1000W机组凝汽器低真空故障特征向量的提取及应用

鲁 锦，刘汉金，刘 娟，蔡 文，卢冬冬

（1.国网江西省电力有限公司电力科学研究院，江西 南昌 330096；2.华能安源发电有限责任公司，江西 萍乡 337200；3.华能南通发电有限责任公司，江苏 南通 226002）

0 前言

凝汽器系统的故障诊断是火电机组故障诊断的一个分支，凝汽器低真空是众多故障中发生率最高，也最为复杂的一种故障[1]。早期电站操作人员都是根据运行经验来粗略地判断凝汽器故障原因。从20世纪90年代开始[2]，一些学者开始采用模糊数学[3]、BP 神经网络[4]、灰色关联度方法[5]、故障树模型[6]、遗传算法[7]、综合诊断方法[8]等智能化技术进行凝汽器低真空故障诊断方面的研究。其核心都是在低真空故障集与表象征兆集之间采用不同的诊断方法建立映射关系，来确定出引起真空下降的故障原因[9]，但诊断的基础是建立故障特征向量，即低真空故障的原因和在线监测数据变化征兆之间的关系。由于机组运行方式多种多样，热力设备的结构、性能和热力系统构成较为复杂，而故障本身又具有动态时变性且故障程度可大可小[10]，常见的故障领域特征向量的提取方法，诸如根据现场运行的经验、对凝汽器故障的理论分析等[1]，总有一定的局限性，并且对于不同的机组，故障领域特征向量也应结合具体的设备及系统进行相应的修正。但是，现有的文献未详细给出凝汽器故障特征向量的建立方法，而是直接给出了征兆出现（特征值取为1）或不出现（特征值取为0）的结果，因此有必要对凝汽器低真空故障领域特征向量的建立进行研究。

本文以某1 000 MW机组为例，在其仿真机上通过多次试验，获得征兆参数确定的阈值，并在实际机组上进行故障诊断的验证。

1 凝汽器故障征兆集

不同机组由于其结构、设备和系统有所差异，因此凝汽器故障征兆集也不尽相同。本文所研究的机组为超超临界一次中间再热四缸四排汽凝汽式汽轮机N1000-26.25/600/600，设有8级回热抽汽。凝汽器采用是双背压N-54000型式，双壳体、单流程、表面式、横向布置，配置两台EVMA250型真空泵。冷却水系统配置两台2 600 VZNM型循环水泵。该机组凝汽器低真空故障征兆集如表1所示。

表1 凝汽器征兆集

在线监测参数的变化分为正常、升高（增加）、降低（减小）三种情况，定义其征兆发生的特征参数量化值分别为0.0、0.5和1.0，即征兆参数Bj的状态量化值可由公式（1）确定。

2 征兆特征参数表征

征兆参数的表征方法有一般有两种[11]：第一种依据参数单位时间变化率的正负和大小进行判断，其优点是在故障发生初期对故障的反映十分灵敏，但缺乏稳定的保持性；第二种依据参数运行值与应达值的偏差及阈值进行判断，其优点在于征兆出现后能长久保持，但确定偏差及阈值较繁琐。

对于会引起真空急剧下降并致机组跳机的故障，需要及时的发现并采取相应的补救措施，所以当机组发生这类故障时，对应的征兆应依据参数单位时间变化率的正负来表征；对于引起真空缓慢下降的故障，由于这类故障发生时，相应的征兆参数变化缓慢，所以可根据参数运行值与应达值的偏差及阈值来进行表征。

2.1 引起真空急剧下降与缓慢下降的故障识别

以机组处于700 MW正常运行时为例，在该机组仿真机上分别试验其低真空发生的各种故障。监测凝汽器A和凝汽器B的真空度，以两者平均值相对于时间的变化率a的大小为判断依据，来识别是否发生了引起真空急剧下降的故障。试验结果如表2所示。

表2 凝汽器低真空故障集

由表2可知在700 MW工况下，故障A8和A9的变化率a远大于其余故障，而且其他工况下实验结果与此相同。因此，可判定故障A8和A9为引起真空急剧下降的故障，而其余故障为引起真空缓慢下降的故障。实际运行中，根据真空急剧下降的变化率最小值与真空缓慢下降的变化率最大值两者的平均值，约0.8，为界定值：

2.2 征兆参数偏差的确定方法

对于引起真空缓慢下降的故障，其征兆参数的表达方式是依据参数运行值与应达值的偏差及阈值。记参数运行值为X、参数应达值为X0、偏差值为Y。偏差Y有两种计算方法：

方法一是偏差的绝对量，计算的偏差值范围大，由此确定的征兆参数状态的阈值很大，因而容易产生漏判。而方法二计算的是相对偏差，集中在[-1，1]内，可以避免漏判的发生，更利于比较判断，故本文选取方法二来计算征兆参数运行值与应达值的偏差。

