CN111915052A - 一种模拟量测值智能预测算法的自适应测试方法 - Google Patents
一种模拟量测值智能预测算法的自适应测试方法 Download PDFInfo
- Publication number
- CN111915052A CN111915052A CN202010457983.7A CN202010457983A CN111915052A CN 111915052 A CN111915052 A CN 111915052A CN 202010457983 A CN202010457983 A CN 202010457983A CN 111915052 A CN111915052 A CN 111915052A
- Authority
- CN
- China
- Prior art keywords
- value
- analog measurement
- analog
- time
- point
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 118
- 238000010998 test method Methods 0.000 title claims description 13
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种模拟量测值智能预测算法的自适应测试方法,为技术人员测试智能趋势判断算法的性能提供有效手段,也可为智能趋势判断算法提供故障样本。具体步骤如下:首先从时序事件记录表、模拟量测点表、报警阈值表中读取事件记录顺序情况、模拟量测点ID、模拟量测点报警值;接着获取统计周期内机组正常运行状态的运行记录形成基于开关量信号的模拟量测点测值历史统计;然后综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值;最后将带时标的模拟量测点模拟测值提供给机组启动状态模拟量测值智能预测算法测试,并计算灵敏度,当灵敏度超过阈值域时,发出报警提醒技术人员调整算法。
Description
技术领域
本发明涉及电气设备技术领域,具体涉及一种模拟量测值智能预测算法的自适应测试方法。
背景技术
发电厂值班员监盘需要对超过500以上个带跳闸出口功能的模拟量测点进行监视。这些带跳闸出口功能的模拟量测点分布于监控系统上位机不同模拟图中。依靠值班员人工跟踪变化趋势提前发现异常实属不可能实现的工作任务。当前机器学习等智能技术蓬勃发展,智能技术在趋势判断和预测方面提供了重要技术手段。
然而不容忽视的是,这些智能技术依赖于故障样本,需要大量故障样本参与算法训练过程,才能保证良好的实施效果。在技术成熟的发电厂运维中故障样本数据少之又少。此外更缺少检验智能技术实施效果的测试方法。对于智能技术的应用效果停留在主观模糊的认识,甚至停留于偶然事件的处置中。
过去故障样本的获取都来自于大修后调试和故障处理,获取这些故障样本代价极高,此外这些故障样本的数值特性不能完全覆盖故障情况下的趋势特征,具有一定局限性。由此可见,当前急需测试智能趋势判断算法的性能的手段和为智能趋势判断算法提供故障样本的方法。
发明内容
本发明提供一种模拟量测值智能预测算法的自适应测试方法,可综合历史运行情况、报警阈值、开关量信号的测试机组启动状态模拟量测值智能预测算法的实施效果,以自动根据机组历史运行情况进行自适应调整进行测试,使得获得故障样本和测试智能技术实施效果的工作,得以通过计算机多快好省的一揽子解决。
本发明一种模拟量测值智能预测算法的自适应测试方法,包括以下步骤:
(1.1)从时序事件记录表、模拟量测点表、报警阈值表中读取事件记录顺序情况、模拟量测点ID、模拟量测点报警值;
(1.2)获取统计周期内机组正常运行状态的运行记录形成基于开关量信号的模拟量测点测值历史统计;
(1.3)综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值;
(1.4)将带时标的模拟量测点模拟测值提供给机组启动状态模拟量测值智能预测算法测试,并计算灵敏度;
(1.5)当灵敏度小于阈值时,发出报警提醒技术人员调整算法。
上述方法中,所述时序事件记录表为技术人员按先后顺序设置的带时间记录、状态记录、设备描述的开关量信号集合K,所述开关量信号集合K至少包含机组开机令信号、机组稳态信和机组负荷达到基荷信号;所述模拟量测点表为值班员设置的待测试的模拟量测点ID集合M;所述报警阈值表为模拟量测点的一级报警集合B1和模拟量测点的二级报警集合B2。
上述方法中,所述的基于开关量信号的模拟量测点测值历史统计由以下步骤获得:
(3.1)遍历统计周期内的开关量信号记录,将按顺序同时满足开关量信号集合K的开关量信号取出,按开关量信号集合K的顺序将取出的开关量信号的时间存在时间序列TL中;
(3.2)遍历该统计周期内的模拟量测点ID集合M的模拟量记录,将时标为时间序列TL且为模拟量测点集合M的测点测值的最大值取出获得测点测值集合CL;
