引言“双碳”背景下，电力行业对节能、安全、环保的内生需求不断增加。数字化转型使传统的生产模式突破产业固有壁垒，实现系统能效的优化提升。通过数字化、智能化技术手段实现了稳定供应侧和需求侧的波动平衡，也能完成电力行业产业链的智能驱动。但是针对存在污染、生产安全系数低的燃煤发电生产流程，目前仍然需要新技术、新手段进行生产革新，尤其是在化学环保专业。尿素水解系统是脱硝系统的重要组成部分。该系统通过尿素水解制氨工艺制备脱硝还原剂，用以吸收NOx污染物。但是尿素水解系统生产流程及机理复杂，会出现尿素溶液污染除盐水、氨气带水、伴热管道效果差、喷氨管道堵塞等故障，极大地影响脱硝系统对污染物的处理能力。尿素水解系统故障[1]包括：反应过程中产生的还原剂混合器冷凝结晶结垢、腐蚀、堵塞导致的阀门故障；尿素溶液浓度低、蒸汽疏水阀故障导致的水解器负荷过高故障；蒸汽疏水压力控制阀门打开或蒸汽饱和器故障造成的水解压力过高等[2-3]。针对上述问题，文中提出基于多元状态估计的尿素水解预警诊断系统，根据尿素水解系统工艺构建预警流程；针对多元状态估计技术进行改进，消除相关性测点相互影响的问题。1算法原理采用多元状态估计算法，通过系统实时状态数据和系统历史正常运行数据相似性比较得出实时预警结果，是一种非线性多元预警技术[4]。针对某一系统的历史正常运行工况，构建训练数据集Xobs。系统某一时刻i(i≤m)的正常工况数据为Xobsi=x1, x2, ⋯, xn。针对数据集Xobs进行抽样，构建记忆矩阵Dm×n，n为系统观测特征，m为抽样的历史工况数。利用记忆矩阵计算插值矩阵。Dm×n⊗Dm×nT (1)式中：⊗——非线性算子，⊗X,Y=∑i=1nxi-yi2。在插值矩阵的基础上计算相似性权重矩阵ω。ω=Dm×n⊗Dm×nT-1⋅Dm×n⊗Xobs (2)根据相似性权重矩阵计算数据集Xobs的评估值Xest，并输出残差矩阵ε。Xest=ω⋅Dm×n (3)ε=Xest-Xobs (4)在实时状态估计中，利用记忆矩阵以及插值矩阵结合系统的实时状态数据预测实时值，并与实际值进行比较，估计系统的状态。2尿素制备水解系统建模2.1尿素制备水解系统工艺流程对尿素制备水解系统进行工艺分解，将其划分为尿素制备子系统与尿素水解子系统，尿素制备子系统用于制备尿素溶液，尿素水解子系统用于供应氨气。尿素制备水解系统的工艺流程如图1所示[5]。在尿素制备子系统中，利用除盐水溶解稀释尿素溶液，并将制备好的尿素溶液输送至供给泵供尿素水解子系统使用；尿素溶液供给泵将尿素溶液供给至存储罐，存储罐中的尿素溶液经过雾化喷嘴及水解器得到氨气，将得到的氨气输送至脱硝系统。10.3969/j.issn.1004-7948.2023.10.019.F001图1尿素制备水解系统工艺流程2.2尿素制备水解系统预警建模流程基于多元状态估计算法原理，结合尿素制备水解系统工艺流程，制定尿素制备水解系统预警模型，如图2所示。尿素制备水解系统预警模型分为历史数据训练和实时预警两个部分。10.3969/j.issn.1004-7948.2023.10.019.F002图2尿素制备水解系统预警模型历史数据训练部分步骤如下：确定尿素制备水解系统的运行特征，并对相关特征的正常历史工况数据进行采集，得到训练数据集；利用相关规则在训练数据集中抽取记忆矩阵；利用已构建的训练矩阵结合多元状态估计原理，计算相似性权重矩阵并保存，同时计算训练数据集的评估值；计算训练数据评估值与实际值的残差，并基于相关规则计算健康残差的残差阈值。实时预警部分的阈值如下：获取尿素制备水解系统当前运行特征的实时值；结合训练部分所构建的记忆矩阵及相似性权重矩阵计算实时工况数据的评估值；计算实时工况特征评估值与实际值的残差，并同健康残差的残差阈值进行比较，判断是否预警。3预警算法实施与验证3.1模型设计针对尿素水解系统进行预警诊断，首先需要确定尿素水解系统进行多元状态估计建模涉及的相关特征参数，包括尿素水解器温度、尿素水解器液位、尿素水解器入口尿素溶液压力等。本实验采用临江某电厂的生产数据进行模型构建，从2021年10月1日至2022年10月1日采集18个特征的历史特征值，采样频率为10 min，共计52 560条数据，将采集到的数据作为多元状态估计算法模型的训练数据。采集2022年10月1日至2022年11月1日近一个月的数据，采样频率为10 min，作为实验的测试数据，验证算法计算结果是否能够正确地跟踪实时数据的变化趋势。3.2模型残差阈值统计对于训练数据集，首先进行数据清洗，根据设备启停条件以及运行规程，删除训练集中设备关机、故障情况下和特征值超限情况下的数据，确保训练集中的数据均是设备健康工况下产生的数据。将清洗后的数据进行归一化处理，由于各特征的量纲不一致，在模型训练前进行归一化处理。针对预处理后的数据集进行抽样，构建多元状态估计计算所需的工况矩阵Dm×n，计算各数据的欧几里得范数，从小到大排序，按一定间隔进行抽样，确保构建的工况矩阵包含设备大部分健康工况下的生产数据。本实验中，m=3 000，n=18。利用已构建的工况矩阵结合多元状态估计原理，计算训练数据的评估值与实际值的残差，各特征训练出的残差如表1所示。10.3969/j.issn.1004-7948.2023.10.019.T001表1各特征训练出的残差序号特征参数上阈值残差下阈值残差11#炉尿素水解器温度/℃3.5-5.921#炉尿素水解器液位/m0.100-0.034续表1　各特征训练出的残差10.3969/j.issn.1004-7948.2023.10.019.T002序号特征参数上阈值残差下阈值残差31#炉尿素水解器入口尿素溶液压力/MPa0.090-0.03842#炉尿素水解器液位/m0.053-0.07452#炉尿素水解温度/℃3.6-6.562#炉尿素水解器入口尿素溶液压力/MPa0.070-0.11073#尿素水解反应器入口压力/MPa0.31-0.6983#尿素水解反应器液位/m0.28-0.6694#尿素水解反应器入口压力/MPa0.28-0.30104#尿素水解反应器液位/m0.23-0.38115#尿素水解反应器入口压力/MPa0.004 4-0.003 8125#尿素水解反应器液位/m0.005 5-0.003 9135#尿素水解器温度/℃0.003-0.003146#尿素水解反应器液位/m0.004 9-0.005 815尿素水解车间废水池液位/m115.01-266.7616尿素水解车间疏水箱温度/℃4.57-8.3117尿素水解车间疏水箱液位/m235.37-286.5918至尿素水解车间疏水箱除盐水流量/(kg/m3)27.11-1.793.3实验结果分析将测试集一个月的数据结合训练部分所构建的记忆矩阵Dm×n计算相应的评估值，并利用训练得出的残差构建报警阈值带。观察各特征值是否落于报警阈值带，若特征的实时值落于报警阈值带且趋势一致，则说明尿素水解系统正常；若特征的实时值长时间偏离阈值带，则表明该特征出现异常，须对尿素水解系统相关异常设备进行问题排查。针对1#炉尿素水解器温度、1#炉尿素水解器液位两个设备重要特征进行观察，结果如图3和图4所示。10.3969/j.issn.1004-7948.2023.10.019.F003图31#炉尿素水解器温度10.3969/j.issn.1004-7948.2023.10.019.F004图41#炉尿素水解器液位温度特征数值波动范围较大，阈值带较宽；液位特征数值比较平稳，阈值带较窄。多元状态估计算法计算得到的预估值与实时值在数值上基本吻合，实时值全部落于报警阈值带的范围内，且两者的变化趋势相一致。通过实验测试验证，在2022年10月1日至2022年11月1日，尿素水解系统处于正常运行状态。4结语文中提出一种尿素水解系统预警算法，该算法根据多元状态估计技术，对设备历史情况进行数据挖掘，形成记忆矩阵，并完成对尿素水解系统实时数据的异常预警与故障诊断。经实验验证，该算法能够快速实现设备状态估计，构建有效的预警机制。