CN109948833A - 一种基于长短期记忆网络的水电机组劣化趋势预测方法 - Google Patents
一种基于长短期记忆网络的水电机组劣化趋势预测方法 Download PDFInfo
- Publication number
- CN109948833A CN109948833A CN201910136578.2A CN201910136578A CN109948833A CN 109948833 A CN109948833 A CN 109948833A CN 201910136578 A CN201910136578 A CN 201910136578A CN 109948833 A CN109948833 A CN 109948833A
- Authority
- CN
- China
- Prior art keywords
- layer
- degradation trend
- output
- term memory
- generating set
- 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.)
- Pending
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 87
- 230000015556 catabolic process Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007787 long-term memory Effects 0.000 title claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000006866 deterioration Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006403 short-term memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract 1
- 238000010977 unit operation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 230000004913 activation Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的水电机组劣化趋势预测方法，包括采集水电机组参数并进行归一化处理，利用归一化后的参数构造矩阵；建立包含矩阵的全连接网络模型；对全连接网络模型进行训练与测试，建立水电机组健康参数映射关系，得到劣化时间序列；对劣化时间序列进行变分模态分解得到子劣化时间序列；对每个子劣化时间序列建立长短期记忆网络劣化趋势预测模型；对长短期记忆网络劣化趋势预测模型进行训练与测试，得到多个劣化趋势预测分量；叠加多个劣化趋势预测分量得到水电机组劣化趋势。本发明利用长短期记忆网络对水电机组劣化趋势进行预测，以便及时进行异常状态预警，提高了水电机组运行维护精度。
Description
技术领域
本发明属于水电机组运行安全维护领域，更具体地，涉及一种基于长短期记忆网络的水电机组劣化趋势预测方法。
背景技术
随着世界经济的发展，日益突出的能源供需矛盾和环境问题使清洁能源受到广泛的关注。水力发电因具有稳定、清洁、无污染等特点，获得了飞速的发展。水电机组启停速度快，在电网中常常担任着调峰、调频等任务。机组安全稳定运行不仅关系自身的安全，同时也关系着整个电网的安全稳定。在水电机组的运行过程中，机组各设备性能会出现劣化，有效地判断水电机组的运行状态，准确地预测出水电机组的劣化趋势，提供设备性能退化评估与预测，为制定合理的检修策略提供技术保障，对保障水电机组的安全可靠运行以及获取更大的经济效益具有重大意义。
目前水电机组故障诊断主要采用静态报警阈值，该种方法忽略了不同工况下机组性能的差异，无法对机组的早期故障做出预警，不能充分的反映水电机组的运行状态。随着电站监测系统的完善，获取了海量的机组状态监测数据。现有机组趋势劣化预测方法利用已有状态监测数据，提出基于EEMD(Ensemble Empirical Mode Decomposition，集合经验模态分解)的水电机组运行状态退化趋势非线性预测方法，由于劣化趋势的波动较大，变化复杂，该方法存在劣化趋势预测精度较低的问题。
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长短期记忆网络的随点机组劣化趋势预测方法与系统，旨在解决水电机组的劣化趋势预测精度低，不能及时预测机组的故障状态的问题。
为了实现上述目的，本发明提供了一种基于长短期记忆网络的水电机组劣化趋势预测方法，包括：
步骤1、采集水电机组参数并进行归一化处理，利用归一化后的参数构造矩阵：
步骤1.1、每隔m分钟采集一次水电机组有功功率P、工作水头H、机组状态参数F，m的大小选取根据实际需求来定；
步骤1.2、取N组机组运行初期无故障数据，并将采集到的水电机组有功功率P、工作水头H、机组状态参数F分别进行归一化处理，归一到区间[0,1]内；
步骤1.3、对归一化后的参数进行矩阵化处理：取归一化后的有功功率P和工作水头H作为输入，取归一化后的机组状态参数F作为参考输出，得到一个2列N行的输入数组P1和1列N行的参考输出数组T1；
步骤2、建立多层全连接网络模型：
深度全连接网络包含一个输入层，多个隐藏层和一个输出层，将前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，其中全连接层神经元数逐层递减，最后通过一个神经元的输出层来输出机组状态参数；
优选地，隐藏层使用ReLU激活函数，输出层使用线性激活函数；
步骤3、对全连接网络模型进行训练与测试，建立水电机组健康参数映射关系：
步骤3.1、对全连接网络模型的权重进行初始化，并指定训练样本的大小、训练的批次以及训练迭代的次数；
步骤3.2、取输入数组P1的前R1％行作为训练输入数据集，取参考输出数组T1的前R1％行作为训练参考输出数据集，即训练标签。使用RMSprop梯度下降算法训练多层全连接网络，得到各个全连接网络层的最优权重与偏置，其中R1为预设值；使用RMSpropt梯度下降算法具体迭代过程如下：
步骤3.2.1、首先计算梯度g的大小，具体公式如下：
其中L(f(xi；θ),yi)为损失函数，选择均方误差MSE作为损失函数，表示对权重θ求导，u为小批量训练的样本数；
步骤3.2.2、通过衰减系数ρ对梯度累积量r进行衰减，并与梯度g计算新的累积量来实现对r的更新，r计算公式如下：
r＝ρr+(1-ρ)g⊙g
步骤3.2.3、计算权重更新值Δθ，具体公式如下：
其中η为学习率，δ为一个小常数(通常取10-6)，用于被小数除时的数值稳定；
步骤3.2.4、通过Δθ来更新权重θ的值：
θ＝θ+Δθ
步骤3.3、训练集输入训练后的全连接网络模型，各个全连接层的权重与偏置达到最优，并获得机组健康状态下输入参数有功功率P、工作水头H和输出参数机组状态参数F之间的精确映射关系F(t)＝f(P(t),H(t))；
步骤3.4、取输入数组P1的后1-R1％行作为测试输入数据集输入已经训练好的全连接网络模型中，得到水电机组健康状态标准值，将水电机组健康状态标准值与参考输出数组T1的后1-R1％行进行比较，即发现水电机组健康状态标准值与实测值基本吻合，并计算平均相对误差MAPE。MAPE计算公式如下：
其中，N为数据长度，r(t)为水电机组运行时刻t时的实测值，f(t)为水电机组健康状态模型输出标准值。
步骤4、根据水电机组健康参数映射关系得到劣化时间序列：
步骤4.1、取M组y年后机组状态检测中的有功功率P、工作水头H、机组状态参数F数据分别进行归一化处理，归一到区间[0,1]内；
步骤4.2、对归一化后的数据进行矩阵化处理：将有功功率P和工作水头H数据作为输入，取机组状态参数F数据作为参考输出，得到一个2列M行的输入数组P2和1列M行的参考输出数组T2；
步骤4.3、将输入数组P2代入已经建立的水电机组健康参数映射关系F(t)＝f(P(t),H(t))中，计算得到y年后该工况下的健康状态参数标准值F(t)，并与y年后该工况下机组状态实测值R(t)即参考输出数组T2比较，获得水电机组劣化时间序列D(t)，劣化时间序列D(t)定义如下：
其中，t表示机组运行时刻；
步骤5、对劣化时间序列进行变分模态分解得到子劣化时间序列：
将步骤4所得的劣化时间序列进行变分模态分解(Variational ModeDecomposition，VMD)，分解得到K个结构简单的子劣化时间序列uk(t)，其中k＝1，……K，K为预设值。
步骤6、对每个子劣化时间序列建立长短期记忆网络劣化趋势预测模型：
步骤6.1、每次取第i个数据到第i+L-1个数据共L个数据作为输入，取第L+1个数据作为输出，得到一个len-L行L列的输入数组P3和len-L行1列的参考输出数组T3，其中，i取值从1到len-L，len-L为时间序列的长度，L为预设值；
步骤6.2、对数据进行归一化处理，分别将输入数组P3与参考输出数组T3归一到区间[0，1]之间；
步骤7、构造长短期记忆网络劣化趋势预测模型：
长短期记忆网络预测模型包含一个长短期记忆网络层、多个全连接层和一个输出层，将每个子劣化时间序列按时间顺序作为长短期记忆网络层的输入，通过长短期记忆网络对数据进行特征提取得到最后一个时刻的特征向量作为长短期记忆网络层的特征输出，将此特征输出作为全连接层的输入，通过多个神经元数逐层递减的全连接层进行进一步的特征提取，最终通过有一个神经元的输出层来输出预测趋势；
优选地，全连接层使用ReLU激活函数，输出层使用线性激活函数；
步骤8、对长短期记忆网络劣化趋势预测模型进行训练与测试，得到多个劣化趋势预测分量：
步骤8.1、对长短期记忆网络劣化趋势模型的权重进行初始化，并指定长短期记忆网络层输出向量的大小、训练样本的大小、训练的批次大小以及训练迭代次数；
步骤8.2、取输入数组P3前R3％行作为训练输入数据集，取参考输出数组T3的前R3％行作为训练参考输出数据集，即训练标签。使用RMSprop算法对长短期记忆网络预测模型进行训练，得到长短期记忆网络预测模型的最优权重与偏置，其中R3为预设值；
步骤8.3、取输入数组P3的后1-R3％作为测试输入数据集输入到训练好的长短期记忆网络模型中，得到模型的预测输出，并将其反归一化，即得到预测的劣化趋势分量序列，其中，对每一个子劣化时间序列uk(t)都建立长短期记忆网络劣化趋势模型进行预测；
步骤9、叠加多个劣化趋势预测分量得到水电机组劣化趋势：
将得到的K个预测劣化趋势分量序列进行叠加，得到最终的预测结果，即水电机组劣化趋势。将预测结果绘图并计算预测结果与机组真实劣化趋势之间的平均绝对误差MAE和均方根误差RMSE，计算公式如下：
其中，xi是真实值，为预测结果，n为序列的长度。
本发明充分利用机组已有的状态检测数据，建立水电机组劣化趋势模型，并通过变分模态分解的方法对劣化趋势进行分解，对分解后的序列采用长短期记忆网络进行预测，最后将预测分量进行叠加，有效完成了对水电机组劣化趋势的预测，以便及时进行异常状态预警，提高了水电机组运行维护的水平。
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，具有以下技术特征及有益结果：
1、本发明提供的水电机组劣化趋势预测方法，利用变分模态分解方法有效改善递归式分解算法存在的模态混叠效应以及较好的噪声鲁棒性，将初始复杂的水电机组劣化趋势时间序列分解为多个结构简单的时间序列，针对每个时间序列建立长短期记忆网络，最后将每个预测模型的结果进行重构，有利于更精确地预测水电机组劣化趋势；
2、本发明提供的水电机组劣化趋势预测方法，利用长短期记忆网络对时间序列数据特征提取的优势以及深度学习神经网络的非线性表达能力，使劣化趋势模型的预测精度高。
附图说明
图1为本发明提供的一种长短期记忆网络的水电机组劣化趋势预测方法流程图；
图2为本发明实施例提供的一种水电机组劣化趋势预测方法的全连接网络模型的结构框图；
图3为本发明实施例提供的一种水电机组劣化趋势预测方法的长短期记忆网络预测模型的结构框图。
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。
为说明本发明效果，下面以某抽水蓄能电站一台机组2008年5月31号至2011年12月15日的现场实际状态监测数据作为本发明的实施对象对本发明进行详细说明：
步骤1、采集水电机组工作数据并进行归一化处理，利用归一化后的参数构造矩阵：
步骤1.1、每隔30分钟采集一次水电机组有功功率P、工作水头H、机组状态参数F数据，本实施例选取机组的下机架Y向水平振动作为机组状态参数。
步骤1.2、取2008年7月24日至2009年1月20日，共800组机组运行初期无故障数据。并将采集到的水电机组有功功率P、工作水头H、机组的下机架Y向水平振动F数据分别进行归一化处理，归一到区间[0,1]内；其中，归一化计算公式为：
其中xi为所采集数据，xmin为所采集数据中对应项最小值，xmax为采集数据中对应项的最大值。
步骤1.3、对归一化后的数据进行矩阵化处理：取归一化后的有功功率P和工作水头H数据作为输入，取归一化后的下机架Y向水平振动F数据作为参考输出，得到一个2列800行的输入数组P1和1列800行的参考输出数组T1；
步骤2、建立多层全连接网络模型，其具体结构如图2所示：
步骤2.1、深度全连接网络包含一个输入层，5个隐藏层，一个输出层，设置隐藏层和输出层的激活函数，将前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，其中五个全连接层神经元个数逐层递减，分别为64、32、16、8、2，输出层为含一个神经元的全连接层；
步骤2.2、隐藏层使用ReLU激活函数，输出层使用线性激活函数；其中ReLU激活函数公式为：g(x)＝max(0,x)
步骤3、对全连接网络模型进行训练与测试，建立水电机组健康参数映射关系；
步骤3.1、对全连接网络模型的权重进行初始化，并设置训练样本的大小、训练的批次设置为64以及训练迭代的次数为200；
步骤3.2、取输入数组P1的前80％行作为训练输入数据集，取参考输出数组T1的前80％行作为训练参考输出数据集，即训练标签。使用RMSprop梯度下降算法训练多层全连接网络，得到各个全连接网络层的最优权重与偏置。使用RMSpropt梯度下降算法具体迭代过程如下：
步骤3.2.1、首先计算梯度g的大小，具体公式如下：
其中L(f(xi；θ),yi)为损失函数，选择均方误差MSE作为损失函数，表示对权重θ求导，u为小批量训练的样本数，取值64；
步骤3.2.2、通过衰减系数ρ对上次的梯度累积量r进行衰减，并与梯度g计算新的累积量来实现对r的更新，初始梯度累积量为0，衰减系数为0.9，梯度累积量r的计算公式如下：
r＝ρr+(1-ρ)g⊙g
步骤3.2.3、计算权重更新值Δθ，具体公式如下：
其中η为学习率，η＝0.001，δ为一个小常数(通常取10-6)，用于被小数除时的数值稳定；
步骤3.2.4、通过Δθ来更新权重θ的值：
θ＝θ+Δθ
步骤3.3、训练集输入训练后的全连接网络模型，各个全连接层的权重与偏置达到最优，并获得机组健康状态下输入参数：有功功率P、工作水头H和输出参数：机组下机架Y向水平振动(F)之间的精确映射关系F(t)＝f(P(t),H(t))；
步骤3.4、取输入数组P1的后20％行作为测试输入数据集输入已经训练好的全连接网络模型中，得到水电机组健康状态标准值，将水电机组健康状态标准值与参考输出数组T1的后20％行进行比较，即发现模型输出值与实测值基本吻合，并计算平均相对误差MAPE。MAPE计算公式如下：
其中，N为数据长度，r(t)为水电机组运行时刻t时的实测值，f(t)为水电机组健康状态模型输出标准值。
步骤4、根据水电机组健康参数映射关系得到劣化时间序列：
步骤4.1、取3年后540组机组状态监测数据，并将有功功率P、工作水头H、机组下机架Y向水平振动F数据分别进行归一化处理，归一到区间[0,1]内；
步骤4.2、对归一化后的数据进行矩阵化处理：将有功功率P和工作水头H数据作为输入，取机组下机架Y向水平振动F数据作为参考输出，得到一个2列540行的输入数组P2和1列540行的参考输出数组T2；
步骤4.3、将输入数组P2代入已经建立的水电机组健康参数映射关系F(t)＝f(P(t),H(t))中，计算得到3年后该工况下的健康状态参数标准值F(t)，并与3年后该工况下机组状态实测值R(t)即参考输出数组T2比较，获得水电机组劣化度D(t)，劣化度D(t)定义如下：
其中，t表示机组运行时刻；
步骤5、对劣化时间序列进行变分模态分解得到子劣化时间序列：
将步骤4所得的劣化时间序列进行VMD分解得到3个结构简单的子劣化时间序列uk(t)，其中k取值从1到3，VMD分解具体步骤如下：
步骤5.1、VMD分解过程从构造一个变分问题开始，假设输入信号由3个具有中心频率与有限带宽的受限带宽本征模态函数(Band-Limited Intrinsic Mode Function，BIMF)组成。构造变分问题如下：
步骤5.1.1、首先通过Hilbert变换的得到每个BIMF分量的解析信号，从而得到每个BIMF分量对应的单边频谱。Hilbert变换公式如下：
其中，δ(t)为激活函数，*为卷积符号；
步骤5.1.2、通过指数修正的方式为每个模态的解析信号加入一个预估的中心频率，再根据中心频率将每个模态的频谱调制到相应的基频带上：
步骤5.1.3、最后根据解调信号梯度的平方L2范数，估计各个模态信号的带宽，约束变分问题表示如下：
其中，x(t)为原始信号，表示对时间进行求导，ωk为各个模态分量的中心频率；
步骤5.2、为解决上述约束变分问题，引入二次惩罚项α和拉格朗日乘子λ(t)。设置惩罚系数α为1000，拉格朗日表达式如下所示：
其中，<>表示内积。利用交替方向乘法器交替更新更新ωk和来解决变分问题。计算步骤如下：
步骤5.2.1、初始化变量和n；
步骤5.2.2、执行循环：n＝n+1；
步骤5.2.3、对频域ω>0的部分，根据下式更新
其中，为f(t)的傅里叶变换，为信号uk(t)的傅里叶变换形式；
步骤5.2.4、按下式更新频率中心ωk：
步骤5.2.5、根据下式更新拉格朗日乘法算子λ：
其中，τ为迭代系数，取为1；
步骤5.2.6、重复步骤5.2.2至步骤5.2.5，直到满足如下停止条件：
其中，ε为约束参数，取值为10-7。循环结束时，最终得到K个模态分量uk(t)；
步骤6、对每个子劣化时间序列建立长短期记忆网络劣化趋势预测模型：
步骤6.1、每次取第i个数据到第i+L-1个数据共L个数据作为输入，取第L+1个数据作为输出，得到一个len-L行L列的输入数组P3和len-L行1列的参考输出数组T3，其中，i取值从1到len-L，len-L为时间序列的长度，L＝9；
步骤6.2、对数据进行归一化处理，分别将输入数组P3与参考输出数组T3归一到区间[0，1]之间；
步骤7、构造LSTM(Long Short Term Memory，长短期记忆网络)劣化趋势预测模型，其具体结构如图3所示，LSTM预测模型包含一个LSTM层、多个全连接层和一个输出层，将每个子劣化时间序列按时间顺序作为LSTM层的输入，通过LSTM对数据进行特征提取得到最后一个时刻的特征向量作为LSTM层的特征输出，将此特征输出作为全连接层的输入，通过多个神经元数逐层递减的全连接层进行进一步的特征提取，最终通过有一个神经元的输出层来输出预测趋势；
具体地，全连接层使用ReLU激活函数，输出层使用线性激活函数，其中ReLU激活函数公式为：g(x)＝max(0,x)；
步骤8、对LSTM劣化趋势预测子模型进行训练与测试得到多个劣化趋势预测分量：
步骤8.1、对LSTM劣化趋势子模型的权重进行初始化，并指定LSTM层输出向量的大小为64、训练样本的大小、训练的批次大小为32以及训练迭代次数为200；
步骤8.2、取输入数组P3前80％行作为训练输入数据集，取参考输出数组T3前80％行作为训练参考输出数据集，即训练标签。使用RMSprop算法对LSTM预测模型进行训练，得到LSTM预测模型的最优权重与偏置；
步骤8.3、取输入数组P3的后20％作为测试输入数据集输入到训练好的LSTM模型中，得到模型的预测输出，并将其反归一化，即得到预测的劣化趋势分量序列，其中，对每一个子劣化时间序列uk(t)都建立长短期记忆网络劣化趋势模型进行预测；
步骤9、叠加多个劣化趋势预测分量得到水电机组劣化趋势：
将得到的K个预测劣化趋势分量序列进行叠加，得到最终的预测结果，即水电机组劣化趋势。将预测结果绘图并计算预测结果与机组真实劣化趋势之间的平均绝对误差MAE和均方根误差RMSE，计算公式如下：
其中，xi是真实值，为预测结果，n为序列的长度。
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 (7)
1.一种基于长短期记忆网络的水电机组劣化趋势预测方法，其特征在于，包括：
对采集到的水电机组参数进行归一化处理，利用所述归一化后的参数构造矩阵；
建立包含所述矩阵的全连接网络模型；
对所述全连接网络模型进行训练与测试，建立水电机组健康参数映射关系，得到劣化时间序列；
对所述劣化时间序列进行变分模态分解得到子劣化时间序列；
对所述每个子劣化时间序列建立长短期记忆网络劣化趋势预测模型；
对所述长短期记忆网络劣化趋势预测模型进行训练与测试，得到多个劣化趋势预测分量；
叠加所述多个劣化趋势预测分量得到水电机组劣化趋势。
2.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述矩阵的输出为一列水电机组状态参数。
3.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述全连接网络模型包含一个输入层、多个隐藏层和一个输出层；所述矩阵的输入作为模型的输入层，所述矩阵的输出作为模型的输出层，所述输入层与所述输出层之间包含多个隐藏层；
所述输入层的输出作为第一个隐藏层的输入，前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入。
4.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述对所述全连接网络模型进行训练与测试包括：
按照预设比例将所述矩阵划分为训练数据集和测试数据集；
利用所述训练数据集对所述全连接网络模型进行训练；
利用所述测试数据集对所述训练好的全连接网络模型进行验证，得到水电机组健康状态下参数间的映射关系。
5.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述根据所述水电机组参数映射关系得到劣化时间序列包括：
对采集到的数年后水电机组参数进行归一化处理，利用所述归一化后的参数构造矩阵；
将所述矩阵输入所述水电机组健康参数映射关系得到水电机组健康状态标准值；
将所述矩阵输出与所述水电机组健康状态标准值进行对比得到水电机组劣化时间序列。
6.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述长短期记忆网络劣化趋势预测模型包括一个长短期记忆网络层、多个全连接层和一个输出层；所述子劣化时间序列作为长短期记忆网络层的输入，所述长短期记忆网络层的输出作为第一个全连接层的输入，前一个全连接的输出作为后一个全连接层输入，最后一个全连接层的输出作为所述长短期记忆网络劣化趋势预测模型的输出。
7.根据权利要求1所述的水电机组劣化趋势预测方法，其特征在于，所述对所述长短期记忆网络劣化趋势预测模型进行训练与测试包括：
按照预设比例将所述子劣化时间序列划分为训练数据集和测试数据集；
利用所述训练数据集对所述长短期记忆网络劣化趋势预测模型进行训练；
利用所述测试数据集随所述训练好的长短期记忆网络劣化趋势预测模型进行验证，得到劣化趋势预测分量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136578.2A CN109948833A (zh) | 2019-02-25 | 2019-02-25 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136578.2A CN109948833A (zh) | 2019-02-25 | 2019-02-25 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948833A true CN109948833A (zh) | 2019-06-28 |
Family
ID=67007637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136578.2A Pending CN109948833A (zh) | 2019-02-25 | 2019-02-25 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948833A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学（保定） | 一种基于风速特性的短期风速预测方法及系统 |
| CN110457906A (zh) * | 2019-08-15 | 2019-11-15 | 国家电网公司华东分部 | 一种网络安全事件智能告警方法 |
| CN110929924A (zh) * | 2019-11-13 | 2020-03-27 | 广西电网有限责任公司 | 基于云边融合架构的小水电发电量预测系统及其实现方法 |
| CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
| CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其系统 |
| CN111695248A (zh) * | 2020-05-27 | 2020-09-22 | 淮阴工学院 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
| CN112446557A (zh) * | 2021-01-29 | 2021-03-05 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的磁盘故障预测规避方法及系统 |
| CN112465136A (zh) * | 2020-10-22 | 2021-03-09 | 国家电网有限公司 | 一种水电机组劣化预测方法和系统 |
| CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
| CN113313365A (zh) * | 2021-05-14 | 2021-08-27 | 华能重庆珞璜发电有限责任公司 | 一种一次风机的劣化预警方法及设备 |
| CN113469408A (zh) * | 2021-05-21 | 2021-10-01 | 国网湖南省电力有限公司 | 一种用于调相机的运行状态趋势预测方法及系统 |
| CN116910474A (zh) * | 2023-07-04 | 2023-10-20 | 五凌电力有限公司 | 水电机组的稳定性状态劣化趋势预警方法、装置及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
-
2019
- 2019-02-25 CN CN201910136578.2A patent/CN109948833A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 安学利 等: "水电机组劣化趋势混合预测模型", 《水力发电学报》 * |
| 潘罗平: "基于健康评估和劣化趋势预测的水电机组故障诊断系统研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309603A (zh) * | 2019-07-05 | 2019-10-08 | 华北电力大学（保定） | 一种基于风速特性的短期风速预测方法及系统 |
| CN110309603B (zh) * | 2019-07-05 | 2023-10-24 | 华北电力大学（保定） | 一种基于风速特性的短期风速预测方法及系统 |
| CN110457906A (zh) * | 2019-08-15 | 2019-11-15 | 国家电网公司华东分部 | 一种网络安全事件智能告警方法 |
| CN110457906B (zh) * | 2019-08-15 | 2023-03-31 | 国家电网公司华东分部 | 一种网络安全事件智能告警方法 |
| CN110929924A (zh) * | 2019-11-13 | 2020-03-27 | 广西电网有限责任公司 | 基于云边融合架构的小水电发电量预测系统及其实现方法 |
| CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
| CN111277434A (zh) * | 2020-01-16 | 2020-06-12 | 北京工业大学 | 一种基于vmd和lstm的网络流量多步预测方法 |
| CN111489027A (zh) * | 2020-04-08 | 2020-08-04 | 五凌电力有限公司近尾洲水电厂 | 一种水电机组波形数据趋势预测方法及其系统 |
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN111695248A (zh) * | 2020-05-27 | 2020-09-22 | 淮阴工学院 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
| CN111695248B (zh) * | 2020-05-27 | 2024-01-05 | 淮阴工学院 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
| CN112465136A (zh) * | 2020-10-22 | 2021-03-09 | 国家电网有限公司 | 一种水电机组劣化预测方法和系统 |
| CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
| CN112446557A (zh) * | 2021-01-29 | 2021-03-05 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的磁盘故障预测规避方法及系统 |
| CN113313365A (zh) * | 2021-05-14 | 2021-08-27 | 华能重庆珞璜发电有限责任公司 | 一种一次风机的劣化预警方法及设备 |
| CN113469408A (zh) * | 2021-05-21 | 2021-10-01 | 国网湖南省电力有限公司 | 一种用于调相机的运行状态趋势预测方法及系统 |
| CN116910474A (zh) * | 2023-07-04 | 2023-10-20 | 五凌电力有限公司 | 水电机组的稳定性状态劣化趋势预警方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
| CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111415010B (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
| CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
| CN107341581A (zh) | 一种基于经验小波变换与高斯过程回归的新能源出力短期预测方法 | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| CN106980044B (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
| CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
| CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
| CN112200038A (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
| CN112381279A (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
| CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
| CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
| Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
| CN105205560B (zh) | 一种基于正负误差变权的光伏发电功率预测方法 |
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 |