(3.3)测点测值集合CL即为基于开关量信号的模拟量测点测值历史统计。
上述方法中,所述综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值由以下步骤获得:
(4.1)从测点测值集合CL获取平均值maxave,从报警阈值表中获取机组该测点一级报警值b1和机组该测点二级报警值b2;
(4.2)计算获得叠加斜率k1,叠加斜率k1=b1/maxave-1,计算获得叠加斜率k2,叠加斜率k2=b2/maxave-1;
(4.3)设i=1,测试样本数yb,公差d=(k2-k1)/yb;
(4.4)计算tmp1=k1+(i-1)×d;
(4.5)当i不大于yb时,将tmp1存到向量k(i)中,i=i+1,转至(4.4)步,当i大于yb时,执行第(4.6)步;
(4.6)将向量k中各元素加0.01后即为叠加斜率向量k。
(4.7)获取开关量信号集合K中机组开机令信号的时刻T1,机组负荷达到基荷信号的时刻T3;
(4.8)设i=1。
(4.9)获取带时标的实测模拟量测值为x(t),在T1时刻前y(t)=x(t),在T1和T2之间y(t)=x(t)×(1+k(i)),在T3时刻之后y(t)=x(t)+(y(T3)-x(T3))。
(4.10)当i不大于yb时,将列向量y转置后存到矩阵yy中,i=i+1,转至(4.9)步,当i大于yb时,执行第(4.11)步;
(4.11)矩阵yy即为带时标的模拟量测点模拟测值。
上述方法中,所述灵敏度由以下步骤计算获得:
(5.1)获取测试样本数yb;
(5.2)获取开关量信号集合K中机组开机令信号的时刻T1,机组稳态信号的时刻T2,机组负荷达到基荷信号的时刻T3,设i=1,f=0;
(5.3)将带时标t的模拟量测点模拟测值yy(i,:)提供给机组启动状态模拟量测值智能预测算法测试,测试算法在时刻T2前发现故障的f=f+1;
(5.4)当i不大于yb时,i=i+1,转至(5.3)步,当i大于yb时,执行第(5.5)步;
(5.5)灵敏度L=f/yb×100%。
上述方法中,所述的阈值δ是50%。
与现有技术相比,本发明填补了工程界的空白,具有以下有益效果:
(1)本发明提供了针对机组启动状态模拟量测值智能预测算法的标准化测试方法,本发明提供的测试可完全覆盖故障情况下的趋势特征,打破了原依靠实测故障样本的局限性;
(2)本发明可自动根据机组历史运行情况进行自适应调整以满足测试要求,使得获得故障样本和测试智能技术实施效果的工作,得以通过计算机多快好省的一揽子解决。
(3)本发明实现了对智能技术实施效果的量化评价,为智能技术调参,遴选合适算法和实施手段提供指标支撑,也实现了智能技术实施效果验证工作的前移,避免通过实际工程进行验证带来的损失和不确定影响。
附图说明
图1为本发明实施例中一种模拟量测值智能预测算法的自适应测试方法的流程图。
图2为本发明实施例中模拟量测量的模拟测值和实测原值的示意图。
具体实施方式
以下结合附图和实例对本发明的具体实施作进一步说明,但本发明的实施和保护不限于此。需指出的是,以下若有未特别详细说明之过程,均是本领域技术人员可参照现有技术实现或理解的。
本发明结合工程经验进行标准化,提供了综合历史运行情况、报警阈值、开关量信号的测试机组启动状态模拟量测值智能预测算法的测试方法。此外本发明可以自动根据机组历史运行情况进行自适应调整进行测试,使得获得故障样本和测试智能技术实施效果的工作,得以通过计算机多快好省的一揽子解决。
以下对广州蓄能水电厂2019年04月10日11:00至19:00,#4机组发电工况启动的监控信号进行实例分析。
结合图1流程,一种专用于测试机组启动状态模拟量测值智能预测算法的自适应测试方法包括以下步骤:
(1.1)从时序事件记录表(下表1)、模拟量测点表(下表2)、报警阈值表(下表3)中读取事件记录顺序情况、模拟量测点ID、模拟量测点报警值。时序事件记录表为技术人员按先后顺序设置的带时间记录、状态记录、设备描述的开关量信号集合K,所述开关量信号集合K至少包含机组开机令信号、机组稳态信号和机组负荷达到基荷信号;所述模拟量测点表为值班员设置的待测试的模拟量测点ID集合M;所述报警阈值表为模拟量测点的一级报警集合B1和模拟量测点的二级报警集合B2。
表1时序事件记录表
序号 | 开关量信号 | 事件描述 | 状态 |
1 | K<sub>1</sub> | 机组开机信号 | 已开机 |
6 | K<sub>6</sub> | 机组工况到达稳态信号 | 已到达稳态 |
表2模拟量测点表
表3报警阈值表
序号 | 模拟量测点短名 | 一级报警值B<sub>1</sub> | 二级报警值B<sub>2</sub> |
1 | 04GTASMS4 | 75℃ | 80℃ |
(1.2)获取机组该统计周期内正常运行状态的运行记录形成基于开关量信号的模拟量测点测值历史统计,本实施例中的统计周期为近半年。
获得历史统计的具体步骤为:遍历近半年内的开关量信号记录,将按顺序并同时满足开关量信号集合K的开关量信号取出,按开关量信号集合K的顺序将取出的开关量信号的时间存在时间序列TL中;
