基于改进PCA⁃SARMA的电厂除尘设备故障预警方法及应用.pdf

基于改进PCASARMA的电厂除尘设备故障预警方法及应用朱明皓（国能内蒙古呼伦贝尔发电有限公司，内蒙古呼伦贝尔021025）0引言随着我国经济的快速发展，一方面以资源、能耗为主的重工业行业得到了非常大的提升，另一方面高温烟气和烟尘类颗粒物的排放等也严重威胁到环境的可持续发展。国家高度重视和提倡建设节能环保产业，并提出“30 60双碳”目标，燃煤电厂作为烟气污染物的排放大户，更是“双碳”目标的排头兵。除尘器作为燃煤电厂的除尘设备，普遍应用于工业生产中，其中袋式除尘器的除尘效率高达99.9%1。该类除尘设备能够有效减少排放到大气中的粉尘，而且还可回收利用有价值的资源。但其在长期运行过程中，会出现滤芯破损、卸灰故障、滤摘要：提出一种基于改进PCA-SARMA的电厂除尘设备故障预警方法，首先对所有与除尘设备运行状态相关的特征参数采用改进主元分析法进行降维处理，然后在新主元特征参数的基础上采用SARMA算法对燃煤电厂除尘设备进行建模分析，最后对内蒙古某电厂600 MW燃煤机组LCM-D/G型袋式除尘设备进行实例验证。结果表明，该方法可以提前发现燃煤电厂除尘设备故障征兆，实现对燃煤电厂除尘设备的早期故障预警。关键词：改进主元分析；SARMA算法；燃煤电厂；除尘设备；故障预警文献标志码：B文章编号：1008-6218（2023）03-0086-05中图分类号：TM621.7doi:10.19929/ki.nmgdljs.2023.0044基金项目 国家能源投资集团有限责任公司科技项目“辅助监盘系统研究与应用”（GNHB-22-1）A b s t r a c t：In this paper,a fault warning method for dust removal equipment in power plants based on improved PCASARMA is proposed.Firstly,the improved principal component analysis method is used to dimensionally reduce allcharacteristic parameters related to the operating state of the dust removal equipment.Then,on the basis of the newprincipal component characteristic parameters,SARMA algorithm is used to model and analyze the dust removal equipmentof coalfired power plant.Finally,an example of LCMD/G bag dust removal equipment of a 600 MW coalfired unit in apower plant in Inner Mongolia is verified.The results show that the method can detect the signs of dust removal equipmentfailures in coalfired power plants in advance,and achieve early fault warning of dust removal equipment in coalfiredpower plants.K e yw o r d s：improved principal component analysis;SARMA algorithm;coalfired power plant;dust removal equipment;faultwarningFa i l u r eW a r n i n gM e t h o do fD u s tRe mo v a l Eq u i p me n ti nPo w e rPl a n tBa s e do nImp r o v e dPCA-SA RM Aa n dIt sA p p l i c a t i o nZHU Minghao（Guoneng Inner Mongolia Hulunbuir Power Generation Co.,Ltd.,Hulunbuir021025,China）引用格式：朱明皓.基于改进PCA-SARMA的电厂除尘设备故障预警方法及应用J.内蒙古电力技术，2023，41（3）：8690.ZHU Minghao.Failure Warning Method of Dust Removal Equipment in Power Plant Based on Improved PCA-SARMA and ItsApplicationJ.Inner Mongolia Electric Power,2023,41(3):8690.内 蒙 古 电 力 技 术INNER MONGOLIA ELECTRIC POWER2023年第41卷第3期86芯堵塞等不足，导致运行阻力过大，维护任务繁重等问题，不仅影响除尘效率，同时影响电力生产。目前国内对燃煤电厂除尘设备的研究大都偏向于故障诊断，对燃煤电厂除尘设备故障预警的研究相对较少，且仅局限于除尘设备的核心部件，对除尘设备的其他工况监控数据利用率较低。