基于大数据分析的火电机组引风机故障预警研究

doi:10.12096/j.2096-4528.pgt.21111

发电技术 ›› 2023, Vol. 44 ›› Issue (4): 557-564.DOI: 10.12096/j.2096-4528.pgt.21111

基于大数据分析的火电机组引风机故障预警研究

安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢

华北电力大学热电生产过程污染物监测与控制北京市重点实验室，北京市昌平区 102206

收稿日期:2022-01-01 出版日期:2023-08-31 发布日期:2023-08-29
通讯作者: 徐钢
作者简介:安吉振(1997)，男，硕士研究生，研究方向为电站空冷系统优化与大数据分析， 120202202033@ncepu.edu.cn；
郑福豪(1993)，男，硕士，研究方向为电站空冷系统优化与大数据分析，zfh19930401@163.com
刘一帆(1998)，男，硕士研究生，研究方向为热力系统优化与电站大数据分析， 120202202073@ncepu.edu.cn
陈衡(1989)，男，博士，副教授，研究方向为热力系统优化、固体废弃物能质梯级利用，heng@ncepu.edu.cn
徐钢(1978)，男，博士，教授，研究方向为能源动力系统优化与节能、污染物控制及温室气体减排，xgncepu@163.com
基金资助:
国家自然科学基金项目(51806062);中央高校基本科研业务费(2020MS006)

Study on Induced Draft Fan Fault Warning of Thermal Power Unit Based on Big Data Analysis

Jizhen AN, Fuhao ZHENG, Yifan LIU, Heng CHEN, Gang XU

Beijing Key Laboratory of Pollutant Monitoring and Control in Thermoelectric Production, North China Electric Power University, Changping District, Beijing 102206, China

Received:2022-01-01 Published:2023-08-31 Online:2023-08-29
Contact: Gang XU
Supported by:
National Nature Science Foundation of China(51806062);Fundamental Research Funds for the Central Universities(2020MS006)

摘要/Abstract

摘要：

针对火电机组引风机故障频发的问题，提出了一种基于大数据分析的引风机故障预警方法。以某330 MW火电机组引风机为研究对象，提取了与其工作状态密切关联的11种特征信息，进行数据预处理后，结合BP神经网络建立了引风机状态预测模型，其误差满足工程要求。引入分布式控制系统(distributed control system，DCS)和安全仪表系统(safety instrumentation system，SIS)，设计了一套引风机状态预警系统，并开发了此预警系统的可视化界面，当某一特征信息的实测值超过模型预测值的安全阈值后，系统会提醒运行人员进行检修和故障排查，实现对引风机故障的有效预警。

关键词: 火力发电, 火电机组, 引风机, BP神经网络, 故障预警, 大数据

Abstract:

Aiming at the frequent occurrence of induced draft fan faults in thermal power units, a kind of induced draft fan fault warning method based on big data analysis was proposed.Taking the induced draft fan of a 330 MW thermal power unit as the research object, 11 kinds of characteristic information closely related to its working state were extracted. After data pretreatment, a state prediction model of the induced draft fan was established based on BP neural network, and its error met the requirements of engineering. Using distributed control system (DCS) and safety instrumentation system (SIS), a set of induced draft fan state warning system was designed, and the visual interface of this warning system was developed. When the measured value of a certain feature information exceeds the safety threshold of the predicted value of the model, the system will remind the operator to carry out maintenance and troubleshooting, so as to realize an effective early warning of the induced draft fan fault.

Key words: thermal power generation, thermal power unit, induced draft fan, BP neural network, fault warning, big data

中图分类号:

TK 261

安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢. 基于大数据分析的火电机组引风机故障预警研究[J]. 发电技术, 2023, 44(4): 557-564.

Jizhen AN, Fuhao ZHENG, Yifan LIU, Heng CHEN, Gang XU. Study on Induced Draft Fan Fault Warning of Thermal Power Unit Based on Big Data Analysis[J]. Power Generation Technology, 2023, 44(4): 557-564.

