一种塔式太阳能热发电系统故障诊断方法
【专利摘要】一种塔式太阳能热发电系统故障诊断方法，其包括以下步骤：在诊断对象所在系统中的位置安装用于测量所述诊断对象的测试数据的传感器；建立诊断对象故障诊断辨识模型，并根据所述诊断对象故障诊断辨识模型建立人工神经网络观测值模型；利用人工神经网络观测值模型计算诊断对象的观测值；比对所述观测值与所述传感器测得的实测值，实现对所述诊断对象的故障诊断。本发明故障诊断具有实时性和鲁棒性，兼具在线训练和多传感器诊断等优势，实现整个发电系统的故障诊断。
【专利说明】一种塔式太阳能热发电系统故障诊断方法
【技术领域】
[0001]本发明涉及一种塔式太阳能热发电系统领域，特别是一种塔式太阳能热发电系统故障诊断方法
【背景技术】
[0002]塔式太阳能热发电技术是一种先进、高效的发电技术，因其能提供可靠、相对高效的绿色清洁替代能源而逐渐被人们关注。
[0003]塔式太阳能热发电通过定日镜将太阳能量聚集到高塔顶部的集热设备，集热设备收集太阳能量转化成热 能并传输到蓄热设备，蓄热设备将能量输出到发电机，驱动发电机发电。
[0004]根据在塔式太阳能发电过程中的不同作用将发电系统分成5个子系统，即:聚光系统、集热系统、蓄热系统、发电系统、能源辅助系统，所有子系统协同工作完成能量的聚集、转换，能量的聚集和转换过程中，设备、管道和蓄热介质等都处于高温高压环境下，发电环节中环境参数的过低或过高都会影响系统的安全性和稳定性。
[0005]开发一套塔式太阳能发电站故障诊断系统对于发电系统的稳定安全高效运行，发电系统故障的预防，故障发生后及时有效处理解决具有重要的意义。
[0006]目前，国内外对塔式太阳能发电站故障诊断的研究刚刚起步，专利CN102289595A提供了一种塔式太阳能吸热器局部过热评价模型，通过模型可有效判断吸热器过热状态，为吸热器安全稳定运行提供依据，但该专利发明仅关注吸热器的安全性，未考虑发电系统其它设备，对发电系统的故障诊断而言具有局限性。论文《塔式太阳能热发电站故障诊断专家系统的研究》提供了一种基于太阳能热发电系统征兆和故障特征的模糊专家诊断方法，并使用VS和CLIPS等开发工具完成诊断系统开发，其诊断结果用故障可信度和趋势图表示，ACESS数据库对故障的模拟结果表明该法具有一定的可行性，但是专家诊断系统无法检测规则未定义的故障类型。
【发明内容】
[0007]本发明提供了一种塔式太阳能热发电系统故障诊断方法，其包括以下步骤:
[0008]在诊断对象所在系统中的位置安装用于测量所述诊断对象的测试数据的传感器；
[0009]建立诊断对象故障诊断辨识模型，并根据所述诊断对象故障诊断辨识模型建立人工神经网络观测值模型；
[0010]利用人工神经网络观测值模型计算诊断对象的观测值；
[0011]比对所述观测值与所述传感器测得的实测值，实现对所述诊断对象的故障诊断。
[0012]较佳地，所述诊断对象故障识别模型为:
[0013]y(k+l)=f (x^k),...，x2(k-N1+l),...，xn(k)，...，xn(k_Nn+l), y (k),..., y (k_Ny+l))，[0014]其中，X1, x2,..., xn分别为诊断对象观测值y的输入相关量，N1, N2,..., Nn分别为输入量时间延迟，Ny为输出时间延迟。
[0015]较佳地，所述人工神经网络观测值模型为:
[0016]? (k+1) =f (X1 (k)，...，X2 (k-Ni+1),..., xn (k),..., xn (k_Nn+l), y' (k),..., y' (k-Ny+1))，
[0017]当f’为线性函数时，观测值模型y’ (k+1)为线性模型，当f’为非线性函数时，观测值模型y’ (k+1)为非线性模型。
[0018]较佳地，所述利用人工神经网络观测值模型计算诊断对象的观测值过程包括:
[0019]步骤1，网络初始化，给各连接权值分别赋一个区间(-1，I)内的随机数，设定误差函数e、精度阈值％和最大迭代次数M;
[0020]步骤2，随机选取第k个输入样本及期望输出；
[0021 ] d。(k) = ((I1 (k), d2 (k),..., dq(k))x (k) = (X1 (k)，X2 (k)，...，xn (k)),
[0022]步骤3，计算隐含层各神经元的输入和输出；
[0023]步骤4，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 δ。(k) a ;
[0024]步骤5，利用隐含层到输出层的连接权值、输出层的δ。(10和隐含层的输出计算误差函数对隐含层各神经元的偏导数Sh(k)；