本文以内蒙古某燃煤电厂600 MW燃煤机组除尘设备为例进行实例分析，介绍了改进主元分析法（Principal Component Analysis，PCA）降维的具体步骤、季节性移动平均（SARMA）算法的建模过程，并提出相应的模型评价指标，验证了该方法可实现燃煤电厂除尘设备的早期故障预警。1改进主元分析法降维PCA是一种多变量统计过程监测技术，是在传统单变量统计过程监测技术（Statistical ProcessMonitoring，SPM）的基础上改进而来2-7，弥补了SPM无法满足变量间时序依存、监测参数强耦合、数据高维度等缺点，具有算法简单，不受参数限制等优点，广泛应用于模式识别、过程监测、故障诊断等领域8-17。但在工程实际应用中，传统的PCA算法往往无法解决样本矩阵标准化问题，因此本文在PCA算法基础上采用从优隶属度对样本集合矩阵进行数据预处理。1.1样本集合矩阵的标准化处理设燃煤电厂除尘设备共有m个样本点和n个参数变量，则由m个样本点和n个参数变量构成的燃煤电厂除尘设备样本集合矩阵Xmn见公式（1）：Xmn=x11x12 x1nx21x22 x2nxm1xm2 xmn，（1）其中，行代表某一时刻各个测点的值，列代表某个测点在不同时刻的值。对样本集合矩阵Xmn的标准化处理采用从优隶属度的方法：ij()max=xij-jxijjxij-jxij,i=1,2,n;j=1,2,m，（2）ij()min=jxij-xijjxij-jxij,i=1,2,n;j=1,2,m，（3）式中：ij()max为越大越优指标，ij()min为越小越优指标，xij为n个评判样本下m个评判指标，j表示在n个评判样本下第j个指标的最优值，j表示在n个评判样本下第j个评判指标的最劣值。得到的标准化样本集合矩阵Z如式（4）所示：Z=Z11Z12Z1nZ21Z22Z2nZm1Zm2Zmn。（4）1.2相关系数矩阵特征值的求取相关系数矩阵R的计算公式见式（5）：rkl=SklSkSl=k=1n()Zkl-Zk()Zkl-Zlk=1n()Zkl-Zkk=1n()Zkl-Zl，（5）式中：Zk=1mi=1mxik，Zl=1mi=1mxil，k，l分别为矩阵Z中的第 k 列和第 l 列，且rkl=rlk,（k=1,2,n；l=1,2,n）；Skl，Sk，Sl分别为kl、l、k的斜方差矩阵。得到的相关系数矩阵R见式（6）：R=r11r12 r1nr21r22 r2nrn1rn2 rnn。（6）求相关系数矩阵R的特征值和特征向量v：令矩阵R的特征方程|I-R=0（I为单位矩阵），采用雅克比方法对矩阵R进行一系列的正交相似变换，当矩阵R的全部非对角元素的值都等于零或者接近于零时，对角元素为矩阵 R 的特征值（1，2，n），每个特征值对应一个特征向量v（v1，v2，vn）。1.3新主元的生成对燃煤电厂除尘设备各监测参数变量的贡献率cj进行计算：cj=jj=1nj，（7）式中：j为相关系数矩阵R的特征值，j=1，2，n。对j的大小进行排序，使得12n。计算燃煤电厂除尘设备各监测参数变量的累积贡献率Ck：2023年第41卷第3期朱明皓：基于改进PCASARMA的电厂除尘设备故障预警方法及应用87Ck=j=1kjj=1nj，（8）式 中：k（k85%），表示前3个主元以86.885%的精度代表原始数据量，保留了大部分原始数据的数据特征，实现了原始样本数据的属性降维。以燃煤电厂袋式除尘器进出口压差状态参数为例，进行SARMA故障预警模型测试，图1为采用SARMA故障预警模型对袋式除尘器进出口压差状态参数进行预测的趋势图。表3为采用SARMA故障预警模型分别对袋式除尘器进出口压差、入口烟气量和漏风量等3个状态参数进行预测的评价指标，包括平均绝对误差（Mean Absolute Error，MAE）和均方根误差（RootMean Sauarde Error，RMSE），其中袋式除尘器进出口压差的RMSE为0.041 0，MAE为0.030 1，预测精度较高。该厂运维人员于2021-08-15T15:26发现袋式除尘器的过滤阻力运行状态参数严重偏离实际运行曲线，经检查是由于滤袋长久未清洗，烟气中的粉尘附着在除尘袋表面导致的滤芯堵塞故障。而表1燃煤电厂除尘设备运行状态参数Tab.1 Operation status and parameters of dust removalequipment in coalfired power plants序号1234567参数名称入口烟气量入口烟气含尘浓度入口烟气压力出口烟气压力出口烟气温度实际燃煤灰分锅炉实际蒸发量单位m3/hg/m3PaPat/h序号8910111213参数名称锅炉额定蒸发量入口烟气温度布袋过滤风速漏风量过滤阻力进出口压差单位t/hm/minPaPa表2PCA方差贡献率Tab.2 PCA variance contribution rate主元数量/个123456特征值11.0784.5762.8981.0640.8750.804方差贡献率/%57.46521.2478.1734.5982.8351.395累积方差贡献率/%57.46578.31286.88591.48394.31895.7132023年第41卷第3期内 蒙 古 电 力 技 术88采用 SARMA 预测算法进行故障的验证，则在2021-08-15T10:35便发现过滤阻力运行状态参数异常发出预警信息，可见采用SARMA预测算法可以提前近5 h发出故障预警信息。4结束语针对燃煤电厂除尘设备存在结构复杂、参数关联性强、故障频发以及数据利用不充分等问题，本文首先采用改进主元分析法对与燃煤电厂运行状态相关的13个参数进行特征提取重构，形成能涵盖原有运行状态的3个主成分，达到了数据降维的目的，极大降低了算法运行工作量，然后采用SARMA故障预警算法进行预测，并通过MAE和RMSE两个预测模型评价指标进行评价，结果表明该预测模型精度较高，完全满足工程实践的要求，对燃煤电厂除尘设备的故障预警具有重要意义。参考文献：1 张晓宇.电除尘器效率与节能研究D.北京：华北电力大学，2012：48.2 赵茜.面向多阶段间歇过程监控的PCA方法研究D.北京：北京化工大学，2010：1.3 ZHU Xiongzhuo,GAO Dali,YANG Chong,et al.A blast furnacefault monitoring algorithm with low false alarm rate:Ensembleof greedy dynamic principal component analysisGaussian mixturemodelJ.Chinese Journal of Chemical Engineering,2023,57:151161.4SushmaJaiswal,ManojKumarPandey.LinearDiscriminateAnalysis based Robust Watermarking in DWT and LWT Domainwith PCA based Statistical Feature ReductionJ.InternationalJournalofImage,GraphicsandSignalProcessing(IJIGSP),2023,15(2)：7388.5 刘文慧，徐遵义，张旭冉，等.基于互信息和PCA理论的湿法烟气脱硫工况特征提取方法J.中国电力，2020，53（8）：158163.LIU Wenhui,XU Zunyi,ZHANG Xuran,et al.Feature ExtractionMethodforWetFlueGasDesulfurizationUnderOperatingConditions Based on Mutual Information and PCA TheoryJ.Electric Power,2020,53(8):158163.6 Gopal Gokilakrishnan,Murugesan Vigneshkumar.Comparativeassessment over the selection of lean supply chain practicesthrough fuzzy integrated principal component analysis,gray relationalanalysis,andcomplexproportionalassessmentapproachesJ.Proceedings of the Institution of Mechanical Engineers,Part E:Journal of Process Mechanical Engineering,2023,237(2):269279.7 CAI Wenyuan,DENG Rui,GAO Chengquan,et al.EvaluationTechniques for Shale Oil Lithology and Mineral CompositionBased on Principal Component Analysis Optimized ClusteringAlgorithmJ.Processes,2023,11(3):958.8 聊方伦，周平.基于PCA的火电厂电气设备故障诊断方法J.自动化技术与应用，2022，41（3）：3943.LIAO Fanglun,ZHOU Ping.Fault Diagnosis Method of ElectricalEquipment in Thermal Power Plant Based on PCAJ Techniquesof Automation and Applications,2022,41(3):3943.9 WANG Tianxiao,JING Zhecheng,ZHANG Shupei,et al.UtilizingPrincipal Component Analysis and Hierarchical Clustering toDevelop Driving Cycles:A Case Study in ZhenjiangJ.Sustainability,2023,15(6):4845.10 Choo KiBeom,Cho Hyunjoon,Park JungHyeun,et al.A Researchon Fault Diagnosis of a USV Thruster Based on PCA and EntropyJ.Applied Sciences,2023,13(5):3344.11 黄伟，李常伟，席建忠.基于PCA-MEA-WNN模型的燃烧不稳定性检测方法J.动力工程学报，2021，41（4）：286293.HUANG Wei,LI Changwei,XI Jianzhong.Detection Methodof Combustion Instability Based on PCAMEAWNN ModelJ.Journal Of Chinese Society Of Power Engineering,2021,41(4):286293.12 Attouri Khadija,Mansouri Majdi,Hajji Mansour,et al.WindPowerConverterFaultDiagnosisUsingReducedKernelPCABased BiLSTMJ.Sustainability,2023,15(4):3191.13 付江永.主元分析在火电厂燃烧优化中的应用D.北京：华北电力大学，2011：68.14 YU Hang,GAO Haibo,HE Yelan,et al.A novel motor faultdiagnosismethodbasedonprincipalcomponentanalysis(PCA)withadiscretebeliefrulebase(DBRB)systemJ.表3SARMA故障预警模型评价指标Tab.3 Evaluation index of SRAMA fault warning model参数进出口压差/Pa入口烟气量/m3h-1漏风量/平均绝对误差MAE0.030 10.042 50.483 4均方根误差RMSE0.0410.0560.067 40.80.70.60.50.40.30.20.10压差/MPa2004006008001000 1200 1400 1600实际值预测值样本点n图1袋式除尘器进出口压差预测效果图Fig.1 Prediction effect diagram of the inlet and outletpressure difference of the bag dust remover2023年第41卷第3期朱明皓：基于改进PCASARMA的电厂除尘设备故障预警方法及应用89Measurement Science and Technology,2023,34(3):35012.15 黄宇斐，石新发，贺石中，等.一种基于主成分分析与支持向量机的风电齿轮箱故障诊断方法J.热能动力工程，2022，37（10）：175181.HUANG Yufei,SHI Xinfa,HE Shizhong,et al.A Fault DiagnosisMethod of Wind Turbine Gearbox based on PCA and SVMJ.Journal of Engineering for Thermal Energy and Power,2022,37(10):175181.16 孙宏雨，李元.基于模糊C均值与主成分分析的故障检测研究J.自动化仪表，2022，43（7）：7985.SUN Hongyu,Li Yuan.Fault Detection Research Based onFuzzy CMeans and Principal Component AnalysisJ.ProcessAutomation Instrumentation,2022,43(7):7985.17 XIAO Rongge,ZHUANG Qi,JIN Shuaishuai,et al.Evaluationofinfluencingfactorsofpipelinewaxdepositionstrengthbased on principal component analysisJ.Petroleum Scienceand Technology,2023,41(6):700711.18 彭彤宇，茅大钧，韩万里.基于改进ARMA预测模型的电厂风机状态预测J.上海电力学院学报，2019，35（6）：535538.PENG Tongyu,MAO Dajun,HAN Wanli.State Prediction ofPower Plant Fans Based on Improved ARMAJ.Journal ofShanghai University of Electric Power,2019,35(6):535538.19 Kumar Mohit,Tiwari Reet Kamal,Kumar Kamal,et al.Statisticalevaluation of snow accumulation and depletion from remotelysensed MODIS snow time series data using the SARIMA modelJ.AQUA WaterInfrastructure,EcosystemsandSociety,2023,72(3):348362.20 高骞，张浩天，汤奕.基于预测模型的发电厂异常数据辨识方法J.电力工程技术，2020，39（4）：164170.GAO Qian,ZHANG Haotian,TANG Yi.Abnormal data analysismethod of power plant data based on forecast modelJ.JiangsuElectrical Engineering,2020,39(4):164170.21 DiopMamadouDine,SadefoKamdemJules.MultiscaleAgriculturalCommodities Forecasting Using Wavelet SARIMA ProcessJ.Journal of Quantitative Economics,2022,21(1):140.22 冯剑，姚罕琦，黄啸虎，等.ARIMA算法在工业控制器故障预测的应用J.自动化仪表，2022，43（11）：6267.FENG Jian,YAO Hanqi,HUANG Xiaohu,et al.Applicationof ARIMA Algorithm to Industrial Controller Fault PredictionJ.Process Automation Instrumentation,2022,43(11):6267.23 Idrais Jaafar,El Abassi Rida,El Moudene Yassine,et al.CharacterizingcommunitybehaviorinOSNs:Modelingandforecasting activity on Facebook using the SARIMA modelJ.Journal of Intelligent&Fuzzy Systems,2022,43(3):37573769.24 赵万里，郭迎清，杨菁，等.基于ARMA的航空发动机传感器故障诊断及实时验证J.航空计算技术，2022，52（1）：1620.ZHAO Wanli,GUO Yingqing,YANG Jing,et al.AeroengineSensor Fault Diagnosis and Realtime Verification Based onARMA ModelJ.Aeronautical Computing Technique,2022,52(1):1620.25 MENG Zong,ZHANG Ying,ZHU Bo,et al.Research on rollingbearingfaultdiagnosismethodbasedonARMAandoptimized MOMEDAJ.Measurement,2022,189(15):110465.26 WANG Ling,PAN Jin,GAO Yanfeng,et al.Incipient FaultDiagnosisofLimitSwitchbasedonaARMAModelJ.Measurement,2018,135:473480.27A.Joshuva,V.Sugumaran.ImprovementinwindenergyproductionthroughconditionmonitoringofwindturbinebladesusingvibrationsignaturesandARMAfeatures:adata drivenapproachJ.Progress in Industrial Ecology,an International Journal,2019,13(3):207231.28 陈佳威，邓新，马群又，等.油液在线监测系统的设计与实现J.机电工程技术，2023，52（4）：109112.CHEN Jiawei,DENG Xin,MA Qunyou,et al.Design andRealization of Oil Online Monitoring SystemJ.Mechanical&Electrical Engineering Technology,2023,52(4):109112.29 LIU Jiaxin,ZHAO Zijian,ZHONG Yuanchen,et al.Predictionof the dissolved gas concentration in powertransformeroilbasedonSARIMAmodelJ.EnergyReports,2022,8(S5):13601367.30 郜逸星，孙淑珍.小波去噪结合ARMA模型在电力设备故障率预测中的应用J.内蒙古工业大学学报（自然科学版），2019，38（2）：122128.GAO Yixing,SUN Shuzhen.Failure Rate Prediction MethodBased on Wavelet Correlation Denoising Combined with ARMAModelJ.Journal of Inner Mongolia University of Technology(Natural science edition),2019,38(2):122128.31 韩清鹏，李天成，李晨晨，等.基于ARMA模型的滚动轴承故障诊断研究J.机电工程技术，2018，47（1）：6871.HANQingpeng,LITiancheng,LIChenchen,etal.FaultIdentification of the Rolling Bearings Based on ARMA MethodJ.Mechanical&Electrical Engineering Technology,2018,47(1):6871.32 赵明，梁俊宇，李孟阳，等.基于主元分析的水轮机组导轴承异常诊断方法研究J.云南电力技术，2019，47（6）：2427.ZHAO Ming,LIANG Junyu,LI Mengyang,et al.Researchon Abnormal Diagnostic Method of Hydroturbine Guide BearingBased on Principal Component AnalysisJ.Yunnan ElectricPower,2019,47(6):2427.编辑：王红收稿日期 2023-01-06；修改日期 2023-05-01作者简介 朱明皓（1988），男，辽宁人，学士，工程师，高级技师，从事火电厂生产管理（集控运行）工作。Email：2023年第41卷第3期内 蒙 古 电 力 技 术90