一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法
【技術領域】
[0001] 本發(fā)明屬于熱力系統(tǒng)故障診斷技術領域，特別涉及一種熱力系統(tǒng)故障的模糊最近 鄰融合診斷方法。
【背景技術】
[0002] 熱力系統(tǒng)是火力發(fā)電廠的重要系統(tǒng)，對機組整體運行的安全性和經(jīng)濟性有重要影 響，開展熱力系統(tǒng)故障診斷研究對提高火電機組整體的可用率，機組運行的安全性、可靠性 和經(jīng)濟性具有重要的理論和應用價值。熱力系統(tǒng)是由多個強耦合子系統(tǒng)構成的復雜串并聯(lián) 系統(tǒng)，參數(shù)眾多且相互影響，故障的表現(xiàn)形式多樣，故障特征隨機組負荷、工況變化較大，導 致熱力系統(tǒng)故障樣本集過于龐大。子系統(tǒng)間的強耦合性導致故障異常參數(shù)在子系統(tǒng)間傳 播，某一子系統(tǒng)發(fā)生故障會導致其它相關子系統(tǒng)運行參數(shù)異常，這些都給故障的準確定位 增加了難度。
[0003] 目前熱力系統(tǒng)故障診斷方法主要有神經(jīng)網(wǎng)絡方法、支持向量機方法、多元統(tǒng)計方 法、以及符號有向圖、因果圖、鍵合圖等基于圖論的方法?，F(xiàn)有的方法沒有考慮故障樣本集 的有效縮減，僅針對診斷方法進行研究，大量冗余和噪聲樣本的存在增加了診斷系統(tǒng)的存 儲要求和計算代價，嚴重影響診斷系統(tǒng)在現(xiàn)場的實際應用效果。另外，現(xiàn)有的方法多是針對 某一穩(wěn)定負荷工況（如額定負荷工況）進行研究，僅見少數(shù)文獻采用神經(jīng)網(wǎng)絡對不同穩(wěn)態(tài) 工況下故障進行診斷。目前，大型火電機組都需參與調峰運行，熱力系統(tǒng)隨機組負荷調整經(jīng) 常處于變工況運行，現(xiàn)有方法無法適應這一新情況，使得故障診斷系統(tǒng)的實用性受到很大 限制。
[0004] 針對上述熱力系統(tǒng)故障診斷中存在的問題，本發(fā)明提出了一種熱力系統(tǒng)故障的模 糊最近鄰融合診斷方法，采用引力搜索算法獲取熱力系統(tǒng)典型故障類原型，既有效地縮減 了熱力系統(tǒng)故障樣本集，又具有較高的診斷速度和精度；可適用于熱力系統(tǒng)額定工況、穩(wěn)態(tài) 工況以及變工況動態(tài)過程故障診斷。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于提出一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法，其特征在 于，包括如下步驟：
[0006] 1)獲取機組工作在額定工況下熱力系統(tǒng)故障的特征參數(shù)，確定額定工況下特征參 數(shù)的正常值；
[0007] 2)采用征兆計算方法對熱力系統(tǒng)故障的特征參數(shù)進行標準化處理，運用引力搜索 算法獲取熱力系統(tǒng)的典型故障原型以反映不同熱力系統(tǒng)故障的特征；
[0008] 3)根據(jù)熱力系統(tǒng)故障特征參數(shù)的實測值和正常值計算實時故障征兆；
[0009] 4)比較實時故障征兆與典型故障原型的相似性，模糊最近鄰分類器給出故障隸屬 度；
[0010] 5)將每個模糊最近鄰分類器給出的故障隸屬度送入神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡融合模糊 最近鄰分類器給出的故障隸屬度，進行二次診斷，給出最終的診斷結果。
[0011] 所述運用引力搜索算法獲取熱力系統(tǒng)的典型故障原型的具體步驟為：
[0012] 步驟201 :給定種群規(guī)模n，最大迭代次數(shù)T_，隨機初始化個體的速度Vl和位置 xpi為正整數(shù)，i= 1，2, ...，n，個體依次編碼為訓練集中不同類型故障樣本的特征，個體 的速度是與位置同維的向量，且個體的初始速度設置為零；
