面向单测点氢气压力序列的多尺度自标定 自然放气异常检测方法

李 广奇1, 史 恒惠1, 曹 洁2
1、国家电投集团河南电力有限公司技术信息中心
2、国家电投集团河南电力有限公司沁阳发电分公司

摘要


火电机组发电机普遍使用氢气作冷却介质,密封系统长时间运行后不可避免地会有轻微泄漏。日常适度的
自然放气现象属于设备允许范围,可以通过定期补氢来维持稳定运行。当泄漏速度出现偏离正常趋势加快的情况时,
通常意味着密封部件磨损、阀体松动或者管路异常,如果不及时发现,会造成氢气消耗增加、机组效率降低,甚至
产生设备安全风险。因此,建立一套可以对氢气压力下降过程进行实时监测、提前发现加速泄漏趋势的方法具有十
分重要的意义。本文以火电厂运行现场采集到的单测点氢气压力序列为研究对象,提出一种结合多尺度分析与自标
定机制的自然放气趋势异常检测方法。对压力数据实施多尺度特征提取,采用自适应基线标定法,创建以LSTM为
基础的预测模型,用预测偏差变化率来判定异常泄漏趋势。从实验结果可知,本方法可以实现泄漏加速初期的预警,
为设备检修调度提供可靠的依据。

关键词


氢气压力;自然放气;异常检测;多尺度分析;自标定机制

全文:

PDF


参考


[1]刘玮,董斌琦,刘子龙,等 . 加氢站氢气压缩

机技术装备开发进展 [J]. 装备制造技术,2021,(12):

246-250.

[2]肖怀秋,刘洪波,李玉珍.试验数据处理与试

验设计方法[M].北京:化学工业出版社,2024,(06):

242-245.

[3]Bontemps, L., McDermott, J., & Sebag, M. (2016).

Collective anomaly detection based on long short-term

memory recurrent neural networks. ECML-PKDD.

[4]Filonov, P., Lavrentyev, A., & Vorontsov, A. (2016).

Multivariate industrial time series with anomalies. arXiv

preprint arXiv:1608.06154.

[5]Hochreiter, S., & Schmidhuber, J. (1997). Long

short-term memory. Neural Computation, 9(8), 1735-1780.




DOI: http://dx.doi.org/10.12361/2661-3654-07-12-154988

Refbacks

  • 当前没有refback。