图/表 12

图1 燃煤电站引风机轴系示意图

Fig. 1 Schematic diagram of induced draft fan shafting in coal-fired power station

表1 引风机的特征信息集

Tab. 1 Characteristic information set of induced draft fan

序号	特征信息
1	引风机前轴承温度
2	引风机入口烟气温度
3	引风机出口烟气温度
4	引风机电机绕组温度
5	引风机水平振动
6	引风机电机前轴承温度
7	引风机电机后轴承温度
8	引风机入口烟气压力
9	引风机中轴承温度
10	引风机后轴承温度
11	引风机进出口烟气压差

图2 引风机入口烟气压力原始数据

Fig. 2 Original data of flue gas pressure at inlet of induced draft fan

图3 数据处理后的引风机入口烟气压力曲线

Fig. 3 Inlet pressure curve of induced draft fan after data processing

图4 BP神经网络结构原理示意图

Fig. 4 Schematic diagram of BP neural network structure principle

图5 BP神经网络的训练过程

Fig. 5 Training process of BP neural network

图6 引风机入口烟气压力的预测值与实测值

Fig. 6 Predicted and measured values of flue gas pressure at inlet of induced draft fan

图7 引风机入口烟气温度模型预测值与实测值

Fig. 7 Predicted and measured values of flue gas temperature at inlet of induced draft fan

表2 引风机特征信息预测模型的相对误差

Tab. 2 Relative error of characteristic information prediction model of induced draft fan

参数	平均相对误差/%
引风机入口烟气压力	1.72
引风机入口烟气温度	2.02
引风机出口烟气温度	1.31
引风机电机绕组温度	0.42
引风机垂直振动量	0.75
引风机电机前轴承温度	0.32
引风机电机后轴承温度	0.3
引风机前轴承温度	0.35
引风机中轴承温度	1.04
引风机后轴承温度	2.21
引风机进出口烟气压差	1.81

图8 引风机状态预警系统

Fig. 8 Pre-warning system of induced draft fan status

图9 引风机前轴承温度预警界面

Fig. 9 Pre-warning interface of front bearing temperature of induced draft fan

图10 引风机前轴承温度异常历史查询界面

Fig. 10 History query interface of induced draft fan front bearing temperature anomaly