遍历近半年内的模拟量测点ID集合M的模拟量记录,将时标为时间序列TL且为模拟量测点集合M的测点测值的最大值取出获得测点测值集合CL;
测点测值集合CL即为基于开关量信号的模拟量测点测值历史统计(下表4)。
表4测点历史统计
测点测值集合 | 测点测值集合CL的平均值maxave |
CL | 60.7℃ |
(1.3)综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值,具体步骤如下:
(1.3a)从测点测值集合CL获取平均值maxave,从报警阈值表中获取机组该测点一级报警值b1和机组该测点二级报警值b2;
(1.3b)计算获得叠加斜率k1,叠加斜率k1=b1/maxave-1,计算获得叠加斜率k2,叠加斜率k2=b2/maxave-1;
本实施例中,计算获得的叠加斜率k1=b1/maxave-1=75/60.7-1=0.2356,叠加斜率k2=b2/maxave-1=80/60.7-1=0.3180。
(1.3c)设i=1,i表示测点第i个越限测试样本,测试样本数yb,公差d=(k2-k1)/yb=0.0165;
(1.3d)计算tmp1=k1+(i-1)×d,tmp1表示在测点最大平均测值的基础上叠加tmp1的变化速度可使测点测值越限;
(1.3e)当i不大于yb时,将tmp1存到向量k(i)中,向量k(i)表示测点第i个越限测试样本测值叠加变化速度,i=i+1,转至(4.4)步,当i大于yb时,执行第(4.6)步;
i=1,tmp1=k1+(i-1)×d=0.2356,k(1)=0.2356;
i=2,tmp1=k1+(i-1)×d=0.2356+1×0.0165,k(2)=0.2521;
i=3,tmp1=k1+(i-1)×d=0.2356+2×0.0165,k(3)=0.2521;
i=4,tmp1=k1+(i-1)×d=0.2356+3×0.0165,k(4)=0.2521;
i=5,tmp1=k1+(i-1)×d=0.2356+4×0.0165,k(5)=0.3015;
k(i)=[0.2356,0.2521,0.2521,0.2521,0.3015]T
(1.3f)将向量k(i)各元素加0.01后即为叠加斜率向量k,i∈[1,yb];
k=k(i)+0.01
k=[0.2456,0.2621,0.2785,0.2950,0.3115]T
(1.3g)获取开关量信号集合K中机组开机令信号的时刻T1,机组负荷达到基荷信号的时刻T3;本实施例中,机组开机令信号的时刻T1=2019-04-10 11:13:22,对应图2中数值型时间为737525.46,机组负荷达到基荷信号的时刻T3=2019-04-10 18:15:30,对应图中数值型时间为737525.76;
(1.3h)设i=1;
(1.3i)获取带时标的实测模拟量测值为x(t),在T1时刻前y(t)=x(t),在T1和T2之间y(t)=x(t)×(1+k(i)),在T3时刻之后y(t)=x(t)+(y(T3)-x(T3)),其中,T2代表机组稳态信号的时刻,本实施例的机组稳态信号的时刻T2=2019-04-10 11:17:06,对应图2中数值型时间为737525.47;
(1.3j)当i不大于yb时,将列向量y转置后存到矩阵yy中,i=i+1,转至(4.9)步,当i大于yb时,执行第(4.11)步;
(1.3k)矩阵yy(i,:)即为带时标的模拟量测点模拟测值。
i=1时
y(T3)=75.53;x(T3)=60.7;
在T1时刻前y(t)=x(t),
在T1和T2之间y(t)=x(t)×(1+0.2456)
在T3时刻之后y(t)=x(t)+14.833。
yy(1,:)为T1至T3之后各y(t)的组合。
i=2时
y(T3)=76.53;x(T3)=60.70;
在T1时刻前y(t)=x(t),
在T1和T2之间y(t)=x(t)×(1+0.2621)
在T3时刻之后y(t)=x(t)+15.828。
yy(2,:)为T1至T3之后各y(t)的组合。
i=3时
y(T3)=77.52;x(T3)=60.70;
在T1时刻前y(t)=x(t),
在T1和T2之间y(t)=x(t)×(1+0.2785)
在T3时刻之后y(t)=x(t)+16.823。
yy(3,:)为T1至T3之后各y(t)的组合。
i=4时
y(T3)=78.52;x(T3)=60.70;
在T1时刻前y(t)=x(t),
在T1和T2之间y(t)=x(t)×(1+0.2950)
在T3时刻之后y(t)=x(t)+17.818。
yy(4,:)为T1至T3之后各y(t)的组合。
i=5时
y(T3)=79.51;x(T3)=60.70;
在T1时刻前y(t)=x(t),
在T1和T2之间y(t)=x(t)×(1+0.3115)
在T3时刻之后y(t)=x(t)+18.814。
yy(5,:)为T1至T3之后各y(t)的组合。
