CN114323691B - 一种压缩空气储能***气路故障诊断装置及方法 - Google Patents

Abstract

本发明公开了一种压缩空气储能***气路故障诊断装置及方法，包括以下步骤：采集待测储能***运行时环境温度压力、膨胀机排气温度压力以及储气罐进出口压力，并对获得的气路信号进行小波去噪处理；将去噪后的信号输入到预训练好的支持向量机故障识别模块中，得到储能装置的运行状态；若识别为储能过程故障，则确定多级压缩机以及换热器的性能衰退程度；若识别为释能过程故障，则确定多级膨胀机以及换热器性能衰退程度；若识别为待机过程故障，待机过程诊断模块通过监测储气/储热罐的出口温度压力，与基线允许范围对比分析，判断储气罐是否存在漏气或储热罐存在热泄露等故障。

Description

一种压缩空气储能***气路故障诊断装置及方法

技术领域

本发明主要涉及一种压缩空气储能***气路故障诊断装置及方法，具体来说，提出基于支持向量机故障识别模块，储能与释能过程故障评估模块，待机过程故障诊断模块。

背景技术

压缩空气储能***作为一种新型大规模清洁储能技术，可有效改善可再生能源存在的严重的弃风弃光问题。然而，压缩空气储能***由于在运行较长时间后，气路部件如压缩机、膨胀机及换热器等往往会出现腐蚀、结垢、侵蚀等造成性能衰退的现象，同时待机阶段可能存在储气罐或管路漏气等，这些气路故障严重影响整个储能***的安全高效运行。同时，由于压缩空气储能***结构复杂，涉及多级压缩机、多级膨胀机及多个换热器，对其进行快速的气路故障诊断极具挑战性。更为严重的是，目前尚未有行之有效的诊断方法。因而，对先进压缩空气储能进行气路故障诊断至关重要。本发明就在此背景下提出的。

发明内容

本发明为解决现有压缩空气储能***因气路部件故障导致安全性和经济性问题。提出了一种压缩空气储能***的气路故障诊断装置及方法，其特征为：故障识别模块通过预训练的支持向量机判断是储能过程还是释能过程的气路部件发生故障；储能/释能过程故障评估模块通过扩展卡尔曼滤波器结合各自过程所搭建的非线性模型确定气路部件的性能衰退程度；待机阶段故障诊断模块通过自联想神经网络建立储气罐出口压力基线和储热罐出口温度基线，用以判断待机阶段的储气罐是否存在漏气以及储热(冷)水罐是否存在热(冷)泄露故障。

本发明为解决现有压缩空气储能***因气路部件故障导致安全性和经济性问题。进而提出了一种压缩空气储能***的气路故障诊断装置及方法。

本发明为解决技术问题所采用的技术方案为：

一种压缩空气储能***的气路故障诊断装置，所述压缩空气储能***包括储能单元、释能单元、储气罐、换热单元，所述储能单元包括空气压缩机组、级间降温换热器，所述释能单元包括膨胀机组、级间升温换热器，所述换热单元包括储热水罐、储冷水罐，各所述级间降温换热器、级间升温换热器、储热水罐、储冷水罐通过管路形成回路，所述储热水罐用以存储压缩储能过程中产生的压缩热量，所述储冷水罐用以存储膨胀释能过程中产生的膨胀冷量，所述气路故障诊断装置包括基于支持向量机的故障识别模块、储能/释能过程故障评估模块，待机过程故障诊断模块，其特征在于，

所述故障识别模块，通过带储能过程故障与释能过程故障类别标签的数据训练支持向量机模型这一机器学习算法，学习故障数据与故障类别标签之间的非线性映射关系，则训练好的支持向量机模型可自动识别不同过程故障；

所述储能/释能过程故障评估模块，包括储能过程故障评估模块以及释能过程评估模块，其中，所述储能过程故障评估模块通过扩展卡尔曼滤波器结合储能过程非线性模型信息与测量信息，跟踪气路部件的衰退程度；释能过程故障评估模块通过扩展卡尔曼滤波器结合释能过程非线性模型信息与测量信息跟踪气路部件的衰退程度；

所述待机过程故障诊断模块，包括自联想神经网络AANN诊断模型，所述自联想神经网络AANN诊断模型根据不同工况下压缩空气储能***在待机阶段正常运行时储气罐、储热水罐、储冷水罐的出口温度压力基线，并依据基线确定健康部件待机阶段的正常范围。

