馮 瓏

（浙江浙能蘭溪發(fā)電有限責任公司，浙江 蘭溪 321100）

隨著工業(yè)經(jīng)濟的快速發(fā)展，工業(yè)企業(yè)電力需求迅猛增量，2018年中國的火力發(fā)電總量達到了49794.7億千瓦時（同比增長6%），約為全國發(fā)電總量的73.23%，火力發(fā)電廠的大型鍋爐通常采用等離子點火系統(tǒng)，其日常維護、調(diào)試都是亟需關(guān)注的重要課題。

等離子點火系統(tǒng)屬于高電壓大電流點火方式，實現(xiàn)了無油點火，其結(jié)構(gòu)包括等離子點火槍、等離子煤粉燃燒器、控制系統(tǒng)、整流電源系統(tǒng)、冷卻水系統(tǒng)、載體風系統(tǒng)、冷爐制粉系統(tǒng)、一次風在線監(jiān)測系統(tǒng)、圖像火檢系統(tǒng)、檢測元件等[1]。

等離子點火系統(tǒng)是整個系統(tǒng)的核心，它的不穩(wěn)定性直接影響鍋爐點火的優(yōu)劣。張海等人以湖北華電襄陽發(fā)電有限公司#1機組等離子體點火改造為研究對象，介紹了非接觸式300 kW等離子體點火系統(tǒng)的組成[2]。王兆虎等人[3，4]在2×600MW超臨界抽凝供熱發(fā)電機組上采用一種基于雙主站網(wǎng)絡控制的新型雙層等離子點火系統(tǒng)，且分析該雙主站結(jié)構(gòu)的網(wǎng)絡拓撲模式在特定環(huán)境下的優(yōu)勢。保立虎[5]采用分析了交流等離子點火燃燒器在660 MW直流鍋爐上的應用情況，介紹了交流等離子點火燃燒器的工作原理，并對煤粉質(zhì)量分數(shù)、一次風量、二次配風方式對鍋爐啟動時的點火過程和火焰穩(wěn)定性進行分析。

陳海民[6]綜合分析等離子點火技術(shù)在某電廠機組調(diào)試期間的應用情況，并統(tǒng)計分析了等離子點火技術(shù)在此期間所產(chǎn)生的經(jīng)濟效益和社會效益。

等離子點火系統(tǒng)中陰極、陽極是發(fā)生器的主要部件，且為導電元件，直接影響等離子的穩(wěn)定性。采用日常維護歷史數(shù)據(jù)對等離子點火系統(tǒng)進行分析，并對原來重點出現(xiàn)的故障前兆信息進行預測。

1 機器學習的故障預測模型

在火力電力生產(chǎn)企業(yè)，統(tǒng)計等離子點火系統(tǒng)的歷史數(shù)據(jù)，將歷史數(shù)據(jù)中影響故障現(xiàn)象的影響因子進行統(tǒng)計，但是往往有些故障現(xiàn)象的產(chǎn)生是因為某些或者某個偶發(fā)性的自變量作用下而發(fā)生的，不僅工作量大，而且存在預測的難度。傳統(tǒng)的方法即建立簡單的映射關(guān)系，而此簡單的映射關(guān)系并不能很好的預測故障。根據(jù)機器學習的基本原理，建立故障預測模型。

定義1：在企業(yè)現(xiàn)有的影響等離子點火系統(tǒng)的影響因子，設為影響因子數(shù)據(jù)集X={xi}，xi為第i個影響因子，且需要被預測的故障現(xiàn)象為Y={yi}，xi，yi均為數(shù)量。

定義2：假設已知故障現(xiàn)象模型預測的定義損失函數(shù)LL，模型預測的等離子點火系統(tǒng)故障為，搭建模型的目標就是使得損失函數(shù)達到最小值。

