CN107588937B - 一种水力发电机组设备健康分析方法 - Google Patents
一种水力发电机组设备健康分析方法 Download PDFInfo
- Publication number
- CN107588937B CN107588937B CN201710795879.7A CN201710795879A CN107588937B CN 107588937 B CN107588937 B CN 107588937B CN 201710795879 A CN201710795879 A CN 201710795879A CN 107588937 B CN107588937 B CN 107588937B
- Authority
- CN
- China
- Prior art keywords
- value
- monitor
- detection data
- formula
- hydro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种水力发电机组设备健康分析方法,所述方法包括:获取水力发电机组设备的检测数据,根据所述检测数据计算得到监测值,将监测值录入监测数据库中,并将监测值通过神经网络自动寻优后录入最优状态数据库中;利用神经网络自动寻优模型将监测数据库中的监测值转化为实时综合指数;将实时综合指数与最优状态数据库进行对比得到运行状态的最优值,根据最优值计算设备部件健康指数;根据设备部件健康指数得到机组健康指数,实现对水力发电机组设备的健康分析。本发明在可以综合监测水力发电机组整体运行状态,方便监测人员监测,减少了监测人员需要同时监测多个指标所花费的时间与精力。
Description
技术领域
本发明涉及水力发电设备技术领域,具体涉及一种水力发电机组设备健康分析方法。
背景技术
由于水力发电机组设备构成复杂,且外在影响因素很多,所以很难用一个综合指标对设备运行的总体状态进行监测。现行水力发电机组设备运行监测系统多为对单个指标进行监测,监测人员需要对水力发电机组所有监测指标轮流进行监测,耗费监测人员大量精力。
同时,由于水力发电机组会在各种不同的工况下进行工作,每一种工况下,运行效率不同、设置参数不同,很难确定水电发电机组运行的状态如何。
发明内容
本发明所要解决的技术问题是提供一种水力发电机组设备健康分析方法,检测水电机组的运行状态。
本发明解决上述技术问题的技术方案如下:一种水力发电机组设备健康分析方法,包括以下步骤:
S1、获取水力发电机组设备的检测数据,根据所述检测数据计算得到监测值,将监测值录入监测数据库中,并将监测值通过神经网络自动寻优后录入最优状态数据库中;
S2、利用神经网络自动寻优模型将监测数据库中的监测值转化为实时综合指数;
S3、将实时综合指数与最优状态数据库进行对比得到运行状态的最优值,根据最优值计算设备部件健康指数;
S4、根据设备部件健康指数得到机组健康指数,实现对水力发电机组设备的健康分析。
本发明的有益效果是:本发明利用利用了归一化算法、傅里叶变形算法、主成分分析、机器学习等多种算法,将不同维度、不同单位的相关数据有机的结合在一块,并且利用设备运行最优值取值与时间序列预测分别绘制设备在不同工况下的最佳运行状态,本发明在可以综合监测水力发电机组整体运行状态,方便监测人员监测,减少了监测人员需要同时监测多个指标所花费的时间与精力,同时,本发明还帮助水力发电厂寻找不同工况下的最优状态,帮助他们提升效率,实现经济最优状态。
附图说明
图1为本发明方法流程图;
图2为本发明步骤S1的分步骤流程图;
图3为本发明步骤S3的分步骤流程图;
图4为本发明步骤S4的分步骤流程图;
图5为本发明步骤S43的机组健康指数曲线图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的具体实施例为:如图1所示,一种水力发电机组设备健康分析方法,包括以下步骤S1-S4:
S1、获取水力发电机组设备的检测数据,根据所述检测数据计算得到监测值,将监测值录入监测数据库中,并将监测值通过神经网络自动寻优后录入最优状态数据库中。
所述检测数据包括振动检测数据,温度检测数据和压力检测数据,所述监测值包括振动监测值、温度监测值和压力监测值。
如图2所示,步骤S1具体包括以下分步骤S11-S15:
S11、根据公式(1),利用振动检测数据计算得到振动监测值f(x);
式中a0为振动额定参数,an为振动检测数据低频分量的振幅,bn为振动检测数据高频分量的振幅,n为周期数,t为每一周期时间,T为总时间,x为振动检测数据;
S12、根据公式(2),利用温度检测数据计算得到温度监测值g(y);
式中Wf为线圈每极匝数,2P为水轮机极数,af为铜线厚度,Lαf为铜线缠绕长度,If为励磁电流,Rf为励磁绕组直流电阻,y为温度检测数据;
S13、根据公式(3),利用压力检测数据计算得到压力监测值w(z);
式中α为阻力系数,n为脉动周期,ρ0为液体密度,l为管道长度,C为液体流量,z为压力检测数据;
S14、将振动监测值、温度监测值和压力监测值录入监测数据库中;
S15、根据公式(4),将振动监测值、温度监测值和压力监测值通过神经网络自动寻优后录入最优状态数据库中;
式中Wij为随机权重,θi为随机参数,Pi为预设变量,xi为用于训练的监测值,xi={f(x),g(y),w(z)}。
S2、利用神经网络自动寻优模型将监测数据库中的监测值转化为实时综合指数。
所述步骤S2的具体步骤为:根据公式(4),将监测数据库中超出95%置信区间的数据作为个别异常值去除,将监测值转化为实时综合指数。
S3、将实时综合指数与最优状态数据库进行对比得到运行状态的最优值,根据最优值计算设备部件健康指数。
如图3所示,步骤S3具体包括以下分步骤S31-S32:
S31、将实时综合指数与最优状态数据库进行对比,得到最优值p;
S32、根据公式(5),利用最优值p计算设备部件健康指数m;
式中p为最优值,n为实时综合指数。
S4、根据设备部件健康指数得到机组健康指数,实现对水力发电机组设备的健康分析。
如图4所示,步骤S4具体包括以下分步骤S41-S43:
S41、根据公式(6),利用设备部件健康参数计算设备健康指数;
式中p为变参量,q为距离系数,yi为设备部件健康参数,xi为用于训练的监测值,xi={f(x),g(y),w(z)};
S42、根据公式(6),利用设备健康指数计算机组健康指数;
S43、如图5所示,绘制机组健康指数曲线图,从机组健康指数曲线图中即可看出机组健康指数随时间变化的曲线图。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种水力发电机组设备健康分析方法,其特征在于,包括以下步骤:
S1、获取水力发电机组设备的检测数据,根据所述检测数据计算得到监测值,将监测值录入监测数据库中,并将监测值通过神经网络自动寻优后录入最优状态数据库中;
S2、利用神经网络自动寻优模型将监测数据库中的监测值转化为实时综合指数;
S3、将实时综合指数与最优状态数据库进行对比得到运行状态的最优值,根据最优值计算设备部件健康指数;
S4、根据设备部件健康指数得到机组健康指数,实现对水力发电机组设备的健康分析;
所述检测数据包括振动检测数据、温度检测数据和压力检测数据,所述监测值包括振动监测值、温度监测值和压力监测值;
所述步骤S1具体包括以下分步骤:
S11、根据公式(1),利用振动检测数据计算得到振动监测值f(x);
式中a0为振动额定参数,an为振动检测数据低频分量的振幅,bn为振动检测数据高频分量的振幅,n为周期数,t为每一周期时间,T为总时间,x为振动检测数据;
S12、根据公式(2),利用温度检测数据计算得到温度监测值g(y);
式中Wf为线圈每极匝数,2P为水轮机极数,αf为铜线厚度,Lαf为铜线缠绕长度,If为励磁电流,Rf为励磁绕组直流电阻,y为温度检测数据;
S13、根据公式(3),利用压力检测数据计算得到压力监测值w(z);
式中α为阻力系数,n为脉动周期,ρ0为液体密度,l为管道长度,C为液体流量,z为压力检测数据;
S14、将振动监测值、温度监测值和压力监测值录入监测数据库中;
S15、根据公式(4),将振动监测值、温度监测值和压力监测值通过神经网络自动寻优后录入最优状态数据库中;
式中Wij为随机权重,θi为随机参数,Pi为预设变量,xi为用于训练的监测值,xi={f(x),g(y),w(z)}。
2.根据权利要求1所述的水力发电机组设备健康分析方法,其特征在于,所述步骤S2的具体步骤为:根据公式(4),将监测数据库中超出95%置信区间的数据作为个别异常值去除,将监测值转化为实时综合指数。
3.根据权利要求2所述的水力发电机组设备健康分析方法,其特征在于,所述步骤S3具体包括以下分步骤:
S31、将实时综合指数与最优状态数据库进行对比,得到最优值p;
S32、根据公式(5),利用最优值p计算设备部件健康指数m;
式中p为最优值,n为实时综合指数。
4.根据权利要求3所述的水力发电机组设备健康分析方法,其特征在于,所述步骤S4具体包括以下分步骤:
S41、根据公式(6),利用设备部件健康参数计算设备健康指数;
式中p为变参量,q为距离系数,yi为设备部件健康参数,xi为用于训练的监测值,xi={f(x),g(y),w(z)};
S42、根据公式(6),利用设备健康指数计算机组健康指数;
S43、绘制机组健康指数曲线图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710795879.7A CN107588937B (zh) | 2017-09-06 | 2017-09-06 | 一种水力发电机组设备健康分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710795879.7A CN107588937B (zh) | 2017-09-06 | 2017-09-06 | 一种水力发电机组设备健康分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107588937A CN107588937A (zh) | 2018-01-16 |
CN107588937B true CN107588937B (zh) | 2019-11-05 |
Family
ID=61051268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710795879.7A Active CN107588937B (zh) | 2017-09-06 | 2017-09-06 | 一种水力发电机组设备健康分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107588937B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108981796B (zh) * | 2018-06-06 | 2020-11-03 | 江苏大学 | 一种五位一体水力机械故障诊断方法 |
CN112085344A (zh) * | 2020-08-17 | 2020-12-15 | 远光软件股份有限公司 | 一种设备健康的分析方法、装置及电子设备 |
CN113970432B (zh) * | 2021-10-26 | 2024-04-09 | 哈尔滨电机厂有限责任公司 | 一种大型水力机械能量转换部件重度损坏的检测方法 |
CN116047988A (zh) * | 2023-03-31 | 2023-05-02 | 成都大汇物联科技有限公司 | 基于物联网的水电站远程管控系统、方法及终端 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN104596574A (zh) * | 2014-12-08 | 2015-05-06 | 哈动国家水力发电设备工程技术研究中心有限公司 | 大型水力发电设备远程诊断服务平台装置 |
