Syntheses and Analyses of Control Structure for Coal-fired Power Plants Oriented to Renewable Energy Accommodation
-
摘要: 增加可再生能源在电网中的占比, 使能源结构更合理, 是加快能源转型实现低碳可持续发展的有效途径. 电网中占主导地位的火电, 辅助消纳可再生能源的能力, 对提高可再生能源在电网中的占比起到重要作用. 为了提高火电机组辅助可再生能源的消纳能力, 本文根据当前系统控制方案, 分析了影响机组灵活性与调峰深度的因素, 包括机炉协调、局部反馈策略下的锅炉控制、系统稳态工作点的规划等. 基于补偿方案的协调策略限制了机组对具有随机性和间歇性的可再生能源的补偿能力; 局部反馈策略下的锅炉控制只是实现了等效热效应的反馈; 非额定工况下的稳态工作点关系到辅助可再生能源消纳的能耗和排放指标. 根据以上分析分别给出了进一步的研究内容.Abstract: In order to optimize the energy structure to realize sustainable development, increasing the proportion of renewable energy in power grid is inevitable. The cooperative capability of coal-fired units, which are primary of national grid, is the issue. For the sake of improving this capability, this paper analysed factors which affect flexibility and depth of peak-shaving, based on control scheme. The factors include coordinating turbine and furnace, fuel control based on local feedback, programming steady operating point. Coordinating scheme which was based on compensating networks, restricts the ability of constraining renewable energy which is random and intermittent. It was thermal effect of the fired coal compared with standard coal that the furnace burning was fed back regardless of other burning characters. Steady operating points of the system were related to energy cost and emission when the system did not work in rated condition.The paper proposed further research based on these conclusions.
-
随着计算机技术、自动化技术、网络技术的迅猛发展, 现代生产过程的自动控制水平不断提高, 使得进行过程监视与故障诊断, 提升过程的安全性与可靠性, 保证过程稳定与产品的质量成为可能.生产过程发生故障轻则造成产品质量不合格、资源浪费等后果, 重则引起火灾、爆炸等危害人员安全和影响社会安定的恶性事件[1].实际工业生产过程中, 生产负荷、产品特性、原料组分等因素的改变会导致生产工况发生变化, 产生多工况过程.多工况过程的数据具有非高斯、非线性、多模态、中心漂移等特征, 各工况中心不同, 其变量至少有一个是多峰分布, 因此多工况过程的故障检测技术更加复杂且对于保证过程稳定与安全具有重要意义.
针对多工况过程, 常用的两种研究方法[2]为:多模型法和全局模型法.多模型法利用各工况数据建立多个局部模型, 通过多次建模将局部单工况过程扩展成为多工况过程.该方法首要问题即为如何将数据分离成不同子集对应的多个工况.如许仙珍等[3]对传统主成分分析(Principle component analysis, PCA)不能有效解决多工况问题的缺点进行了改进, 提出了一种基于PCA混合模型的多工况过程故障监测方法, 该方法的优点在于能自动获取工况数目, 无需过程先验知识.熊伟丽等[4]针对不同稳态工况之间的过渡过程提出了一种基于多工况识别的过程监测方法, 利用独立主成分分析(Independent component analysis, ICA)和PCA提取各阶段数据的信息. Ge等[5]针对多工况间歇过程提出了一种新的基于贝叶斯推理的过程监测方法, 该方法采用ICA-PCA提取数据特征, 利用支持向量数据描述(Support vector data description, SVDD)方法进行故障检测, 构造超球体, 以超球体的半径作为控制限. Zhao等[6]提出了一种能够同时解决多工况多阶段问题的故障监视方法.孙贤昌等[7]提出了一种基于高斯混合模型(Gaussian mixture models, GMM)的多工况过程故障诊断方法, 该方法使用GMM方法对数据进行聚类分析, 得到工况数和不同工况的分布参数, 而后采用PCA方法建模进行故障检测.多模型法的优点在于步骤分明、监控结果易于解释, 故障识别和诊断相对容易, 但在实际应用中存在依赖过程知识、在线识别工况、模型集优化和模型切换策略等问题.
全局模型法直接从具有多工况特性的历史数据中学习全局模型, 构建表征各工况特性的统一检测指标, 可以避免多模型法存在的问题.郭红杰等[8]提出了一种基于局部近邻标准化策略的故障检测方法, 该方法运用局部近邻标准化策略对数据进行预处理, 消除数据的多工况特性.王国柱等[9]提出了一种加权KNN (K-nearest neighbor, KNN)重构的故障诊断方法, 文中采用KNN规则进行故障检测, 基于KNN的故障检测方法是以距离为衡量, 将数据的非高斯、非线性、多工况的特点随着建模数据直接包含在所建的模型中. Ge等[10]将SVDD方法应用于多工况过程, 通过在特征空间构造一个最小超球体将故障数据与正常数据区分.钟娜等[11]提出了一种基于局部熵成分分析(Local entropy component analysis, LECA)的故障检测方法, 通过KNN-Parzen窗方法估计变量的局部概率密度, 利用信息熵理论挖掘局部信息熵, 最后采用ICA方法建模进行故障检测.针对多模态问题, Ning等[12]提出了基于标签一致性字典学习算法(Label consistent dictionary learning, LCDL)和稀疏贡献图的过程故障诊断方法, 该方法通过标签一致性K-SVD方法从正常历史数据中得到字典, 加入一个单位矩阵扩展字典, 运用扩展字典对检测样本进行稀疏编码, 最后以重构误差作为统计量进行在线监控, 该方法对字典进行扩展, 增加了数据的复杂度和计算量, 而且以重构误差作为统计量的误报率偏高.
