CN110007652B - 一种水电机组劣化趋势区间预测方法与系统 - Google Patents
一种水电机组劣化趋势区间预测方法与系统 Download PDFInfo
- Publication number
- CN110007652B CN110007652B CN201910220746.6A CN201910220746A CN110007652B CN 110007652 B CN110007652 B CN 110007652B CN 201910220746 A CN201910220746 A CN 201910220746A CN 110007652 B CN110007652 B CN 110007652B
- Authority
- CN
- China
- Prior art keywords
- generating set
- interval
- hydroelectric generating
- prediction
- model
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 109
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 32
- 230000006866 deterioration Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 10
- 108090000672 Annexin A5 Proteins 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水电机组劣化趋势区间预测方法与系统。方法基于水电机组的历史状态监测数据,利用前期的无故障健康状态下的功率、水头以及机组振动数据建立机组健康状态模型,再利用后期故障状态下的功率和水头数据得到机组劣化趋势模型,最后建立水电机组劣化趋势模糊区间预测模型。进一步模型进行结构划分,并以模糊模型区间预测结果的覆盖率和区间宽度的综合指标为目标函数进行模型参数优化。本发明提高机组劣化趋势模糊预测模型的辨识精度,能得到更精确的辨识参数,并且简化预测过程。
Description
技术领域
本发明属于水电机组性能监测技术领域,更具体地,涉及一种水电机组劣化趋势区间预测方法与系统。
背景技术
随着累积运行时间的增加,水电机组各设备开始疲劳,不断劣化,由于缺乏故障样本,目前水电机组主要采用静态报警阈值,这种报警策略忽略了机组不同工况下的机组性能差异,缺少对机组早期潜在故障的预警能力,远不足以充分反映机组的运行状态,还不能满足现场需求。如何有效地判断机组的真实运行状态,更好地预测出机组的劣化趋势,以便及时进行异常状态预警,提高水电机组运行维护的水平,减少故障导致的停机损失,是水电机组向状态检修转变的重要研究方向。
现有的水电机组故障预测技术研究侧重于信号特征提取方法和智能模式识别方法,未能充分考虑运行工况对故障信号特征的影响。因此,当将其应该于实际机组故障诊断时,不能满足水轮发电机组故障诊断的工程需求。此外,水轮发电机组健康状态评估与故障预测在传统研究中没有得到足够的重视,水轮发电机组劣化状态预测处于起步阶段。
发明内容
针对现有技术的不足,本发明提供了一种水电机组劣化趋势区间预测方法与系统,能够获取未来时间内劣化趋势的概率分布,从而获取比确定性的单值预测更多的信息,避免了传统单值预测无法实现对预测值区间范围与概率分布的评估,更无法在此基础上实现一定的风险分析的问题。
一种水电机组劣化趋势区间预测方法,包括离线训练阶段S和在线检测阶段T;
所述离线训练阶段S具体为:
S1:利用健康状态下的水电机组状态训练数据建立水电机组健康状态模型,即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入,水电机组振动V(t)为输出,通过曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],t表示水电机组状态监测时刻;
S4:分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t),建立上限训练数据对 和下限训练数据对(Input,Output):其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵,LL为水电机组劣化趋势时间序列总长度;
在线预测阶段具体为:
T1:实时采集待预测水电机组运行状态下的功率和水头,按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵;将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型,得到待预测水电机组的劣化趋势区间。
进一步地,所述训练二型模糊模型的具体实现方式为:
S601:初始化参数,包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε;利用模糊C均值进行粗聚类获取一型隶属度矩阵U=[uik],令初始 和u ik是xk分别隶属于第i类上超平面和下超平面的隶属度,xk为训练数据的候选输入属性矩阵x的第k行;初始划分矩阵令当前迭代次数e=0;
S602:利用下式计算每个聚类的上下超平面参数:
α i=[XT P iX]-1XT P iy
其中,X=[x 1]∈RN×(M+1);y为训练数据实际的水电机组劣化趋势数据矩阵;
S603:利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是训练数据实际的水电机组劣化趋势数据矩阵y=(y1,y2...yN)T的第k分量;fi(xk,αi)为区间二型T-S模糊模型的第i个输出,i=1…C;