[0013] 步驟202 :在訓練集T上計算每個個體的適應度值，計算公式為：
[0014]
(I)
[0015] 式⑴中，Xk為第k個樣本；N為樣本總數(shù)；h(Xk)指出樣本X#否被正確分類，若 正確分類，h(Xk) = 1，否則，h(Xk) = 0 ;t為迭代次數(shù)；
[0016] 步驟203 :將每個個體的當前位置設置為個體極值Pl，i= 1，2,. ..，n;將種群中適 應度值最小的個體位置設置為全局極值g;
[0017] 步驟204 :計算每個個體的慣性質量Mjt)，計算公式為：
[0018]
/、1，2"_.，/? v2)
[0019] 式⑵中，fit; (t)為個體i第t次迭代的適應度值；fitbf；st(t)和fitWOTSt(t)分 別表示第t次迭代時種群中所有個體最好的適應度值和最壞的適應度值，fittest(t)和 fitWOTSt(t)的計算公式分別為：
[0020] (3)
[0021] :⑷
[0022] 步驟205 :計算每個個體在d維所受的作用力Fid(t)，計算公式如下：
[0023]
/ -1,2,...,/7 (5)
[0024] 式（5)中，rand^ [0, 1]之間的隨機數(shù)；為第t次迭代時個體j對個體i 在d維的作用力，<的的計算公式為：
[0025]
C；6：5
[0026] 式（6)中，G(t)為第t次迭代時的引力常數(shù)；Mt)為個體i和個體j之間的歐 式距離；e是一個常數(shù)，防止分母為零；<(0和<(〇分別為個體j和個體i第t次迭代時 在第d維空間上的位置；
[0027] 步驟206 :計算每個個體在d維的加速度 <⑴，的計算公式為：
[0028]
C7)；
[0029] 步驟207 :更新每個個體的速度和位置，計算公式為：
[0030]
[0032]式（8)、（9)中，v/⑴和彳(f)為在t次迭代時粒子i在d維的速度和位置；vf(f+1) 和xf(/_ + 1)為在t+1次迭代時粒子i在d維的速度和位置；rand;，randJPrand2為[0, 1] 之間的隨機數(shù)；為粒子i個體極值的第d維；gd(t)為全局極值的第d維；
[0033] 步驟208 :計算每個個體的適應度值；對于每個個體，將其適應度值與個體極值Pl 作比較，如果適應度值小于個體極值Pl，則將其位置設置為個體極值p1;將其適應度值與全 局極值g作比較，如果適應度值小于全局極值g，則將其位置設置為全局極值g;
[0034] 步驟209 :返回步驟204循環(huán)迭代，直到達到最大迭代次數(shù)或滿足精度要求為止；
[0035] 步驟210 :輸出熱力系統(tǒng)的典型故障原型，算法結束。
[0036] 所述模糊最近鄰分類器給出故障隸屬度的具體步驟為：
[0037] 步驟301 :計算待分類樣本Xq與故障原型P?之間的距離，計算公式為： 「00381
(10)
[0039] 式（10)中，Xq為待分類樣本，且Xq= (Xql，Xq2，…，XqJT，T表示轉置;m為樣本的維 數(shù)；P?為第j類故障的第i個原型；d(pAXq)為待分類樣本xq與原型P?之間的距離；C為 故障類別的數(shù)目；S為每類故障的原型數(shù)目；
[0040] 步驟302:計算待分類樣本與每類故障原型的最近距離disUco^Xq)，計算公式 為：
[0041 ]
(11》
[0042] 式（11)中，disUUq)為待分類樣本與每類故障原型的最近距離；《,為故障類 別；
[0043] 步驟303 :計算待分類樣本屬于每一故障類別的隸屬度y_jq(〇_j，Xq)，計算公式 為： (12)；
[0044
[0045]步驟304 :得到待分類樣本屬于相應故障類別的隸屬度向量yq，公式為：
[0046] yq=[ylq,y2q,yCq]T (13)
[0047] 式（13)中，yq為待分類樣本屬于相應故障類別的隸屬度向量，T表不轉置。
