一种热力系统故障的模糊最近邻融合诊断方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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】
[0005] 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：
[0006] 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；
[0007] 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；
[0008] 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；
[0009] 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；
[0010] 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。
[0011] 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：
[0012] 步骤201 :给定种群规模n，最大迭代次数T_，随机初始化个体的速度Vl和位置 xpi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；
[0013] 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：
[0014]
(I)
[0015] 式⑴中，Xk为第k个样本；N为样本总数；h(Xk)指出样本X#否被正确分类，若 正确分类，h(Xk) = 1，否则，h(Xk) = 0 ;t为迭代次数；
[0016] 步骤203 :将每个个体的当前位置设置为个体极值Pl，i= 1，2,. ..，n;将种群中适 应度值最小的个体位置设置为全局极值g;
[0017] 步骤204 :计算每个个体的惯性质量Mjt)，计算公式为：
[0018]
/、1，2"_.，/? v2)
[0019] 式⑵中，fit; (t)为个体i第t次迭代的适应度值；fitbf；st(t)和fitWOTSt(t)分 别表示第t次迭代时种群中所有个体最好的适应度值和最坏的适应度值，fittest(t)和 fitWOTSt(t)的计算公式分别为：
[0020] (3)
[0021] :⑷
[0022] 步骤205 :计算每个个体在d维所受的作用力Fid(t)，计算公式如下：
[0023]
/ -1,2,...,/7 (5)
[0024] 式（5)中，rand^ [0, 1]之间的随机数；为第t次迭代时个体j对个体i 在d维的作用力，<的的计算公式为：
[0025]
C；6：5
[0026] 式（6)中，G(t)为第t次迭代时的引力常数；Mt)为个体i和个体j之间的欧 式距离；e是一个常数，防止分母为零；<(0和<(〇分别为个体j和个体i第t次迭代时 在第d维空间上的位置；
[0027] 步骤206 :计算每个个体在d维的加速度 <⑴，的计算公式为：
[0028]
C7)；
[0029] 步骤207 :更新每个个体的速度和位置，计算公式为：
[0030]
[0032]式（8)、（9)中，v/⑴和彳(f)为在t次迭代时粒子i在d维的速度和位置；vf(f+1) 和xf(/_ + 1)为在t+1次迭代时粒子i在d维的速度和位置；rand;，randJPrand2为[0, 1] 之间的随机数；为粒子i个体极值的第d维；gd(t)为全局极值的第d维；
[0033] 步骤208 :计算每个个体的适应度值；对于每个个体，将其适应度值与个体极值Pl 作比较，如果适应度值小于个体极值Pl，则将其位置设置为个体极值p1;将其适应度值与全 局极值g作比较，如果适应度值小于全局极值g，则将其位置设置为全局极值g;
[0034] 步骤209 :返回步骤204循环迭代，直到达到最大迭代次数或满足精度要求为止；
[0035] 步骤210 :输出热力系统的典型故障原型，算法结束。
[0036] 所述模糊最近邻分类器给出故障隶属度的具体步骤为：
[0037] 步骤301 :计算待分类样本Xq与故障原型P?之间的距离，计算公式为： 「00381
(10)
[0039] 式（10)中，Xq为待分类样本，且Xq= (Xql，Xq2，…，XqJT，T表示转置;m为样本的维 数；P?为第j类故障的第i个原型；d(pAXq)为待分类样本xq与原型P?之间的距离；C为 故障类别的数目；S为每类故障的原型数目；
[0040] 步骤302:计算待分类样本与每类故障原型的最近距离disUco^Xq)，计算公式 为：
[0041 ]
(11》
[0042] 式（11)中，disUUq)为待分类样本与每类故障原型的最近距离；《,为故障类 别；
[0043] 步骤303 :计算待分类样本属于每一故障类别的隶属度y_jq(〇_j，Xq)，计算公式 为： (12)；
[0044
[0045]步骤304 :得到待分类样本属于相应故障类别的隶属度向量yq，公式为：
[0046] yq=[ylq,y2q,yCq]T (13)
[0047] 式（13)中，yq为待分类样本属于相应故障类别的隶属度向量，T表不转置。
[0048] 本发明的有益效果是针对现有热力系统故障诊断方法的实用性受限的问题，提出 了一种热力系统故障的模糊最近邻融合诊断方法，采用引力搜索算法优化故障类原型，在 确保产生的精简原型集能够全面地表示不同故障类的典型特征分布的同时，降低了算法的 存储开销和计算开销，有效解决了故障类别多样、机组运行工况多变导致的故障样本集过 于庞大的问题；采用神经网络融合模糊最近邻分类器的结果进行二次诊断，有效提高故障 诊断的准确性；可用于额定工况、不同稳态工况以及变工况动态过程热力系统故障的诊断， 在热力系统在线故障诊断中存在广泛的适用性。
【附图说明】
[0049] 图1为一种热力系统故障的模糊最近邻融合诊断方法流程图。
[0050] 图2为600Mff#l高加管系泄漏6% (F1)诊断结果。
[0051] 图3为600Mff#2高加进出水室短路20% (F5)诊断结果。
[0052] 图4为540Mff#l高加管系泄漏6% (F1)诊断结果。
[0053] 图5为540Mff#2高加进出水室短路20% (F5)诊断结果。
[0054] 图6为480Mff#l高加管系泄漏6% (F1)诊断结果。
[0055] 图7为480Mff#2高加进出水室短路20% (F5)诊断结果。
【具体实施方式】
[0056] 本发明提出一种热力系统故障的模糊最近邻融合诊断方法，下面结合附图和具体 实施例对本发明作详细说明。
[0057] 图1所示为一种热力系统故障的模糊最近邻融合诊断方法流程图，包括如下步 骤：
[0058] 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；
[0059] 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；
[0060] 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；
[0061] 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；
[0062] 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。
[0063] 其中，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：
[0064] 步骤201 :给定种群规模n，最大迭代次数T_，随机初始化个体的速度Vl和位置 xpi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；
[0065] 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：
[0066]
(1)
[0067] 式⑴中，Xk为第k个样本；N为样本总数；h(Xk)指出样本X#否被正确分类，若 正确分类，h(Xk) = 1，否则，h(Xk) = 0 ;t为迭代次数；
[0068] 步骤203 :将每个个体的当前位置设置为个体极值Pl，i= 1，2, . ..，n;将种群中适 应度值最小的个体位置设置为全局极值g;
[0069]步骤204:计算每个个体的惯性质量％ (t)，计算公式为：
[0070]
(2)
[0071] 式⑵中，fit;⑴为个体i第t次迭代的适应度值；fitbf；st(t)和fitWOTSt(t)分 别表示第t次迭代时种群中所有个体最好的适应度值和最坏的适应度值，fittest(t)和 fitWOTSt(t)的计算公式分别为：
[0072] (3)
[0073] ^4);
[0074]步骤205 :计算每个个体在d维所受的作用力Fid(t)，计算公式如下：
[0075].(.5): j-f
[0076] 式（5)中，randjS[0, 1]之间的随机数；为第t次迭代时个体j对个体i在 d维的作用力，€/(0的计算公式为：