CN111695248B - 一种抽水蓄能机组劣化状态趋势快速预警方法 - Google Patents

Abstract

本发明涉及电力系统水力发电机组领域，公开了一种抽水蓄能机组劣化状态趋势快速预警方法，包含如下步骤：1）对机组劣化状态表征参量序列进行快速集成经验模态分解，获取其多尺度序列集合；2）基于非线性散布熵理论，对多尺度序列进行自适应聚合，生成重构状态序列；3）构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，完成对重构状态序列的高效准确预测；4）根据预设状态参量报警阈值与波动水平值，实现机组劣化状态发展趋势越限报警。本发明提出的方法能够满足抽水蓄能机组在不同工况下进行劣化状态趋势准确预测的需求，精确预警机组运行状态异常情景，确保机组安全稳定运行，提高电站整体效益。

Description

一种抽水蓄能机组劣化状态趋势快速预警方法

技术领域

本发明涉及电力系统水力发电机组领域，特别涉及一种抽水蓄能机组劣化状态趋势快速预警方法。

背景技术

伴随着经济和社会的快速发展，电力负荷迅速增长，峰谷差不断加大，电网对稳定性提出了更高的要求，调峰能力不足将成为制约电力系统发展的关键问题。抽水蓄能电站作为世界公认的运行灵活可靠的调峰电源，以其调峰填谷的独特运行特性，发挥着调节负荷、促进电力系统节能和维护电网安全稳定运行的功能，逐步成为电力系统有效的、不可或缺的调节手段。为保障抽水蓄能机组的安全稳定运行，提升电站的整体运营效率，研究合理有效的抽水蓄能机组劣化状态趋势快速预警方法已成为当前提高抽水蓄能机组智能维护水平的一项重要工作。

现有的抽水蓄能机组维护思想主要采用计划检修方式，即依据工程实际制定定期停机检修方案。以上措施主要依赖于人工经验，未充分考虑机组实时运行状态的影响，且不必要的停机会造成经济成本的极大耗费。因此，基于机组当前劣化状态分析的趋势预警方法可为解决上述问题提供一种新的思路。针对抽水蓄能机组劣化状态趋势预警，目前尚未系统深入地开展相关研究，缺乏科学完备的抽水蓄能机组劣化状态趋势预警理论体系，不能满足对机组实施预防性状态维护的功能需求。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种抽水蓄能机组劣化状态趋势快速预警方法，研究了合理有效的机组劣化状态趋势预警理论，可以满足对机组实施预防性状态维护。

技术方案：本发明提供了一种抽水蓄能机组劣化状态趋势快速预警方法，包括如下步骤：

步骤1：对机组劣化状态表征参量序列进行快速集成经验模态分解，获取其多尺度序列集合；

步骤2：基于非线性散布熵理论，对步骤1中分解所得多尺度序列进行自适应聚合，生成重构状态序列；

步骤3：构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，完成对步骤2中重构状态序列的预测；

步骤4：根据预设状态参量报警阈值与波动水平值，实现机组劣化状态发展趋势越限报警。

进一步地，所述步骤1包括如下子步骤：

(1-1)依据相关分析等大数据分析理论方法，从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量M_i；

(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解，获取其多尺度序列集合{IMF(M_i)₁,IMF(M_i)₂,…,IMF(M_i)_n}。

进一步地，所述步骤2生成重构状态序列包括如下步骤：

(2-1)根据非线性散布熵理论，逐项计算多尺度序列集合中每个序列的散布熵数值

其中，c表示多尺度序列，ξ为嵌入维度，ω为时延，s为映射序列类别个数，表示每种模态/>的出现频率；

(2-2)基于计算所得各多尺度序列的散布熵数值，通过下式完成对多尺度序列的自适应聚合，生成重构状态序列{RIMF(M_i)₁,RIMF(M_i)₂,…,RIMF(M_i)_m}：

其中，n表示多尺度序列个数，H_i、H_i+j分别表示第i个和第i+j个多尺度序列的散布熵数值，H_max、H_min分别表示各多尺度序列散布熵值中的最大值和最小值，i、j分别表示多尺度序列集合中的序列次序。

进一步地，所述步骤3包括如下子步骤：

(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，逐项预测重构状态序列集中每个序列的发展趋势值；

(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值，得到机组劣化状态发展趋势预测值

进一步地，所述融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，采用灰色建模预测、马尔科夫修正、滚动循环建模的层进式预测体系。

