[发明专利]一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法

权利要求书

1.一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，所述四管包括水冷壁、过热器、再热器和省煤器，该方法包括：

步骤1，采集第一预设时间段内预先确定的基于数据建模分析四管泄漏至少一个因子的样本数据，以及第二预设时间段内用于预警分析每个所述因子的实时数据；

步骤2，根据所述因子的样本数据训练构建每个因子的大数据模型；

步骤3，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值；

步骤4，计算每个因子实时数据与模型值的偏差；

步骤5，综合多个因子的所述偏差进行四管泄漏故障预警。

2.根据权利要求1所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，步骤1中，所述第一预设时间段早于所述第二预设时间段。

3.根据权利要求1所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，步骤2中，根据所述因子的样本数据训练构建每个因子的大数据模型包括：根据对应因子样本数据特征选择合适的大数据算法；以及通过限值、包络线和人工分析方法筛除样本数据中的不良数据，而后训练构建对应因子的大数据模型。

4.根据权利要求3所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，所述因子包括以下至少一者：锅炉给水流量、总减温水流量、主蒸汽流量、主蒸汽压力、主蒸汽温度、再热蒸汽流量、再热蒸汽压力、再热蒸汽温度、炉膛负压、引风机电流、换热器进出口烟气温度、水冷壁金属壁温、过热器金属壁温、再热器金属壁温和省煤器金属壁温。

5.根据权利要求3所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，对每个因子的大数据模型进行评估，评估指标包括模型诊出率以及模型误诊率，根据评估指标结果，获取每个因子诊出率高、误诊率低的大数据模型，所述根据评估指标结果，获取每个因子诊出率高、误诊率低的大数据模型指：所述因子的大数据模型在一定故障幅值下模型诊出率大于98％，模型误诊率小于2％时认为模型诊出率高、误诊率低。

6.根据权利要求3所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，所述对每个因子的大数据模型进行评估，评估指标包括模型诊出率以及模型误诊率指：随机抓取预定数量所述因子用于数据建模的样本数据，将作为每个因子对应大数据模型输出的参数依次分别加减预定的故障幅值作为对应因子大数据模型的评估样本，基于评估样本的T²统计量、SPE统计量以及对应统计量的控制限获取模型诊出率以及模型误诊率。

7.根据权利要求6所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，所述故障幅值指：为生成所述因子大数据模型的评估样本，随机抓取预定数量所述因子用于建模的样本数据，在对应模型输出参数的基础上加减了设定的量，这个量的大小即为故障幅值；故障幅值预设为所述因子样本数据中最大值与最小值差的百分十五，或者根据需要增大或者减小故障幅值。

8.根据权利要求3所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，根据所述因子样本数据特征选用适配的大数据算法，所述样本数据特征包括：线性良好数据、非线性数据、分段线性良好数据；所述大数据算法包括以下三种：主成分分析算法、神经网络算法以及高斯混合模型算法。

9.根据权利要求1所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，步骤3中，将作为所述因子大数据模型输入参数的实时数据代入对应因子的大数据模型，获取所述因子对应的模型值指：使第二预设时间段内每个所述因子大数据模型输入参数的实时数据流代入对应因子的大数据模型，计算获取每个因子在第二预设时间段内的模型值流。

10.根据权利要求1所述的一种基于大数据算法预警火电厂锅炉四管泄漏故障的方法，其特征在于，步骤4中，所述综合多个因子的所述偏差进行四管泄漏故障预警包括：将每个因子的所述偏差与每个因子预设的预警区间进行比较；综合多个因子所述偏差越过预警区间的情况进行泄漏预警；其中，所述预警区间基于以下方法确定：随机抓取预定数量所述因子用于数据建模的样本数据，将每个因子对应大数据模型输出的参数依次分别加减预定的故障幅值作为对应因子大数据模型的评估样本，而后将评估样本代入对应因子的大数据模型，通过迭代方法获取满足模型指标的最小故障幅值；基于正最小故障幅值以及负最小故障幅值限定所述预警区间。