本文针对多工况过程, 提出一种在稀疏残差空间构建$k$近邻距离统计量的故障检测方法.将多工况正常数据混合在一起标准化用于建立全局模型, 避免工况识别的工作; 采用稀疏编码方法提取分布散、特征不够集中的多工况数据的字典和稀疏编码, 保持工况特征的同时突出数据特征; 采用多工况正常数据的近似值和原始值的偏差构建新的样本空间-稀}疏残差空间, 提出在稀疏残差空间引入距离统计量作为故障检测指标, 通过稀疏残差空间数据间$k$近邻距离大小衡量数据的相似性, 兼得$k$近邻算法解决非高斯、非线性、多工况问题的优点, 改善多工况过程故障检测效果.
1. 基于稀疏残差距离的故障检测方法
1.1 稀疏残差距离(SRD)的构建
本文提出在稀疏残差空间引入距离统计量, 简称SRD (Sparse residual distance), 具体构建内容如下:
定义多工况正常数据矩阵$X\in {\bf R}^{n\times m}$, 其中$n$是变量个数, $m$是样本个数, 使用式(1)所示$Z$-score方法对矩阵$X$进行标准化处理, 得到均值为0, 方差为1的矩阵$X'\in {\bf R}^{n\times m}$;
$ \begin{align} x_{ij}'=\frac{x_{ij}-{\rm mean}(\pmb x_{j})}{{\rm std}(\pmb x_{j})} \end{align} $
(1) 其中, $x_{ij}$是矩阵$X$第$i$行、第$j$列的数值, ${\rm mean}(\pmb x_{j})$是矩阵$X$第$j$列的均值, ${\rm std}(\pmb x_{j})$为矩阵$X$第$j$列的方差, $x_{ij}'$为标准化后矩阵$X'$第$i$行、第$j$列的数值.
设置初始字典$Dic_{0}\in X'_{n\times m_{1}}(m_{1}<m)$和初始训练数据$X_{\rm tr}\in X'_{n\times m_{2}}(m_{2}<m)$, 使用正交匹配追踪(Orthogonal matching pursuit, OMP)算法[13]计算初始训练数据对应的稀疏编码[14]:
$ \begin{array}{l} \mathop {\min }\limits_{{\mathit{\boldsymbol{a}}_\mathit{f}}} \parallel \mathit{\boldsymbol{x}}_{^{{\rm{tr}}}}^j - Di{c_0}{\mathit{\boldsymbol{a}}_j}\parallel _2^2\\ {\rm{s}}.{\rm{t}}.\parallel {\mathit{\boldsymbol{a}}_j}{\parallel _0} \le s,j = 1,2, \ldots ,{m_2} \end{array} $
(2) 其中, ${\pmb x}_{\rm tr}^j\in {\bf R}^{m_{2}}$表示$X_{\rm tr}$的第$j$个样本, ${\pmb a}_{j}\in {\bf R}^{m_{2}}$表示与第$j$个样本对应的稀疏编码, $s$表示稀疏编码的稀疏级别上限.计算更新字典原子${\pmb d}_{k}$, $k=1, 2, \cdots, m_{2}$的误差矩阵$E_{k}$:
$ \begin{align} \|X_{\rm tr}-&Dic_{0}A\|_{\rm F}^{2}=\|X_{\rm tr}-\sum\limits_{j=1}^{m_{2}}{\pmb d}_{j} {\pmb A}_{j}\|_{\rm F}^{2}=\notag\\ &\|(X_{\rm tr}-\sum\limits_{j\neq k}{\pmb d}_{j}{\pmb A}_{j})-{\pmb d}_{j} {\pmb A}_{j}\|_{\rm F}^{2}=\notag\\ &\|E_{k}-{\pmb d}_{k}{\pmb a}_{k}\|_{\rm F}^{2} \end{align} $
(3) 为了确保得到稀疏编码的准确性, 只更新${\pmb d}_{k}$起作用的稀疏编码, 因此定义非零项索引集$\omega_{k}=\{j|1\leq j\leq m_{2}, X_{k}(j)\neq 0\}$和矩阵$\Omega_{k}\in {\bf R}^{m_{2}\times |\omega_{k}|}$, 其中$\Omega_{k}$在$(\omega_{k}(j), j)$处为1, 其余为0.重新计算$E_{k}^R=E_{k}\Omega_{k}$, 对$E_{k}^R$进行SVD分解, 即$E_{k}^R=U\Delta V^{\rm T}$, 更新字典原子$\tilde{{\pmb d}}_{k}$为$U$的第一列, 更新相应的稀疏编码${\pmb A}_{k}^R$为$V$的第一列乘以$\Delta(1, 1)$.重复上述更新计算至达到稀疏级别上限.以上字典$Dic$和稀疏编码$A$全部更新完毕.