S606:令e=e+1,转至步骤S602,直到相邻两次迭代的差值进入步骤S607,αi current是当前迭代的第i类超平面参数,αi last是上一次迭代的第i类超平面参数,ε是停止迭代阈值,或者e>Tmax时,停止迭代;
S607:计算输入数据点距离上下超平面的距离:
S610:将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。
进一步地,还包括步骤S7:对所述劣化区间上限值和下限值预测模型进行优化,具体为:
S701:选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值,m 1和m 2为预测区间下界关于上、下隶属度的模糊权重值,和η为预测区间上、下界关于二型模糊模型的超平面调节系数,和a为预测区间上下界构造系数;
S702:确定待优化变量的上下界[BL,BU], BL和BU分别为预测模型待优化参数的最小值和最大值;在此区间随机初始化群体中所有个体的位置向量,个体位置向量代表一组控制参数。设置GSA算法参数,包括最大迭代次数Nit max、群体规模N0、初始引力常数G0,衰减系数β等。令当前迭代次数f=0;
S703:提取水电机组运行状态下的功率和水头验证数据,按照离线训练阶段S1-S5的方式得到上、下界的验证数据对;
S704:将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型,得到验证用的预测区间;
S706:计算预测区间覆盖率PICP以及预测区间宽度PINAW,以及综合指标CWC;
式中,n为采样总数,R是验证数据的实际劣化趋势的最大值与最小值之间的差值;
式中,Ci是验证数据处于劣化趋势预测区间的计数;
式中,ξ为惩罚系数,Δ为置信阈值;
S707:计算个体Xi的目标函数值:
fiti(f)=t1*CWCtrain(f)+t2*CWCopt(f)
其中,t1+t2=1
CWCtrain(f)为训练数据的综合指标,CWCopt(f)为验证数据的综合指标;
S708:GSA优化迭代,过程如下:
计算所有个体的引力常数Gi(f),i=1,...,N0:
其中,G0为引力常数初始值,β为衰减系数,f为当前迭代次数,Nit max为最大迭代次数;
根据目标函数值fiti计算粒子质量Mi:
其中,Gi(f)是第i个个体引力时间常数,Mi(f)是第j个粒子的引力质量,Mj(f)是第i个粒子的引力质量,Xi(f)是第i个粒子的位置向量,Xj(f)是第j个粒子的位置向量,表示第j个位置向量的第d维度分量,表示第i个位置向量的第d维度分量,f为当前迭代次数;
计算所有个体的万有引力Fi d(f):
其中,randj为(0,1)之间随机数,f为当前迭代次数;
其中,Mi(f)为第f次迭代的第i个个体质量,f为当前迭代次数;
更新所有个体的速度vi和位置Xi:
其中:randi为(0,1)之间随机数,d表示位置向量的第d维,f为当前迭代次数;
S709:令f=f+1,重复步骤S703-S708,直至迭代次数f大于最大迭代次数Nit max。
进一步地,利用模糊C均值进行粗聚类获取一型隶属度矩阵。
一种水电机组劣化趋势区间预测系统,包括离线训练部分S和在线检测部分T;
所述离线训练部分S包括:
S1模块,用于利用健康状态下的水电机组状态训练数据建立水电机组健康状态模型,即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入,水电机组振动V(t)为输出,通过曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],t表示水电机组状态监测时刻;
S2模块,用于利用故障状态下的水电机组状态训练数据建立机组劣化趋势模型,即以水电机组故障运行状态下的功率和水头代入机组健康状态模型得到机组标准健康振动状态并与实际的机组振动状态对比,获得机组劣化度D(t);
S4模块,用于分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t),建立上限训练数据对 和下限训练数据对(Input,Output):其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵,LL为水电机组劣化趋势时间序列总长度;
在线预测部分T包括:
T1模块,用于实时采集待预测水电机组运行状态下的功率和水头,按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵;将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型,得到待预测水电机组的劣化趋势区间。
进一步地,所述S6模块包括:
S601子模块,用于初始化参数,包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε;利用模糊C均值进行粗聚类获取一型隶属度矩阵U=[uik],令初始 和u ik是xk分别隶属于第i类上超平面和下超平面的隶属度,xk为训练数据的候选输入属性矩阵x的第k行;初始划分矩阵 令当前迭代次数e=0;
S602子模块,用于利用下式计算每个聚类的上下超平面参数:
α i=[XT P iX]-1XT P iy
其中,X=[x 1]∈RN×(M+1);y为训练数据实际的水电机组劣化趋势数据矩阵;
S603子模块,用于利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是训练数据实际的水电机组劣化趋势数据矩阵y=(y1,y2...yN)T的第k分量;fi(xk,αi)为区间二型T-S模糊模型的第i个输出,i=1…C;
