一种基于时序异常检测与趋势预测的水冷壁超温分级预警方法及系统与流程
本发明涉及燃煤电厂锅炉监测领域,具体涉及一种基于时序异常检测与趋势预测的水冷壁超温分级预警方法及系统。
背景技术:
1、水冷壁是燃煤电站锅炉中直接承受高温烟气冲刷的核心受热面,其运行状态直接关系到锅炉的安全性、稳定性和经济性。长期工作于高温辐射、复杂燃烧及频繁负荷波动的环境中,水冷壁易出现局部热负荷偏差、传热恶化、壁温抬升、材料性能退化等问题,持续超温可能导致受热面寿命缩短、检修周期减短,严重时甚至引发爆管和非计划停运。而随着新能源大规模并网,火电机组宽负荷深度调峰已成为常态,锅炉热工状态的波动性、耦合性和时变性显著加剧,壁温的影响因素已不限于负荷、蒸汽参数及给煤量,其配风方式、燃烧偏斜、炉膛出口烟温、结渣积灰、吹灰扰动及不同测点间的热惯性差异均会以不同滞后时间叠加至水冷壁金属温度上。
2、因此,在上述复杂工况下,仅依靠固定阈值和少量经验规则监测水冷壁壁温,难以兼顾检测灵敏度与误报率。
3、针对上述问题,现有技术主要采用两类手段。一类为传统阈值与机理分析方法,例如采用固定壁温阈值与温升速率双门限报警,阈值由材料设计许用温度减去固定安全裕度确定。另一类为数据驱动方法,例如采用长短期记忆网络(lstm)对壁温进行单目标回归预测,以获取未来温度估计值,或采用孤立森林等模型进行异常检测。
4、然而,现有方案仍存在以下问题:其一,固定阈值未考虑锅炉负荷与介质参数变化的影响,在宽负荷调峰场景下适应性差,低负荷易误报、高负荷易漏报;其二,lstm等数据驱动方案多停留在单目标回归层面,未对正常工况下时序演化规律进行无监督建模,异常征兆未被显式刻画,工况变化时模型适应能力不足;其三,异常样本本身稀缺,早期征兆难以被稳定捕捉,且部分方案仅进行异常检测而未给出未来壁温是否继续升高的趋势判断,运行人员仅获得孤立报警信息,缺乏分级处置依据。
技术实现思路
1、针对现有技术中提到的问题,本发明提出一种基于时序异常检测与趋势预测的水冷壁超温分级预警方法及系统,以解决背景技术中预警滞后、工况适应性差、误报漏报率偏高、缺乏趋势预测能力以及分级决策依据不足等问题。
2、为了实现上述目的,本发明采用如下技术方案:
3、本发明提出一种基于时序异常检测与趋势预测的水冷壁超温分级预警方法,包括以下步骤:
4、s1、获取与锅炉水冷壁相关运行参数的多维时序数据;
5、s2、对所述多维时序数据进行预处理,得到多变量时序样本集;
6、s3、利用互信息方法估计所述多变量时序样本集中的各个变量相对于目标水冷壁温度的最优滞后时间,并根据所述最优滞后时间对各个变量进行时序平移对齐;基于对齐后的数据构造衍生特征,以对齐后的数据和衍生特征作为候选特征,利用lightgbm特征评估模型对所述候选特征进行评估筛选,得到关键特征集合;
7、s4、将所述关键特征集合输入至训练好的异常检测模型中进行检测,所述异常检测模型包括lstm-vae模型和孤立森林模型,其中lstm-vae模型输出表征时序重构偏离程度的第一异常得分,孤立森林模型输出表征局部离群程度的第二异常得分,对所述第一异常得分和第二异常得分分别进行分位数归一化后加权融合,得到综合异常得分;
8、s5、将所述关键特征集合输入至训练好的多尺度卷积注意力transformer趋势预测模型进行多步预测,得到未来壁温预测序列;将所述未来壁温预测序列与对应时刻的动态超温阈值进行比较,得到超温概率;
9、s6、以综合异常得分和超温概率为风险维度来构建二维分级预警决策矩阵,并结合预测的超温持续时长、预测的最大壁温及温升速率,输出对应预警等级;根据预警等级输出与预警等级对应的预测结果。
10、作为本发明进一步改进,所述s2中的预处理依次包括异常值识别与修复、缺失值补全、采样周期统一、噪声抑制、工况片段筛选、归一化处理及时间对齐。
11、作为本发明进一步改进,所述s3中的最优滞后时间如下式计算:
12、
13、式中:表示第
i个变量;表示目标水冷壁温度;i(·)表示互信息函数;表示允许搜索的最大滞后步长,取5 min~30min;表示滞后步长;表示时间时刻。
14、作为本发明进一步改进,所述s3中的衍生特征至少包括壁温温升速率、负荷变化率、风煤比、主蒸汽压力变化率、炉膛出口左右侧烟温偏差、相邻壁温测点差值、同一区域壁温极差以及吹灰前后壁温变化量中的一种或多种。
15、所述利用lightgbm特征评估模型对所述候选特征进行评估筛选,包括:
16、基于lightgbm特征评估模型的增益值、分裂频次或shap重要度对候选特征按重要性降序排序,保留排序位于前n位的特征作为关键特征集合,其中n 的取值范围为15至40。
17、作为本发明进一步改进,所述lstm-vae模型用于输出第一异常得分,计算式如下:
18、
19、式中:为第一异常得分;为重构误差;为kl散度;和分别表示权重系数,满足的和为1;
20、所述孤立森林模型用于输出第二异常得分,计算式如下:
21、
22、式中:为第二异常得分;为关键特征集合中的静态特征向量;为样本在隔离树的路径长度;c(n)为n个样本下隔离树的平均路径长度归一化常数;表示样本在所有隔离树上的平均路径长度;
