化方法

技术领域

本发明属于非平稳高端燃煤发电过程报警管理领域，特别是涉及了一种变量协同动态报警阈值优化方法。

背景技术

报警***对现代工业过程的安全、高效运行起到至关重要的作用。例如分布式控制***(DCS)和监测控制和数据采集***(SCADA)，对一些重要的过程变量与其配置的高(低)报警阈值进行实时比较，如果变量超出阈值，则触发报警以告知操作人员。

一般来说，报警阈值是根据出厂保护定值或者在调试期间仔细确定的，如若设置不当，会导致误报和漏报的情况发生，关乎到整个报警***的性能。然而工业过程投入生产运行后，缺乏对报警阈值的定期、大规模的维护与更改。目前，现有的报警***普遍存在的问题是报警泛滥，产生的报警分为干扰报警和正确报警两类。首先，大量的报警属于干扰报警一类，它们不提供任何有用的信息，只会分散操作员的注意力。其次，即便所有报警都是正确的，操作员也无法在短时间内处理大量的报警信息，只能忽略许多已发生的报警。在真正发生重大灾害时，故障根源很可能埋没在大量的报警之中，无法及时被定位和应对。

针对上述报警***的报警泛滥问题，学术界提出了很多基于数理统计的阈值优化设计方法，例如最为经典的是三倍标准差法准则。另外一种主流的阈值设计思路是对误报率和漏报率进行权衡，此时的阈值设计实际上是一个优化问题。然而，上述阈值设计方法都是从单变量角度出发，忽略了工业过程固有的耦合性。该特性在进行报警阈值设计时不容忽视，否则会容易引发误报率和漏报率。为此，有学者从变量协同的角度出发，分别计算两个或多个过程变量之间与报警数据之间的相关性，通过设置阈值使差异尽可能的小，说明报警情况比较反应过程特性，但无法根据不同工况来动态优化阈值。

发明内容

本发明的目的在于针对现有报警阈值设计的不合理，提供一种面向高端燃煤发电装备的变量协同动态报警阈值优化方法。该方法考虑到固定的阈值无法适应不同工况，借助时序分割有序聚类方法将非平稳过程的历史正常数据划分至若干工况(包括稳态、过渡过程)，每种工况用一个多元高斯模型表征，该工况下的每个过程变量借助条件概率分布来估计出当前其他变量取值情况下的动态阈值。在线时，根据时序分割有序聚类方法将当前数据分类到所属工况，选取当前工况的多元高斯模型，从而根据条件概率进行阈值设计。本发明为非平稳过程下的阈值优化工作提出了一种新的分析思路，该方法可满足全工况下的准确报警，对保证过程安全运行和人员安全有重大意义。

本发明的目的是通过以下技术方案来实现：

面向高端燃煤发电装备的变量协同动态报警阈值优化方法，该方法包括以下步骤：

(1)获得非平稳过程数据：获取高端燃煤发电装备正常运行时J个过程变量的T(t＝1，2，...，T)个连续采样数据，其二维数据矩阵表示为X(T×J)；

(2)利用时序分割有序聚类方法将步骤(1)获得的非平稳过程数据聚类划分工况类别，并获得每个工况类别的多元高斯分布的数学表征

其中，μ_i表示为第i个工况类别的均值，∑_i表示为第i个工况类别的协方差。

(3)实时采集高端燃煤发电装备运行时新的过程变量数据x_new(1×J)，对x_new(1×J)进行时序拓展，得到{x_new-ω+1，…，x_new}，ω为时序拓展阶次；并通过时序分割有序聚类方法的E步将当前新的过程变量数据分配到步骤(2)聚类的某一工况类别i中；

(4)基于对应工况类别的多元高斯分布，对时序拓展后的过程变量数据进行变量协同阈值设计，具体为：将Jω维的过程变量组表示为当前要阈值设计的变量x¹与除x¹之外的所有过程变量的x²组合

其中x¹维度为1；x²维度为Jω-1；

均值向量对应拆分为：

协方差矩阵对应拆分为：

其中，∑¹¹表示变量x¹与变量x¹的协方差矩阵，∑¹²表示变量x¹与其他变量x²的协方差矩阵，∑²¹表示其他变量x²与变量x¹的协方差矩阵，∑¹¹表示其他变量x²与其他变量x²的协方差矩阵。

变量x¹在其他变量x²取值给定时，呈现条件高斯分布：

其中，条件均值为：

条件方差为：

根据条件高斯分布确定变量x¹的报警阈值，对每个变量逐一进行变量协同阈值设计，获得所有变量的报警阈值。

进一步地，步骤1中，测量变量包括：给煤量、磨煤机电流、旋转分离器电流、出口压力、进口一次风温、进口一次风压、密封风压力、出口风粉混合物温度。

进一步地，所述步骤2由以下子步骤来实现：

(2.1)参数选择：结合贝叶斯信息准则(BIC)指标与机理事先确定类别个数I、时序拓展阶次ω、一范数正则化参数λ、时序一致约束系数β；

(2.2)进行聚类：根据选定的时序拓展阶次ω，非平稳过程数据中每个样本x_t被时序扩展成{x_t-ω+1，…，x_t}的形式；非平稳过程数据的二维数据矩阵表示为X(T×Jω)；根据时序分割有序聚类方法来进行聚类，获得I(i＝1，2，...，I)个工况类别与其对应的多元高斯分布表征