优选地，所述储能过程故障评估模块涉及各级压缩机及级间降温换热器。

优选地，所述释能过程故障评估模块涉及各级膨胀机及级间升温换热器。

优选地，所述待机过程故障诊断模块中，当监测出储气罐出口压力大幅度低于基线允许范围时，可判断储气罐存在漏气；当监测出储热水罐、和/或储冷水罐出口温度大幅度低于温度基线允许范围时，可判断储热水罐、和/或储冷水罐存在热泄露问题。

本发明的另一个发明目的在于提供了一种基于上述装置进行压缩空气储能***气路故障诊断的方法，其特征在于，所述方法至少包括如下步骤，

SS1.采集待测压缩空气储能***运行时环境温度压力、各级膨胀机的排气温度、排气压力以及储气罐的进、出口压力等储能气路信号，并对各储能气路信号进行小波去噪处理；

SS2.将去噪后的储能气路信号输入到预先训练好的支持向量机故障识别模块中，得到储能***的运行状态；

SS3.若识别为储能过程中气路部件发生故障，则依托建立的储能过程故障评估模块确定多级压缩机以及级间降温换热器的性能衰退程度；

SS4.若识别为释能过程中气路部件发生故障，则需通过建立的释能过程故障评估模块确定多级膨胀机以及级间升温换热器的性能衰退程度；

SS5.若识别为待机过程故障，此时采用自联想神经网络建立的温度压力基线模型允许范围判断故障位置。

优选地，所述储能过程故障评估模块由储能过程非线性模型和扩展卡尔曼滤波器组成，扩展卡尔曼滤波器结合同一工况下储能***测量信息与非线性模型信息，经过时间更新和测量更新，当残差达到较小范围时，可确定储能过程中气路部件性能参数(多级压缩机效率流量以及换热器换热有效度)的变化情况，其中测量参数y主要为各级压缩机的进出口温度压力以及各级间降温换热器进出口流体温度。

优选地，所述释能过程故障评估模块由释能过程非线性模型和扩展卡尔曼滤波器组成，通过扩展卡尔曼滤波器结合释能过程的非线性模型信息与监测的多级膨胀机进出口温度压力以及各级间升温换热器进出口流体温度等测量信息，确定释能过程中气路部件性能参数(多级膨胀机效率流量以及换热器换热有效度)的变化情况，其中测量参数y主要为各级膨胀机进出口温度、压力以及各级间升温换热器进出口流体温度。

优选地，所述自联想神经网络模型基于待机阶段储气罐、储热水罐、储冷水罐在正常状态下的出口压力温度基线允许范围，当储气罐出口压力偏离基线允许范围时，判断储气罐存在漏气故障；当储热水罐、储冷水罐出口温度偏离基线允许范围时，可判断储热水罐、储冷水罐存在热泄露故障。

本发明的压缩空气储能***的气路故障诊断装置及方法相对于现有技术的显著优点是：基于支持向量机的识别模块将气路故障隔离在储能、释能以及待机过程，提高故障的诊断速度。基于扩展卡尔曼滤波器的储能/释能过程故障评估模块充分结合不同过程的非线性***信息和测量信息，进一步确定气路故障的衰退程度，实现对压缩空气储能气路故障的定量诊断；基于自联想神经网络建立待机阶段的部件出口压力温度基线，以判断储气罐和储冷(热)水罐是否发生泄露故障。整个气路诊断模型为压缩空气储能***其提供早期的故障预警，合理安排维修计划，保证***的安全性与经济性。

附图说明

图1为本发明的压缩空气储能***的气路故障诊断方法示意图；

图2为储能/释能过程气路故障评估模块图；

图3为待机过程故障诊断示意图；

附图标记说明：

1-低压压缩机，2-级间降温换热器，3-高压压缩机，4-级间降温换热器，5-级间升温换热器，6-高压膨胀机，7-级间升温换热器，8-低压膨胀机，9-储热水罐，10-储气罐，11-储冷水罐。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1～3所示，本发明的压缩空气储能***的气路故障诊断装置，压缩空气储能***包括储能单元、释能单元、储气罐10、换热单元，储能单元包括空气压缩机组(包括低压压缩机1、高压压缩机3)、级间降温换热器2,4，释能单元包括膨胀机组(包括高压膨胀机6、低压膨胀机8)、级间升温换热器5,7，换热单元包括储热水罐9、储冷水罐11，各级间降温换热器2,4、级间升温换热器5,7、储热水罐9、储冷水罐11通过管路形成回路，储热水罐9用以存储压缩储能过程中产生的压缩热量，储冷水罐11用以存储膨胀释能过程中产生的膨胀冷量，气路故障诊断装置包括基于支持向量机的故障识别模块A、储能/释能过程故障评估模块B和待机过程故障诊断模块C，其中，