根据得到的字典$Dic$和稀疏编码$A$计算$X_{\rm tr}$的近似值$\hat{X}_{\rm tr}$及两者之间的残差矩阵$R$ (Residual):
$ \begin{align} \hat{X}_{\rm tr}=Dic\cdot A\\\end{align} $
(4) $ \begin{align} R=X_{\rm tr}-\hat{X}_{\rm tr} \end{align} $
(5) 将$R$矩阵的每一列看作一个样本, 构建新的样本空间, 计算新样本间的欧氏距离[15].
$ \begin{align} &D_{t}^2=\sum\limits_{i-1}^{k}d_{ij}^{2}\notag\\ &d_{ij}=R^i-R^j \end{align} $
(6) 其中, $d_{ij}$表示第$i$个样本与其第$j$个样本之间的距离.将得到的距离从小到大排列, 取前$l$个, 即为第$i$个新样本的$l$个近邻样本.计算$l$个近邻样本距离平方和, 构建距离统计量进行故障检测.
1.2 基于SRD的故障检测步骤
SRD方法分为离线建模和在线检测两部分.
1.2.1 离线建模
1) 收集多工况正常数据矩阵$X$, 使用$Z$-score方法对$X$进行标准化处理, 得到矩阵$X'$;
2) 确定初始字典$D$和训练数据$X_{\rm tr}$, 根据式(2)获得与$D$对应的稀疏编码$A$, 使用训练数据更新$D$和$A$, 得到更准确表达数据特征的字典$\hat{D}$和稀疏编码$\hat{A}$;
3) 由式(4)计算$X'$的近似值$\tilde{X'}$, 由式(5)得到残差, 构造残差空间$R$;
4) 将残差空间$R$的每一列看作一个样本, 根据式(6)计算各样本间$l$个近邻的距离平方和, 作为计算控制限的统计指标;
5) 使用核密度估计法求出置信水平为$\alpha$的控制限$D_{\alpha}^2$.
1.2.2 在线检测
1) 收集待检测数据, 使用建模数据的均值及方差进行标准化处理, 得到标准化后的数据矩阵为$X_{\rm new}$;
2) 保持建模时的字典不变, 根据式(2)计算矩阵$X_{\rm new}$的稀疏编码$A_{\rm new}$;
3) 由式(4)计算近似值$\hat{X}_{\rm new}$, 由式(5)得近似值与待检测数据之间的残差矩阵$R'$, 产生新的样本空间;
4) 将$R'$矩阵的每一列看作一个样本, 由式(6)计算各样本间$l$个近邻的距离平方和$D_{t}^2$;
5) 比较$D_{t}^2$与控制限$D_{\alpha}^2$的大小, 若$D_{t}^2<D_{\alpha}^2$, 则数据为正常数据, 反之, 则为故障数据.
具体流程图如图 1所示.
2. 仿真研究
2.1 数值仿真
使用的模型如下[16]:
$ \begin{align} \!\left[ \begin{array}{c} x_{1}\\ x_{2}\\ x_{3}\\ x_{4}\\ x_{5} \end{array} \right]\!= \!\left[ \begin{array}{cc} 0.5768&0.3766\\ 0.7382&0.0566\\ 0.8291&0.4009\\ 0.6519&0.2070\\ 0.3972&0.8045 \end{array} \right]\!\! \left[ \begin{array}{c} s_{1}\\ s_{2} \end{array} \right]\!+\! \left[ \begin{array}{c} e_{1}\\ e_{2}\\ e_{3}\\ e_{4}\\ e_{5} \end{array} \right]\! \end{align} $
(7) 其中, $x_{1}$、$x_{2}$、$x_{3}$、$x_{4}$、$x_{5}$为模型的5个变量, 是潜在变量, 是服从均值为0, 标准差为0.01的高斯分布的5个独立的白噪声.给出两个模态的数据代表不同工况:
$ \text{模态1:}\begin{matrix} {{s}_{1}}:Uniform(-10,-7) \\ {{s}_{2}}:\text{N}(-5,1) \\ \end{matrix} $
(8) $ \begin{align} &\text{模态2:} \begin{array}{c} s_{1}\!: Uniform(2, 5)\\ s_{2}\!: {\rm N}(7, 1) \end{array} \end{align} $
(9) 所用建模数据由两种工况分别产生400个样本组成正常训练样本集, 因此训练数据共有800个样本.随机选取训练样本中300个正常样本作为初始字典, 剩余的500个样本作为初始训练数据, 通过OMP算法得到的稀疏编码为$300\times500$维.在工况1中, $T=401$时刻起在变量$x_{5}$上加一个幅值为4的阶跃信号作为故障, 即测试数据的前400个样本为正常样本, 剩余400个样本为故障样本, 共800个样本.通过使用建模过程获得的字典计算测试数据的稀疏编码为$300\times800$维.本数值案例的稀疏距离统计量参数的选取采用交叉检验法, 选取适合的近邻个数为3.选取变量$x_{1}$和$x_{2}$两个变量方向, 分别绘制建模数据投影图、标准化处理后数据投影图和SRD处理后的数据投影图, 分别如图 2(a)、图 2(b)和图 2(c)所示.