[0048] 本發(fā)明的有益效果是針對現(xiàn)有熱力系統(tǒng)故障診斷方法的實用性受限的問題，提出 了一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法，采用引力搜索算法優(yōu)化故障類原型，在 確保產生的精簡原型集能夠全面地表示不同故障類的典型特征分布的同時，降低了算法的 存儲開銷和計算開銷，有效解決了故障類別多樣、機組運行工況多變導致的故障樣本集過 于龐大的問題；采用神經(jīng)網(wǎng)絡融合模糊最近鄰分類器的結果進行二次診斷，有效提高故障 診斷的準確性；可用于額定工況、不同穩(wěn)態(tài)工況以及變工況動態(tài)過程熱力系統(tǒng)故障的診斷， 在熱力系統(tǒng)在線故障診斷中存在廣泛的適用性。
【附圖說明】
[0049] 圖1為一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法流程圖。
[0050] 圖2為600Mff#l高加管系泄漏6% (F1)診斷結果。
[0051] 圖3為600Mff#2高加進出水室短路20% (F5)診斷結果。
[0052] 圖4為540Mff#l高加管系泄漏6% (F1)診斷結果。
[0053] 圖5為540Mff#2高加進出水室短路20% (F5)診斷結果。
[0054] 圖6為480Mff#l高加管系泄漏6% (F1)診斷結果。
[0055] 圖7為480Mff#2高加進出水室短路20% (F5)診斷結果。
【具體實施方式】
[0056] 本發(fā)明提出一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法，下面結合附圖和具體 實施例對本發(fā)明作詳細說明。
[0057] 圖1所示為一種熱力系統(tǒng)故障的模糊最近鄰融合診斷方法流程圖，包括如下步 驟：
[0058] 1)獲取機組工作在額定工況下熱力系統(tǒng)故障的特征參數(shù)，確定額定工況下特征參 數(shù)的正常值；
[0059] 2)采用征兆計算方法對熱力系統(tǒng)故障的特征參數(shù)進行標準化處理，運用引力搜索 算法獲取熱力系統(tǒng)的典型故障原型以反映不同熱力系統(tǒng)故障的特征；
[0060] 3)根據(jù)熱力系統(tǒng)故障特征參數(shù)的實測值和正常值計算實時故障征兆；
[0061] 4)比較實時故障征兆與典型故障原型的相似性，模糊最近鄰分類器給出故障隸屬 度；
[0062] 5)將每個模糊最近鄰分類器給出的故障隸屬度送入神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡融合模糊 最近鄰分類器給出的故障隸屬度，進行二次診斷，給出最終的診斷結果。
[0063] 其中，運用引力搜索算法獲取熱力系統(tǒng)的典型故障原型的具體步驟為：
[0064] 步驟201 :給定種群規(guī)模n，最大迭代次數(shù)T_，隨機初始化個體的速度Vl和位置 xpi為正整數(shù)，i= 1，2, ...，n，個體依次編碼為訓練集中不同類型故障樣本的特征，個體 的速度是與位置同維的向量，且個體的初始速度設置為零；
[0065] 步驟202 :在訓練集T上計算每個個體的適應度值，計算公式為：
[0066]
(1)
[0067] 式⑴中，Xk為第k個樣本；N為樣本總數(shù)；h(Xk)指出樣本X#否被正確分類，若 正確分類，h(Xk) = 1，否則，h(Xk) = 0 ;t為迭代次數(shù)；
[0068] 步驟203 :將每個個體的當前位置設置為個體極值Pl，i= 1，2, . ..，n;將種群中適 應度值最小的個體位置設置為全局極值g;
[0069]步驟204:計算每個個體的慣性質量％ (t)，計算公式為：
[0070]
(2)
[0071] 式⑵中，fit;⑴為個體i第t次迭代的適應度值；fitbf；st(t)和fitWOTSt(t)分 別表示第t次迭代時種群中所有個體最好的適應度值和最壞的適應度值，fittest(t)和 fitWOTSt(t)的計算公式分別為：
[0072] (3)
[0073] ^4);
[0074]步驟205 :計算每個個體在d維所受的作用力Fid(t)，計算公式如下：
[0075].(.5): j-f
[0076] 式（5)中，randjS[0, 1]之間的隨機數(shù)；為第t次迭代時個體j對個體i在 d維的作用力，€/(0的計算公式為：