故障识别模块A，通过带储能过程故障与释能过程故障类别标签的数据训练支持向量机模型，学习故障数据与故障类别标签之间的非线性映射关系，训练好的支持向量机模型可自动识别不同过程故障；

储能/释能过程故障评估模块B，包括储能过程故障评估模块以及释能过程评估模块，其中，储能过程故障评估模块通过扩展卡尔曼滤波器结合储能过程非线性模型信息与测量信息，跟踪气路部件的衰退程度，而储能过程涉及低压压缩机1、高压压缩机3以及级间降温换热器2,4；释能过程故障评估模块通过扩展卡尔曼滤波器结合释能过程非线性模型信息与测量信息跟踪气路部件的衰退程度，而释能过程涉及高压膨胀机6、低压膨胀机8以及级间升温换热器5,7；

待机过程的故障诊断模块C，主要由自联想神经网络AANN诊断模型构成，这一模型可以得到不同工况下压缩空气储能***装置在待机阶段正常运行时储气罐、储热水罐、储冷水罐出口温度压力基线，并依据基线确定健康部件待机阶段的正常范围。当传感器监测得的储气罐出口压力大幅度低于基线允许范围时，可判断储气罐存在漏气；当传感器监测的储热水罐、储冷水罐的出口温度大幅度低于温度基线允许范围时，可判断储热水罐、储冷水罐存在热泄露问题。

利用本发明的上述装置进行压缩空气储能***的气路故障诊断时，主要包括以下步骤：

SS1.采集待测储能***运行时环境温度压力.膨胀机排气温度压力以及储气罐进出口压力，并对该气路信号进行小波去噪处理；

SS2.将去噪后的信号输入到预训练好的支持向量机故障识别模块中，得到储能***的运行状态；

SS3.若识别为储能过程中气路部件发生故障，则依托建立的储能过程故障评估模块确定多级压缩机以及换热器的性能衰退程度。该评估模块由储能过程非线性模型和扩展卡尔曼滤波器组成，扩展卡尔曼滤波器结合同一工况u下储能***测量信息y与非线性模型信息

经过时间更新和测量更新，当残差e达到较小范围时，可确定储能过程中气路部件性能参数p(多级压缩机效率流量以及换热器换热有效度)的变化情况。其中测量参数y主要为低压压缩机1，高压压缩机3进出口温度压力以及换热器2,4进出口流体温度；

SS4.若识别为释能过程中气路部件发生故障，则需通过建立的释能过程故障评估模块确定高压膨胀机6，低压膨胀机8以及换热器5,7的性能衰退程度。该评估模块通过扩展卡尔曼滤波器结合释能过程的非线性模型信息

与监测的多级膨胀机进出口温度压力以及换热器进出口流体温度等测量信息y，确定释能过程中气路部件性能参数p(多级膨胀机效率流量以及换热器换热有效度)的变化情况。发明中所提出的基于支持向量机故障识别模块，储能及释能过程故障评估模块具有广泛应用价值。

SS5.若识别为待机过程故障，此时采用自联想神经网络建立的温度压力基线模型允许范围判断故障位置。具体为自联想神经网络模型可以获得待机阶段储气罐/储热水罐/储冷水罐在正常状态下的出口压力温度基线允许范围。当储气罐10出口压力偏离基线允许范围时，可判断储气罐存在漏气故障；当储热(冷)水罐9，11出口温度偏离基线允许范围时，可判断储热(冷)水罐存在热泄露故障。

通过上述实施例，完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明，但应知道，本发明并不限于所公开的实施例，任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (8)

1.一种压缩空气储能***的气路故障诊断装置，所述压缩空气储能***包括储能单元、释能单元、储气罐、换热单元，所述储能单元包括空气压缩机组、级间降温换热器，所述释能单元包括膨胀机组、级间升温换热器，所述换热单元包括储热水罐、储冷水罐，各所述级间降温换热器、级间升温换热器、储热水罐、储冷水罐通过管路形成回路，所述储热水罐用以存储压缩储能过程中产生的压缩热量，所述储冷水罐用以存储膨胀释能过程中产生的膨胀冷量，所述气路故障诊断装置包括基于支持向量机的故障识别模块、储能/释能过程故障评估模块，待机过程故障诊断模块，其特征在于，

