CN109409668B - 基于数据挖掘的抽水蓄能机组故障关联关系分析方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法，借助数据挖掘技术中的关联规则提取关联关系，利用频繁模式增长算法对抽水蓄能机组故障数据记录进行分析，依据电站运行记录与巡检记录，依据不同故障类型构建不同故障状态样本数据库，挖掘满足预先指定的最小支持度与置信度的关联关系，获得不同故障下的机组典型关联关系，为电站运维人员提供指导意义。

Description

基于数据挖掘的抽水蓄能机组故障关联关系分析方法

技术领域

本发明属于水力发电机组故障关联关系分析领域，更具体地，涉及一种基于数据挖掘的抽水蓄能机组的故障关联关系分析方法。

背景技术

抽水蓄能电站在电力系统中具有不可替代的作用，尤其在绿色能源大发展的背景下，更需发挥抽水蓄能电站调峰填谷、调频调相、事故备用等快速响应的作用，以提高电网供电质量和电网灵活性及可靠性。然而，由于抽水蓄能机组运行工况复杂、启动频繁，水力、机械和电磁因素相互耦合，造成机组故障原因繁杂。同时随着存储技术的进步，包含着机组运行故障特征与参数的机组海量数据得以保存。然而，利用传统技术，无法有效处理大量信息，发现机组故障与运行状态间的关联关系。因此，利用数据挖掘技术，从这些含有大量噪声的数据中挖掘隐含的知识，寻找机组故障类型与水头、振动、温度等状态量间的关联规则，具有重要的研究价值。

关联规则挖掘作为数据挖掘技术中一种重要方法，因能发现隐藏在海量数据中的有关联关系有价值的数据模式，对决策的生成具有重要的实用价值而备受关注，主要用在商业智能解决方案体系中，在目前的电网故障诊断研究中应用不多。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法，由此解决传统的Apriori算法的应用中可能存在特征的维数爆炸的技术问题。

为实现上述目的，本发明提供了一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法，包括：

根据抽蓄机组运行监测记录，获取不同工况不同故障的发生时刻与故障特征；

根据故障发生时刻提取抽蓄机组所有运行数据，依据参数报警上下限对所述运行数据进行参数离散化，并与所述故障特征进行组合获得机组故障数据事务集；

采用频繁模式增长法挖掘所述机组故障数据事务集，直至得到单枝频繁树上所有项集，根据得到的单枝频繁树上所有项集确定抽水蓄能机组故障关联关系。

优选地，所述依据参数报警上下限对所述运行数据进行参数离散化，包括：

对于抽蓄机组的运行开关量，若在故障时间内出现过相应报警信号或所述运行开关量由0变为1，则将所述运行开关量离散为1；

对于抽蓄机组的运行模拟量，判断所述运行模拟量在故障时间内是否有越限行为，若超出参数运行上限，则将所述运行模拟量离散为1，若低于参数运行下限，则将所述运行模拟量离散为-1。

优选地，所述采用频繁模式增长法挖掘所述机组故障数据事务集，直至得到单枝频繁树上所有项集，包括：

统计所述机组故障数据事务集中每项事务数据的支持度，按支持度降序排列，去掉不满足最小支持度的元素项后，形成头项表，之后再次遍历所述机组故障数据事务集，去掉每项事务数据中不满足最小支持度的元素项，同时对每项事务数据中的元素按支持度降序排列；

基于所述头项表中的元素次序创建根节点，将过滤重排后的机组故障数据事务集中的元素依次添加至所述根节点下，在添加节点的过程中，如果树中已存在相应节点，则将该节点的值加一，否则向树添加一个分支，得到频繁模式树；

对所述频繁模式树进行频繁项挖掘，直至得到单枝频繁树上所有项集。

优选地，所述对所述频繁模式树进行频繁项挖掘，直至得到单枝频繁树上所有项集，包括：

若所述频繁模式树为空或仅含单条路径，则返回该条路径上的所有节点组合作为频繁模式，且该频繁模式的支持度为各节点支持度计数最小值；

若所述频繁模式树不为空或不是单枝树，则构造一个空的条件模式，对于所述头项表中的每个项集，将该项集加入到所述条件模式中，并将所述条件模式的支持度计数记为新添加的项集的支持度，同时以从所述根节点到新添加的项集在所述频繁模式树下的所有路径作为前缀模式，以所述前缀模式与新添加的项集的值相关联后作为新添加的项集的条件模式基，将所述条件模式基视作新的目标机组故障数据事务集，根据所述新的目标机组故障数据事务集，构造所述条件模式基的条件频繁模式树，并对新构造的条件频繁模式树进行挖掘，重复执行上述频繁模式树的构造和挖掘操作，直至产生的条件频繁模式树为单枝树或空；

将最终得到的目标条件频繁模式树上所有节点与所述目标条件频繁模式树中的条件模式组合作为最终得到的目标频繁项集，其中，所述目标频繁项集的支持度为所述目标频繁项集中支持度计数最小值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明利用频繁模式增长算法挖掘满足最小支持度的关联规则，充分展示各客观因素对故障因素产生的影响程度，分析各故障的主要诱因，为机组安全运行及合理安排检修提供支撑。

2、本发明可以运用挖掘模型提取的科学规律对可能发生的故障进行预测，以提高维修质量和设备的可靠性，降低维修成本，提高机组的可利用率，显著提高抽水蓄能电站的经济效益。

附图说明

图1为本发明实施例提供的一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法的流程示意图；

图2为本发明实施例提供的一种抽水蓄能机组Apriori方法的流程示意图；

图3为本发明实施例提供的一种抽水蓄能机组频繁模式增长方法的频繁项的FP-树；

图4为本发明实施例提供的一种抽水蓄能机组基于FP-Growth算法构建模式树流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

抽水蓄能机组运行状态分析数据库汇集了电站水泵水轮机、调速系统、发电电动机及其励磁系统、球阀系统及主变系统的海量数据，由于数据的多源性和异构性，在传统的Apriori算法的应用中可能存在特征的维数爆炸问题，因此，需要研究针对非完备信息高效率挖掘方法。

本发明对抽水蓄能机组运行过程中的机组异常振动、异常停机等典型故障，通过清理电站实际生产管理资料与运检资料，获取不同工况不同故障的发生时刻与表现特征，根据故障发生时刻提取电站生产实时系统中对应时刻下的数据，依据不同阈值划分为不同离散值，并与故障特征组成一个频繁字段组合，最后利用频繁模式增长算法挖掘满足最小支持度与最小置信度的关联规则，充分展示各客观因素对故障因素产生的影响程度，分析各故障的主要诱因，从而指导电站运维人员检修维护。

为了完善抽水蓄能电站的关联关系分析体系，本发明提供了一种基于Apriori算法和频繁模式增长算法的抽水蓄能机组的关联关系分析方法，向运维人员提供全面、有效的故障因素信息，准确的诊断机组状态。

如图1所示为本发明实施例提供的一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法的流程示意图，在图1所示的方法中，包括：

(1)根据抽蓄机组运行监测记录，获取不同工况不同故障的发生时刻与故障特征；

(2)根据故障发生时刻提取抽蓄机组所有运行数据，依据参数报警上下限对运行数据进行参数离散化，并与故障特征进行组合获得机组故障数据事务集；

在本发明实施例中，机组故障数据事务集机组故障事务的集合，每条机组故障事务对应一个机组故障，包含机组在该故障发生时的所有运行数据离散化后的信息，如是否有油温报警信号、振摆是否越限等。

在本发明实施例中，由于抽水蓄能机组运行状态参数同时含有模拟量与开关量，为了适应关联规则挖掘只能处理离散量的特点，本发明实施例提供了如下参数离散化方式：

对于抽蓄机组的运行开关量，若在故障时间内出现过相应报警信号或运行开关量由0变为1，则将运行开关量离散为1；

对于抽蓄机组的运行模拟量，判断运行模拟量在故障时间内是否有越限行为，若超出参数运行上限，则将运行模拟量离散为1，若低于参数运行下限，则将运行模拟量离散为-1。

其中，参数运行上限及参数运行下限可以根据实际需要确定，本发明实施例不做唯一性限定。

(3)采用频繁模式增长法挖掘机组故障数据事务集，直至得到单枝频繁树上所有项集，根据得到的单枝频繁树上所有项集确定抽水蓄能机组故障关联关系。

图2为本发明实施例提供的一种抽水蓄能机组Apriori方法的流程示意图，包括以下步骤：

首先通过扫描建立的机组故障数据事务集，累计机组运行状态量的出现次数，并收集满足设定的最小支持度的状态项，先找出频繁1项集的集合，记为L1；然后，使用L1找出频繁2项集的集合L2，使用L2找出L3，每挖掘一层Lk就需要扫描整个机组故障数据事务集一遍。通过限制候选，用k项集搜索(k+1)项集来产生发现频繁项集，如此下去，直到不能再找到频繁k项集。

如图3所示为本发明实施例提供的一种抽水蓄能机组频繁模式增长算法的频繁项的FP-树，依据事务数据集构造FP-树，具体包括以下步骤：

根据抽水蓄能机组运行状态分析数据库和确定的最小支持度min_sup，构造FP-树。将机组故障数据事务集中的故障样本扫描一次，得到抽蓄机组关联状态量的频繁项的集合F，计算所有关联量的支持度，根据支持度的大小，对频繁项的集合F按支持度进行降序排序，得到频繁头项表L。根据L中的次序，创建FP-树根节点，然后将每个频繁项依次添加到FP-Tree的分枝上去得到FP-树。

图4所示为本发明实施例提供的一种抽水蓄能机基于FP-Growth算法构建模式树的流程示意图，即从FP-Tree提取频繁项集，FPGrowth(tree,α)具体实现步骤如下：

如果频繁模式树tree仅含单个路径P，那么对P上的所有节点(记做β)，产生频繁项集β∪α，该频繁项集支持度为β中节点的最小支持度，其中α为当前的条件模式；若频繁模式树tree不为空或不为单枝树，则根据tree的头项表中每个项集αi，产生新的条件模式β＝αi∪α，其中α为当前的条件模式，新的条件模式的支持度计数为αi的支持度，同时以该频繁模式树tree的根节点到节点αi的所有可能路径作为β的条件模式基，与构建频繁模式树类似，构建β的条件频繁模式树tree_β，若tree_β不为空，则递归调用FPGrowth(tree_β,β)。

为了验证本发明实施例所提方法的有效性，以某电站实际资料为对象，同时为了对抽水蓄能机组常见故障实现准确划分，将抽水蓄能机组故障分为水泵水轮机、调速器、发电机与励磁、主变、球阀五大子故障，依据上面的关联关系挖掘方法，设定最小支持度为0.5时挖掘获得的部分关联关系表如表1所示。

表1抽水蓄能机组故障频繁项集与关联规则表

根据挖掘出的频繁项集表，可以看到在设备发生故障，发电机水导油循环冷却进水水温、水轮机主轴X轴位移及水轮机下迷宫环供水压力等参数发生异常的比重较大。从运行角度来讲，当此类运行参数有异常的趋势时，应引起重视，重点排查相应故障特征。

通过对关联规则的分析，我们可以获得一些有效信息，例如：由关联关系9可知，机组主轴X位移过高，直接导致上下导轴承的X轴位移过高，轴承局部负荷过高，产热增加，从而导致上下导轴承温度过高、下导油盆上层油温过高，此时机组机械损耗增加，依据水轮发电机组有差调节特性知有功功率降低将导致频率升高；又如关联关系10可知道，由于水工设施上库的拦污栅处污物堆积水位过高，致使没有足够的水流量用于发电，有功功率下降，交流电频率升高，同时由于供水不足使得机组在下迷宫环处的取水压力过低等等。因此，上述结论对发现部分机组故障机理具有指导作用，能够挖掘出部分隐含知识。

本发明将数据挖掘关联分析理论应用到抽水蓄能电站故障样本分析中，从海量故障数据中挖掘有效知识，并通过设置条件，提前结束频繁模式增长算法，加快算法运行速度。根据抽水蓄能电站不同子系统故障划分，以不同故障时间作为独立事务单元选取依据，通过对模拟量与开关量的离散化，构建抽水蓄能机组故障数据事务集，最后对故障数据事务集进行关联规则挖掘，通过实例测试表明，利用关联规则挖掘抽水蓄能机组故障数据，获得了有用信息，取得了较好效果，对指导电站运维人员工作具有积极意义。

进一步，可以运用挖掘模型提取的科学规律对可能发生的故障进行预测，以提高维修质量和设备的可靠性，降低维修成本，提高机组的可利用率，显著提高抽水蓄能电站的经济效益。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于数据挖掘的抽水蓄能机组故障关联关系分析方法，其特征在于，包括：

根据抽蓄机组运行监测记录，获取不同工况不同故障的发生时刻与故障特征；

根据故障发生时刻提取抽蓄机组所有运行数据，依据参数报警上下限对所述运行数据进行参数离散化，并与所述故障特征进行组合获得机组故障数据事务集；

采用频繁模式增长法挖掘所述机组故障数据事务集，直至得到单枝频繁树上所有项集，根据得到的单枝频繁树上所有项集确定抽水蓄能机组故障关联关系；

基于所述关联关系进行故障分析，以挖掘出隐含知识；

其中，所述关联关系中的一种关联关系为：机组主轴X位移过高、上导轴承X轴位移过高、下导轴承X轴位移过高、上导轴承油温温度过高、下导轴承油温温度过高以及机组频率升高之间存在关联关系；通过对该关联关系进行分析，得到以下信息：机组主轴X位移过高，直接导致上下导轴承的X轴位移过高，轴承局部负荷过高，产热增加，从而导致上下导轴承温度过高、下导油盆上层油温过高，此时机组机械损耗增加，依据水轮发电机组有差调节特性知有功功率降低将导致频率升高；

所述关联关系中的另一种关联关系为：机组频率过高、上库拦污栅水位过高以及下迷宫环供水压力过低之间存在关联关系；通过对该关联关系进行分析，得到以下信息：由于水工设施上库的拦污栅处污物堆积水位过高，致使没有足够的水流量用于发电，有功功率下降，交流电频率升高，同时由于供水不足使得机组在下迷宫环处的取水压力过低；

所述依据参数报警上下限对所述运行数据进行参数离散化，包括：

对于抽蓄机组的运行开关量，若在故障时间内出现过相应报警信号或所述运行开关量由0变为1，则将所述运行开关量离散为1；

对于抽蓄机组的运行模拟量，判断所述运行模拟量在故障时间内是否有越限行为，若超出参数运行上限，则将所述运行模拟量离散为1，若低于参数运行下限，则将所述运行模拟量离散为-1。

2.根据权利要求1所述的方法，其特征在于，所述采用频繁模式增长法挖掘所述机组故障数据事务集，直至得到单枝频繁树上所有项集，包括：

统计所述机组故障数据事务集中每项事务数据的支持度，按支持度降序排列，去掉不满足最小支持度的元素项后，形成头项表，之后再次遍历所述机组故障数据事务集，去掉每项事务数据中不满足最小支持度的元素项，同时对每项事务数据中的元素按支持度降序排列；

基于所述头项表中的元素次序创建根节点，将过滤重排后的机组故障数据事务集中的元素依次添加至所述根节点下，在添加节点的过程中，如果树中已存在相应节点，则将该节点的值加一，否则向树添加一个分支，得到频繁模式树；

对所述频繁模式树进行频繁项挖掘，直至得到单枝频繁树上所有项集。

3.根据权利要求2所述的方法，其特征在于，所述对所述频繁模式树进行频繁项挖掘，直至得到单枝频繁树上所有项集，包括：

若所述频繁模式树为空或仅含单条路径，则返回该条路径上的所有节点组合作为频繁模式，且该频繁模式的支持度为各节点支持度计数最小值；

若所述频繁模式树不为空或不是单枝树，则构造一个空的条件模式，对于所述头项表中的每个项集，将该项集加入到所述条件模式中，并将所述条件模式的支持度计数记为新添加的项集的支持度，同时以从所述根节点到新添加的项集在所述频繁模式树下的所有路径作为前缀模式，以所述前缀模式与新添加的项集的值相关联后作为新添加的项集的条件模式基，将所述条件模式基视作新的目标机组故障数据事务集，根据所述新的目标机组故障数据事务集，构造所述条件模式基的条件频繁模式树，并对新构造的条件频繁模式树进行挖掘，重复执行上述频繁模式树的构造和挖掘操作，直至产生的条件频繁模式树为单枝树或空；

将最终得到的目标条件频繁模式树上所有节点与所述目标条件频繁模式树中的条件模式组合作为最终得到的目标频繁项集，其中，所述目标频繁项集的支持度为所述目标频繁项集中支持度计数最小值。

Images