05 :計算故障的嚴(yán)重程度，公式如下：
[0051]
m
[0052] 式（4)中，S為故障的嚴(yán)重程度；Μ為輸出層節(jié)點1對應(yīng)的故障嚴(yán)重程度；N為輸出 層節(jié)點g對應(yīng)的故障嚴(yán)重程度；
[0053] 步驟206 :輸出故障嚴(yán)重程度的具體數(shù)值。
[0054] 本發(fā)明W某600麗火電機(jī)組高加給水系統(tǒng)為實施例，3臺高壓加熱器按抽汽口壓 力由高到低依次稱為#1高壓加熱器、#2高壓加熱器和#3高壓加熱器；各高壓加熱器傳熱 方式均為過熱-凝結(jié)-疏冷3段式，疏水均為逐級自流，正常疏水和危急疏水調(diào)節(jié)閥均由協(xié) 調(diào)控制系統(tǒng)控制。根據(jù)理論分析和運行經(jīng)驗，高壓加熱器的故障主要集中在管系泄漏和進(jìn) 出水室短路兩類重要故障，因此重點研究運兩類故障的嚴(yán)重程度識別；從高加給水系統(tǒng)整 體考慮，分析故障發(fā)生后高加給水系統(tǒng)運行參數(shù)的整體變化規(guī)律，相應(yīng)地選擇各高加給水 端差、疏水端差、給水溫升、調(diào)口總開度共12個故障特征參數(shù)。
[0055] 借助火電機(jī)組仿真系統(tǒng)，在額定工況化00MW)下在對各高壓加熱器的管系泄漏故 障和進(jìn)出水室短路故障進(jìn)行詳細(xì)的仿真實驗。管系泄漏故障分別選取泄漏程度為1%、3%、 5%、7%、9%的故障；進(jìn)出水室短路故障分別選取故障程度為10%、20%、30%、40%、50% 的故障。分別獲取5種不同程度的管系泄漏故障樣本，每種故障程度200個樣本，共1000個 樣本；5種不同程度的進(jìn)出水室短路故障樣本，每種故障程度200個樣本，共1000個樣本， 并對故障樣本進(jìn)行標(biāo)準(zhǔn)化處理。
[0056] 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4層，其中輸入層12個節(jié)點，輸出層1個節(jié)點。每類故障樣 本中選擇75%用于訓(xùn)練，25%用于測試。采用訓(xùn)練樣本訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中， 運用粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的參數(shù)，然后用測試樣本對訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行 測試，W建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型。粒子群算法中：種群規(guī)模為30,慣性權(quán)重從0. 9 線性下降到0. 5,學(xué)習(xí)因子為2. 0,最大迭代次數(shù)為1000。
[0057] 前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4層，其中輸入層12個節(jié)點，輸出層5個節(jié)點，隱含層采用 雙隱層結(jié)構(gòu)，每個隱層15個節(jié)點。分別針對每一類故障，利用不同嚴(yán)重程度的故障樣本建 立前向神經(jīng)網(wǎng)絡(luò)，訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)W確定其權(quán)值和闊值；對訓(xùn)練好的前向神經(jīng)網(wǎng)絡(luò)進(jìn)行 測試W建立前向神經(jīng)網(wǎng)絡(luò)程度識別模型，用于識別每一類故障的嚴(yán)重程度。選取每種程度 故障樣本75%用于訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)，25%用于測試前向神經(jīng)網(wǎng)絡(luò)的性能。
[0058] 采集實時故障樣本數(shù)據(jù)，送入概率神經(jīng)網(wǎng)絡(luò)故障診斷模型，概率神經(jīng)網(wǎng)絡(luò)故障診 斷模型輸出故障的類型；根據(jù)故障的具體類型，選擇與故障類型相對應(yīng)的前向神經(jīng)網(wǎng)絡(luò)程 度識別模型；將實時故障樣本數(shù)據(jù)連續(xù)輸入選定的前向神經(jīng)網(wǎng)絡(luò)程度識別模型，前向神經(jīng) 網(wǎng)絡(luò)識別故障的嚴(yán)重程度，并輸出故障嚴(yán)重程度的具體數(shù)值；最后，顯示故障類型與故障的 嚴(yán)重程度。
[0059] 為了方便比較，分別采用本發(fā)明提出的故障程度識別方法、人工神經(jīng)網(wǎng)絡(luò)故障診 斷方法、支持向量機(jī)故障診斷方法進(jìn)行高加給水系統(tǒng)的故障診斷；Ξ種方法的故障診斷精 度比較如表1所示。
[0060] 表1Ξ種故障診斷方法的診斷精度比較
[0061]
[0062] 由表1可W看出，本發(fā)明提出的故障程度識別方法能夠準(zhǔn)確地診斷高加給水系統(tǒng) 的故障類型，其故障診斷性能明顯優(yōu)于其他兩種故障診斷方法。
[0063] 采用本發(fā)明提出的故障程度識別方法進(jìn)行高加給水系統(tǒng)的故障診斷，其故障嚴(yán)重 程度識別結(jié)果的絕對誤差如表2所示。
[0064] 表2故障嚴(yán)重程度識別結(jié)果的絕對誤差
[0065]
[0067] 胃由表2可W看出，本發(fā)明提出的故障程度識別方法能夠有效識別高加給水系統(tǒng)故 障的嚴(yán)重程度，并且能夠給出精確的故障嚴(yán)重程度數(shù)值。