S606子模块,用于令e=e+1,转至步骤S602,直到相邻两次迭代的差值||αi current-αi last||>ε,进入步骤S607,αi current是当前迭代的第i类超平面参数,αi last是上一次迭代的第i类超平面参数,ε是停止迭代阈值,或者e>Tmax时,停止迭代;
S607子模块,用于计算输入数据点距离上下超平面的距离:
S610子模块,用于将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。
进一步地,还包括S7模块,用于对所述劣化区间上限值和下限值预测模型进行优化,具体包括:
S701子模块,用于选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值,m 1和m 2为预测区间下界关于上、下隶属度的模糊权重值,和η为预测区间上、下界关于二型模糊模型的超平面调节系数,和a为预测区间上下界构造系数;
S702子模块,用于确定待优化变量的上下界[BL,BU], BL和BU分别为预测模型待优化参数的最小值和最大值;在此区间随机初始化群体中所有个体的位置向量,个体位置向量代表一组控制参数。设置GSA算法参数,包括最大迭代次数Nit max、群体规模N0、初始引力常数G0,衰减系数β等。令当前迭代次数f=0;
S703子模块,用于提取水电机组运行状态下的功率和水头验证数据,按照离线训练阶段S1-S5的方式得到上、下界的验证数据对;
S704子模块,用于将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型,得到验证用的预测区间;
S706子模块,计算预测区间覆盖率PICP以及预测区间宽度PINAW,以及综合指标CWC;
式中,n为采样总数,R是验证数据的实际劣化趋势的最大值与最小值之间的差值;
式中,Ci是验证数据处于劣化趋势预测区间的计数;
式中,ξ为惩罚系数,Δ为置信阈值;
S707子模块,计算个体Xi的目标函数值:
fiti(f)=t1*CWCtrain(f)+t2*CWCopt(f)
其中,t1+t2=1
CWCtrain(f)为训练数据的综合指标,CWCopt(f)为验证数据的综合指标;
S708子模块,GSA优化迭代,过程如下:
计算所有个体的引力常数Gi(f),i=1,...,N0:
其中,G0为引力常数初始值,β为衰减系数,f为当前迭代次数,Nit max为最大迭代次数;
根据目标函数值fiti计算粒子质量Mi:
其中,Gi(f)是第i个个体引力时间常数,Mi(f)是第j个粒子的引力质量,Mj(f)是第i个粒子的引力质量,Xi(f)是第i个粒子的位置向量,Xj(f)是第j个粒子的位置向量,表示第j个位置向量的第d维度分量,表示第i个位置向量的第d维度分量,f为当前迭代次数。
计算所有个体的万有引力Fi d(f):
其中,randj为(0,1)之间随机数,f为当前迭代次数;
其中,Mi(t)为第f次迭代的第i个个体质量,f为当前迭代次数;
更新所有个体的速度vi和位置Xi:
其中:randi为(0,1)之间随机数,d表示位置向量的第d维,f为当前迭代次数;
S709子模块,令f=f+1,重复步骤S703-S708,直至迭代次数f大于最大迭代次数Nit max。
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:
本发明的一种水电机组劣化趋势区间预测方法,通过区间预测替代传统的点值预测,从而获取比点值预测更多的信息,实现对预测值区间范围与概率分布的评估,有利于在此基础上实现一定的风险分析。
进一步地,本发明的劣化趋势区间预测方法,所训练的二型模糊模型,优选T-S模糊模型,结构清晰。训练过程优选IT-2FCR算法,结合二型模糊集合理论,将传统隶属度函数转换为上隶属度和下隶属度,囊括更多非线性自由度表达,提高T-S模糊模型辨识精度。
进一步地,本发明的水电机组劣化趋势区间预测方法,对所述劣化区间上限值和下限值预测模型进行优化,采用验证数据辅助优化预测模型,防止模型过拟合状态,提高在线试验预测模型精度。
附图说明
图1为本发明实施例提供的一种基于区间二型T-S模糊模型的水电机组劣化趋势区间预测方法流程图;
图2为本发明实施例提供的一种具体的基于区间二型T-S模糊模型的水电机组劣化趋势区间预测方法流程图;
图3是本发明实施例中对水电机组状态监测数据分析得到的功率-水头-振动关系图;
图4是本发明实施例中对水电机组状态监测数据分析得到的水头-振动关系图;
图5是本发明实施例中对水电机组状态监测数据分析得到的功率-振动关系图;
图6是本发明实施例中利用曲面拟合建立水电机组健康状态模型的曲面拟合结果;
图7是本发明实施例中水电机组劣化趋势时间序列;
图8是本发明实施例中以月为单位统计水电机组劣化趋势;
图9是本发明实施例中劣化趋势区间预测图。
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。
图1为本发明说明书流程图,本发明包括离线训练阶段S和在线检测阶段T。
所述离线训练阶段S具体为:
S1:利用健康状态下的水电机组状态训练数据建立水电机组健康状态模型,即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入,水电机组振动V(t)为输出,通过曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],t表示水电机组状态监测时刻;
S4:分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t),建立上限训练数据对 和下限训练数据对(Input,Output):其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵,LL为水电机组劣化趋势时间序列总长度;