CN105160489A (zh) * | 2015-09-28 | 2015-12-16 | 国家电网公司 | 一种水电机组变权劣化评估系统及评估方法 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN106092190A (zh) * | 2016-06-02 | 2016-11-09 | 国家电网公司 | 抽水蓄能机组运行稳定性状态劣化预警方法及系统 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7660774B2 (en) * | 2005-05-31 | 2010-02-09 | Honeywell International Inc. | Nonlinear neural network fault detection system and method |
-
2017
- 2017-09-06 CN CN201710795879.7A patent/CN107588937B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN103323772A (zh) * | 2012-03-21 | 2013-09-25 | 北京光耀能源技术股份有限公司 | 基于神经网络模型的风力发电机运行状态分析方法 |
CN103048137A (zh) * | 2012-12-20 | 2013-04-17 | 北京航空航天大学 | 一种变工况下的滚动轴承故障诊断方法 |
CN103177288A (zh) * | 2013-03-05 | 2013-06-26 | 辽宁省电力有限公司鞍山供电公司 | 基于遗传算法优化神经网络的变压器故障诊断方法 |
CN104596574A (zh) * | 2014-12-08 | 2015-05-06 | 哈动国家水力发电设备工程技术研究中心有限公司 | 大型水力发电设备远程诊断服务平台装置 |
CN105160489A (zh) * | 2015-09-28 | 2015-12-16 | 国家电网公司 | 一种水电机组变权劣化评估系统及评估方法 |
CN106092190A (zh) * | 2016-06-02 | 2016-11-09 | 国家电网公司 | 抽水蓄能机组运行稳定性状态劣化预警方法及系统 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN106628097A (zh) * | 2016-11-22 | 2017-05-10 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN106932196A (zh) * | 2017-03-10 | 2017-07-07 | 华北电力大学 | 一种风机齿轮箱故障诊断模型建立方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于多小波和PSO-RBF神经网络的水电机组振动故障诊断;李辉 等;《西北农林科技大学学报(自然科学版)》;20170228;第45卷(第2期);第227-234页 * |
瀑布沟水电站测温回路故障浅析;刘芬香 等;《水电站机电技术》;20101231;第33卷(第6期);第86-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107588937A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107588937B (zh) | 一种水力发电机组设备健康分析方法 | |
CN104066978B (zh) | 具有实时风速测量的风场 | |
Biswal et al. | Design and development of a wind turbine test rig for condition monitoring studies | |
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN104976139A (zh) | 一种基于高斯模型的机械设备状态诊断方法 | |
CN102787976B (zh) | 用于风力涡轮机场的动态规则引擎的方法及系统 | |
CN103176128A (zh) | 一种风力发电机组状态预报及智能故障诊断方法及系统 | |
CN103940611B (zh) | 一种风电机组变工况下滚动轴承自适应异常检测方法 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
CN103925155B (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
CN103955601B (zh) | 一种水轮机尾水管动态特征的提取方法 | |
CN109002026B (zh) | 一种水电机组全工况综合参数退化趋势分析方法 | |
CN101871448B (zh) | 一种泵站水泵特性曲线确定方法及系统 | |
CN104036073A (zh) | 适于有功功率特性分析的双馈风电场动态等值建模方法 | |
CN110714869A (zh) | 一种转子的中心偏移量检测方法、装置、存储介质和设备 | |
CN102901890B (zh) | 变压器经济运行在线判别方法 | |
CN104050379A (zh) | 一种基于arma模型的海洋波浪波高预测方法 | |
CN105891625A (zh) | 基于能量流的电力系统次同步振荡扰动源辨别方法 | |
CN107607321B (zh) | 一种设备故障精确定位方法 | |
CN103926079A (zh) | 一种混流式水电机组出力异常检测方法 | |
CN106126949A (zh) | 一种汽轮发电机运行状态评估方法 | |
CN110687447B (zh) | 一种定子铁芯松动的诊断方法、装置、存储介质及设备 | |
CN104897277B (zh) | 一种基于双谱熵的风力发电机组故障诊断方法 | |
CN110838725A (zh) | 一种风电场闭环pi控制器参数整定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |