[发明专利]一种热力系统故障的模糊最近邻融合诊断方法

说明书

本发明公开了属于热力系统故障诊断技术领域的一种热力系统故障的模糊最近邻融合诊断方法。获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的正常值；采用征兆计算方法对特征参数进行标准化处理，运用引力搜索算法获取典型故障原型；根据特征参数的实测值和正常值计算实时故障征兆；比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度；神经网络融合模糊最近邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果。具有诊断速度快、诊断精度高的优点；可用于额定工况、不同稳态工况下的热力系统故障诊断；通过对故障特征参数的实时预测，可适用于变工况动态过程热力系统故障诊断。

技术领域

本发明属于热力系统故障诊断技术领域，特别涉及一种热力系统故障的模糊最近邻融合诊断方法。

背景技术

热力系统是火力发电厂的重要系统，对机组整体运行的安全性和经济性有重要影响，开展热力系统故障诊断研究对提高火电机组整体的可用率，机组运行的安全性、可靠性和经济性具有重要的理论和应用价值。热力系统是由多个强耦合子系统构成的复杂串并联系统，参数众多且相互影响，故障的表现形式多样，故障特征随机组负荷、工况变化较大，导致热力系统故障样本集过于庞大。子系统间的强耦合性导致故障异常参数在子系统间传播，某一子系统发生故障会导致其它相关子系统运行参数异常，这些都给故障的准确定位增加了难度。

目前热力系统故障诊断方法主要有神经网络方法、支持向量机方法、多元统计方法、以及符号有向图、因果图、键合图等基于图论的方法。现有的方法没有考虑故障样本集的有效缩减，仅针对诊断方法进行研究，大量冗余和噪声样本的存在增加了诊断系统的存储要求和计算代价，严重影响诊断系统在现场的实际应用效果。另外，现有的方法多是针对某一稳定负荷工况(如额定负荷工况)进行研究，仅见少数文献采用神经网络对不同稳态工况下故障进行诊断。目前，大型火电机组都需参与调峰运行，热力系统随机组负荷调整经常处于变工况运行，现有方法无法适应这一新情况，使得故障诊断系统的实用性受到很大限制。

针对上述热力系统故障诊断中存在的问题，本发明提出了一种热力系统故障的模糊最近邻融合诊断方法，采用引力搜索算法获取热力系统典型故障类原型，既有效地缩减了热力系统故障样本集，又具有较高的诊断速度和精度；可适用于热力系统额定工况、稳态工况以及变工况动态过程故障诊断。

发明内容

本发明的目的在于提出一种热力系统故障的模糊最近邻融合诊断方法，其特征在于，包括如下步骤：

1)获取机组工作在额定工况下热力系统故障的特征参数，确定额定工况下特征参数的正常值；

2)采用征兆计算方法对热力系统故障的特征参数进行标准化处理，运用引力搜索算法获取热力系统的典型故障原型以反映不同热力系统故障的特征；

3)根据热力系统故障特征参数的实测值和正常值计算实时故障征兆；

4)比较实时故障征兆与典型故障原型的相似性，模糊最近邻分类器给出故障隶属度；

5)将每个模糊最近邻分类器给出的故障隶属度送入神经网络，神经网络融合模糊最近邻分类器给出的故障隶属度，进行二次诊断，给出最终的诊断结果。

所述运用引力搜索算法获取热力系统的典型故障原型的具体步骤为：

步骤201：给定种群规模n，最大迭代次数T_max，随机初始化个体的速度v_i和位置x_i，i为正整数，i＝1,2,...,n，个体依次编码为训练集中不同类型故障样本的特征，个体的速度是与位置同维的向量，且个体的初始速度设置为零；

步骤202：在训练集T上计算每个个体的适应度值，计算公式为：