火电厂锅炉设备智能故障预警方法研究
发布时间：2021-09-19 13:31
随着我国电力工业的迅猛发展,火电厂锅炉设备的应用日趋广泛,作为火力发电中必不可少的重要动力设备,各企业对锅炉系统运行的安全性和稳定性也提出了越来越高的要求。因此锅炉系统结构愈发复杂且运行参数更加多元化,为了减少甚至避免故障的发生所带来的社会和经济损失,提高锅炉设备运行的安全性和使用寿命,对设备运行状态数据的实时监测和各种故障现象的及时精确的预警工作是具有极其重要的理论意义和实用价值的。本文主要从电厂锅炉设备在线监测数据的清洗、数据模糊化和故障预警方法三个层次开展了研究工作,研究能够实时监测锅炉设备运行状态的智能故障预警技术。本文提出了一种基于堆栈降噪自编码器的数据清洗方法。该方法首先引入Adam和SGD的混合优化算法,以不断调整堆栈降噪自编码器模型的最佳网络参数,训练后的模型可直接提取正常状态数据的隐藏特征,得到正常状态下的重构误差;然后用该模型分析不同类型的异常状态数据下的重构误差对模型的影响;最后对“脏数据”和反映设备故障的异常数据快速分类清洗修复。通过实验分析,该方法能有效快速地对锅炉设备在线监测数据进行分类和清洗,取得了良好的应用效果,验证了该方法的有效性和实用性。本文提出了一...
【文章来源】：东北电力大学吉林省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图３－丨ｎ编码器结构閱??３．２．２堆栈降噪自编码器??
ＤＡＥ２；重复上述??训练过程，直到训练完所有的ＤＡＥ单元；最后再用监督训练微调整个网络的参数，顶层??ＤＡＥ单元的输出向量＞?即为初始向量ｘ？的隐层特征表示。??Ｃｏ?〇?〇?〇?〇?〇）输出层Ｗ??ＤＡ￡？，?个／＜ｒ）??Ｃｏ?０?Ｏ?Ｑ?Ｑ?Ｑ?Ｑ?Ｏ?Ｑ）?ｙ＂??謹２????（ＯＯＯＯＯＯＯＯＯ）?Ｙ２??＾ＤＡＥ，?ｔ，２）??（〇〇〇〇〇〇〇〇ｄ）?ｗ??￣￣?ｔ／１１）?厂??（ｏ?ｔ〇ａ〇ｄ）?－ｘ？??Ｃｏ?ｏ?０?０?ｏ?ｏ）输入层ａ??图３－２?ＳＤＡＥ结构图??３．?３基于Ａｄａｍ和ＳＧＤ混合优化的ＳＤＡＥ模型??３．?３．?１混合优化算法设计思路??通常，深层祌经网络越复杂，其表达数据的能力就越准确，但网络的训练复杂性随网??络的复杂性而线性增加。在网络训练中要想导找全局最优解必须要将网络参数收敛到最优??值。然而，参数优化效果常受深层祌经网络的复杂结构影响。因此，设汁一种适用ｆ不同??网络结构的通用优化算法是必要的。??随机梯度下降（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＳＧＤ）是深度学习中普遍使用的？种网络参??数优化算法，在更新参数时每次只在数据集中随机选取一个数据进行精准计算，大大加快??了迭代速度，在多个调参实验中都収得了不错的成效。ＳＧＤ算法在时刻／下优化参数０的??过程如下：??Ｓ，＝＾〇ｐ（〇）?（３－７）??Ａ９，?＝－ａ－ｇ，?（３－８）??式中６＾?—学习率；??ｇ，一初始梯度；??户⑷一目标函数；??一卜降梯度。??然而，ＳＧＤ算法只使用单一的学习率更新所有参数，很难为不同类别的参数选择相??适应的学习率，如
－．．ＳＤＡＥ（ＳＧＤ）?２５００?０．４７２０?１２０６?３．７５３０??ＳＤＡＥ（Ａｄａｍ）?２５００?０．０１４１?１５３２?８．９０６６???图３－４和表３－２所示的实验结果表明，／ｌ：趋于稳定方面，使用Ａｄａｍ算法优化的模型??下降速度比使用ＳＧＤ算法优化的模型有更明显的优势；在精准调参方而，使用ＳＧＤ算法??优化的模型运算速度远快于使用Ａｄａｍ算法优化的模型。相较两者而１使用Ａｄａｍ和??ＳＧＤ混合算法优化的模型（ＡＳ－ＳＤＡＥ）在趋于稳定和精准调参方面都Ａ有更好的实验效??米，ｍ．其重构误差也远远小ｒ前两者。??将汽包水位异常状态数据经ＡＳ－ＳＤＡＥ模型训练后，得到９００组数据的重构误差，其??分布情况如图３－５所示。??