进一步地，所述步骤4机组劣化状态发展趋势越限报警包括如下步骤：

(4-1)依据数值计算或专家经验，确定机组状态参量M_i报警阈值M_iW及波动水平值α；

(4-2)自动判别条件：

若条件满足，则进行机组劣化状态发展趋势越限报警；

若条件不满足，则继续预测下一时段机组劣化状态发展趋势。

有益效果：

(1)本发明首次将劣化状态趋势预警的思想引入抽水蓄能机组维护决策的领域之中，综合考虑了机组实时状态的影响，克服了维护决策的制定过度依赖于人工经验的局限，一定程度上避免了不必要的停机造成的经济损失，填补了预防性状态维护思想在抽水蓄能机组维护领域尚无实际工程应用的空白，有效提升抽水蓄能机组及其各子系统相关功能的执行水平，确保电站安全、可靠、高效运行。

(2)本发明首次考虑采用快速集成经验模态分解方法完成对机组劣化状态表征参量序列的分解，并基于非线性散布熵理论实现对多尺度序列的自适应聚合重构，充分捕获机组劣化状态演变的内在规律，提升机组劣化状态趋势的可预测水平。

(3)本发明首次构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，系统集成了灰色预测理论、马尔科夫随机方法和滚动循环建模机制，以重构状态序列为输入，通过灰色建模预测、马尔科夫修正和滚动循环建模的层进式执行流程，完成对重构状态序列的高效预测，进而得到准确的机组劣化状态发展趋势预测结果，显著提高了机组状态趋势的预测精度，攻克了难以有效实现机组状态预警的理论难题，为抽水蓄能机组实施智能状态维护提供可靠的理论指导与技术支持。

附图说明

图1为本发明提供的抽水蓄能机组劣化状态趋势快速预警方法的流程图；

图2为本发明实施例中的抽水蓄能机组劣化状态表征参量序列变化曲线；

图3为本发明实施例中的抽水蓄能机组劣化状态表征参量序列分解后所得多尺度序列集合曲线；

图4为本发明实施例中的多尺度序列集合中每个序列的散布熵数值分布结果；

图5为本发明实施例中的多尺度序列集合经自适应聚合后所得重构状态序列曲线；

图6为本发明提供的融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型结构图；

图7为本发明提供的滚动循环建模的原理图；

图8为本发明提供的融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型的计算流程图；

图9为本发明实施例中的各重构状态序列的发展趋势预测结果；

图10为本发明实施例中的抽水蓄能机组劣化状态发展趋势预测结果。

具体实施方式

下面结合附图对本发明进行详细的介绍。

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。

本发明以国内某电站抽水蓄能机组劣化状态趋势预警作为分析案例，图1所示为本发明提供的抽水蓄能机组劣化状态趋势快速预警方法的流程图，具体包括以下步骤：

步骤1：对机组劣化状态表征参量序列进行快速集成经验模态分解，获取其多尺度序列集合。

(1-1)依据相关分析等大数据分析理论方法，从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量M_i。以国内某电站抽水蓄能机组劣化状态趋势预警作为分析案例，如图2所示为机组劣化状态表征参量序列原始变化曲线。

(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解，获取其多尺度序列集合{IMF(M_i)₁,IMF(M_i)₂,…,IMF(M_i)_n}。由快速集成经验模态分解原理可知，原始参量序列可被分解为n个固有模态函数(IMFs)和一个残余分量r，即：

如图3所示为机组劣化状态表征参量序列经快速集成经验模态分解后所得多尺度序列集合曲线，可知原始参量序列被分解为7个IMFs和1个残余分量r。

步骤2：基于非线性散布熵理论，对分解所得多尺度序列进行自适应聚合，生成重构状态序列。

(2-1)根据非线性散布熵理论，逐项计算多尺度序列集合中每个序列的散布熵数值

其中，c表示多尺度序列，ξ为嵌入维度，ω为时延，s为映射序列类别个数，表示每种模态/>的出现频率。

如图4所示为多尺度序列IMF1～IMF7、r中每个序列的散布熵数值分布结果，可知其散布熵数值逐渐递减，直至减小为0，充分揭示了多尺度序列分布特征的内在属性。

(2-2)基于计算所得各多尺度序列的散布熵数值，通过下式完成对多尺度序列的自适应聚合，生成重构状态序列{RIMF(M_i)₁,RIMF(M_i)₂,…,RIMF(M_i)_m}：

其中，n表示多尺度序列个数，H_i、H_i+j分别表示第i个和第i+j个多尺度序列的散布熵数值，H_max、H_min分别表示各多尺度序列散布熵值中的最大值和最小值，i、j分别表示多尺度序列集合中的序列次序。

由上式可知，依据非线性散布熵分布情况，多尺度序列集可被自适应聚合为四组，如表1所示：

表1多尺度序列集自适应聚合描述

组别	包含多尺度序列	散布熵分布范围
			1	IMF1	[0.669,0.892]
2	IMF2～IMF3	[0.442,0.665]
			3	IMF4～IMF6	[0.174,0.397]
4	IMF7，r	[0,0.159]