(1.4)将带时标的模拟量测点模拟测值提供给机组启动状态模拟量测值智能预测算法测试,并计算灵敏度;
如图2所示,粗实线曲线为模拟量测点的实测原值,细点线曲线为带时标的模拟量测点模拟测值,将带时标的模拟量测点模拟测值提供给机组启动状态模拟量测值智能预测算法进行测试。
本实施例中,在时刻T2前发现故障f=4,yb=5,则灵敏度L=f/yb×100%=80%。
(1.5)当灵敏度小于阈值时,发出报警提醒技术人员调整算法。本实施例中阈值δ是50%。
本实施例中,灵敏度L不小于阈值,无需发报警提醒技术人员调整算法。
结论:
可见,本发明提供了针对机组启动状态模拟量测值智能预测算法测试的标准化测试方法,提供的测试可完全覆盖故障情况下的趋势特征,打破了原依靠实测故障样本的局限性。可自动根据机组历史运行情况进行自适应调整以满足测试要求,使得获得故障样本和测试智能技术实施效果的工作,得以通过计算机多快好省的一揽子解决。同时也实现了对智能技术实施效果的量化评价,为智能技术调参,遴选合适算法和实施手段提供指标支撑,也实现了智能技术实施效果验证工作的前移,避免通过实际工程进行验证带来的损失和不确定影响。
Claims (6)
1.一种模拟量测值智能预测算法的自适应测试方法,其特征在于包括以下步骤:
(1.1)从时序事件记录表、模拟量测点表、报警阈值表中读取事件记录顺序情况、模拟量测点ID、模拟量测点报警值;
(1.2)获取统计周期内机组正常运行状态的运行记录形成基于开关量信号的模拟量测点测值历史统计;
(1.3)综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值;
(1.4)将带时标的模拟量测点模拟测值提供给机组启动状态模拟量测值智能预测算法测试,并计算灵敏度;
(1.5)当灵敏度小于阈值时,发出报警提醒技术人员调整算法。
2.根据权利要求1所述的一种模拟量测值智能预测算法的自适应测试方法,其特征在于:步骤(1.1)所述时序事件记录表为按先后顺序设置的带时间记录、状态记录、设备描述的开关量信号集合K,所述开关量信号集合K至少包含机组开机令信号、机组稳态信号和机组负荷达到基荷信号;所述模拟量测点表为待测试的模拟量测点ID集合M;所述报警阈值表为模拟量测点的一级报警集合B1和模拟量测点的二级报警集合B2。
3.根据权利要求2所述的一种模拟量测值智能预测算法的自适应测试方法,其特征在于,步骤(1.2)所述的基于开关量信号的模拟量测点测值历史统计由以下步骤获得:
(3.1)遍历统计周期内的开关量信号记录,将按顺序并同时满足开关量信号集合K的开关量信号取出,按开关量信号集合K的顺序将取出的开关量信号的时间存在时间序列TL中;
(3.2)遍历统计周期内的模拟量测点ID集合M的模拟量记录,将时标为时间序列TL且为模拟量测点集合M的测点测值的最大值取出获得测点测值集合CL;
(3.3)测点测值集合CL即为基于开关量信号的模拟量测点测值历史统计。
4.根据权利要求3所述的一种模拟量测值智能预测算法的自适应测试方法,其特征在于,步骤(1.3)所述综合历史统计、模拟量测点报警值、模拟量测点当前测值计算获得带时标的模拟量测点模拟测值由以下步骤获得:
(4.1)从测点测值集合CL获取平均值maxave,从报警阈值表中获取机组该测点一级报警值b1和机组该测点二级报警值b2;
(4.2)计算获得叠加斜率k1,叠加斜率k1=b1/maxave-1,计算获得叠加斜率k2,叠加斜率k2=b2/maxave-1;
(4.3)设i=1,i表示测点第i个越限测试样本,测试样本数yb,公差d=(k2-k1)/yb;
(4.4)计算tmp1=k1+(i-1)×d,tmp1表示在测点最大平均测值的基础上叠加tmp1的变化速度可使测点测值越限;
(4.5)当i不大于yb时,将tmp1存到向量k(i)中,向量k(i)表示测点第i个越限测试样本测值叠加变化速度,i=i+1,转至(4.4)步,当i大于yb时,执行第(4.6)步;
(4.6)将向量k(i)中各元素加0.01后即为叠加斜率向量k,i∈[1,yb];
(4.7)获取开关量信号集合K中机组开机令信号的时刻T1,机组负荷达到基荷信号的时刻T3;
(4.8)设i=1;
(4.9)获取带时标的实测模拟量测值为x(t),在T1时刻前y(t)=x(t),在T1和T2之间y(t)=x(t)×(1+k(i)),在T3时刻之后y(t)=x(t)+(y(T3)-x(T3)),其中,T2代表机组稳态信号的时刻,y(t)表示测点的模拟测试测值;
(4.10)当i不大于yb时,将列向量y转置后存到矩阵yy中,i=i+1,转至(4.9)步,当i大于yb时,执行第(4.11)步;
(4.11)矩阵yy(i,:)即为带时标的模拟量测点模拟测值。
5.根据权利要求4所述的一种模拟量测值智能预测算法的自适应测试方法,其特征在于,步骤(1.4)所述灵敏度由以下步骤计算获得:
(5.1)获取测试样本数yb;
(5.2)获取开关量信号集合K中机组开机令信号的时刻T1,机组稳态信号的时刻T2,机组负荷达到基荷信号的时刻T3,设i=1,故障f=0;
(5.3)将带时标t的模拟量测点模拟测值yy(i,:)提供给机组启动状态模拟量测值智能预测算法测试,测试算法在时刻T2前发现故障的f=f+1;
(5.4)当i不大于yb时,i=i+1,转至(5.3)步,当i大于yb时,执行第(5.5)步;
(5.5)灵敏度L=f/yb×100%。
6.根据权利要求1所述的一种模拟量测值智能预测算法的自适应测试方法,其特征在于:步骤(1.5)所述的阈值δ是50%。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457983.7A CN111915052B (zh) | 2020-05-26 | 2020-05-26 | 一种模拟量测值智能预测算法的自适应测试方法 |
PCT/CN2020/119659 WO2021238013A1 (zh) | 2020-05-26 | 2020-09-30 | 一种模拟量测值智能预测算法的自适应测试方法 |
US17/613,808 US20220317646A1 (en) | 2020-05-26 | 2020-09-30 | Self-adaptive test method for intelligent prediction algorithm of analog measured values |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010457983.7A CN111915052B (zh) | 2020-05-26 | 2020-05-26 | 一种模拟量测值智能预测算法的自适应测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915052A true CN111915052A (zh) | 2020-11-10 |
CN111915052B CN111915052B (zh) | 2023-05-02 |
Family
ID=73237483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010457983.7A Active CN111915052B (zh) | 2020-05-26 | 2020-05-26 | 一种模拟量测值智能预测算法的自适应测试方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220317646A1 (zh) |
CN (1) | CN111915052B (zh) |
WO (1) | WO2021238013A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996027231A2 (fr) * | 1995-02-25 | 1996-09-06 | Nanjing Automation Research Institute | Procede decisionnel d'analyse qualitative et systeme de commande assurant la stabilite d'un reseau electrique |
CN104730970A (zh) * | 2013-12-23 | 2015-06-24 | 青岛万力科技有限公司 | 换热机组智能控制系统 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110500571A (zh) * | 2019-08-15 | 2019-11-26 | 国网河南省电力公司电力科学研究院 | 一种火电机组蒸汽温度快速下降的预警控制方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103633739B (zh) * | 2013-11-28 | 2015-05-20 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
CN105069690B (zh) * | 2015-06-11 | 2019-01-29 | 国家电网公司 | 一种电网运行数据处理方法 |
US10230239B2 (en) * | 2015-11-09 | 2019-03-12 | Abb Schweiz Ag | Hierarchical robust model predictive voltage and VAR control with coordination and optimization of autonomous DER voltage control |
CN107944633A (zh) * | 2017-12-07 | 2018-04-20 | 北京能源集团有限责任公司 | 基于模型趋势预测的报警方法及系统 |
CN109524139B (zh) * | 2018-10-23 | 2023-06-13 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
-
2020
- 2020-05-26 CN CN202010457983.7A patent/CN111915052B/zh active Active
- 2020-09-30 US US17/613,808 patent/US20220317646A1/en active Pending
- 2020-09-30 WO PCT/CN2020/119659 patent/WO2021238013A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996027231A2 (fr) * | 1995-02-25 | 1996-09-06 | Nanjing Automation Research Institute | Procede decisionnel d'analyse qualitative et systeme de commande assurant la stabilite d'un reseau electrique |
CN104730970A (zh) * | 2013-12-23 | 2015-06-24 | 青岛万力科技有限公司 | 换热机组智能控制系统 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110500571A (zh) * | 2019-08-15 | 2019-11-26 | 国网河南省电力公司电力科学研究院 | 一种火电机组蒸汽温度快速下降的预警控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
王博等: "电站风机故障智能预警技术的应用研究", 《热能动力工程》 * |
苏宇等: "模拟量缓变智能预警在溪洛渡电厂的应用", 《水电站机电技术》 * |
Also Published As
Publication number | Publication date |
---|---|
US20220317646A1 (en) | 2022-10-06 |
CN111915052B (zh) | 2023-05-02 |
WO2021238013A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153211B (zh) | 报警参数的趋势分析和自动调谐的方法 | |
CN111639921B (zh) | 一种基于专家系统的设备故障智判与辅助处置方法 | |
JP3839478B2 (ja) | 技術的設備のプロセスデータの解析方法 | |
KR20020019022A (ko) | 반도체 처리 기술 | |
CN111913056B (zh) | 一种自适应超实时机组工况启动状态预估方法 | |
CN101676559B (zh) | 风力涡轮机的警报掩码生成和状态监控的方法 | |
EP1982301A1 (en) | Method of condition monitoring | |
CN110764474B (zh) | 监测设备运行状态的方法和系统 | |
US20110112999A1 (en) | Method for predicting and warning of wafer acceptance test value | |
JP3961018B2 (ja) | 技術的設備に対する監視システム | |
KR20090001148A (ko) | 가상 계측 시스템 및 가상 계측 방법 | |
CN114721352B (zh) | Dcs系统的状态监测与故障诊断方法及系统 | |
CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN111915052A (zh) | 一种模拟量测值智能预测算法的自适应测试方法 | |
CN109460099B (zh) | 电气设备表面温升电流跟踪调整检验装置及检验方法 | |
CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
CN110688624A (zh) | 一种基于运行状态异常信息的变压器故障概率计算方法 | |
CN115575795A (zh) | 电路板卡的老化测试装置及方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN115167366A (zh) | 基于传感器信号残差序列加权平方和的板卡故障诊断方法 | |
CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN111190415A (zh) | 一种工业控制系统可用率测试方法及系统 |
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 |