机组启动态温度预测模型自适应测试技术

0 引 言

发电厂值班员需要对超过500个以上带跳闸出口功能的温度测点进行监视。这些带跳闸出口功能的温度测点分布于监控系统上位机不同模拟图中［1-4］。依靠值班员人工跟踪变化趋势提前发现异常难度极大。随着机器学习等智能技术蓬勃发展，智能技术在趋势判断和预测方面提供了重要技术手段［5，6］。

然而不容忽视的是，这些智能技术依赖于故障样本，需要大量故障样本参与算法训练过程，才能保证良好的实施效果［3］。在技术成熟的发电厂运维中故障样本数据少之又少［4］。此外更缺少检验智能技术实施效果的测试方法。对于智能技术的应用效果停留在主观模糊的认识，甚至停留于偶然事件的处置中。由此可见，当前急需测试智能趋势判断算法性能的手段和为智能趋势判断算法提供故障样本的方法［7-10］。

现有基于机器学习的机组温度预测模型所需的故障样本，都来自于大修后调试和故障处理。然后实际中一方面，获取这些故障样本代价极高，另一方面，这些故障样本的数值特性不能完全覆盖故障情况下的趋势特征，存在局限性［11］。

针对故障样本不足问题，已有不少文献研究了样本生成技术。文献［12］提出了虚拟样本生成技术。文献［13，14］利用梯度惩罚优化的条件式Wasserstein 生成对抗网络模型指导故障样本生成。上述研究基于不同理论生成故障样本，然而理论较为复杂，对计算都要较高的要求，难以广泛应用于实际生产中。

为解决智能趋势判断算法依赖实测故障样本的局限性并考虑方法的实用性，本文结合工程经验进行标准化，综合历史运行情况、报警阈值、开关量信号等历史数据，提出了故障样本的自适应生成和基于灵敏度的测试方案。所提方法在算法测试时，可以根据机组历史运行情况进行自适应调整，使得获得故障样本和测试智能技术实施效果的工作，得以通过计算机多快好省的一揽子解决。

1 故障样本自适应生成技术

发电厂中不同功能位置类型的温度测点由于监视对象不同，温度测点在不同工况下的变化规律大相径庭。为适应发电厂不同功能位置类型测点的故障样本需求，可以从历史统计获得测点的平均概率下的变化趋势，从报警值获得测值距离报警值的裕量。通过平均概率下的变化趋势叠加裕量，即可自适应获得不同功能位置类型下的故障样本。因此该技术需首先统计温度测点开关量信号测值的历史数据，然后综合历史统计、温度测点报警值、温度测点当前测值计算获得带时标的温度测点模拟测值，具体如下：

基于开关量信号的温度测点测值历史统计由以下步骤获得：

（1）遍历近半年的开关量信号记录，将按顺序同时满足开关量信号集合K的开关量信号取出，按开关量信号集合K的顺序将取出的开关量信号的时间存在时间序列TL中；

（2）遍历近半年的温度测点ID 集合M的温度记录，将时标为时间序列TL且为温度测点集合M的测点测值的最大值取出获得测点测值集合CL；

（3）测点测值集合CL即为基于开关量信号的温度测点测值历史统计。

综合历史统计、温度测点报警值、温度测点当前测值计算获得带时标的温度测点模拟测值由以下步骤获得：

（1）从测点测值集合CL获取平均值Vave，获取机组该测点一级报警值b1，获取机组该测点二级报警值b2。

（2）计算获得叠加斜率k1，叠加斜率k1=b1/Vave-1，计算获得叠加斜率k2，叠加斜率k2=b2/Vave-1。

（3）设i=1，测试样本数yb，公差d=k2-k1。

（4）计算tmp1=k1+（i-1）×d。

（5）当i不大于yb时，将tmp1 存到向量k（i）中，i=i+1，转至（4）步，当i大于yb时，执行第（6）步。

（6）将向量k各元素加0.01后即为叠加斜率向量k。

（7）获取开关量信号集合K中机组开机令信号的时刻T1，机组负荷达到基荷信号的时刻T3。

（8）设i=1。

（9）获取带时标的实测温度测值为x（t），在T1时刻前y（t）=x（t），在T1和T3之间y（t）=x（t）×［1+k（i）］，在T3时刻之后y（t）=x（t）+［y（T3）-x（T3）］。

（10）当i不大于yb时，将列向量y转置后存到矩阵yy中，i=i+1，转至（9）步，当i大于yb时，执行第（11）步。

（11）矩阵yy即为带时标的温度测点模拟测值。

2 基于灵敏度的测试技术

基于灵敏度的测试流程如图1所示。

上一篇：原矿中锌氧化率的分析测试应用研究

下一篇：没有了