电站锅炉热工参数预测监控系统与方法

摘要

本发明公开了一种电站锅炉热工参数预测监控系统，其包括分散控制系统DCS和监控工作站；分散控制系统DCS相应端口分别连接被测电站锅炉和监控工作站；监控工作站包括多模型预测模块、预测结果生成模块、预测结果显示模块、预测模型修正模块、参数异常预警模块和异常原因分析模块；分散控制系统DCS与被测电站锅炉的控制回路相应接口连接，分散控制系统DCS输出端接多模型预测模块输入端，多模型预测模块输出端分别接预测结果生成模块和参数异常预警模块输入端，预测结果生成模块输出端依次经预测结果显示模块和预测模型修正模块反馈回多模型预测模块，参数异常预警模块输出端接异常原因分析模块输入端。本发明的优点是预测准确、显示直观且能够预警分析。

说明书

技术领域

本发明属于热工测量技术领域，涉及电站锅炉热工参数预测监控系统与方法。

背景技术

电力生产是社会发展的一个重要保障，锅炉作为电力生产中的一个重要设备，其安全稳定的运行离不开各种各样的自动控制系统对其各项参数的调节。随着节能减排压力的日益增加，发电机组中许多参数已接近安全卡边运行状态，此时对各控制系统及参数的监测就显得更加重要。

由于电站锅炉生产诸多环节存在惯性大、时延长、非线性特征明显，使得运行人员很难对锅炉参数的未来发展趋势做出准确地估计，导致人们的直觉判断只能是“眼见为实”。因此，如果某项参数具有明显的上升或下降的变化趋势，依靠运行人员的直觉往往是立即努力使参数回调的方向来进行干预控制。这样做的结果对于具有很大惯性和迟延的系统来说，往往很不利于系统的稳定运行。

发明内容

本发明所要解决的技术问题是提供了一种预测准确、显示直观、能够预警分析且能够有效减少人工干预的电站锅炉热工参数预测监控系统与方法。

本发明采用如下技术方案：

一种电站锅炉热工参数预测监控系统，其包括分散控制系统DCS和监控工作站；所述分散控制系统DCS的相应端口分别连接被测电站锅炉和监控工作站；所述监控工作站包括多模型预测模块、预测结果生成模块、预测结果显示模块、预测模型修正模块、参数异常预警模块和异常原因分析模块；所述分散控制系统DCS与被测电站锅炉的控制回路相应接口双向连接，所述分散控制系统DCS的输出端接多模型预测模块的输入端，所述多模型预测模块的输出端分别接预测结果生成模块和参数异常预警模块的输入端，所述预测结果生成模块的输出端依次经预测结果显示模块和预测模型修正模块反馈回多模型预测模块，所述参数异常预警模块的输出端接异常原因分析模块的输入端。

进一步的，所述多模型预测模块包括三类共8个模型，第一类为2个输入输出差分方程模型，其中一个通过最小二乘辨识，另一个通过遗传算法优化，其分别得到n步的模型预测输出值x_1n和x_2n；第二类为3个BP神经网络模型，其分别具有不同的隐含层节点数，从而具有不同的泛化能力，通过LM算法训练，其分别得到n步的模型预测输出值x_3n、x_4n和x_5n；第三类为3个RBF神经网络模型，其分别具有不同的隐含层节点数，从而具有不同的泛化能力，通过梯度法训练，其分别得到n步的模型预测输出值x_6n、x_7n和x_8n；其中n＝1,2,…,N。