由图 2(a)可以看出, 建模数据分为两个工况, 工况1的数据分布在30至80之间, 数据中心大约为(-10, 50), 工况2的数据分布在0至20之间, 数据中心大约为(5, 10), 数据跨度较大, 分布较散, 中心不够明确; 由图 2(b)可以看出, 标准化后, 数据依然分为两个工况, 此时工况1的中心为(-1, 1), 工况2的中心为(1, -1), 两个工况数据的中心呈中心对称; 在图 2(c)中, 数据的中心与图 2(b)一样, 与图 2(a)相比, 数据的分布形态基本一致, 且提取数据特征后的数据跨度明显减小, 数据分布相对更集中, 数据特征得到强化, 更加明显突出, 由此说明本文方法是针对具有多工况特征过程的方法.
使用本文所提SRD算法的故障检测结果如图 3所示, 由图可以看出, 前400个样本基本全部位于控制限以下, 误报率为0.25%; 剩余400个样本全部位于控制限上方, 故障全部被检测出来, 漏报率为0, 说明该方法能够有效解决多工况问题.
2.2 过程仿真
TE过程是1993年由Downs和Vogel以伊斯曼化学品公司的实际工艺流程为基础, 改进后提出的一个复杂非线性过程[17], TE过程适合于研究过程控制技术、过程监控、故障检测与诊断等方向.该过程由反应器、冷凝器、压缩机、汽提塔和汽/液分离器5个主要的操作单元组成, 包括8种成分, 有6种生产模式, 如表 1所示.过程中有41个测量变量和12个控制变量, 详细的工艺流程如图 4所示.
表 1 TE过程故障Table 1 Failures of TE process故障编号 性质描述 变化类型 IDV 1 物料A/C进料比改变, 物料B含量不变 阶跃 IDV 2 物料A/C进料比不变, 物料B含量改变 阶跃 IDV 4 反应器冷却入口温度改变 阶跃 IDV 6 物料A进料损失 阶跃 IDV 7 物料C压力损失 阶跃 IDV 13 反应动力学参数改变 慢偏移 IDV 16 未知 未知 TE过程各种工况的采样频率均是3分钟/次, 每次仿真都运行48个小时.仿真从正常工况开始进行, 在仿真开始8小时后引入故障, 共有21种故障可以引入, 本文验证算法有效性采用的故障如表 1所示.本文仿真实验采用TE过程生产模式1和3, 如表 2所示, 分别代表工况1和工况2, 将两个工况的数据混合使用, 用于建模的两个工况的正常样本数为1200, 用于检测的样本数为1200, 检测的样本中包含正常数据200和故障数据1000.采用的变量为41个测量变量和12个控制变量, 共53个变量.
表 2 本文采用的TE过程生产模式Table 2 TE process production model used in this paper生产模式 G/H比率 产品生产率 1 50/50 7 038 kgh-1 G和7 038 kgh-1 H 3 90/10 1 000 kgh-1 G和1 111 kgh-1 H "kgh-1 G"表示"每小时生产多少千克的G产品", "kgh-1 H"表示"每小时生产多少千克的H产品". 在基于SRD的故障检测方法中, 为避免不同工况过渡过程对检测效果产生影响, 本文首先对多工况数据进行合理选取, 通过交叉检验法选取建模数据集($53\times1\, 200$).随机选取建模数据集中400个样本作为初始字典, 其维数为$53\times400$; 剩余800个样本为训练数据, 其维数为$53\times800$; 二者通过OMP计算后获得的稀疏编码为$400\times800$维.对于检测的数据集, 使用建模数据集的字典($53\times400$)计算得到的稀疏编码为$400\times1\, 200$维.为验证SRD方法能够准确提取数据特征, 任取两个变量方向分别绘制建模数据投影图、标准化处理后数据投影图和SRD处理后的数据投影图, 分别如图 5(a)、图 5(b)和图 5(c)所示.