参考文献 21

1	李俊彬．工业锅炉风机常见故障及处理措施分析[J]．广东科技， 2008， 17( 18)： 169- 170． doi: 10.3969/j.issn.1006-5423.2008.18.093
	LI J B ． Analysis of common faults and treatment measures of industrial boiler fan[J]． Guangdong Science & Technology， 2008， 17( 18)： 169- 170． doi: 10.3969/j.issn.1006-5423.2008.18.093
2	应光耀，吴斌，董益华，等．发电厂风机常见振动故障及处理[J]．浙江电力， 2013， 32( 2)： 45- 47． doi: 10.3969/j.issn.1007-1881.2013.02.012
	YING G Y， WU B， DONG Y H， et al ． Vibration fault of blower fan in power plant and the treatment[J]． Zhejiang Electric Power， 2013， 32( 2)： 45- 47． doi: 10.3969/j.issn.1007-1881.2013.02.012
3	冯仁海，郑利，闫海静． 300 MW燃煤电站锅炉轴流式引风机抢风的原因分析及处理[J]．发电与空调， 2017， 38( 5)： 51- 54． doi: 10.3969/J.ISSN.2095-3429.2017.05.012
	FENG R H， ZHENG L， YAN H J ． Cause analysis and treatment on the problem of scrambling for air of axial in-duced draft fans in 300 MW coal-fired power plant[J]． Power Generation & Air Condition， 2017， 38( 5)： 51- 54． doi: 10.3969/J.ISSN.2095-3429.2017.05.012
4	曾庆猛，温淑媛，刘志敏．某大型火力发电厂引风机振动故障诊断与处理[J]．电站系统工程， 2017， 33( 3)： 43- 45． doi: 10.1097/00152193-200302000-00045
	ZENG Q M， WEN S Y， LIU Z M ． Vibration fault diagnosis and processing for induced draft fan in large power plant[J]． Power System Engineering， 2017，. doi: 10.1097/00152193-200302000-00045
	33( 3)： 43- 45． doi: 10.1097/00152193-200302000-00045
5	韩亮，郭杰鹏，卢国华．基于改进BP算法的异步电机故障诊断[J]．工业控制计算机， 2021， 34( 2)： 71- 72． doi: 10.3969/j.issn.1001-182X.2021.02.025
	HAN L， GUO J P， LU G H ． Asynchronous motor fault diagnosis based on improved BP algorithm[J]． Industrial Control Computer， 2021， 34( 2)： 71- 72． doi: 10.3969/j.issn.1001-182X.2021.02.025
6	马博洋．火电厂一次风机故障预警系统的应用研究[D]．北京：华北电力大学， 2016．
	MA B Y ． The application of failure warning method on the primary air fan of power plant[D]． Beijing： North China Electric Power University， 2016．
7	陈尚年，李录平，张世海，等．汽轮发电机组振动故障诊断技术研究进展[J]．发电技术， 2021， 42( 4)： 489- 499． doi: 10.12096/j.2096-4528.pgt.21048
	CHEN S N， LI L P， ZHANG S H， et al ． Research progress of vibration fault diagnosis technology for steam turbine generator sets[J]． Power Generation Technology， 2021， 42( 4)： 489- 499． doi: 10.12096/j.2096-4528.pgt.21048
8	肖飞，叶康，邓祥力，等．基于最优编码集及智能状态估计的电网故障诊断方法[J]．电力系统保护与控制， 2021， 49( 2)： 89- 97．
	XIAO F， YE K， DENG X L， et al ． A fault diagnosis method of a power grid based on an optimal coding set and intelligent state estimation[J]． Power System Protection and Control， 2021， 49( 2)： 89- 97．
9	王艺霏，李哲，周斌，等．基于特征变量分析的火电厂引风机故障预警模型研究与应用[J]．工业控制计算机， 2021， 34( 7)： 11- 13． doi: 10.3969/j.issn.1001-182X.2021.07.004
	WANG Y F， LI Z， ZHOU B， et al ． Research and application of induced draft fan fault early warning model in thermal power plant based on characteristic variable analysis[J]． Industrial Control Computer， 2021， 34( 7)： 11- 13． doi: 10.3969/j.issn.1001-182X.2021.07.004
10	周琦．基于机器学习的电站风机故障诊断研究[D]．北京：华北电力大学， 2019．
	ZHOU Q ． Study on machine learning fault diagnosis of power station fan[D]． Beijing： North China Electric Power University， 2019．
11	苏创世．基于优化ELM算法的电站凝汽器故障诊断[D]．北京：华北电力大学， 2019．
	SU C S ． Fault diagnosis for power plant condenser based on optimized ELM algorithm[D]． Beijing： North China Electric Power University， 2019．
12	VASEBI A， HODOUIN D， POULIN É ． The importance of uncertainty covariance tuning for steady-state data reconciliation in mineral and metal processing[J]． IFAC Proceedings Volumes， 2013， 46( 16)： 18- 23． doi: 10.3182/20130825-4-US-2038.00060
13	PANG J， CHEN Y， HE S， et al ． Classification of friction and wear state of wind turbine gearboxes using decision tree and random forest algorithms[J]． Journal of Tribology， 2021， 143( 9)： 091702． doi: 10.1115/1.4049257
14	HE Y， MENG Z， XU H， et al ． A dynamic model of evaluating differential automatic method for solving plane problems based on BP neural network algorithm[J]． Physica A：Statistical Mechanics and Its Applications， 2020， 556： 124845． doi: 10.1016/j.physa.2020.124845
15	吴坡，段松涛，张江南，等．数据驱动型实时燃烧优化控制架构及应用[J]．电力工程技术， 2021， 40( 2)： 197- 204． doi: 10.12158/j.2096-3203.2021.02.028
	WU P， DUAN S T， ZHANG J N， et al ． Architecture and application of data-driven on-line combustion optimization control[J]． Electric Power Engineering Technology， 2021， 40( 2)： 197- 204． doi: 10.12158/j.2096-3203.2021.02.028
16	高建伟，梁鹏程，高芳杰，等．基于多方势博弈的综合能源系统运行优化[J]．电力建设， 2021， 42( 9)： 32- 40． doi: 10.12204/j.issn.1000-7229.2021.09.004
	GAO J W， LIANG P C， GAO F J， et al ． Operation optimization of integrated energy system considering multi-potential game[J]． Electric Power Construction， 2021， 42( 9)： 32- 40． doi: 10.12204/j.issn.1000-7229.2021.09.004
17	王玉亭，陈彦奇，徐钢，等．大型燃煤电站汽轮机排汽通道结构优化研究[J]．发电技术， 2021， 42( 4)： 464- 472． doi: 10.12096/j.2096-4528.pgt.21067
	WANG Y T， CHEN Y Q， XU G， et al ． Study on structure optimization of exhaust steam passage of steam turbine in large coal-fired power station[J]． Power Generation Technology， 2021， 42( 4)： 464- 472． doi: 10.12096/j.2096-4528.pgt.21067
18	曹子飞．电厂DCS系统的节能控制方法研究[J]．光源与照明， 2021( 2)： 145- 146． doi: 10.1109/ateee54283.2021.00025
	CAO Z F ． Research on energy-saving control method of DCS system in power plant[J]． Lamps & Lighting， 2021( 2)： 145- 146． doi: 10.1109/ateee54283.2021.00025
19	杨永军，庞顺，赵玉良，等．火电厂厂级监控信息系统的开发和应用[J]．热力发电， 2014， 43( 2)： 104- 108． doi: 10.3969/j.issn.1002-3364.2014.02.104
	YANG Y J， PANG S， ZHAO Y L， et al ． Multiple power generation modes based supervisory information system：research and application[J]． Thermal Power Generation， 2014， 43( 2)： 104- 108． doi: 10.3969/j.issn.1002-3364.2014.02.104
20	赵洪生．电厂厂级监控信息系统的实现方案与应用研究[D]．保定：华北电力大学， 2006．
	ZHAO H S ． Design and application on the supervisory information system of plant level in power plant[D]． Baoding： North China Electric Power University， 2006．
21	王迪，高树论，蔡晓晰，等．基于Canvas长连接浏览器播放H.265码流视频的应用研究[J]．工业控制计算机， 2021， 34( 8)： 99- 100．
	WANG D， GAO S L， CAI X X， et al ． Based on canvas long connection browser on playing H.265 stream video application research[J]． Industrial Control Computer， 2021， 34( 8)： 99- 100．