利用所述的电站锅炉热工参数预测监控系统的监控方法采用如下步骤实现：

步骤1.确定被测电站锅炉上的待监控的热工参数x及其相应的超前预测步数N；

步骤2.所述监控工作站从分散控制系统DCS获取实时数据；

步骤3.多模型预测模块对待监控的热工参数x分别进行n步超前预测，得到预测结果，n＝1,2,…,N；

步骤4.所述预测结果生成模块将多模型预测模块的预测结果进行综合集成，得到高精度的综合预测结果y_n；

步骤5.所述预测结果显示模块以曲线和/或图表显示现在时刻对待监控的热工参数x的综合预测结果y_n，以及过去对现在时刻的待监控的热工参数x的预测误差；

步骤6.当所述过去对现在时刻的待监控的热工参数x的预测误差超过预设的范围，则预测模型修正模块对所述多模型预测模块中的预测模型进行自适应更新；

步骤7.所述参数异常预警模块通过对所述多模型预测模块的预测结果的分析，对异常的待监控的热工参数x的发展趋势进行预警；

步骤8.所述异常原因分析模块通过对所述多模型预测模块的预测结果以及对待监控的热工参数x的综合预测结果y_n进行分析，给出导致异常结果的原因。

在所述多模型预测模块包括三类共8个模型的情况下，利用所述的电站锅炉热工参数预测监控系统的监控方法采用如下步骤实现：

步骤1.确定被测电站锅炉上的待监控的热工参数x及其相应的超前预测步数N；

步骤2.所述监控工作站从分散控制系统DCS获取实时数据；

步骤3.多模型预测模块对待监控的热工参数x分别进行n步超前预测，得到8个模型的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n，n＝1,2,…,N；

步骤4.所述预测结果生成模块将多模型预测模块的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n进行综合集成，得到高精度的综合预测结果y_n；

步骤5.所述预测结果显示模块以曲线和/或图表显示现在时刻对待监控的热工参数x的综合预测结果y_n，以及过去对现在时刻的待监控的热工参数x的预测误差；

步骤6.当所述过去对现在时刻的待监控的热工参数x的预测误差超过预设的范围，则预测模型修正模块对所述多模型预测模块中的预测模型进行自适应更新；

步骤7.所述参数异常预警模块通过对所述多模型预测模块的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n的分析，对异常的待监控的热工参数x的发展趋势进行预警；

步骤8.所述异常原因分析模块通过对所述多模型预测模块的预测结果以及对待监控的热工参数x的综合预测结果y_n进行分析，给出导致异常结果的原因。

进一步的，所述步骤1中待监控的热工参数x的超前预测步数N根据具体待监控的参数而不同，当待监控的参数为温度类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取20～100s；当待监控的参数为压力类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取10～80s；当待监控的参数为水位类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取5～30s。

进一步的，所述预测结果生成模块对多模型预测模块中的8个模型的预测结果进行综合集成，以得到精度更高的预测值；预测结果的集成采用基于误差平方和准则的调和平均方法，具体方法如下：

记预测待监控的热工参数的真实数值为x，而所述8种模型最近一次对其进行n步预测的结果分别为x_in，其中i＝1,2,…,8,n＝1,2,…,N，则所述8种模型的预测误差平方和为e_i，e_i＝|x-x_i1|²+|x-x_i2|²+…+|x-x_iN|²，其中i＝1,2,…,8；集成预测结果的原则是：预测误差最大的模型的预测结果对综合预测结果的贡献值最小，而预测误差最小的模型的预测结果对综合预测结果的贡献值最大，即采用下式(1)得到预测结果的集成值，即待监控的热工参数x的综合预测结果y_n：

进一步的，所述步骤6中预测模型自适应修正模块对预测模型进行自适应更新的具体方法如下：通过对预测结果性能的评价，对多个预测模型集中的所有单个预测模型进行性能排序，当综合预测结果y_n或者多模型预测结果x_in的预测误差的均方差大于规定的阈值δ₁时，则启动预测效果最差的预测模型进行重新训练，其中规定的阈值δ₁的取值范围1～4。

进一步的，所述步骤7中参数异常预警模块通过对所述多模型预测模块的预测结果的分析，对异常的待监控的热工参数x的综合预测结果y_n发展趋势进行预警的具体方法如下：

当综合预测结果y_n或者多模型预测结果x_in的预测误差的均方差均不大于规定的阈值δ₂时，则参数异常预警模块对未来预测结果进行趋势分析，根据趋势分析结果和预设的阈值δ₂，分别给出三级预警包括3≤δ₂＜5时的黄色I预警、5≤δ₂＜7时的橙色II预警、δ₂≥7时的红色III预警。

进一步的，当所述参数异常预警模块给出预警时，则所述步骤8中异常原因分析模块对参数异常出现的原因进行推理分析，给出三种可能的原因之一：即控制器参数不合适、执行器或传感器故障、外部扰动大。为软硬件的维护，即为软件方面的参数调试和硬件方面的设备检修提供可靠的信息。

本发明的有益效果如下：

通过对电站锅炉热工参数进行多种类的建模和预测，并进行参数预测的误差分析、建模和预报，来提高最终的参数预测精度，对参数的未来值预测结果进行直观的显示，通过对比过去对现在时刻的预测误差给出预测可信度，由此为运行监视人员和控制系统调试人员提供了参数的发展趋势，做到心中有数，同时基于参数预测结果对参数的不良发展趋势进行预警提示和原因分析，提高机组运行的安全性。

