آشكار سازي زود هنگام خطا در وضعيت گذراي زير مجموعه بخار نيروگاهي با استفاده از ماشين بردار پشتيبان

Early fault detection in transient conditions for a steam power plant subsystem using support vector machine

در اين تحقيق، استفاده از ماشين بردار پشتيبان SVM به منظور آشكارسازي زودهنگام عيب افزايش سطح مخزن راه‌انداز در شرايط تغيير بار يك بويلر يك گذر نوع بنسون ارائه شده است. افزايش سطح مخزن راه‌اندازي به دليل به هم خوردن شرايط حرارتي بويلر بخصوص هنگام كاهش توان كاري واحد بخار رخ مي‌دهد. براي اين منظور، ابتدا عوامل موثر در افزايش سطح مخزن راه‌انداز با توجه به داده‌هاي تجربي بدست آمده از يك واحد نيروگاهي شناسايي شده، سپس با انتخاب ويژگي مناسب ابعاد ورودي كاهش يافته است. نتايج تجربي نشان مي‌دهد كه تغيير دماي ديواره‌ها مي تواند به عنوان بهترين شاخصه افت كيفيت بخار در نظر گرفته شود. با مقايسه ويژگي‌هاي استخراجي در شرايط سالم و ناسالم، مدل مناسبي از خطا با استفاده از ماشين بردار پشتيبان با تابع پايه شعاعي (RBF) به عنوان هسته آن، تهيه شده است. عملكرد سيستم آشكارساز خطا بر اساس داده‌هاي وقوع دو عيب مشابه در دو بازه زماني متفاوت از يك واحد بخار نيروگاه بخار بررسي شده است. نتايج حاصل، دقت و قابليت روش پيشنهادي براي كشف زودهنگام شرايط كاركرد ناسالم در وضعيت تغيير بار واحد را نشان مي‌دهد. مزيت روش پيشنهادي، ممانعت از ايجاد آلارم‌هاي كاذب در بويلرهاي نيروگاهي در شرايط تغيير بار است.

In this study, an application of support vector machine (SVM) for early fault detection in a Benson type once-through boiler is presented. Thermal conditions disruption inside the boiler during load changes is the main reason for level changes of the start-up vessel. Because of complexity of the system’s dynamics, first the effective variables on increasing the level of start-up vessel were identified based on experimental data from a power plant unit. Then, the dimension of input variables was reduced by selecting appropriate features. Experimental results show that the hotwell surfaces’ temperature could be considered as the most appropriate indicator for steam quality deterioration. By comparing the extracted features from healthy and unhealthy conditions, appropriate fault model was developed using SVM with radial basis function (RBF) as the kernel. The performance of fault detection system was evaluated with respect to the similar faults at two different time periods that happen in a steam power plant. The obtained results show the accuracy and feasibility of the proposed approach in early detection of faults during the unit’s load variations. Advantage of the proposed technique is the prevention of false alarm in power plants’ boilers as load changes.