在线预测阶段:
实时采集待预测水电机组运行状态下的功率和水头,按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵;将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型,得到待预测水电机组的劣化趋势区间。
所述训练阶段的二型模糊模型可采用T-S模糊模型、TSK、概率模型中的任意一种。本发明优选T-S模糊模型。
首先对T-S模糊模型进行说明。T-S模糊模型是由一组“IF-THEN”模糊规则来描述的非线性系统,每一个规则代表一个子系统,整个模糊系统即为各个子系统的线性组合。所述IF-THEN模糊规则如下:
i=1…C,k=1…N,j=1…M
其中是线性隶属度函数的模糊集合,缩写为前件参数、C是聚类规则数、N是输入输出矩阵行数、M为输入矩阵的列数、xk=[xk1,…xkM]是模糊模型输入矩阵x=(x1,x2…xN)T的第k分量、是第k个模型预测输出中隶属于第i类的分量、αi是模型后件参数,指代超平面。再通过线性组合得到T-S模糊模型。其中
本发明训练T-S模糊模型的具体实现方式为:
S601:初始化参数,包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε;利用模糊C均值进行粗聚类(也可采用随机初始化、K-Means算法等)获取一型隶属度矩阵U=[uik],令初始和u ik是xk分别隶属于第i类上超平面和下超平面的隶属度,xk为训练数据的候选输入属性矩阵x的第k行;初始划分矩阵令当前迭代次数e=0;
S602:利用下式计算每个聚类的上下超平面参数:
α i=[XT P iX]-1XT P iy
其中,X=[x 1]∈RN×(M+1);y为训练数据实际的水电机组劣化趋势数据矩阵;
S603:利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是训练数据实际的水电机组劣化趋势数据矩阵y=(y1,y2…yN)T的第k分量;fi(xk,αi)为区间二型T-S模糊模型的第i个输出,i=1…C;
S606:令e=e+1,转至步骤S602,直到相邻两次迭代的差值||αi current-αi last||>ε,进入步骤S607,αi current是当前迭代的第i类超平面参数,αi last是上一次迭代的第i类超平面参数,ε是停止迭代阈值,或者e>Tmax时,停止迭代;
S607:计算输入数据点距离上下超平面的距离:
S610:将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。
作为优化,本发明还进一步包括步骤S7提取历史数据作为验证数据,利用验证数据对训练得到的模型进行优化,具体的实现方式为:
S701:选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值,m 1和m 2为预测区间下界关于上、下隶属度的模糊权重值,和η为预测区间上、下界关于二型模糊模型的超平面调节系数,和a为预测区间上下界构造系数;
S702:确定待优化变量的上下界[BL,BU], BL和BU分别为预测模型待优化参数的最小值和最大值;在此区间随机初始化群体中所有个体的位置向量,个体位置向量代表一组控制参数。设置GSA算法参数,包括最大迭代次数Nit max、群体规模N0、初始引力常数G0,衰减系数β等。令当前迭代次数f=0;
S703:提取水电机组运行状态下的功率和水头验证数据,按照离线训练阶段S1-S5的方式得到上、下界的验证数据对;
S704:将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型,得到验证用的预测区间;
S706:计算预测区间覆盖率PICP以及预测区间宽度PINAW,以及综合指标CWC;
式中,n为采样总数,R是验证数据的实际劣化趋势的最大值与最小值之间的差值;
式中,Ci是验证数据处于劣化趋势预测区间的计数;
式中,ξ为惩罚系数,Δ为置信阈值;
S707:计算个体Xi的目标函数值:
fiti(f)=t1*CWCtrain(f)+t2*CWCopt(f)
其中,t1+t2=1
CWCtrain(f)为训练数据的综合指标,CWCopt(f)为验证数据的综合指标;
S708:GSA优化迭代,过程如下:
计算所有个体的引力常数Gi(f)(i=1,...,N0):
其中,G0为引力常数初始值,β为衰减系数,f为当前迭代次数,Nit max为最大迭代次数。
根据目标函数值fiti计算粒子质量Mi(i=1,...,N0):
其中,best=min fitj,worst=max fitj;
其中,Gi(f)是第i个个体引力时间常数,Mi(f)是第j个粒子的引力质量,Mj(f)是第i个粒子的引力质量,Xi(f)是第i个粒子的位置向量,Xj(f)是第j个粒子的位置向量,表示第j个位置向量的第d维度分量,表示第i个位置向量的第d维度分量,f为当前迭代次数。
其中,randj为(0,1)之间随机数。
其中,Mi(f)为第f次迭代的第i个个体质量,f为当前迭代次数;
更新所有个体的速度vi和位置Xi:
其中:randi为(0,1)之间随机数,d表示位置向量的第d维,f为当前迭代次数。
S709:令f=f+1重复步骤S703-S708,直至迭代次数f大于最大迭代次数Nit max。
实施例:
步骤1、水电机组状态监测数据时间序列数据data分析,分析工作水头-振动关系图,功率-振动关系图,功率-工作水头-振动关系图,如图3-5所示,确定机组标准健康状态。
