基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断

为了对火电厂磨煤机作出早期故障预测并有效判别其故障类型,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的磨煤机故障诊断新方法,并采用该方法对某电厂的HP碗式中速磨煤机的故障特征数据进行了仿真试验.结果表明:该方法可提取变量的特征信息,以有效地捕捉变量间的非线性关系,从而能有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力,而且故障诊断的正确率很高.     

基于多元状态估计与自适应闽值的电站辅机故障预警

为了有效识别辅机运行过程中的故障,将多元状态估计技术应用于辅机的故障预警中。根据机组功率高低将辅机的历史状态矩阵分为3类,通过等距抽样选取典型状态分别建立子模型。对于输入的观测向量,模型给出相应的估计向量,两者的偏差可用相似度函数表示,并基于区间估计的思想设计了相似度的自适应阈值方法。最后利用某350 MW热电机组的中速磨煤机堵煤故障前的数据进行仿真。结果表明:模型在磨煤机跳闸前264 s做出预警,具有较高的故障检测效率;与传统的固定阈值方法相比,采用自适应阈值方法可有效降低误报率。     

基于核主元分析的传感器故障检测

提出了一种新的火电机组传感器故障检测系统.传统的主元分析方法在非线性系统中不能很好的发挥作用.采用核主元分析方法提取系统的非线性冗余信息,建立核主元模型.并在输入空间对数据进行重构,通过最小化均方预测误差来选择合适的核函数和参数,对模型的建立过程进行指导.在线检测时,利用核主元模型,将实时数据投影到核主元空间,能够有效的去除系统的噪声.对重构残差采用序贯概率比检验方法进行检验,不仅能够诊断出传感器的漂移等明显故障,而且能够及时发现设备或者系统的早期故障.通过某电厂125MW机组真空系统的多传感器故障检测仿真实例,验证了该方法的有效性.     

基于主成分和神经网络的风力发电机主轴承故障预警

主轴承作为风力发电机组的重要部件,一旦发生故障,会影响风力发电机组整机工作的发电性能,严重时故障甚至会造成停机,不仅影响发电量,更会产生高昂的维修费用。通过运用相关性分析,根据Pearson相关系数矩阵对原有的多个指标进行分析。然后运用主成分分析,首先对数据的原始特征预处理,得到6个主成分,然后将这6个主成分作为BP神经网络的输入,运用神经网络对风力发电机的主轴承进行预警。神经网络模型结果表明,该模型对风力发电机主轴承故障预警具有非常好的识别效果,基于主成分和神经网络对风力发电机主轴承故障预警对实现机组智能故障诊断,提高机组的运行效率具有十分重要的意义。     

电站辅机标准的制定和效益分析

本文通过对电站辅机产品零部件标准制定过程的介绍，进行了设计、工艺、制造等方面的效益分析，产品标准件的制定和实施为公司提高效率，降本增效提供了前提条件。     

基于LSTM神经网络与贝叶斯优化的电站风机故障预警

风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明：贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。     

复合主元分析方法在电站冗余传感器故障检测中的应用

提出一种应用于电站冗余传感器故障检测的复合主元分析方法:首先故障检测系统连接实时/历史数据库获取冗余传感器的实时数据,并判断系统的工况是否稳定.若工况稳定,则采用主元分析方法(PCA)估计参数值,否则采用仪表监测算法(ICMP)对非稳态信号进行估计.再将估计值与每个测量信号形成残差,采用改进的序贯概率比方法评估残差大小,并进行异常预警.该方法具备了PCA算法在稳定工况下的可靠性和ICMP算法在非稳态工况下的有效性.选用桌600MW机组热力系统的一组实际监测参数作为算例,验证了该方法的先进性.最后给出检测系统的工程实施架构和技术方案.     

基于深度双向门控循环神经网络的制粉系统故障预警

为构建鲁棒性较强的状态估计模型,结合堆叠自编码器思想,提出一种基于深度双向门控循环神经网络的制粉系统状态估计及故障预警方法。首先,选取制粉系统正常运行状态变量历史数据作为深度双向门控循环神经网络的训练输入,然后利用网络强大的特征学习能力,建立制粉系统正常状态估计模型。采用滑动窗口法构建制粉系统状态监测指标,确定指标阈值,利用火电厂制粉系统历史运行数据进行仿真。结果表明：相比于其他方法,深度双向门控循环神经网络模型具有更好的估计性能,且能够在故障发生前及时发出预警信息,达到早期故障诊断的目的。     

基于主元分析的热力系统传感器故障检测指标

基于主元分析的传感器故障检测方法是一种以数据统计为依据的重要故障检测方法.已有的研究一直忽视了对Hotelling T2和Hawkins T2H指标在传感器故障检测中的意义和作用的讨论.通过分析T2和T2H指标在主元分析的热力系统传感器故障检测中的不同适用性,提出了应用T2H的故障检测方法.该方法克服了T2统计参数对传感器小故障不敏感的问题.仿真实验的结果验证了该结论.     

基于PCA和多元状态估计的引风机故障预警

针对电厂引风机运行条件恶劣、故障种类多的特点,为了提高机组安全和设备利用率,提出了一种基于主元分析(Principal Component Analysis,PCA)和多元状态估计(Multivariate State Estimation Technique,MSET)的引风机故障预警方法:首先采用PCA对原始数据进行简化,消除冗余和噪音,选取主要状态参数,同时采用小波变换(Wavelet Transform,WT)进一步优化数据质量;然后通过MSET对引风机正常运行工况下的历史数据进行建模,包括历史记忆矩阵的构建、观测向量的估计和残差的计算等。以华能上海某电厂的引风机为例进行故障预警分析,验证该方法可以有效实现引风机早期的故障预警。     

基于IICEEMDAN-PCA-GRU的风电机组齿轮箱故障预警方法研究

为充分挖掘数据采集与监控（SCADA）数据的隐藏信息,减少特征间的冗余性,提升模型预测和预警的精度,提出一种双重改进的完全噪声辅助聚合经验模态分解（IICEEMDAN）、主成分分析（PCA）、门控循环网络（GRU）融合的风电机组齿轮箱故障预警方法。使用皮尔逊相关系数法作特征提取,采用IICEEMDAN对特征进行分解,得到特征在不同时间尺度上的连续性信号;利用PCA提取分解特征的关键因素作为网络训练输入;GRU网络对输入时间序列特征进行建模训练,实现对齿轮箱油池温度的预测,使用统计学方法分析油池温度预测值与实际值的误差,根据实际情况设定预警阈值;使用滑动窗口理论实现齿轮箱故障预警。采用华北某风场实际数据进行验证,结果验证了所提方法对齿轮箱早期故障预警的有效性。     

基于MSET的电站风机故障预警技术研究

为了对电站风机进行故障预警并判断故障类型,在改进过程记忆矩阵构造的基础上进行MSET(多元状态估计)模型预测。利用AHP(层次分析法)求得各监测参数对风机故障预警作用的权重系数,并应用到相似度函数中,得到风机的相似度序列。利用滑动窗口法确定预警阈值,当发出预警信号后,分析各监测参数实际值和估计值间的相对误差,以此追溯风机的可能故障点。利用某电厂引风机数据进行故障模拟仿真,结果表明该方法能及时捕捉到风机异常并在追溯可能故障点的同时对故障类型进行判断。     

基于SCADA系统和神经网络的海上风电场故障预警方法研究

针对海上风电场的快速发展,风电场故障预警得到了广泛的关注,精准、及时的对海上风电场的风电机组运行进行监测,实现故障精确预警是目前研究的热点问题。本研究将SCADA系统和GA-BP神经网络相结合建立了发电机绕组温度预测模型,并耦合灰色关联度分析法来筛选神经网络模型的输入层数据,确定模型的敏感性指标,基于统计学原理结合风电场评价指标和滑动窗口,计算海上风电场运行预警阈值,根据预警阈值与机组的评价指标确定风电场机组的运行状态,提出一种海上风电场故障预警方法,研究结果表明该模型能有效实现海上风电场故障预警,为海上风电场故障预警方法提供理论依据和技术支撑。     

基于CNN-LSTM的燃气轮机燃烧室故障预警

为了解决燃气轮机燃烧室中的故障问题,结合深度学习的优势,在长短期记忆网络(Long Short-term Memory, LSTM)的基础上,提出了一种基于卷积神经网络-长短期记忆网络的燃烧室故障预警方法。首先,根据正常的历史运行数据构建燃烧室的预警模型,再将特征参数输入到预警模型中得到预测值,预测值与实际值之间的偏离度可以反映燃烧室内部工作是否正常。考虑到模型预测结果的非平稳性和非线性等特点,引入滑动窗口法确定故障预警阈值,最后根据确定的预警阈值判断是否出现故障。采用某燃气-蒸汽联合循环发电机组仿真平台对上述模型进行验证。仿真结果表明：该模型相较于LSTM预测模型具有更高的精确度,可以及时发现故障征兆,并对燃烧室故障做出有效预警。     

基于主成分分析和BP神经网络的能源供需安全研究

基于主成分分析法,运用Matlab7.0软件中的BP神经网络工具箱对1985～2007年我国的能源供需安全状况进行了训练及测试.测试结果表明,主成分分析与BP神经网络的结果较吻合,BP神经网络运用于能源安全领域可行、有效.同时,得出自1985年以来我国能源供需安全状况大体上逐年提高,从2005年开始大幅提高,但仍未摆脱较差的境地,未来前景不容乐观.     

基于改进门控循环单元分位数回归的短期负荷概率预测

为了更好地提高负荷概率预测精度,提出了一种基于改进门控循环单元分位数回归的短期负荷概率预测模型.首先采用核主成分分析对候选的多维输入变量进行降维处理,然后在传统门控循环单元的基础上对目标函数施加变量间的网络结构约束,并结合分位数回归进一步构建基于改进门控循环单元分位数回归的短期负荷概率预测模型,在得到预测值的条件分位数...     

基于KPCA和PNN的高加系统故障诊断

提出了一种新的高加系统故障诊断方法。首先使用核主元分析方法进行特征提取,降低数据维数,既简化了诊断过程,又提高了故障诊断的精度。然后使用概率神经网络进行故障模式识别。该神经网络训练速度快,容易添加新的训练样本。最后将该方法川于某汽轮机组高加系统故障诊断中,取得了较好的诊断效果,表明该方法具有一定的工程实用价值。