[1]	陈晓峰, 左川, 赵宁, 黄凯, 王惠杰. 集成蓄热装置的火电机组调峰特性分析[J]. 发电技术, 2024, 45(3): 392-400.
[2]	王放放, 杨鹏威, 赵光金, 李琦, 刘晓娜, 马双忱. 新型电力系统下火电机组灵活性运行技术发展及挑战[J]. 发电技术, 2024, 45(2): 189-198.
[3]	张思海, 李超然, 万广亮, 刘印学, 徐海楠, 黄中, 杨海瑞. 330 MW 循环流化床锅炉深度调峰技术[J]. 发电技术, 2024, 45(2): 199-206.
[4]	郑淇薇, 王华霆, 陈衡, 潘佩媛, 徐钢. 深度调峰背景下火电机组热电解耦技术路径对比分析[J]. 发电技术, 2024, 45(2): 207-215.
[5]	贾志军, 范伟, 任少君, 魏唐斌. 600 MW亚临界机组长时间深度调峰燃烧稳定性研究[J]. 发电技术, 2024, 45(2): 216-225.
[6]	李展, 杨振勇, 刘磊, 陈振山, 季卫鸣, 洪烽. 火电机组深度调峰工况下炉侧蓄热系数对一次调频能力的影响分析[J]. 发电技术, 2024, 45(2): 226-232.
[7]	杨正, 孙亦鹏, 温志强, 程亮, 李战国. 深度调峰工况下超临界机组的干湿态转换策略研究[J]. 发电技术, 2024, 45(2): 233-239.
[8]	蒋海威, 高明明, 李杰, 于浩洋, 岳光溪, 黄中. 生物质振动炉排炉燃烧过程建模及动态特性分析[J]. 发电技术, 2024, 45(2): 250-259.
[9]	邵宜祥, 刘剑, 胡丽萍, 过亮, 方渊, 李睿. 一种改进组合神经网络的超短期风速预测方法研究[J]. 发电技术, 2024, 45(2): 323-330.
[10]	李延兵, 贾树旺, 张军亮, 符悦, 刘明, 严俊杰. 汽轮机高位布置超超临界燃煤发电系统变工况㶲经济性分析[J]. 发电技术, 2024, 45(1): 69-78.
[11]	贾晓强, 杨永标, 杜姣, 甘海庆, 杨楠. 气候变化条件下基于智能预测模型的虚拟电厂不确定性运行优化研究[J]. 发电技术, 2023, 44(6): 790-799.
[12]	苏靖程, 王志强, 屈江江, 张凯. 基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测[J]. 发电技术, 2023, 44(4): 550-556.
[13]	张全斌, 周琼芳. 基于“双碳”目标的中国火力发电技术发展路径研究[J]. 发电技术, 2023, 44(2): 143-154.
[14]	阮存钦, 洪志刚, 赖培灿, 张建华, 林锡昆, 周江, 冯前伟, 张杨. 基于在线监测数据的燃煤电厂脱硝装置性能预测研究[J]. 发电技术, 2023, 44(1): 100-106.
[15]	张航, 周传杰, 张林, 陈节涛, 徐春梅, 彭道刚. 基于概率神经网络-小波神经网络-DS信息融合的电厂引风机故障诊断[J]. 发电技术, 2022, 43(6): 951-958.

基于大数据分析的火电机组引风机故障预警研究

Study on Induced Draft Fan Fault Warning of Thermal Power Unit Based on Big Data Analysis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 12

参考文献 21

相关文章 15

编辑推荐

Metrics