进一步地，所述步骤4中，根据条件高斯分布确定变量x¹的报警阈值，具体为：

取置信度为95％，则x¹的高报警阈值为μ_1|2+2∑_1|2，低报警阈值为μ_1|2-2∑_1|2。

与现有技术相比，本发明的有益效果是：本发明为针对高端燃煤发电非平稳运行过程数据的报警变量阈值优化技术提供了新的研究思路。通过提出一种基于工况指示变量将原本的非平稳运行数据重构成若干个平稳的工况段，每个段内各自进行概率统计，获得该工况下的阈值。在线应用时，根据工况指示变量的值来匹配相应的阈值，实现根据当前工况进行动态的阈值设置，有助于降低误报。所提方法针对实际工业数据进行了充分的实验研究，并获得了成功应用。

附图说明

图1是本发明所述变量协同动态报警阈值优化的流程图。

图2是本发明所述工况模态划分结果与相应阈值示意图。

图3是本发明所述有阈值优化的故障数据应用结果图。

图4是常规无阈值优化的故障数据应用结果图。

具体实施方式

本发明深入考虑了高端燃煤发电装备多工况运行和变量耦合的特点，采用基于有序分割聚类方法进行工况划分，进而通过多元高斯分布表征来实现变量协同报警阈值设计，提出了一种面向高端燃煤发电装备的变量协同报警阈值优化方法。下面结合附图及具体实例，对本发明做进一步说明。

本发明提出的面向高端燃煤发电装备非平稳运行的单变量报警阈值优化方法，包括以下步骤：

(1)获得非平稳过程数据：在本实例中，采集了约24480个样本用于建模，测量变量为8个：给煤量、磨煤机电流、旋转分离器电流、出口压力、进口一次风温、进口一次风压、密封风压力、出口风粉混合物温度。故障集一共采集了2000个样本，其中故障起始时间为第674个样本，用于检验所提阈值优化方法的报警性能，其中故障为磨煤机出口温度低。

(2)利用时序分割有序聚类方法(Toeplitz Inverse Covariance-BasedClustering，TICC)划分工况，该步骤由以下子步骤来实现：

(2.1)参数选择：结合贝叶斯信息准则(BIC)指标与机理事先确定类别个数6、时序拓展阶次ω为3、一范数正则化参数λ为0.11、时序一致约束系数β为15；

(2.2)进行聚类：根据选定的时序拓展阶次ω，非平稳过程数据中每个样本x_t都被时序扩展成了{x_t-2，x_t-1，x_t}的形式；非平稳过程数据的二维数据矩阵表示为X(T×Jω)；根据时序分割有序聚类方法来进行聚类，获得I(i＝1，2，...，I)个类别与其对应的多元高斯分布表征

以及每个样本时刻t对应的类别标签i；这里μ_i表示为第i个类别的均值，∑_i表示为第i个类别的协方差；由此，不同的类别可看作非平稳过程的不同工况，并且获得了其多元高斯分布的数学表征；

由此，该工况下的每个过程变量可以借助条件概率分布来估计出当前其他变量取值情况下的动态阈值。变量协同阈值设计方法具体为：以某一样本时刻t为例，根据类别标签i选取对应的多元高斯分布模型

则Jω维的过程变量组

其中x¹为当前要阈值设计的变量，维度为1；x²为除x¹之外的所有过程变量，维度为Jω-1；

均值向量对应拆分为：

协方差矩阵对应拆分为：

变量x¹在其他变量x²取值给定时，呈现条件高斯分布：

其中，条件均值为：

条件方差为：

进而根据条件高斯分布确定变量x¹的报警阈值，本实施例中具体为取置信度为95％，x¹的高报警阈值为μ_1|2+2∑_1|2，低报警阈值为μ_1|2-2∑_1|2；对每个变量逐一进行变量协同阈值设计，即当前要阈值设计的变量作为x¹，除x¹之外的所有过程变量作为x²，参照当前步骤确定高报警阈值、低报警阈值；

(3)在线应用时，具体为：

(3.1)采集过程变量的新样本数据与工况识别：采集新的过程变量数据x_new(1×J)，其中，下标new代表新样本；参照步骤(2.2)对x_new(1×J)进行时序拓展，得到{x_new-ω+1，…，x_new}，进而通过时序分割有序聚类方法算法的E步将当前样本分配到某一工况类别i中；

