电厂辅机指电厂生产辅助设备,是构成电厂设备的重要组成部分,其运行状态直接影响着电厂的经济性与安全性。随着信息技术的发展,电厂采集掌握大量的设备运行数据,研究如何高效的利用这些数据资源是进一步提高电站管理水平,降低发电成本的有效途径。本文立足电厂大量历史运行数据,通过数据挖掘的方式研究电站辅机设备的异常状态识别方法,主要研究工作与成果总结如下:(1)建立了基于Matlab/Simulink仿真平台的高压加热器仿真模型、凝汽器仿真模型,分别模拟了高压加热器正常运行状态与管内漏水故障状态及凝汽器正常运行状态与因冷却管脏污引起的传热恶化故障状态。通过分析不同程度故障下的高压加热器给水出口温度、凝汽器真空度等参数的响应曲线,发现仿真曲线趋势正确,仿真模型动态响应良好。将正常运行状态仿真值与真实运行值对比发现,仿真模型得到的正常运行状态仿真值与真实值一致性较好。仿真数据可以作为预测建模方法的数据基础。(2)提出了基于K-means聚类的多元回归预测模型算法。该算法利用轮廓系数完成了聚类数优化问题。基于正常运行仿真数据的聚类结果,建立高压加热器给水出口温度预测模型、凝汽器真空度预测模型。通过预测值与仿真值误差分析,发现预测模型预测精度较好,可以为预警系统提供可靠的正常运行状态基准值的预测值。(3)提出了基于滑动窗口的异常状态统计报警方法。该方法首先通过K-means分类器,将实时数据归入相应的状态类,通过对应预测模型获得正常运行状态下评价指标基准值的预测值。分析预测值与仿真值的差值来判断设备状态。高压加热器与凝汽器预警结果显示,基于滑动窗口理论的预警方法能够及时发现异常运行状态,并减少了正常运行状态下的误报警,实现状态预警的目的。本文提出的电站辅机设备异常状态识别方法简单、有效,可操作性强,能够为电站辅机设备的检修提供科学的参考依据,具有良好的推广价值与应用前景。