根据表1对原始多尺度序列集进行自适应聚合，生产重构状态序列集{RIMF1,RIMF2,RIMF3,RIMF4}。

如图5所示为多尺度序列集合经自适应聚合后所得重构状态序列曲线，可知经自适应聚合后，原始多尺度序列集的复杂程度得到了显著降低。

步骤3：基于非线性散布熵理论，对分解所得多尺度序列进行自适应聚合，生成重构状态序列。

(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，逐项预测重构状态序列集中每个序列的发展趋势值

如图6所示为融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型结构图，可知其系统集成了灰色预测理论、马尔科夫随机方法和滚动循环建模机制，以重构状态序列为模型输入，输出状态序列发展趋势预测结果。

如图7所示为滚动循环建模的原理图，可知其通过滚动重构建模序列的模式，实现预测模型的循环重建过程。

如图8所示为融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型的计算流程图。以L＝3,S＝5代入以上流程进行计算，可逐一得到重构状态序列RIMF1～RIMF4的趋势预测结果。如图9所示为各重构状态序列的趋势预测结果曲线，可知预测结果能够良好拟合原始重构状态序列曲线的变化情况。

(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值，即：得到机组劣化状态发展趋势预测值/>

将重构状态序列RIMF1～RIMF4的趋势预测结果进行累加，可得机组劣化状态发展趋势预测结果。如图10所示为抽水蓄能机组劣化状态发展趋势预测结果曲线。由图示结果可知，最终预测曲线能够良好拟合原始原始劣化状态变化曲线，充分验证了上述状态趋势预测方法的有效性。

步骤4：根据预设状态参量报警阈值与波动水平值，实现机组劣化状态发展趋势越限报警。

(4-1)依据数值计算或专家经验等方法，确定机组状态参量M_i报警阈值M_iW及波动水平值α。

(4-2)自动判别如下条件：

若条件满足，则进行机组劣化状态发展趋势越限报警。若条件不满足，则继续预测下一时段机组劣化状态发展趋势。

上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种抽水蓄能机组劣化状态趋势快速预警方法，其特征在于，包括如下步骤：

步骤1：对机组劣化状态表征参量序列进行快速集成经验模态分解，获取其多尺度序列集合；

步骤2：基于非线性散布熵理论，对步骤1中分解所得多尺度序列进行自适应聚合，生成重构状态序列；

步骤3：构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，完成对步骤2中重构状态序列的预测；所述融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，采用灰色建模预测、马尔科夫修正、滚动循环建模的层进式预测体系；

(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型，逐项预测重构状态序列集中每个序列的发展趋势值；具体包括如下步骤：

1)设定原始建模序列为d(1),d(2),...,d(n)，初始化w＝1；

2)设定滚动建模机制的步长为L，灰色模型系数为[a_w,b_w]^T；

3)原始预测值为经过马尔科夫修正的状态系数S得到修正后的预测值为：/>状态系数S表示马尔科夫随机过程中的状态区间的个数；

利用上述的修正预测值替换原始建模值，判断w≥N/L，N为待预测趋势序列的长度，即待预测的数据点的个数，如果是则输出最终的预测值否则继续执行2)、3)；

(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值，得到机组劣化状态发展趋势预测值

步骤4：根据预设状态参量报警阈值与波动水平值，实现机组劣化状态发展趋势越限报警；

(4-1)依据数值计算或专家经验，确定机组状态参量M_i报警阈值M_iW及波动水平值α；

(4-2)自动判别条件：

若条件满足，则进行机组劣化状态发展趋势越限报警；

若条件不满足，则继续预测下一时段机组劣化状态发展趋势。

2.根据权利要求1所述的抽水蓄能机组劣化状态趋势快速预警方法，其特征在于，所述步骤1包括如下子步骤：

(1-1)依据相关分析等大数据分析理论方法，从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量M_i；

(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解，获取其多尺度序列集合{IMF(M_i)₁,IMF(M_i)₂,…,IMF(M_i)_n}。

3.根据权利要求1所述的抽水蓄能机组劣化状态趋势快速预警方法，其特征在于，所述步骤2生成重构状态序列包括如下步骤：

(2-1)根据非线性散布熵理论，逐项计算多尺度序列集合中每个序列的散布熵数值

其中，c表示多尺度序列，ξ为嵌入维度，ω为时延，s为映射序列类别个数，表示每种模态/>的出现频率；

(2-2)基于计算所得各多尺度序列的散布熵数值，通过下式完成对多尺度序列的自适应聚合，生成重构状态序列{RIMF(M_i)₁,RIMF(M_i)₂,…,RIMF(M_i)_m}：

其中，n表示多尺度序列个数，H_i、H_i+j分别表示第i个和第i+j个多尺度序列的散布熵数值，H_max、H_min分别表示各多尺度序列散布熵值中的最大值和最小值，i、j分别表示多尺度序列集合中的序列次序。