由图 5(a)可以看出, 建模数据分为两个工况, 工况1的数据分布在3600至3750之间, 工况2的数据分布在5100至5250之间, 数据跨度较大, 分布较散, 中心不够明确, 特征不够突出; 由图 5(b)可以看出, 标准化后, 数据依然分为两个工况, 工况1的中心为(1, -1), 工况2的中心为(-1, 1);在图 5(c)中, 数据依然分为两个工况, 中心也保持不变, 工况1的数据分布在-1.3至-0.7之间, 工况2的数据分布在0.7至1.3之间, 数据跨度明显减小. 图 5(c)和图 5(a)中数据的分布形态基本一致, 而且提取数据特征后的数据分布相对更集中, 数据特征得到强化, 更加明显突出, 便于捕捉, 在此基础上构建多工况数据的故障检测统计量会更准确, 由此也说明本文方法是针对具有多工况特征过程的方法.
实验过程中, 构建稀疏距离统计量的参数$l$的选取采用交叉检验法, 通过多次试验选取合适的$l$值, 即$l=3$, 故后续实验涉及到的参数$l$均选取3.
本文验证所提SRD方法有效性的同时, 还与以SPE为统计量的KSVD-R (K-singular value decomposition residual)方法的检测结果进行了比较.以故障6和故障13为例对故障检测结果进行说明.故障6和故障13的故障检测结果如图 6、图 7所示, 从图中可以看到数据具有多工况特征, 分为两个工况, 前600个样本为工况1, 后600个样本为工况2;每一工况的前100个样本为正常样本, 后500个为故障样本.
由表 1知, 故障6 (A进料损失)为阶跃故障, 经过多次试验发现变量45 (总进料量)体现阶跃最明显, 具有明显的故障特征, 视其为影响故障的主要变量, 具体趋势见图 6(a). 图 6(b)为以SPE为统计量的KSVD-R故障检测方法的故障检测结果图, 由图可知故障全部位于置信度为99%的控制限上方, 正常样本基本位于该控制限下方, 仅有少数几个样本位于其上方, 显然该方法存在误报样本. 图 6(c)为本文所提SRD方法的故障检测结果图, 由图可知故障样本全部位于置信度为99%的控制限上方, 正常样本全部位于该控制限下方, 显然SRD方法误报率极低, 趋近于0.将图 6(a)和图 6(c)进行比较, 可以看出, 数据趋势基本一致, 说明SRD算法可以在保证数据结构、工况特征不变的基础上进行故障检测.将图 6(b)和图 6(c)进行比较, 可以看出SRD方法的误报样本少于KSVD-R方法, 且SRD方法正常样本和故障样本数值差距稍大, 说明在残差空间引入的距离统计量确实能够使故障样本和正常样本区分更加明显.
由表 1知, 故障13 (反应动态)为慢偏移故障, 经过多次试验发现变量21 (反应器冷却水出口温度)和变量51 (反应器冷却水流量)具有明显的数据特征, 视其为影响故障的主要变量, 具体趋势见图 7(a). 图 7(b)为KSVD-R方法的故障检测结果图, 由图可见大部分故障位于置信度为99%的控制限上方, 正常样本基本位于该控制限下方, 仅有少数几个样本位于其上方, 显然该方法存在误报样本和漏报样本.
图 7(c)为SRD方法的故障检测结果图, 由图可知绝大部分故障样本位于置信度为99%的控制限上方, 正常样本全部位于该控制限下方, 显然SRD方法检测率更高, 误报率更低.将图 7(a)和图 7(c)进行比较, 可以看出, 数据趋势基本一致, 再次验证SRD方法可以保持原始数据特征.将图 7(b)和图 7(c)进行比较, 可以看出SRD方法的误报样本明显少于KSVD-R方法, 图 7(b)中工况1的故障样本和工况2的正常样本界限模糊, 存在交叉现象, 而图 7(c)中正常样本和故障样本数值差距更大, 区分更加明显, 更加说明在残差空间引入的距离统计量确实能够使故障样本和正常样本区分更加明显.
由图 6(c)和图 7(c)可以看出, 各工况故障检测效果均良好, 说明SRD方法无需对待检测样本进行工况识别仍能够检测到不同工况的故障, 由此说明SRD方法使用的多工况数据混合建模方式是有效的, 适用于解决多工况问题.