【参考文献】：
期刊论文
[1]工业时序大数据质量管理[J]. 丁小欧,王宏志,于晟健. 大数据. 2019(06)
[2]浅谈火电厂锅炉运行控制及故障预防[J]. 肖尤国. 低碳世界. 2019(09)
[3]基于动态隶属度的模糊时间序列在我国居民消费水平预测上的应用[J]. 丁欣,谢祥俊,赵春兰,王兵. 模糊系统与数学. 2019(01)
[4]影响交通路径规划因素的模糊化数据处理方法[J]. 刘晨兴,陈海洋,樊甜甜,赵程程,董显明. 信息通信. 2018(09)
[5]基于人工智能技术的大数据分析方法研究进展[J]. 王万良,张兆娟,高楠,赵燕伟. 计算机集成制造系统. 2019(03)
[6]基于置信等效边界模型的风功率数据清洗方法[J]. 胡阳,乔依林. 电力系统自动化. 2018(15)
[7]基于信息融合的锅炉安全运行多参数检测方法[J]. 夏向共,张希旺,刘欣. 电子世界. 2018(13)
[8]基于相空间重构和SVR的磨煤机故障预测研究[J]. 李德忠,杨柳,胡蓉,任资龙,谢小鹏,向春波. 发电设备. 2018(02)
[9]考虑安全和经济的电力系统连锁故障协调控制模型[J]. 张晶晶,杨洋,李小燕,骆婷婷,李晓静. 中国电机工程学报. 2018(16)
[10]基于栈式降噪自编码器的输变电设备状态数据清洗方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电力系统自动化. 2017(12)
硕士论文
[1]锅炉的能效评价与影响因素分析[D]. 刘林.山东大学 2012
本文编号：3401702
【文章来源】：东北电力大学吉林省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
图３－丨ｎ编码器结构閱??３．２．２堆栈降噪自编码器??