[0068] 本發(fā)明提出了一種高加給水系統(tǒng)故障程度識別方法，將高加給水系統(tǒng)作為整體考 慮，采用概率神經(jīng)網(wǎng)絡(luò)診斷故障類型，具有較高的診斷速度和精度；采用前向神經(jīng)網(wǎng)絡(luò)有效 識別故障的嚴(yán)重程度，并能給出故障嚴(yán)重程度的具體數(shù)值；可用于額定工況、不同穩(wěn)態(tài)工況 W及變工況動態(tài)過程故障診斷，在高加給水系統(tǒng)在線故障診斷中具有廣泛的適用性。
[0069] W上所述，僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該W權(quán)利要求的保護(hù)范圍 為準(zhǔn)。
【主權(quán)項】
1. 一種高加給水系統(tǒng)故障程度識別方法，其特征在于，包括如下步驟： 1) 獲取高加給水系統(tǒng)不同類型、不同嚴(yán)重程度的故障樣本，并對故障樣本進(jìn)行標(biāo)準(zhǔn)化 處理； 2) 利用步驟1)得到的不同類型的故障樣本確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立概率神經(jīng)網(wǎng) 絡(luò)，訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中，采用粒子群算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的參數(shù)，對訓(xùn)練 好的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行測試以建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型； 3) 針對每一類故障，利用步驟1)得到的不同嚴(yán)重程度的故障樣本確定前向神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu)，建立前向神經(jīng)網(wǎng)絡(luò)，訓(xùn)練前向神經(jīng)網(wǎng)絡(luò)以確定其權(quán)值和閾值，對訓(xùn)練好的前向神經(jīng)網(wǎng) 絡(luò)進(jìn)行測試以建立前向神經(jīng)網(wǎng)絡(luò)程度識別模型； 4) 在建立好的概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中輸入采集到的實時故障樣本數(shù)據(jù)，輸出故 障類型； 5) 根據(jù)步驟4)輸出的故障類型，選擇與之相對應(yīng)的前向神經(jīng)網(wǎng)絡(luò)程度識別模型； 6) 在選定的前向神經(jīng)網(wǎng)絡(luò)程度識別模型中連續(xù)輸入實時故障樣本數(shù)據(jù)，前向神經(jīng)網(wǎng)絡(luò) 識別并輸出故障嚴(yán)重程度； 7) 顯示高加給水系統(tǒng)的故障類型與故障嚴(yán)重程度。2. 根據(jù)權(quán)利要求1所述一種高加給水系統(tǒng)故障識別方法，其特征在于，所述輸出故障 嚴(yán)重程度的具體步驟為： 步驟201 :確定前向神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點的輸出，計算公式為：式⑴中，Ojk)為前向神經(jīng)網(wǎng)絡(luò)第i個輸出節(jié)點在第k次的輸出；η為輸出層節(jié)點數(shù) 目； 步驟202 :在前向神經(jīng)網(wǎng)絡(luò)的所有輸出層節(jié)點中選擇輸出值最大的節(jié)點1，計算公式 為：式（2)中，Ojk)為前向神經(jīng)網(wǎng)絡(luò)第1個輸出節(jié)點在第k次的輸出； 步驟203 :在輸出層節(jié)點中，確定輸出值最大節(jié)點1的相鄰節(jié)點1-1和1+1 ; 步驟204 :從相鄰節(jié)點中選擇輸出值更大的節(jié)點g，公式為：式（3)中，0g(k)為前向神經(jīng)網(wǎng)絡(luò)第g個輸出節(jié)點在第k次的輸出； 步驟205 :計算故障的嚴(yán)重程度，公式如下：式（4)中，S為故障的嚴(yán)重程度；Μ為輸出層節(jié)點1對應(yīng)的故障嚴(yán)重程度；N為輸出層節(jié) 點g對應(yīng)的故障嚴(yán)重程度； 步驟206 :輸出故障嚴(yán)重程度的具體數(shù)值。
【專利摘要】本發(fā)明公開了屬于熱力系統(tǒng)故障診斷技術(shù)領(lǐng)域的一種高加給水系統(tǒng)故障程度識別方法。獲取不同類型、不同嚴(yán)重程度的故障樣本，并進(jìn)行標(biāo)準(zhǔn)化處理；利用不同類型的故障樣本建立概率神經(jīng)網(wǎng)絡(luò)故障診斷模型；針對每一類故障，建立前向神經(jīng)網(wǎng)絡(luò)程度識別模型；概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中輸入實時故障樣本數(shù)據(jù)，輸出故障類型；選擇與故障類型相對應(yīng)的前向神經(jīng)網(wǎng)絡(luò)程度識別模型；在選定的前向神經(jīng)網(wǎng)絡(luò)程度識別模型中連續(xù)輸入實時故障樣本數(shù)據(jù)，前向神經(jīng)網(wǎng)絡(luò)識別并輸出故障嚴(yán)重程度；顯示故障類型與故障嚴(yán)重程度。診斷速度快、識別精度高；能有效識別故障的嚴(yán)重程度，并給出故障嚴(yán)重程度數(shù)值；可用于額定工況、不同穩(wěn)態(tài)工況及變工況下高加給水系統(tǒng)故障診斷。
【IPC分類】G06N3/02
【公開號】CN105279553
【申請?zhí)枴緾N201510631395
【發(fā)明人】王曉霞, 馬良玉
【申請人】華北電力大學(xué)（保定）
【公開日】2016年1月27日
【申請日】2015年9月29日