选取几个对比较明显的故障, 将其误报率及检测率汇总成表, 如表 3所示.由表 3可以看出:
表 3 误报率及检测率汇总表Table 3 False alarm rate and detection rate summary table故障号 KSVD-R SRD 误报率(%) 检测率(%) 误报率(%) 检测率(%) 1 4.50 0.10 100 100 2.00 0 100 100 2 4.50 0.10 100 98.6 2.00 0 100 100 4 4.50 0.10 100 100 2.00 0 100 100 6 4.50 0.10 100 100 2.00 0 100 100 7 4.50 0.10 100 100 2.00 0 100 100 13 4.50 0.10 89.6 82.1 2.00 0 97.8 90.2 16 4.50 0.10 94.6 90.2 2.00 0 98.6 94.7 注1:表 3中误报率和漏报率下属两列数据, 靠前的一列为控制限为95%的数值, 靠后的一列为控制限为99%的数值 1) 对于误报率, 依据置信度为95%的控制限, 与KSVD-R方法相比, SRD方法的误报率降低了2.5%;依据置信度为99%的控制限, 则降低了0.1%;由此说明距离统计量对误报率的改进起一定作用;
2) 对于故障1、故障4、故障6、故障7, 无论使用哪种方法, 故障检测率均为100%;
3) 依据置信度为95%的控制限, 故障2、故障13、故障16使用SRD方法的故障检测率比KSVD-R方法分别提高了1.4%、8.1%、4.5%;依据置信度为99%的控制限, 故障13、故障16使用SRD方法的故障检测率比KSVD-R方法分别提高了8.2%和8.4%;进一步说明残差空间引入距离统计量确实可以改进故障检测性能.
3. 结束语
本文提出了一种新的基于稀疏分解残差距离的多工况过程故障检测方法.该方法将多工况数据混合建模, 提取数据特征, 依据获得的数据特征计算近似值及其与测量值的残差, 在残差空间首次引入$k$最近邻距离统计量进行故障检测. SRD方法与KSVD-R方法相比, 故障检测效果有明显提高.同时该方法可以避免进行线性化、高斯化、分工况等数据预处理, 提高了多工况过程故障检测的有效性.将SRD方法运用于多工况过程的故障定位、故障分类将是进一步研究的内容.
-
表 1 性能参数对比
Table 1 Comparision of performance parameters
参数 我国 欧洲 单位 负荷变动速率 2/1.5 6/4 %/min 硬煤/褐煤 最小出力 35/50 20/40 % 硬煤/褐煤 冷态启动时间 8/12 4/6 h 硬煤/褐煤 热态启动时间 4 2 h 
下载: 导出CSV
-
[1] 李星梅, 钟志鸣, 阎洁. 大规模风电接入下的火电机组灵活性改造规划. 电力系统自动化, 2019, 43(3): 51-57 doi: 10.7500/AEPS20180213007Li Xing-Mei, Zhong Zhi-Ming, Yan Jie. Flexibility reformation planning of thermal power units with large-scale integration of wind power. Automation of Electric Power Systems, 2019, 43(3): 51-57 doi: 10.7500/AEPS20180213007 [2] 李人厚, 邵福庆. 大系统的递阶与分散控制. 西安: 西安交通大学出版社, 1986.Li Ren-hou, Shao Fu-qing. Hierarchical and Decentralized Control of Large Systems. Xi＇an: Xi＇an Jiaotong University Press, 1986. [3] 刘吉臻. 协调控制与给水全程控制. 北京: 水利电力出版社, 1995.Liu Ji-zhen. Coordinated control and full process control of water supply. Beijing: Water Resources and Electric Power Publishing House, 1995. [4] 涂序彦. 大系统控制论. 北京: 国防工业出版社, 1994.Tu Xu-yan. Large System Control Theory. Beijing: National Defense Industry Press, 1994. [5] Sandell N, Varaiya P, Athans M, Safonov M. Survey of decentralized control methods for large scale systems. IEEE Transactions on Automatic Control, 1978, 23(2): 108-128 doi: 10.1109/TAC.1978.1101704 [6] Roberts P D. Hierarchical control and decomposition of a chemical plant. International Journal of Systems Science, 1979, 10(2): 207-223 doi: 10.1080/00207727908941576 [7] Arkun Y, Stephanopoulos G. Studies in the synthesis of control structures for chemical processes. Part V: Design of steady-state optimizing control structures for integrated chemical plants. AIChE Journal, 1981, 27(5): 779-793 doi: 10.1002/aic.690270512 [8] Bailey F N, Malinowski K B. Problems in the design of multilayer, multiechelon control structures. IFAC Proceedings Volumes, 1977, 10(6): 31-38 doi: 10.1016/B978-0-08-022010-9.50009-8 [9] Li X N, Zhang L Q. Research based on the mid-point enthalpy of supercritical unit feed-water control circuit. Advanced Materials Research, 2011, 354-355: 344-349 doi: 10.4028/www.scientific.net/AMR.354-355.344 [10] Qiu S L, Song R F, Wang Z, Wang X T, Zhu B Y, Qi Z Y, et al. Research and application of Automatic Procedure Start up and shut down of ultra supercritical thermal power unit based on enthalpy control. In: Proceedings of the 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC). Chongqing, China: IEEE, 2020. 280−284 [11] Huang Y X, Yao R W, Liu X C, Lin S Y, Zhang W D. A reinforcement learning method for intermediate point enthalpy control in super-critical power unit. In: Proceedings of the Chinese Automation Congress (CAC). Xi＇an, China: IEEE, 2018. 