3 故障特征向量

3.1 引起真空缓慢下降的故障特征向量

对于引起真空缓慢下降的故障，依据参数运行值与应达值的偏差及阈值来表征征兆参数，偏差计算采用公式（3）。在机组700 MW正常工况下，试验表2中的引起真空缓慢下降的故障A1-A7，结果如表3所示：

表3 700 MW工况下故障A1-A7对应的征兆参数偏差值

分析表3中征兆参数在各故障下的偏差值，可确定故障A1-A7对应的各征兆状态进行区分的状态阈值，界定征兆参数偏差范围，根据公式（1）得出征兆参数状态量化值如表4所示。

表4 故障A1-A7对应各征兆参数状态量化值

表4是在700 MW工况下进行故障试验而建立的各征兆参数状态量化值。对其他工况进行同样的故障试验，虽然征兆参数的偏差值每个工况都不相同，但根据公式（1）得出的征兆参状态数量化值与表4完全一致。

3.2 引起真空急剧下降的故障特征向量

故障A8、A9会引起真空急剧下降，在700 MW工况下分别试验，可得各征兆参数相对时间的变化率a如表5所示。

表5700 MW工况下故障A8、A9引起的征兆参数的变化率

分析表5中征兆参数的变化率a，可确定在故障A8、A9发生时对应的各征兆参数的状态阈值，界定征兆参数偏差范围，根据公式（1）得出故障A8、A9对应的各征兆参状态量化值如表6所示。

表6 故障A8、A9对应各征兆参数状态量化值

表6是在700 MW工况下进行故障试验而建立的各征兆参数状态量化值。对其他工况进行同样的故障试验，虽然征兆参数的偏差值每个工况都不相同，但根据公式（1）得出的征兆参状态数量化值与表6完全一致。

根据表3和表5，可建立适用于该机组任意工况下的凝汽器低真空故障特征向量集，如表7所示：

表71 000 MW机组凝汽器故障领域特征向量集

4 凝汽器低真空故障诊断测试

基于表7建立的1 000 MW机组凝汽器故障特征向量集，应用BP神经网络建立该机组的凝汽器故障诊断模型。

如图1所示BP神经网络输入层对应征兆参数的状态量化值，节点数为30；输出层对应低真空故障级，节点数为9。其理想的隐含层神经元个数的范围是[20，49]。经过比较选取均方误差最小的神经网络拓扑结构：30-40-9。

图1 三层BP网络故障诊断的拓扑结构

在机组处于550 MW正常运行工况下令A循环水泵跳闸，根据监测参数，运用公式（1）、公式（3）和表4、表5得出新工况对应的征兆集特征向量为：

[B]=[1.0，1.0，0.0，1.0，0.0，0.5，0.5，0.5，0.5，0.5，1.0，0.0，1.0，1.0，1.0，0.5，0.5，0.5，0.5，0.0，0.0，0.5，0.5，0.5，0.5，0.5，1.0，1.0，0.5，0.5]

输入到训练好的BP神经网络中，网络的输出向量为：

[A]=[0.0003，0.0061，0.9805，0.0157，0.0025，0.0090，0.0048，0.0001，0.0076]

网络输出值最大为0.9805，对应故障为A3，对照凝汽器低真空故障集表2可知发生的故障为A循环水泵跳闸。诊断结果与故障设置一致，表明根据仿真机试验得出的1 000 MW机组凝汽器故障领域特征向量，在实际机组运行中可用于凝汽器故障诊断。

5 结语

1）针对凝汽器低真空故障发生时，真空下降速度的不同，选取两种不同的征兆参数计算方法建立征兆参数的计算模型，并通过机组仿真机的模拟试验，确定以真空度相对于时间的变化率a是否超过0.8为界定值，判别是否发生了引起真空急剧下降的故障；

2）对于引起真空缓慢下降的故障，征兆参数的计算方法是通过参数运行值与应达值的相对偏差获得状态阈值，进而得出征兆参数的状态量化值；对于引起真空急剧下降的故障，征兆参数的计算方法是通过参数相对时间的变化率的大小比较得出征兆参数的状态量化值；

3）根据1）和2）的试验和计算得出了1 000 MW机组凝汽器低真空故障特征向量集，应用BP神经网络建立该机组的凝汽器故障诊断模型，对机组的低真空故障进行诊断，结果准确。表明本文得出的1000MW机组凝汽器故障特征向量集，在实际机组运行中可对凝汽器低真空问题进行故障诊断。