所述故障识别模块，通过带储能过程故障与释能过程故障类别标签的数据训练支持向量机模型这一机器学习算法，学习故障数据与故障类别标签之间的非线性映射关系，则训练好的支持向量机模型可自动识别不同过程故障；

所述储能/释能过程故障评估模块，包括储能过程故障评估模块以及释能过程评估模块，其中，所述储能过程故障评估模块通过扩展卡尔曼滤波器结合储能过程非线性模型信息与测量信息，跟踪气路部件的衰退程度；释能过程故障评估模块通过扩展卡尔曼滤波器结合释能过程非线性模型信息与测量信息跟踪气路部件的衰退程度；

所述待机过程故障诊断模块，包括自联想神经网络AANN诊断模型，所述自联想神经网络AANN诊断模型根据不同工况下压缩空气储能***在待机阶段正常运行时储气罐、储热水罐、储冷水罐的出口温度压力基线，并依据基线确定健康部件待机阶段的正常范围。

2.根据权利要求1所述的气路故障诊断装置，其特征在于，所述储能过程故障评估模块涉及各级压缩机及级间降温换热器。

3.根据权利要求1所述的气路故障诊断装置，其特征在于，所述释能过程故障评估模块涉及各级膨胀机及级间升温换热器。

4.根据权利要求1所述的气路故障诊断装置，其特征在于，所述待机过程故障诊断模块中，当监测出储气罐出口压力大幅度低于基线允许范围时，判断储气罐存在漏气：当监测出储热水罐、和/或储冷水罐出口温度大幅度低于温度基线允许范围时，判断储热水罐、和/或储冷水罐存在热泄露问题。

5.一种基于权利要求1~4任一项所述的装置进行压缩空气储能***气路故障诊断的方法，其特征在于，所述方法至少包括如下步骤，

SS1. 采集待测压缩空气储能***运行时环境温度压力、各级膨胀机的排气温度、排气压力以及包括储气罐的进口压力、出口压力的储能气路信号，并对各储能气路信号进行小波去噪处理；

SS2. 将去噪后的储能气路信号输入到预先训练好的支持向量机故障识别模块中，得到储能***的运行状态；

SS3. 若识别为储能过程中气路部件发生故障，则依托建立的储能过程故障评估模块确定多级压缩机以及级间降温换热器的性能衰退程度；

SS4. 若识别为释能过程中气路部件发生故障，则需通过建立的释能过程故障评估模块确定多级膨胀机以及级间升温换热器的性能衰退程度；

SS5. 若识别为待机过程故障，此时采用自联想神经网络建立的温度压力基线模型允许范围判断故障位置。

6.根据权利要求5所述的方法，其特征在于，所述储能过程故障评估模块由储能过程非线性模型和扩展卡尔曼滤波器组成，扩展卡尔曼滤波器结合同一工况下储能***测量信息与非线性模型信息，经过时间更新和测量更新，当残差达到较小范围时，确定储能过程中包括多级压缩机效率流量以及换热器换热有效度在内的气路部件性能参数的变化情况，其中测量参数主要为各级压缩机的进出口温度压力以及各级间降温换热器进出口流体温度。

7.根据权利要求5所述的方法，其特征在于，所述释能过程故障评估模块由释能过程非线性模型和扩展卡尔曼滤波器组成，通过扩展卡尔曼滤波器结合释能过程的非线性模型信息与监测的多级膨胀机进出口温度压力以及各级间升温换热器进出口流体温度测量信息，确定释能过程中包括多级膨胀机效率流量以及换热器换热有效度在内的气路部件性能参数的变化情况，其中测量参数主要为各级膨胀机进出口温度、压力以及各级间升温换热器进出口流体温度。

8.根据权利要求5所述的方法，其特征在于，所述自联想神经网络模型基于待机阶段储气罐、储热水罐、储冷水罐在正常状态下的出口压力温度基线允许范围，当储气罐出口压力偏离基线允许范围时，判断储气罐存在漏气故障；当储热水罐、储冷水罐出口温度偏离基线允许范围时，判断储热水罐、储冷水罐存在热泄露故障。

Images