23、对所述第一异常得分和所述第二异常得分进行归一化融合,得到综合异常得分,计算式如下:
24、
25、式中:为综合异常得分;和分别表示融合权重系数,满足α+β=1;为经分位数归一化后的第一异常得分;为经分位数归一化后的第二异常得分。
26、作为本发明进一步改进,将所述未来壁温预测序列与预设的动态超温阈值进行比较,获得超温概率,其中超温概率的计算式如下:
27、
28、式中:
h为预测步长;为第时刻的预测壁温;为第时刻对应的动态超温阈值;ind()为示性函数,条件成立时取值为1,否则为0。
29、作为本发明进一步改进,所述s6中超温持续时长的计算式如下:
30、
31、式中:为预测超温持续时长;为第时刻的预测壁温;为采样周期;为第时刻对应的动态超温阈值;
32、所述温升速率的计算式如下:
33、
34、式中:为温升速率;为预测窗口末端时刻的预测壁温;为预测窗口起始时刻的预测壁温;为首末时刻之间的间隔步数。
35、作为本发明进一步改进,所述s6中的预警等级包含正常、注意、警告和紧急的四级预警等级;
36、定义综合异常分阈值θφ1<θφ2<θφ3和超温概率阈值θp1<θp2<θp3,所述预警等级按以下规则自高至低判断,先满足者优先且各等级互斥:
37、紧急等级:综合异常得分≥θφ3,或超温概率≥θp3且预测的超温持续时长≥第二时长阈值,或者预测的最大壁温≥动态超温阈值与紧急温度裕度之和;
38、警告等级:综合异常得分≥θφ2且超温概率≥θp2,或者预测的超温持续时长≥第一时长阈值,或者温升速率≥温升速率阈值;
39、注意等级:综合异常得分≥θφ1,或者超温概率≥θp1;
40、正常等级:上述条件均不满足。
41、作为本发明进一步改进,还包括在线增量学习步骤,包括根据实际运行反馈结果建立在线增量学习机制,对异常检测模型、趋势预测模型、动态超温阈值、综合异常得分阈值及超温概率阈值进行更新。
42、本发明提出一种基于时序异常检测与趋势预测的水冷壁超温分级预警系统,包括:
43、获取模块,用于获取与锅炉水冷壁相关运行参数的多维时序数据;
44、预处理模块,用于对所述多维时序数据进行预处理,得到多变量时序样本集;
45、时延感知模块,用于利用互信息方法估计所述多变量时序样本集中的各个变量相对于目标水冷壁温度的最优滞后时间,并根据所述最优滞后时间对各个变量进行时序平移对齐;基于对齐后的数据构造衍生特征,以对齐后的数据和衍生特征作为候选特征,利用lightgbm特征评估模型对所述候选特征进行评估筛选,得到关键特征集合;
46、异常检测模块,用于将所述关键特征集合输入至训练好的异常检测模型中进行检测,所述异常检测模型包括lstm-vae模型和孤立森林模型,其中lstm-vae模型输出表征时序重构偏离程度的第一异常得分,孤立森林模型输出表征局部离群程度的第二异常得分,对所述第一异常得分和第二异常得分分别进行分位数归一化后加权融合,得到综合异常得分;
47、趋势预测模块,用于将所述关键特征集合输入至训练好的多尺度卷积注意力transformer趋势预测模型进行多步预测,得到未来壁温预测序列;将所述未来壁温预测序列与对应时刻的动态超温阈值进行比较,得到超温概率;
48、分级预警输出模块,用于以综合异常得分和超温概率为风险维度来构建二维分级预警决策矩阵,并结合预测的超温持续时长、预测的最大壁温及温升速率,输出对应预警等级;根据预警等级输出与预警等级对应的预测结果。
49、本发明相对于现有技术,取得了以下的技术效果:
50、本发明利用lstm-vae模型与孤立森林模型的融合架构,对当前时序窗口内的壁温状态进行异常评分,输出综合异常得分;利用多尺度卷积注意力transformer模型对未来预设时间窗口内的水冷壁温度进行多步预测,输出超温概率。通过将当前异常征兆与未来超温趋势结合,可在壁温触及阈值前输出相应的风险提示,为运行人员提供预警信息。
51、本发明利用互信息方法对多变量时序样本集中的各个变量分别估计相对于目标水冷壁温度的最优滞后时间,并按各自的最优滞后时间独立进行平移对齐,以减少不同变量与壁温之间的时滞错配;基于对齐后的数据构造衍生特征,并以对齐后的数据和衍生特征共同作为候选特征,利用lightgbm特征评估模型进行重要度评估筛选,为后续异常检测和趋势预测提供关键特征集合。
52、本发明通过lstm-vae模型对正常工况样本进行无监督训练,利用重构误差与潜变量分布偏离程度表征时序结构层面的异常;孤立森林模型从窗口末端静态特征空间识别局部离群行为;两类得分经归一化融合形成综合异常得分,以同时表征时序演化偏离和局部离群风险。
53、本发明采用多尺度卷积注意力transformer模型,利用多尺度卷积提取不同时间尺度的局部波动特征,并通过注意力机制建模长时序依赖关系;训练阶段采用超温区段加权误差,对位于超温区段的预测误差赋予相应权重。二维分级预警决策矩阵将当前异常状态与未来超温风险结合判断,并根据不同预警等级输出相应处置提示。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com