651−654 [12] Pan F P, Zhu Y Q, Zhang X. Full process control strategy of fuel based on water-coal ratio of ultra supercritical units. In: Proceedings of the International Conference on Electronics, Communications and Control (ICECC). Ningbo, China: IEEE, 2011. 3750−3753 [13] 王玉清, 董传敏, 郑亚光, 张海萍, 苗广祥. 基于中间点焓值校正的超临界机组给水全程控制. 锅炉技术, 2010, 41(3): 11-15 doi: 10.3969/j.issn.1672-4763.2010.03.004Wang Yu-Qing, Dong Chuan-Min, Zheng Ya-Guang, Zhang Hai-Ping, Miao Guang-Xiang. Supercritical unit full range feedwater control system based on intermediate point enthalpy correction. Boiler Technology, 2010, 41(3): 11-15 doi: 10.3969/j.issn.1672-4763.2010.03.004 [14] 王丕洲, 谷俊杰, 秦达飞, 曹晓威. 600 MW超临界直流锅炉两种给水控制系统分析. 电力科学与工程, 2013, 29(4): 64-69 doi: 10.3969/j.issn.1672-0792.2013.04.013Wang Pi-Zhou, Gu Jun-Jie, Qin Da-Fei, Cao Xiao-Wei. Analysis of the two feed water control system of 600 mw supercritical once-through boiler. Electric Power Science and Engineering, 2013, 29(4): 64-69 doi: 10.3969/j.issn.1672-0792.2013.04.013 [15] 谷俊杰, 秦达飞, 曹晓威, 王丕洲, 李伟, 陈顺青. 超临界锅炉中间点温度增益切换控制方法. 中国电机工程学报, 2014, 34(14): 2274-2280 doi: 10.13334/j.0258-8013.pcsee.2014.14.008Gu Jun-Jie, Qin Da-Fei, Cao Xiao-Wei, Wang Pi-Zhou, Li Wei, Chen Shun-Qing. A control method based on gain-switching for intermediate point temperature of supercritical pressure boiler. Proceedings of the CSEE, 2014, 34(14): 2274-2280 doi: 10.13334/j.0258-8013.pcsee.2014.14.008 [16] 秦志明, 张栾英, 谷俊杰. 直流锅炉单元机组协调控制系统的研究与设计. 动力工程学报, 2016, 36(1): 16-21, 29 doi: 10.3969/j.issn.1674-7607.2016.01.003Qin Zhi-Ming, Zhang Luan-Ying, Gu Jun-Jie. Research and design on the coordinate control system of a once-through boiler unit. Journal of Chinese Society of Power Engineering, 2016, 36(1): 16-21, 29 doi: 10.3969/j.issn.1674-7607.2016.01.003 [17] 张秋生, 梁华, 胡晓花, 李生光, 刘潇. 超超临界机组的两种典型协调控制方案. 中国电力, 2011, 44(10): 74-79 doi: 10.3969/j.issn.1004-9649.2011.10.017Zhang Qiu-Sheng, Liang Hua, Hu Xiao-Hua, Li Sheng-Guang, Liu Xiao. Two kinds of typical coordinated control systems in ultra-supercritical units. Electric Power, 2011, 44(10): 74-79 doi: 10.3969/j.issn.1004-9649.2011.10.017 [18] 刘吉臻, 王耀函, 曾德良, 陈彦桥. 基于凝结水节流的火电机组AGC控制优化方法. 中国电机工程学报, 2017, 37(23): 6918-6925 doi: 10.13334/J.0258-8013.PCSEE.161979Liu Ji-Zhen, Wang Yao-Han, Zeng De-Liang, Chen Yan-Qiao. An AGC control method of thermal unit based on condensate throttling. Proceedings of the CSEE, 2017, 37(23): 6918-6925 doi: 10.13334/J.0258-8013.PCSEE.161979 [19] 王玮, 孙阳, 刘吉臻, 井思桐. 适应电网快速调频的热电联产机组新型变负荷控制策略. 电力系统自动化, 2018, 42(21): 63-69 doi: 10.7500/AEPS20180102008Wang Wei, Sun Yang, Liu Ji-Zhen, Jing Si-Tong. Load-change control strategy for combined heat and power units adapted to rapid frequency regulation of power grid. Automation of Electric Power Systems, 2018, 42(21): 63-69 doi: 10.7500/AEPS20180102008 [20] Buche D, Stoll P, Dornberger R, Koumoutsakos P. Multiobjective evolutionary algorithm for the optimization of noisy combustion processes. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2002, 32(4): 460-473 doi: 10.1109/TSMCB.2002.804372 [21] Song Z, Kusiak A. Constraint-based control of boiler efficiency: A data-mining approach. IEEE Transactions on Industrial Informatics, 2007, 3(1): 73-83 doi: 10.1109/TII.2006.890530 [22] Ito F, Fujimoto K, Kurihara N, Nishimura A, Kobayashi K, Sema T. A combustion monitoring and evaluation system for large utility boilers. IEEE Power Engineering Review, 1984, PER-4(5): 25-26 doi: 10.1109/MPER.1984.5526023 [23] Li K, Thompson S. A cascaded neural network and its application to modelling power plant pollutant emission. In: Proceedings of the 3rd World Congress on Intelligent Control and Automation (WCICA). Hefei, China: IEEE, 2000. 992−997 [24] Zhao S N, Fang Q Y, Yin C G, Wei T S, Wang H J, Zhang C, et al. New fuel air control strategy for reducing NOx emissions from corner-fired utility boilers at medium–low loads. Energy & Fuels, 2017, 31(7): 6689-6699 [25] 张鑫, 陈隆. 高速煤粉燃烧器内燃烧特性数值模拟及结构优化. 洁净煤技术, 2020, 26(2): 66-72 doi: 10.13226/j.issn.1006-6772.20011005Zhang Xin, Chen Long. Numerical simulation of burning characteristics and structural optimization design of the high speed combustor of pulverized coal. Clean Coal Technology, 2020, 26(2): 66-72 doi: 10.13226/j.issn.1006-6772.20011005 [26] 王东风, 刘千, 韩璞, 赵文杰. 基于大数据驱动案例匹配的电站锅炉燃烧优化. 仪器仪表学报, 2016, 37(2): 420-428 doi: 10.3969/j.issn.0254-3087.2016.02.024Wang Dong-Feng, Liu Qian, Han Pu, Zhao Wen-Jie. Combustion optimization in power station based on big data-driven case-matching. Chinese Journal of Scientific Instrument, 2016, 37(2): 420-428 doi: 10.3969/j.issn.0254-3087.2016.02.024 [27] Booth R C, Roland W B. Neural network-based combustion optimization reduces NOx emissions while improving performance. In: Proceedings of the IEEE Industry Applications on Dynamic Modeling Control Applications for Industry Workshop. Vancouver, Canada: IEEE, 1998. 1−6 [28] Gu Y P, Zhao W J, Wu Z S. Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems. Journal of Process Control, 2011, 21(7): 1040-1048 doi: 10.1016/j.jprocont.2011.06.001 [29] Ding J L, Liu C X, Wen M, Chai T Y. Case-based decision making model for supervisory control of ore roasting process. In: Proceedings of the 5th International Composium on Neural Networks. Beijing, China: Springer, 2008. 148−157 [30] Ding J L, Chen Q, Chai T Y, Wang H, Su C Y. Data mining based feedback regulation in operation of hematite ore mineral processing plant. In: Proceedings of the American Control Conference. St. Louis, USA: IEEE, 2009. 907−912 [31] Kuang M, Li Z Q, Wang Z H, Jing X J, Liu C L, Zhu Q Y, et al. Combustion and NOx emission characteristics with respect to staged-air damper opening in a 600 MW_e down-fired pulverized-coal furnace under deep-air-staging conditions. Environmental Science & Technology, 2014, 48(1): 837-844 [32] Zhou H, Mo G Y, Si D B, Cen K F. Numerical simulation of the NOx emissions in a 1000 MW tangentially fired pulverized-coal boiler: Influence of the multi-group arrangement of the separated over fire air. Energy & Fuels, 2011, 25(5): 2004-2012 [33] Park H Y, Faulkner M, Turrell M D, Stopford P J, Kang D S. Coupled fluid dynamics and whole plant simulation of coal combustion in a tangentially-fired boiler. Fuel, 2010, 89(8): 2001-2010 doi: 10.1016/j.fuel.2010.01.036 [34] Miller J A, Bowman C T. Mechanism and modeling of nitrogen chemistry in combustion. Progress in Energy and Combustion Science, 1989, 15(4): 287-338 doi: 10.1016/0360-1285(89)90017-8 [35] Szecowka L, Poskart M. Techniques to limit NOX emissions. Advanced Combustion and Aerothermal Technologies: Environmental Protection and Pollution Reductions. Dordrecht: Springer, 2007. 47−54 [36] Hill S C, Smoot L D. Modeling of nitrogen oxides formation and destruction in combustion systems. Progress in Energy and Combustion Science, 2000, 26(4-6): 417-458 doi: 10.1016/S0360-1285(00)00011-3 [37] De Soete G G. Overall reaction rates of NO and N_2 formation from fuel nitrogen. Symposium (International) on Combustion, 1975, 15(1): 1093-1102 doi: 10.1016/S0082-0784(75)80374-2 [38] Shi Y, Li C, Song L Z, Zhu C P, Fu Y L, He Y Q. Peak shaving auxiliary service market model with multi-type power participation. In: Proceedings of the International Conference on Power System Technology (POWERCON). Haikou, China: IEEE, 2021. 684−689 -
下载:
计量
- 文章访问数: 261
- HTML全文浏览量: 191
- 被引次数: 0