[0025]步骤6，利用输出层各神经元的δ。(10和隐含层各神经元的输出来修正连接权值wh0 (k)；
[0026]步骤7，利用隐含层各神经元的δ h(k)和输入层各神经元的输入修正连接权；
[0027]步骤8，计算全局误差
【权利要求】
1.一种塔式太阳能热发电系统故障诊断方法，其特征在于，包括以下步骤: 在诊断对象所在系统中的位置安装用于测量所述诊断对象的测试数据的传感器； 建立诊断对象故障诊断辨识模型，并根据所述诊断对象故障诊断辨识模型建立人工神经网络观测值模型； 利用人工神经网络观测值模型计算诊断对象的观测值； 比对所述观测值与所述传感器测得的实测值，实现对所述诊断对象的故障诊断。
2.如权利要求1所述的塔式太阳能发电故障诊断系统诊断方法，其特征在于，所述诊断对象故障识别模型为:
y (k+1) =f (X1 (k)，...，x2 (k-Ni+1),..., xn (k),..., xn (k_Nn+l), y (k),..., y (k_Ny+l)),其中，Xl，x2,..., xn分别为诊断对象观测值y的输入相关量，N1, N2,..., Nn分别为输入量时间延迟，Ny为输出时间延迟。
3.如权利要求2所述的塔式太阳能发电故障诊断系统诊断方法，其特征在于，所述人工神经网络观测值模型为:
I，(k+1) =f (X1 (k)，...，x2 (k-Ni+1)，...，xn (k)，...，xn (k_Nn+l), y' (k),..., y' (k_Ny+l))， 当f’为线性函数时，观测值模型y’ (k+1)为线性模型，当f’为非线性函数时，观测值模型y’ (k+1)为非线性模型。
4.如权利要求3所述的塔式太阳能发电故障诊断系统诊断方法，其特征在于，所述利用人工神经网络观测值模型计算诊断对象的观测值过程包括: 步骤1，网络初始化，给各连接权值分别赋一个区间(-1，I)内的随机数，设定误差函数e、精度阈值ε m和最大迭代次数M ； 步骤2，随机选取第k个输入样本及期望输出；
d。(k) = ((I1 (k), d2 (k),..., dq(k))x (k) = (X1 (k)，x2 (k)，...，xn (k)), 步骤3，计算隐含层各神经元的输入和输出； 步骤4，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ 0(k)a ; 步骤5，利用隐含层到输出层的连接权值、输出层的6。(10和隐含层的输出计算误差函数对隐含层各神经元的偏导数Sh(k)； 步骤6，利用输出层各神经元的6。(10和隐含层各神经元的输出来修正连接权值wh0 (k)； 步骤7，利用隐含层各神经元的Sh(k)和输入层各神经元的输入修正连接权； 步骤8，计算全局误差
5.如权利要求4所述的塔式太阳能发电故障诊断系统诊断方法，其特征在于，所述比对所述观测值与所述传感器测得的实测值，实现对所述诊断对象的故障诊断的过程包括: 获取诊断对象的观测值为ym，诊断对象的实测值为ym，检测时间宽度为M，那么M时间段内的ym和ym分别为
Iynn (k)，ym (k+1)，...，ym (k+M)}, {ym (k)，ym (k+1)，...，ym (k+M)}, M个观测时间内观测差值为 {e (k), e (k+1),..., e (k+M)},
其中，e(i) = |ym(i)-ym(i) , i=k, k+1,...，k+M, 则k+M时刻观测误差为ε =min{e (k)，e (k+1)，...，e (k+M)}，设定误差阈值为ε m,若ε > επ，那么判定系统故障，反之则系统正常。
6.如权利要求1-5任一项所述的塔式太阳能热发电系统故障诊断方法，其特征在于，所述诊断对象所在系统为聚光系统、集热系统、蓄热系统、发电系统。
7.如权利要求6所述的塔式太阳能热发电系统故障诊断方法，其特征在于，所述诊断对象包括集热系统的温度、压力，蓄热系统的温度、压力，集热系统的输出口气压、温度，蓄热系统的输入口输出口气压、温度，发电系统的输入口气压、温度。
8.如权利要求7所述的塔式太阳能热发电系统故障诊断方法，其特征在于，所述传感器包括温度传感器与压力传感器。
9.如权利要求8所述的塔式太阳能热发电系统故障诊断方法，其特征在于，所述传感器可安置在集热系统、蓄热系统、发电系统内部以及集热系统与蓄热系统、蓄热系统与发电系统连通的管道内，所述传感器数`量可为一个或多个。
【文档编号】G01R31/00GK103743972SQ201310727502
【公开日】2014年4月23日 申请日期:2013年12月25日 优先权日:2013年12月25日
【发明者】徐斌, 苏斌, 宓霄凌, 周慧, 胡玉超, 金建祥 申请人:青海中控太阳能发电有限公司