步骤2、利用无故障健康状态下(2008年7月24-2009年1月20日共计853条数据)的机组状态训练数据建立水电机组健康状态模型。以水电机组运行状态的功率P和水头H为输入,水电机组振动V为输出,通过MATLAB的曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],拟合结果如图6所示,拟合精度误差控制在4.5%以内。
步骤3、利用故障状态下(2011年5月12日-2011年9月23,共计543条数据)的机组状态训练数据建立机组劣化趋势模型。将故障状态下的机组状态监测数据,功率P(t)和工作水头H(t),带入机组健康状态模型的到当前工况下的机组标准健康振动状态V(t),并与当前实际的机组振动状态R(t)对比,获得机组劣化度D(t)计算方式如下:
式中,t表示水电机组状态监测时刻。
图7为劣化趋势时间序列图,以月为单位分析机组劣化趋势的单调性,从图8可以看出劣化趋势呈单调递增趋势。
步骤4、预测水电机组劣化趋势区间,并进行模型整体优化。
初始化GSA算法最大迭代次数Nit max=50、群体规模N0=30、初始引力常数G0=100,衰减系数β=20;IT2-FCR算法聚类规则数C=4、最大迭代次数Tmax=100、停止迭代阈值ε=1e-5;
L=7,LL=543;
IT2-FCR算法聚类规则数C=4、最大迭代次数Tmax=100、停止迭代阈值ε=1e-5;
最终水电机组劣化趋势上界预测模型和上界预测最佳模型参数为:最终水电机组劣化趋势区间预测结果如图9,区间覆盖率PICP=0.9,区间宽度PINAW=0.5655,综合指标CWC=0.5655,结果表明本发明方法实现机组劣化趋势区间预测,达到较高覆盖率和较小区间宽度,效果良好。
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 (8)
1.一种水电机组劣化趋势区间预测方法,其特征在于,包括离线训练阶段S和在线检测阶段T;
所述离线训练阶段S具体为:
S1:利用健康状态下的水电机组状态训练数据建立水电机组健康状态模型,即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入,水电机组振动V(t)为输出,通过曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],t表示水电机组状态监测时刻;
S4:分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t),建立上限训练数据对 和下限训练数据对(Input,Output):其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵,LL为水电机组劣化趋势时间序列总长度;
在线预测阶段具体为:
T1:实时采集待预测水电机组运行状态下的功率和水头,按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵;将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型,得到待预测水电机组的劣化趋势区间。
2.根据权利要求1所述的水电机组劣化趋势区间预测方法,其特征在于,所述训练二型模糊模型的具体实现方式为:
S601:初始化参数,包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε;利用模糊C均值进行粗聚类获取一型隶属度矩阵U=[uik],令初始 和u ik是xk分别隶属于第i类上超平面和下超平面的隶属度,xk为训练数据的候选输入属性矩阵x的第k行;初始划分矩阵令当前迭代次数e=0;
S602:利用下式计算每个聚类的上下超平面参数:
α i=[XT P iX]-1XT P iy
其中,X=[x 1]∈RN×(M+1);y为训练数据实际的水电机组劣化趋势数据矩阵;
S603:利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是训练数据实际的水电机组劣化趋势数据矩阵y=(y1,y2…yN)T的第k分量;fi(xk,αi)为区间二型T-S模糊模型的第i个输出,i=1…C;
S606:令e=e+1,转至步骤S602,直到相邻两次迭代的差值||αi current-αi last||>ε,进入步骤S607,αi current是当前迭代的第i类超平面参数,αi last是上一次迭代的第i类超平面参数,ε是停止迭代阈值,或者e>Tmax时,停止迭代;
S607:计算输入数据点距离上下超平面的距离:
S610:将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。
3.根据权利要求2所述的水电机组劣化趋势区间预测方法,其特征在于,还包括步骤S7:对所述劣化区间上限值和下限值预测模型进行优化,具体为:
S701:选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值,m 1和m 2为预测区间下界关于上、下隶属度的模糊权重值,和η为预测区间上、下界关于二型模糊模型的超平面调节系数,和a为预测区间上下界构造系数;
S702:确定待优化变量的上下界[BL,BU], BL和BU分别为预测模型待优化参数的最小值和最大值;在此区间随机初始化群体中所有个体的位置向量,个体位置向量代表一组控制参数;设置最大迭代次数Nitmax、群体规模N0、初始引力常数G0,衰减系数β;令当前迭代次数f=0;
S703:提取水电机组运行状态下的功率和水头验证数据,按照离线训练阶段S1-S5的方式得到上、下界的验证数据对;
