一种燃气轮机叶片通道温度传感器故障检测方法技术

本发明专利技术属于燃气

【技术实现步骤摘要】
一种燃气轮机叶片通道温度传感器故障检测方法


[0001]本专利技术属于燃气
‑
蒸汽联合循环发电机组状态故障诊断检测领域，具体涉及一种燃气轮机叶片通道温度传感器故障检测方法。

技术介绍

[0002]燃气－蒸汽联合循环机组是构建新型电力系统的重要发电模式，具有运行灵活、启停迅速、碳排放强度低、输出功率范围广等优点。近年来天然气发电装机量持续高速增长，2025年装机规模将会达到 1.5亿千瓦以上。燃气轮机作为燃气－蒸汽联合循环机组的核心装置，燃气轮机工作环境复杂、工况多变，随着运行时间增长，大大增加其失效风险。燃气轮机叶片通道温度作为燃气轮机的一个重要的热参数，对于准确判断燃气轮机状态是不可或缺的。故要求传感器能准确无误地获得真实的叶片通道温度。一旦传感器发生故障，就会产生错误的监测信号，导致集控运行人员对燃机运行状况做出误判，甚至可能引发非停事故。
[0003]燃气轮机在正常状态运行时，其叶片通道温度随大气温度和工况的变化而改变，且变化范围幅度较大，因此要检测传感器的状态是否正常，首先要将叶片通道温度随大气温度和工况正常变化的影响进行处理和消除，其次还要消除燃机本体设备故障对叶片通道温度带来的影响。目前对于燃气轮机叶片通道温度变工况分析主要通过基于物理模型与仿真结合的方法，但现阶段我国重型燃机行业主要被国外大型整机制造企业垄断，缺乏核心关键技术，建立精确的数学模型十分困难，变工况计算准确性也就无法保证。