(3.2)报警阈值选取：依据变量协同阈值设计方法将{x_new-ω+1，…，x_new}和

带入公式(2)至(5)，逐一计算出当前时刻的所有过程变量的的高报警阈值、低报警阈值；

(3.3)在线判断过程运行状态：实时比较高、低报警阈值与对应变量的当前值；当任一变量值超出了阈值范围，则触发该变量的报警信息，需要现场查看。

以下为利用本发明的阈值优化方法及常规方法在线监测故障样本的结果以进一步说明本发明的效果：

选取一段正常数据用时序分割有序聚类方法进行建模，聚类结果如附图2所示，一共获得6类工况和各自覆盖的样本范围，图中的横坐标为样本时刻，纵坐标为每个时刻对应的类别。

紧接着对一段样本数为2000的故障样本进行在线应用，结果如附图3所示。由附图3可见，阈值随着工况的切换而动态调整，并且考虑了变量之间固有的耦合性。

作为对比，这里用无优化的阈值对同一段故障样本进行在线应用，结果如附图4所示。经计算，在故障期间，有阈值优化的报警率为86.7％，无阈值优化的报警率为92.9％；而在正常运行期间，有阈值优化的误报率为3.7％，无阈值优化的报警率为37.5％。所提方法可以灵敏地跟随工况切换而动态调整阈值，有效降低误报率，且同样有着良好的故障检测性能。

总体来说，基于本发明提出的基于时序分割有序聚类和条件阈值计算方法考虑到非平稳过程的不同工况对数据分布带来较大影响的特点，可以动态地选取合适的工况模型，并且基于每个工况的多元高斯分布表征进行条件阈值的计算，有助于降低误报，提高报警***性能。

应该理解，本发明并不局限于上述具体实施例的高端燃煤发电设备中的磨煤机过程，凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围。

Claims (4)

1.一种面向高端燃煤发电装备的变量协同动态报警阈值优化方法，其特征在于，该方法包括以下步骤：

(1)获得非平稳过程数据：获取高端燃煤发电装备正常运行时J个过程变量的T(t＝1，2，...，T)个连续采样数据，其二维数据矩阵表示为X(T×J)；

(2)利用时序分割有序聚类方法将步骤(1)获得的非平稳过程数据聚类划分工况类别，并获得每个工况类别的多元高斯分布的数学表征

其中，μ_i表示为第i个工况类别的均值，∑_i表示为第i个工况类别的协方差。

(3)实时采集高端燃煤发电装备运行时新的过程变量数据x_new(1×J)，对x_new(1×J)进行时序拓展，得到{x_new-ω+1，…，x_new}，ω为时序拓展阶次；并通过时序分割有序聚类方法的E步将当前新的过程变量数据分配到步骤(2)聚类的某一工况类别i中；

(4)基于对应工况类别的多元高斯分布，对时序拓展后的过程变量数据进行变量协同阈值设计，具体为：将Jω维的过程变量组表示为当前要阈值设计的变量x¹与除x¹之外的所有过程变量的x²组合

其中x¹维度为1；x²维度为Jω-1；

均值向量对应拆分为：

协方差矩阵对应拆分为：

其中，∑¹¹表示变量x¹与变量x¹的协方差矩阵，∑¹²表示变量x¹与其他变量x²的协方差矩阵，∑²¹表示其他变量x²与变量x¹的协方差矩阵，∑¹¹表示其他变量x²与其他变量x²的协方差矩阵。

变量x¹在其他变量x²取值给定时，呈现条件高斯分布：

其中，条件均值为：

条件方差为：

根据条件高斯分布确定变量x¹的报警阈值，对每个变量逐一进行变量协同阈值设计，获得所有变量的报警阈值。

2.根据权利要求1所述的面向高端燃煤发电装备的变量协同动态报警阈值优化方法，其特征在于，步骤1中，测量变量包括：给煤量、磨煤机电流、旋转分离器电流、出口压力、进口一次风温、进口一次风压、密封风压力、出口风粉混合物温度。

3.根据权利要求1所述的面向高端燃煤发电装备的变量协同动态报警阈值优化方法，其特征在于，所述步骤2由以下子步骤来实现：

(2.1)参数选择：结合贝叶斯信息准则(BIC)指标与机理事先确定类别个数I、时序拓展阶次ω、一范数正则化参数λ、时序一致约束系数β；

(2.2)进行聚类：根据选定的时序拓展阶次ω，非平稳过程数据中每个样本x_t被时序扩展成{x_t-ω+1，…，x_t}的形式；非平稳过程数据的二维数据矩阵表示为X(T×Jω)；根据时序分割有序聚类方法来进行聚类，获得I(i＝1，2，...，I)个工况类别与其对应的多元高斯分布表征

4.根据权利要求1所述的面向高端燃煤发电装备的变量协同动态报警阈值优化方法，其特征在于，所述步骤4中，根据条件高斯分布确定变量x¹的报警阈值，具体为：

取置信度为95％，则x¹的高报警阈值为μ_1|2+2∑_1|2，低报警阈值为μ_1|2-2∑_1|2。

Images