本发明为电站锅炉热工参数提供一种基于集成预测的方法，基于此，对于运行良好的锅炉参数，它可以让运行监视人员放心，即参数的发展趋势是正常的，让技术调试人员心里有底，即参数的发展是在掌控之中；而对于运行趋势异常的锅炉参数，它可以提示：控制系统的设计可能存在问题，或者通过预警及其关联分析推理提示我们参数异常的原因。

附图说明

图1为预测监控系统的结构框图。

其中，1被测电站锅炉、2分散控制系统DCS、3监控工作站、4多模型预测模块、5预测结果生成模块、6预测结果显示模块、7预测模型修正模块、8参数异常预警模块、9异常原因分析模块。

具体实施方式

下面将结合具体实施例和图1对本发明进行进一步详细的说明。

如图1所示，本实施例涉及一种电站锅炉热工参数预测监控系统，其包括分散控制系统DCS2和监控工作站3；所述分散控制系统DCS2的相应端口分别连接被测电站锅炉1和监控工作站3；所述监控工作站3包括多模型预测模块4、预测结果生成模块5、预测结果显示模块6、预测模型修正模块7、参数异常预警模块8和异常原因分析模块9；所述分散控制系统DCS2与被测电站锅炉1的控制回路相应接口双向连接，所述分散控制系统DCS2的输出端接多模型预测模块4的输入端，所述多模型预测模块4的输出端分别接预测结果生成模块5和参数异常预警模块8的输入端，所述预测结果生成模块5的输出端依次经预测结果显示模块6和预测模型修正模块7反馈回多模型预测模块4，所述参数异常预警模块8的输出端接异常原因分析模块9的输入端。

进一步的，所述多模型预测模块4包括三类共8个模型，第一类为2个输入输出差分方程模型，其中一个通过最小二乘辨识，另一个通过遗传算法优化，其分别得到n步的模型预测输出值x_1n和x_2n；第二类为3个BP神经网络模型，其分别具有不同的隐含层节点数，从而具有不同的泛化能力，通过LM算法训练，其分别得到n步的模型预测输出值x_3n、x_4n和x_5n；第三类为3个RBF神经网络模型，其分别具有不同的隐含层节点数，从而具有不同的泛化能力，通过梯度法训练，其分别得到n步的模型预测输出值x_6n、x_7n和x_8n；其中n＝1,2,…,N。

利用所述的电站锅炉热工参数预测监控系统的监控方法采用如下步骤实现：

步骤1.确定被测电站锅炉1上的待监控的热工参数x及其相应的超前预测步数N；

步骤2.所述监控工作站3从分散控制系统DCS2获取实时数据；

步骤3.多模型预测模块4对待监控的热工参数x分别进行n步超前预测，得到预测结果，n＝1,2,…,N；

步骤4.所述预测结果生成模块5将多模型预测模块4的预测结果进行综合集成，得到高精度的综合预测结果y_n；

步骤5.所述预测结果显示模块6以曲线和/或图表显示现在时刻对待待监控的热工参数x的综合预测结果y_n，以及过去对现在时刻的待监控的热工参数x的预测误差；

步骤6.当所述过去对现在时刻的待监控的热工参数x的预测误差超过预设的范围，则预测模型修正模块7对所述多模型预测模块4中的预测模型进行自适应更新；

步骤7.所述参数异常预警模块8通过对所述多模型预测模块4的预测结果的分析，对异常的待监控的热工参数x的发展趋势进行预警；

步骤8.所述异常原因分析模块9通过对所述多模型预测模块4的预测结果以及对待监控的热工参数x的综合预测结果y_n进行分析，给出导致异常结果的原因。在所述多模型预测模块4包括三类共8个模型的情况下，利用所述的电站锅炉热工参数预测监控系统的监控方法采用如下步骤实现：

步骤1.确定被测电站锅炉1上的待监控的热工参数x及其相应的超前预测步数N；

步骤2.所述监控工作站3从分散控制系统DCS2获取实时数据；

步骤3.多模型预测模块4对待监控的热工参数x分别进行n步超前预测，得到8个模型的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n，n＝1,2,…,N；

步骤4.所述预测结果生成模块5将多模型预测模块4的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n进行综合集成，得到高精度的综合预测结果y_n；

步骤5.所述预测结果显示模块6以曲线和/或图表显示现在时刻对待监控的热工参数x的综合预测结果y_n，以及过去对现在时刻的待监控的热工参数x的预测误差；

步骤6.当所述过去对现在时刻的待监控的热工参数x的预测误差超过预设的范围，则预测模型修正模块7对所述多模型预测模块4中的预测模型进行自适应更新；

步骤7.所述参数异常预警模块8通过对所述多模型预测模块4的预测结果x_1n、x_2n、x_3n、x_4n、x_5n、x_6n、x_7n和x_8n的分析，对异常的待监控的热工参数x的预测结果发展趋势进行预警；

步骤8.所述异常原因分析模块9通过对所述多模型预测模块4的预测结果以及对待监控的热工参数x的综合预测结果y_n进行分析，给出导致异常结果的原因。进一步的，所述步骤1中待监控的热工参数x的超前预测步数N根据具体待监控的参数而不同，当待监控的参数为温度类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取20～100s；当待监控的参数为压力类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取10～80s；当待监控的参数为水位类参数时，所述步骤1中待监控的热工参数x的超前预测步数N取5～30s。

进一步的，所述预测结果生成模块5对多模型预测模块4中的8个模型的预测结果进行综合集成，以得到精度更高的预测值；预测结果的集成采用基于误差平方和准则的调和平均方法，具体方法如下：

记预测待监控的热工参数的真实数值为x，而所述8种模型最近一次对其进行n步预测的结果分别为x_in，其中i＝1,2,…,8,n＝1,2,…,N，则所述8种模型的预测误差平方和为e_i，e_i＝|x-x_i1|²+|x-x_i2|²+…+|x-x_iN|²，其中i＝1,2,…,8；集成预测结果的原则是：预测误差最大的模型的预测结果对综合预测结果的贡献值最小，而预测误差最小的模型的预测结果对综合预测结果的贡献值最大，即采用下式(1)得到预测结果的集成值，即待监控的热工参数x的综合预测结果y_n：

进一步的，所述步骤6中预测模型自适应修正模块7对预测模型进行自适应更新的具体方法如下：通过对预测结果性能的评价，对多个预测模型集中的所有单个预测模型进行性能排序，当综合预测结果y_n或者多模型预测结果x_in的预测误差的均方差大于规定的阈值δ₁时，则启动预测效果最差的预测模型进行重新训练，其中规定的阈值δ₁的取值范围1～4。

进一步的，所述步骤7中参数异常预警模块8通过对所述多模型预测模块4的预测结果的分析，对异常的待监控的热工参数x的发展趋势进行预警的具体方法如下：

当综合预测结果y_n或者多模型预测结果x_in的预测误差的均方差均不大于规定的阈值δ₂时，则参数异常预警模块8对未来预测结果进行趋势分析，根据趋势分析结果和预设的阈值δ₂，分别给出三级预警包括3≤δ₂＜5时的黄色I预警、5≤δ₂＜7时的橙色II预警、δ₂≥7时的红色III预警。

进一步的，当所述参数异常预警模块8给出预警时，则所述步骤8中异常原因分析模块9对参数异常出现的原因进行推理分析，给出三种可能的原因之一：即控制器参数不合适、执行器或传感器故障、外部扰动大。为软硬件的维护，即为软件方面的参数调试和硬件方面的设备检修提供可靠的信息。

本发明的主要技术特征：基于最小二乘法的常规模型辨识和基于机器学习的智能模型辨识，并基于此对多个模型预测结果进行综合选择和预测显示；对于预测结果为不良发展趋势的参数进行分级别的预警，并通过关联分析推理给出异常原因报告。

LM算法为Levenberg-Marquardt算法的缩写，是最优化算法中的一种，最优化是寻找使得函数值最小的参数向量。它的应用领域非常广泛，如：经济学、管理优化、网络分析、最优设计、机械或电子设计等等。LM算法是一种非线性最小二乘算法，它是利用梯度求最大/小值的算法，形象的说，属于“爬山”法的一种。它同时具有梯度法和牛顿法的优点。当λ很小时，步长等于牛顿法步长，当λ很大时，步长约等于梯度下降法的步长。

上述详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明的等效实施或变更，均应包含于本案的专利保护范围中。