S704:将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型,得到验证用的预测区间;
S706:计算预测区间覆盖率PICP以及预测区间宽度PINAW,以及综合指标CWC;
式中,n为采样总数,R是验证数据的实际劣化趋势的最大值与最小值之间的差值;
式中,Ci是验证数据处于劣化趋势预测区间的计数;
式中,ξ为惩罚系数,Δ为置信阈值;
S707:计算个体Xi的目标函数值:
fiti(f)=t1*CWCtrain(f)+t2*CWCopt(f)
其中,t1+t2=1
CWCtrain(f)为训练数据的综合指标,CWCopt(f)为验证数据的综合指标;
S708:GSA优化迭代,过程如下:
计算所有个体的引力常数Gi(f),i=1,...,N0:
其中,G0为引力常数初始值,β为衰减系数,f为当前迭代次数,Nitmax为最大迭代次数;
根据目标函数值fiti计算粒子质量Mi:
其中,Gi(f)是第i个个体引力时间常数,Mi(f)是第j个粒子的引力质量,Mj(f)是第i个粒子的引力质量,Xi(f)是第i个粒子的位置向量,Xj(f)是第j个粒子的位置向量,表示第j个位置向量的第d维度分量,表示第i个位置向量的第d维度分量,f为当前迭代次数;
其中,randj为(0,1)之间随机数,f为当前迭代次数;
其中,Mi(f)为第f次迭代的第i个个体质量,f为当前迭代次数;
更新所有个体的速度vi和位置Xi:
其中:randi为(0,1)之间随机数,d表示位置向量的第d维,f为当前迭代次数;
S709:令f=f+1,重复步骤S703-S708,直至迭代次数f大于最大迭代次数Nitmax。
4.根据权利要求2所述的方法,其特征在于,利用模糊C均值进行粗聚类获取一型隶属度矩阵。
6.一种水电机组劣化趋势区间预测系统,其特征在于,包括离线训练部分S和在线检测部分T;
所述离线训练部分S包括:
S1模块,用于利用健康状态下的水电机组状态训练数据建立水电机组健康状态模型,即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入,水电机组振动V(t)为输出,通过曲面拟合建立水电机组健康状态模型V(t)=f[P(t),H(t)],t表示水电机组状态监测时刻;
S2模块,用于利用故障状态下的水电机组状态训练数据建立机组劣化趋势模型,即以水电机组故障运行状态下的功率和水头代入机组健康状态模型得到机组标准健康振动状态并与实际的机组振动状态对比,获得机组劣化度D(t);
S4模块,用于分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t),建立上限训练数据对和下限训练数据对其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵,LL为水电机组劣化趋势时间序列总长度;
在线预测部分T包括:
T1模块,用于实时采集待预测水电机组运行状态下的功率和水头,按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵;将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型,得到待预测水电机组的劣化趋势区间。
7.根据权利要求6所述的水电机组劣化趋势区间预测系统,其特征在于,所述S6模块包括:
S601子模块,用于初始化参数,包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε;利用模糊C均值进行粗聚类获取一型隶属度矩阵U=[uik],令初始 和u ik是xk分别隶属于第i类上超平面和下超平面的隶属度,xk为训练数据的候选输入属性矩阵x的第k行;初始划分矩阵 令当前迭代次数e=0;
S602子模块,用于利用下式计算每个聚类的上下超平面参数:
其中,X=[x 1]∈RN×(M+1);y为训练数据实际的水电机组劣化趋势数据矩阵;
S603子模块,用于利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)=yk-fi(xk,αi),其中yk是训练数据实际的水电机组劣化趋势数据矩阵y=(y1,y2…yN)T的第k分量;fi(xk,αi)为区间二型T-S模糊模型的第i个输出,i=1…C;
S606子模块,用于令e=e+1,转至步骤S602,直到相邻两次迭代的差值||αi current-αi last||>ε,进入步骤S607,αi current是当前迭代的第i类超平面参数,αi last是上一次迭代的第i类超平面参数,ε是停止迭代阈值,或者e>Tmax时,停止迭代;
S607子模块,用于计算输入数据点距离上下超平面的距离:
S610子模块,用于将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。
8.根据权利要求7所述的水电机组劣化趋势区间预测系统,其特征在于,还包括S7模块,用于对所述劣化区间上限值和下限值预测模型进行优化,具体包括:
S701子模块,用于选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值,m 1和m 2为预测区间下界关于上、下隶属度的模糊权重值,和η为预测区间上、下界关于二型模糊模型的超平面调节系数,和a为预测区间上下界构造系数;
S702子模块,用于确定待优化变量的上下界[BL,BU], BL和BU分别为预测模型待优化参数的最小值和最大值;在此区间随机初始化群体中所有个体的位置向量,个体位置向量代表一组控制参数;设置最大迭代次数Nitmax、群体规模N0、初始引力常数G0,衰减系数β;令当前迭代次数f=0;
S703子模块,用于提取水电机组运行状态下的功率和水头验证数据,按照离线训练阶段S1-S5的方式得到上、下界的验证数据对;