技术实现思路

[0004]本专利技术的目的是克服现有技术存在的缺陷，提供一种燃气轮机叶片通道温度传感器故障检测方法。
[0005]为了实现上述目的，本专利技术采用如下技术方案是：
[0006]一种燃气轮机叶片通道温度传感器故障检测方法，包括以下步骤：
[0007]步骤1、对燃气轮机叶片通道温度进行系统全面的控制逻辑分析，获取影响燃气轮机叶片通道温度变化的主要热参数；
[0008]步骤2、从燃气
‑
蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的无故障数据；
[0009]步骤3、为了保证数据的准确性，考虑到步骤2中采集的测量数据会有可能存在空值、失真异常等情况，故对采集出的数据进行清洗和滤波处理；
[0010]步骤4、基于LightGBM模型(Light Gradient Boosting Machine) 的方法，根据历史无故障全工况运行数据建立叶片通道温度控制理论值回归模型，并利用步骤3中的数据进行模型的训练和测试；
[0011]步骤5、基于自编码器的方法，根据历史无故障全工况运行数据建立叶片通道温度编码——解码状态还原回归模型，并利用步骤3中的数据进行模型的训练和测试；
[0012]步骤6、基于步骤4中LightGBM模型、步骤5中自编码器型模型，对叶片通道温度残差进行相互分析，确定相应的阈值；
[0013]步骤7、建立燃气轮机叶片通道温度传感器故障判断准则；
[0014]步骤8、利用燃气轮机实测的运行数据，基于步骤7的故障判断准则，实现实时在线对燃气轮机叶片通道温度传感器故障检测。
[0015]优选地，所述步骤1中影响燃气轮机叶片通道温度变化的主要热参数主要为：燃烧室壳体压比、压气机进口空气温度、燃料流量、燃烧室旁路阀开度、IGV开度、燃烧室压力、燃气轮机功率等；其中燃烧室壳体压比的计算公式为：
[0016][0017]式中：PCS为压气机出口压力，P0为环境大气压力。
[0018]优选地，所述步骤2中从燃气
‑
蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的无故障数据；采集时间周期为一年，数据采样频率为5s～1min；采集数据点包括：叶片通道温度#1～#20。
[0019]优选地，所述步骤3中为了保证数据的准确性，考虑到步骤2中采集的测量数据会有可能存在空值、失真异常等情况，故对采集出的数据进行清洗和滤波处理。
[0020]优选地，所述清洗的数据包括空值数据和离群点数据，进一步还可以包括停机工况的数据，即机组负荷为0或接近0时段对应的数据；
[0021]空值数据为某一时刻一个或多个测点存在空值的数据，离群点数据为超出正常范围的数据；编写相应的代码对空值数据进行去除。
[0022]优选地，，所述步骤4中LightGBM(Light Gradient BoostingMachine)模型是一个实现GBDT(Gradient Boosting Decision Tree) 算法的框架；LightGBM模型输入层共3维，包括燃气轮机有功功率、燃烧室壳体压比、压气机进口空气温度；输出层为20维，包括叶片通道温度#1～#20。LightGBM模型输出的叶片通道温度#1～#20称为理论控制叶片通道温度#1～#20，表示为TCT
i i＝1,2,3
……
20。
[0023]优选地，所述步骤5中自编码器(Auto
‑
Encoder，AE)，是一种无监督式学习模型；基于反向传播算法与最优化方法(如梯度下降法)，利用输入数据T本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出T
R
；借助于深层神经网络的非线性特征提取能力，自编码器可以获得良好的数据表示。
[0024]优选地，所述步骤6中基于步骤4中LightGBM模型、步骤5中自编码器模型，对叶片通道温度残差进行相互分析，确定相应的阈值。
[0025]优选地，所述步骤7建立燃气轮机叶片通道温度传感器故障判断准则，准则为如下：
[0026]ε
1i
≥threshold
LGB
[0027]ε
2i
≥threshold
AE
[0028]ε
3i
≤threshold
LGB
‑
AE
[0029]与现有技术相比较，具备如下优点：
[0030]本专利技术提供一种燃气轮机叶片通道温度传感器故障检测方法，针对影响燃气轮机叶片通道温度热参数因素众多，无法准确确定的问题，对燃气轮机叶片通道温度进行系统
全面的控制逻辑分析，从机理角度提取影响燃气轮机叶片通道温度变化的主要热参数。在对大量历史数据清洗及预处理的基础上，对燃气轮机叶片通道温度建立了 LightGBM模型，利用其更低的内存消耗、支持分布式可以快速处理海量数据等优点，利用“机理+大数据”思想消除了大气温度和负荷工况正常变化对燃气轮机叶片通道温度的影响。另一方面对叶片通道温度建立了自编码器模型，从大数据的思想角度实现了叶片通道温度的无故障情况下的状态重构。并通过残差分析及建立的传感器故障准则，成功将传感器故障和燃气轮机部件故障导致的热参数偏离区别开来，实现了实时在线对燃气轮机叶片通道温度传感器故障检测，并可以精确定位到具体哪只热电偶故障，有利于工作人员获取到更加细致的故障信息，便于及时排除故障。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃气轮机叶片通道温度传感器故障检测方法，其特征在于，包括以下步骤：步骤1、对燃气轮机叶片通道温度进行系统全面的控制逻辑分析，获取影响燃气轮机叶片通道温度变化的主要热参数；步骤2、从燃气
‑
蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的无故障数据；步骤3、为了保证数据的准确性，考虑到步骤2中采集的测量数据会有可能存在空值、失真异常等情况，故对采集出的数据进行清洗和滤波处理；步骤4、基于LightGBM模型的方法，根据历史无故障全工况运行数据建立叶片通道温度控制理论值回归模型，并利用步骤3中的数据进行模型的训练和测试；步骤5、基于自编码器的方法，根据历史无故障全工况运行数据建立叶片通道温度编码——解码状态还原回归模型，并利用步骤3中的数据进行模型的训练和测试；步骤6、基于步骤4中LightGBM模型、步骤5中自编码器型模型，对叶片通道温度残差进行相互分析，确定相应的阈值；步骤7、建立燃气轮机叶片通道温度传感器故障判断准则；步骤8、利用燃气轮机实测的运行数据，基于步骤7的故障判断准则，实现实时在线对燃气轮机叶片通道温度传感器故障检测。2.根据权利要求1所述的燃气轮机叶片通道温度传感器故障检测方法，其特征在于，所述步骤1中影响燃气轮机叶片通道温度变化的热参数为：燃烧室壳体压比、压气机进口空气温度、燃料流量、燃烧室旁路阀开度、IGV开度、燃烧室压力、燃气轮机功率等；其中燃烧室壳体压比的计算公式为：式中：PCS为压气机出口压力，P0为环境大气压力。3.根据权利要求2所述的燃气轮机叶片通道温度传感器故障检测方法，其特征在于，所述步骤2中从燃气
‑
蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的无故障数据；采集时间周期为一年，数据采样频率为5s～1min；采集数据点包括：叶片通道温度#1～#20。4.根据权利要求3所述的燃气轮机叶片通道温度传感器故障检测方法，其特征在于，对采集出的数据进行清洗和滤波处理。5.根据权利要求4所述的燃气轮机叶片...

【专利技术属性】
技术研发人员：程奎，漆聪，章奇，郑海涛，张腾飞，罗国权，
申请(专利权)人：中国电建集团江西省电力设计院有限公司，
类型：发明
国别省市：