根據(jù)企業(yè)歷史數(shù)據(jù)分析，影響故障發(fā)生的影響因子（原始特征）為部分所知，即X={xi}。

表1 根據(jù)企業(yè)建立已有的分類特征

例如，某一時間段xj作為一個分類特征，即其對故障發(fā)生起到較為必然的關(guān)系，這類分類特征即為周期性（時間周期）的分類特征，需要在模型中考慮的。

2 優(yōu)化目標以及評估模型

由于目前火力發(fā)電廠歷史數(shù)據(jù)有限，且并不清楚是否窮舉各類分類特征，以及等離子點火系統(tǒng)可能出現(xiàn)的故障類型，故預測模型采用無監(jiān)督學習(Unsupervised Learning)，采用K-均值算法建立特征聚類，最小化所有數(shù)據(jù)點與其關(guān)聯(lián)的聚類中心之間的距離和。

其中：

μc(i)為x(i)最近的聚類中心點，優(yōu)化目標即尋找最優(yōu)組合c(1),c(2),...,c(m)和μ1,μ2,...,μK。

K-均值具體算法（偽代碼）：

針對等離子電源柜已有的分類特征X={xi}包括額定輸入電壓(V)、額定輸入電流(A)、電子電路額定供電電壓(V)、冷卻風機電源額定電壓(V)、冷卻風機電源額定電流(A)、冷卻風機額定流量(m3/h)、額定直流輸出電壓(V)等，建立其數(shù)據(jù)區(qū)間，例如200A系列ABB DCS500型。

表2 等離子電源柜已有的分類特征

根據(jù)等離子柜的啟動和調(diào)試特點以及采集部分其它數(shù)據(jù)進行強化，比如人為的誤操作等因素，以及綜合考慮非正常環(huán)境下的調(diào)試影響因子（室內(nèi)溫度、濕度、其它設備出現(xiàn)的問題的干涉、故障碼等數(shù)據(jù)）。

在火電廠等離子點火系統(tǒng)調(diào)試過程中，也增加人為的不確定因素，例如在檢查隔離變壓器一、二次電纜及等離子電源柜、切換柜相應一次回路接線及對應關(guān)系正確，交流電纜相序正確，直流電纜極性正確。數(shù)據(jù)的記錄需要更為規(guī)范和標準化，記錄盡量全的數(shù)據(jù)變化，最優(yōu)情況下能夠采用部分靈敏度高的傳感器進行實時監(jiān)控和數(shù)據(jù)采集。例如，用1000KV搖表檢查隔離變壓器、等離子電源柜、切換柜一次回路絕緣特性?；芈方^緣特性中絕緣數(shù)據(jù)的變化，都是至關(guān)重要。

采用基于機器學習的預測模型，可以較好的完成數(shù)據(jù)量大、數(shù)據(jù)不全、數(shù)據(jù)缺省等情況下的“數(shù)據(jù)淘金”，能有效發(fā)掘在數(shù)據(jù)背后的千絲萬縷聯(lián)系。通過發(fā)掘等離子點火系統(tǒng)故障發(fā)生背后的影響因子，建立數(shù)據(jù)與故障現(xiàn)象、以及故障調(diào)試的映射關(guān)系。例如：

故障報警（故障碼）：

SIEMENS 6RA28 F02 ABBDCS500 F38

其調(diào)試方法：

整流器三相電源進線相序錯誤，校對交流電源相序。

3 結(jié)論

火電廠鍋爐等離子點火系統(tǒng)預測性可以避免在很多極端工況下出現(xiàn)異常，且能夠有效地提供預防式警告，可以有效地最大化資源使用。

從機器學習的模型構(gòu)建過程中，企業(yè)對歷史大量數(shù)據(jù)的保存、格式化至關(guān)重要，企業(yè)需要充分利用好已有的數(shù)據(jù)，其數(shù)據(jù)的真實性和可靠性直接影響預測模型的準確性。

通過前期已有的技術(shù)特征進行訓練、測試、評估模型，能夠得到后期的特征集，并且能夠找到變量之間隱藏的聯(lián)系。

采用機器學習模型對火力發(fā)電廠部分重要部件進行故障預測，比較有效地進行故障發(fā)生的預判，減少損失，節(jié)約企業(yè)成本，降低作業(yè)風險。

本文尚未檢查特征之間的關(guān)聯(lián)性進行深入探討，這是未來繼續(xù)此課題研究的重點。