S704子模块,用于将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型,得到验证用的预测区间;
S706子模块,计算预测区间覆盖率PICP以及预测区间宽度PINAW,以及综合指标CWC;
式中,n为采样总数,R是验证数据的实际劣化趋势的最大值与最小值之间的差值;
式中,Ci是验证数据处于劣化趋势预测区间的计数;
式中,ξ为惩罚系数,Δ为置信阈值;
S707子模块,计算个体Xi的目标函数值:
fiti(f)=t1*CWCtrain(f)+t2*CWCopt(f)
其中,t1+t2=1
CWCtrain(f)为训练数据的综合指标,CWCopt(f)为验证数据的综合指标;
S708子模块,GSA优化迭代,过程如下:
计算所有个体的引力常数Gi(f),i=1,...,N0:
其中,G0为引力常数初始值,β为衰减系数,f为当前迭代次数,Nitmax为最大迭代次数;
根据目标函数值fiti计算粒子质量Mi:
其中,Gi(f)是第i个个体引力时间常数,Mi(f)是第j个粒子的引力质量,Mj(f)是第i个粒子的引力质量,Xi(f)是第i个粒子的位置向量,Xj(f)是第j个粒子的位置向量,表示第j个位置向量的第d维度分量,表示第i个位置向量的第d维度分量,f为当前迭代次数;
其中,randj为(0,1)之间随机数,f为当前迭代次数;
其中,Mi(t)为第f次迭代的第i个个体质量,f为当前迭代次数;
更新所有个体的速度vi和位置Xi:
其中:randi为(0,1)之间随机数,d表示位置向量的第d维,f为当前迭代次数;
S709子模块,令f=f+1,重复步骤S703-S708,直至迭代次数f大于最大迭代次数Nitmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220746.6A CN110007652B (zh) | 2019-03-22 | 2019-03-22 | 一种水电机组劣化趋势区间预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220746.6A CN110007652B (zh) | 2019-03-22 | 2019-03-22 | 一种水电机组劣化趋势区间预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007652A CN110007652A (zh) | 2019-07-12 |
CN110007652B true CN110007652B (zh) | 2020-12-29 |
Family
ID=67167867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910220746.6A Active CN110007652B (zh) | 2019-03-22 | 2019-03-22 | 一种水电机组劣化趋势区间预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007652B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
CN111522858B (zh) * | 2020-03-16 | 2022-11-18 | 国家电网有限公司 | 一种基于多维状态向量的抽蓄机组性能劣化预警方法 |
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 |
CN111784534B (zh) * | 2020-06-22 | 2023-12-12 | 国网湖南省电力有限公司 | 含多子系统的综合能源计量系统运行状态预测方法及系统 |
CN112416996B (zh) * | 2020-10-14 | 2024-03-01 | 国能大渡河沙坪发电有限公司 | 振动区确定方法及装置 |
CN112249001B (zh) * | 2020-10-23 | 2021-11-02 | 奇瑞汽车股份有限公司 | 混合动力车辆能量管理方法及装置 |
CN112465034B (zh) * | 2020-11-30 | 2023-06-27 | 中国长江电力股份有限公司 | 一种基于水轮发电机的t-s模糊模型的建立方法及系统 |
CN113205368B (zh) * | 2021-05-25 | 2022-11-29 | 合肥供水集团有限公司 | 一种基于时序用水数据的工商户聚类方法 |
CN113393035B (zh) * | 2021-06-16 | 2023-09-01 | 东莞理工学院 | 一种电动汽车日充放电功率预测方法 |
CN113723493B (zh) * | 2021-08-25 | 2023-05-30 | 中车资阳机车有限公司 | 基于聚类及趋势预测的内燃机振动分析预警方法及装置 |
CN113806346A (zh) * | 2021-08-25 | 2021-12-17 | 浙江浙能台州第二发电有限责任公司 | 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机 |
CN114118812A (zh) * | 2021-11-29 | 2022-03-01 | 湖南五凌电力科技有限公司 | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 |
CN114352469B (zh) * | 2021-12-08 | 2024-02-09 | 国网江西省电力有限公司电力科学研究院 | 一种高阶水轮机调节系统稳定域计算方法及系统 |
