本發明涉及鍋爐狀態監測，特別是一種余熱鍋爐狀態監測模型運行方法、系統、設備及介質。

背景技術：

1、余熱鍋爐是聯合循環系統中的重要樞紐，余熱鍋爐一旦出現故障，其影響和損失巨大，需要即時監測余熱鍋爐的運行狀態、判斷設備是否健康運行，以提高機組的可靠性和可用性。目前對余熱鍋爐的故障監測研究比較少，對余熱鍋爐的故障監測主要研究方法有如下幾種：

2、故障樹分析法（離線診斷）：基于離線靜態分析開發余熱鍋爐的故障樹方法，這種方法不能提供余熱鍋爐相關參數的在線監測服務，不能即時識別出故障的發生；物理模型法（機理建模）：基于物理模型的余熱鍋爐故障診斷方法，這種模型主要用于研究余熱鍋爐的性能退化，簡化的數學模型并不能用于當下設備性能退化程度的預測；數據驅動法（智能診斷方向）：基于數據驅動的故障診斷方法，通過比較實際運行狀況下的參數值與預測值的誤差來監測設備是否處于健康運行之下，能夠很好地對設備運行時的狀態參數進行預測。

技術實現思路

1、鑒于現有的余熱鍋爐狀態監測模型運行方法、系統、設備及介質中存在的問題，提出了本發明。

2、為解決上述技術問題，本發明提供如下技術方案：

3、第一方面，本發明實施例提供了一種余熱鍋爐狀態監測模型運行方法，其包括以下步驟，

4、采集電廠歷史健康運行數據，并對電廠歷史健康運行數據進行預處理，得到模型輸入參數；

5、基于模型輸入參數進行lstm預測模型的建立；

6、通過ssa算法對lstm預測模型的超參數進行尋優，獲得超參數的最優值；

7、通過最優值建立pca-ssa-lstm神經網絡的余熱鍋爐狀態監測模型，并設定報警閾值，實現余熱鍋爐狀態監測。

8、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：對電廠歷史健康運行數據進行預處理的步驟包括輸入參數的選擇、輸出參數的選擇、停機數據的去除、穩態數據的篩選，以及輸入參數的降維。

9、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：對電廠歷史健康運行數據進行預處理時，采用主成分分析法，具體包括：

10、設定電廠歷史健康運行數據有n組，每組數據含有m個參數，因此輸出矩陣x為：

11、，

12、將矩陣x標準化，得到矩陣，具體表示為：

13、，

14、式中，x表示為原始數據矩陣，表示第i個參數的列向量，即所有樣本的第i個參數值組成的向量，表示第i組數據中第j個參數的數據；z表示標準化后的數據矩陣，表示第i組數據中第j個參數的標準化值，表示第j個參數的均值，表示第j個參數的標準差，n表示組數，m表示參數個數；

15、其中：

16、，

17、再計算矩陣z的協方差矩陣c，具體表示為：

18、，

19、式中，c表示標準化矩陣z的協方差矩陣，反映參數間的相關性，標準化矩陣與其轉置的乘積，n-1表示自由度修正項，用于無偏估計；

20、最后計算出協方差矩陣c的特征值 l i及對應的特征向量；

21、設定第i個主成分貢獻率為 k i，前i個主成分的累計貢獻率為 p i，最后得到：

22、,

23、是協方差矩陣c的特征值，是第i個協方差矩陣c的特征值，x表示自然數，即表示第x個主成分貢獻率。

24、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：建立lstm預測模型時，包括以下步驟，

25、通過遺忘門對上一時刻的信息選擇性的遺忘；

26、由輸入門的s型函數sigmoid層進行選擇性記憶，再把雙曲正切函數tanh層與sigmoid層結合在一塊，對單元的狀態進行更新；

27、之后對舊單元狀態進行更新，最后通過輸出門得到lstm單元的最終輸出。

28、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：超參數的最優值的獲得方法包括，

29、使用ssa算法對lstm模型的lstm層的隱含單元數、初始學習率、l2正則化系數三個超參數進行尋優；

30、建立ssa算法對lstm的尋優模型，最終得到超參數的最優值。

31、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：所述報警閾值的設定方法包括，

32、由電廠實際健康運行數據輸入到余熱鍋爐狀態監測模型中，計算得到參數預測值；

33、選定誤差分布的0.99分位處作為參數預測值的報警閾值。

34、作為本發明所述余熱鍋爐狀態監測模型運行方法的一種優選方案，其中：余熱鍋爐狀態監測的方法包括，

35、當參數預測值與真實值的絕對誤差的絕對值超過報警閾值，代表余熱鍋爐疑似故障發生，并報警提示故障出現。

36、第二方面，本發明實施例提供了一種余熱鍋爐狀態監測模型運行系統，其包括數據采集與預處理模塊、lstm預測模型模塊、ssa算法優化模塊、pca降維模塊，以及狀態監測與報警模塊；

37、所述數據采集與預處理模塊負責采集電廠的歷史健康運行數據，并對這些數據進行預處理，以得到適合模型輸入的參數；

38、所述lstm預測模型模塊基于預處理后的數據，建立lstm預測模型，用于對余熱鍋爐的運行狀態進行預測；

39、所述ssa算法優化模塊使用麻雀搜索算法對lstm預測模型的超參數進行尋優，以獲得超參數的最優值，從而提高模型的預測精度；

40、所述pca降維模塊在模型中集成主成分分析技術，對原始數據進行降維處理，以減少數據的冗余信息和噪聲，提高模型的計算效率和預測精度；

41、所述狀態監測與報警模塊設定報警閾值，通過比較參數預測值與真實值的誤差來實現余熱鍋爐的狀態監測。

42、第三方面，本發明實施例提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述處理器執行所述計算機程序時實現上述的余熱鍋爐狀態監測模型運行方法的任一步驟。

43、第四方面，本發明實施例提供了一種計算機可讀存儲介質，其上存儲有計算機程序，其中：所述計算機程序被處理器執行時實現上述的余熱鍋爐狀態監測模型運行方法的任一步驟。

44、本發明有益效果為：

45、使用了神經網絡模型，結合數據處理算法，去除了各個變量之間的相關性，實現數據的降維，不僅能減少模型的訓練時間，同時還能較好地將學習出歷史數據之間的規律，選定誤差分布的0.99分位處作為這參數的報警閾值，達到對各個參數進行準確預測并進行監測的目的。通過測試集以及相關指標的驗證可知，模型預測精度高、泛化能力強，有很強的實際應用價值。

46、建立余熱鍋爐狀態監測模型，計算預測值與真實值誤差，根據誤差分布求出報警閾值，當參數預測值與真實值的絕對誤差的絕對值超過報警閾值就代表著余熱鍋爐疑似有故障發生，從而實現對余熱鍋爐狀態監測的目的，提高機組的可靠性和可用性。