ＤＡＥ２；重复上述??训练过程，直到训练完所有的ＤＡＥ单元；最后再用监督训练微调整个网络的参数，顶层??ＤＡＥ单元的输出向量＞?即为初始向量ｘ？的隐层特征表示。??Ｃｏ?〇?〇?〇?〇?〇）输出层Ｗ??ＤＡ￡？，?个／＜ｒ）??Ｃｏ?０?Ｏ?Ｑ?Ｑ?Ｑ?Ｑ?Ｏ?Ｑ）?ｙ＂??謹２????（ＯＯＯＯＯＯＯＯＯ）?Ｙ２??＾ＤＡＥ，?ｔ，２）??（〇〇〇〇〇〇〇〇ｄ）?ｗ??￣￣?ｔ／１１）?厂??（ｏ?ｔ〇ａ〇ｄ）?－ｘ？??Ｃｏ?ｏ?０?０?ｏ?ｏ）输入层ａ??图３－２?ＳＤＡＥ结构图??３．?３基于Ａｄａｍ和ＳＧＤ混合优化的ＳＤＡＥ模型??３．?３．?１混合优化算法设计思路??通常，深层祌经网络越复杂，其表达数据的能力就越准确，但网络的训练复杂性随网??络的复杂性而线性增加。在网络训练中要想导找全局最优解必须要将网络参数收敛到最优??值。然而，参数优化效果常受深层祌经网络的复杂结构影响。因此，设汁一种适用ｆ不同??网络结构的通用优化算法是必要的。??随机梯度下降（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＳＧＤ）是深度学习中普遍使用的？种网络参??数优化算法，在更新参数时每次只在数据集中随机选取一个数据进行精准计算，大大加快??了迭代速度，在多个调参实验中都収得了不错的成效。ＳＧＤ算法在时刻／下优化参数０的??过程如下：??Ｓ，＝＾〇ｐ（〇）?（３－７）??Ａ９，?＝－ａ－ｇ，?（３－８）??式中６＾?—学习率；??ｇ，一初始梯度；??户⑷一目标函数；??一卜降梯度。??然而，ＳＧＤ算法只使用单一的学习率更新所有参数，很难为不同类别的参数选择相??适应的学习率，如
－．．ＳＤＡＥ（ＳＧＤ）?２５００?０．４７２０?１２０６?３．７５３０??ＳＤＡＥ（Ａｄａｍ）?２５００?０．０１４１?１５３２?８．９０６６???图３－４和表３－２所示的实验结果表明，／ｌ：趋于稳定方面，使用Ａｄａｍ算法优化的模型??下降速度比使用ＳＧＤ算法优化的模型有更明显的优势；在精准调参方而，使用ＳＧＤ算法??优化的模型运算速度远快于使用Ａｄａｍ算法优化的模型。相较两者而１使用Ａｄａｍ和??ＳＧＤ混合算法优化的模型（ＡＳ－ＳＤＡＥ）在趋于稳定和精准调参方面都Ａ有更好的实验效??米，ｍ．其重构误差也远远小ｒ前两者。??将汽包水位异常状态数据经ＡＳ－ＳＤＡＥ模型训练后，得到９００组数据的重构误差，其??分布情况如图３－５所示。??
【参考文献】：
期刊论文
[1]工业时序大数据质量管理[J]. 丁小欧,王宏志,于晟健. 大数据. 2019(06)
[2]浅谈火电厂锅炉运行控制及故障预防[J]. 肖尤国. 低碳世界. 2019(09)
[3]基于动态隶属度的模糊时间序列在我国居民消费水平预测上的应用[J]. 丁欣,谢祥俊,赵春兰,王兵. 模糊系统与数学. 2019(01)
[4]影响交通路径规划因素的模糊化数据处理方法[J]. 刘晨兴,陈海洋,樊甜甜,赵程程,董显明. 信息通信. 2018(09)
[5]基于人工智能技术的大数据分析方法研究进展[J]. 王万良,张兆娟,高楠,赵燕伟. 计算机集成制造系统. 2019(03)
[6]基于置信等效边界模型的风功率数据清洗方法[J]. 胡阳,乔依林. 电力系统自动化. 2018(15)
[7]基于信息融合的锅炉安全运行多参数检测方法[J]. 夏向共,张希旺,刘欣. 电子世界. 2018(13)
[8]基于相空间重构和SVR的磨煤机故障预测研究[J]. 李德忠,杨柳,胡蓉,任资龙,谢小鹏,向春波. 发电设备. 2018(02)
[9]考虑安全和经济的电力系统连锁故障协调控制模型[J]. 张晶晶,杨洋,李小燕,骆婷婷,李晓静. 中国电机工程学报. 2018(16)
[10]基于栈式降噪自编码器的输变电设备状态数据清洗方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电力系统自动化. 2017(12)
硕士论文
[1]锅炉的能效评价与影响因素分析[D]. 刘林.山东大学 2012
本文编号：3401702
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3401702.html