CN114818127B (zh) * | 2022-04-18 | 2023-04-28 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
CN116738689A (zh) * | 2023-05-26 | 2023-09-12 | 中国长江电力股份有限公司 | 基于Elman模型的水轮发电机组状态健康评估系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5137307B2 (ja) * | 2006-01-27 | 2013-02-06 | 中国電力株式会社 | 水力発電所のリスク評価システム |
CN105160489B (zh) * | 2015-09-28 | 2018-07-13 | 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 |
JP6023307B1 (ja) * | 2015-10-05 | 2016-11-09 | 一夫 有▲吉▼ | 発電効率を飛躍的に高めた水力発電装置 |
CN106092190B (zh) * | 2016-06-02 | 2019-03-29 | 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 |
CN107489464B (zh) * | 2017-07-20 | 2020-06-05 | 中国神华能源股份有限公司 | 汽轮发电机组故障预警方法及系统 |
CN109032098B (zh) * | 2018-08-28 | 2021-04-09 | 云南电网有限责任公司电力科学研究院 | 一种水电机组全工况单参数退化趋势分析方法 |
CN109002026B (zh) * | 2018-08-28 | 2021-06-25 | 云南电网有限责任公司电力科学研究院 | 一种水电机组全工况综合参数退化趋势分析方法 |
-
2019
- 2019-03-22 CN CN201910220746.6A patent/CN110007652B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110007652A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007652B (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
Qin et al. | Macroscopic–microscopic attention in LSTM networks based on fusion features for gear remaining life prediction | |
Rigamonti et al. | Ensemble of optimized echo state networks for remaining useful life prediction | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
Ding et al. | A novel method for journal bearing degradation evaluation and remaining useful life prediction under different working conditions | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
Liu et al. | Multiple sensors based prognostics with prediction interval optimization via echo state Gaussian process | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN108399434A (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
Xue et al. | Data-driven prognostics method for turbofan engine degradation using hybrid deep neural network | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
CN116204779A (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及系统 | |
Shi et al. | Wasserstein distance based multi-scale adversarial domain adaptation method for remaining useful life prediction | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
US20220187772A1 (en) | Method and device for the probabilistic prediction of sensor data | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN114637620B (zh) | 一种基于svm算法的数据库系统异常分类预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |