CN111931849B - 一种水电机组运行数据趋势预警方法 - Google Patents
一种水电机组运行数据趋势预警方法 Download PDFInfo
- Publication number
- CN111931849B CN111931849B CN202010799840.4A CN202010799840A CN111931849B CN 111931849 B CN111931849 B CN 111931849B CN 202010799840 A CN202010799840 A CN 202010799840A CN 111931849 B CN111931849 B CN 111931849B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- time
- early warning
- hydroelectric generating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010977 unit operation Methods 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012217 deletion Methods 0.000 claims description 15
- 230000037430 deletion Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水电机组运行数据趋势预警方法，包括以下步骤：S1、定时采集水电机组运行数据；S2、对水电机组工况数据集进行预处理，得到训练数据集；S3、训练LSTM，得到当前优化的LSTM；S4、采用当前优化的LSTM对水电机组工况进行趋势预测，得到预测结果；S5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的前端，结束预警流程；本发明解决了现有预测方法存在：单因素预测的可靠性低，欠缺多影响因素的结合、时间序列数据的优势不明显以及高效实时效率低的问题。
Description
技术领域
本发明涉及水电机组故障诊断领域，具体涉及一种水电机组运行数据趋势预警方法。
背景技术
水电发电厂生产设备系统繁多、关联复杂、各设备运行状态等需要监测和分析的信息数据量非常庞大。对于已发生的设备故障，通过监控系统可以监测到。然而为了防患于未然，保证运行安全，运行维护值班人员和专业工程师凭自身经验和感觉来逐一排查异常数据来对设备进行状态监控。即使是有经验的专业人员依靠优秀的个人能力来进行参数分析，也一定会存在监视范围有限、监视时间有限、参数之间关联度难以准确掌握等问题。设备状态判断的主观性甚至个人工作的情绪化等不可控因素均可造成设备日常巡视是否到位不可控等非良性状态，不利于日常设备的持续良性管理。当运行参数超过设备可承受限度值报警后或者设备被迫停运或者设备已受到了难以恢复的损伤。因此，仅凭专业人员个人素养已经不能满足当前电厂优化运行与可靠性状态分析等精细化生产管理要求。
随着大数据时代的到来，人工智能机器学习技术的飞速发展，为解决这一问题提供了新的手段。如何利用水电站设备运行历史数据，来帮助设备专业管理人员更为便捷的观察和分析设备状态，从而实现预警来更好的促进安全生产。
基于支持向量机的配电设备温度监测数据预测，环网柜是环网供电的关键设备，但在长期运行过程中，其温度会因多种因素的影响而升高，从而降低设备的供电安全及可靠性。提出了一种环网柜电气接头温度值的预测方法，分析环网柜电气接头的实测温度值，并使用小波去噪去除所测温度数据中的系统噪声；利用最小二乘支持向量机，预测数据的变化趋势。将该模型应用于环网柜的温度预测中，实验结果验证了该模型的有效性。
(1)单因素预测的可靠性低，欠缺多影响因素的结合；
(2)时间序列数据的优势不明显，趋势预测与时间顺序有着密切联系；
(3)高效实时效率低。
发明内容
针对现有技术中的上述不足，本发明提供的一种水电机组运行数据趋势预警方法解决了基于支持向量机的配电设备温度监测数据预测方法存在：单因素预测的可靠性低，欠缺多影响因素的结合、时间序列数据的优势不明显以及高效实时效率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种水电机组运行数据趋势预警方法，包括以下步骤：
S1、定时采集正常稳定关联度高的水电机组运行数据，得到水电机组工况数据集；
S2、对水电机组工况数据集进行预处理，得到训练数据集；
S3、将训练数据集输入长短时记忆模型LSTM中，进行训练，得到当前优化的长短时记忆模型LSTM；
S4、采用当前优化的长短时记忆模型LSTM对水电机组工况进行趋势预测，得到预测结果；
S5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的前端，结束预警流程。
进一步地：步骤S2包括以下步骤：
S21、对水电机组工况数据集计算缺失值比例，得到数据对应的缺失率；
S22、根据数据对应的缺失率，对水电机组工况数据集进行清洗，得到初始数据集；
S23、采用小波阈值收缩去噪法对初始数据集进行噪声剔除，得到有效重构数据集；
S24、对有效重构数据集进行归一化处理，得到归一化的时间序列数据集；
S25、采用ADF检验方法对归一化的时间序列数据集进行划分，得到第一时间序列平稳的数据集和时间序列非平稳的数据集；
S26、对时间序列非平稳的数据集采用一阶差分法对时间序列数据进行平稳化，得到第二时间序列平稳的数据集；
S27、将第一时间序列平稳的数据集和第二时间序列平稳的数据集进行有监督式数据转换，得到训练数据集。
上述进一步方案的有益效果为：不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据归一化处理，以解决数据指标之间的可比性，对有效重构数据集进行数据归一化处理后，各指标处于同一数量级，便于后续评比。
进一步地：步骤S22包括以下步骤：
S221、对重要性高缺失率低的数据采用缺失值局部平均插值方法进行补全，对重要性高缺失率高的数据通过关联字段计算进行补全，对重要性低缺失率低的数据做临近值填充处理，并去除重要性低缺失率高的数据，得到特征数据集；
S222、对特征数据集进行格式和内容修订，并去除错误特征数据，得到修订特征数据集；
S223、对修订特征数据集进行关联性验证，得到关联性高的特征数据，将关联性高的特征数据集作为初始数据集。
进一步地：步骤S23包括以下分步骤：
S231、采用层数为N的小波对初始数据集进行小波分解，保留大尺度低分辨率下的小波系数；
S232、对小波系数进行量化，得到量化的小波系数；
S233、采用逆小波变换对量化的小波系数进行重构，得到有效重构数据集。
进一步地：步骤S232中量化的方法为：选取阈值，将幅值低于该阈值的小波系数置为0，将幅值高于该阈值的小波系数保留，得到量化的小波系数。
上述进一步方案的有益效果为：分解产生的小波系数含有信号的重要信息和噪声，对小波系数进行量化，一方面能保留有用信号，另一方面能滤出噪声。
进一步地：步骤S25包括以下分步骤：
S251、设置零假设H0：δ＝0，其中，δ为单尾校验；
S252、将归一化的时间序列数据集中的每组数据依次输入模型一、模型二和模型三进行检验，筛选出在检验中拒绝零假设H0的归一化的时间序列数据，作为时间序列平稳的数据，并筛选出在检验中都不拒绝零假设H0的归一化的时间序列数据，作为时间序列非平稳的数据；
S253、将所有时间序列平稳的数据组成第一时间序列平稳的数据集，将所有时间序列非平稳的数据组成时间序列非平稳的数据集。
进一步地：步骤S252中模型一、模型二和模型三为：
模型一：
模型二：
模型三：
其中，Δxt为t时刻的随机变量，a为常数项，β为趋势项，m为Δxt的滞后阶数，βi为Δxt-i的趋势项，i为第i阶，εt为t时刻的干扰，xt-1为t-1时刻的特征值。
进一步地：步骤S3中长短时记忆模型LSTM的记忆单元在τ时刻的计算过程如下：
iτ＝σ(ωxi·[xτ，hτ-1]+bi)
fτ＝σ(ωxf·[xτ，hτ-1]+bf)
oτ＝σ(ωxo·[xτ，hτ-1]+bo)
cτ＝fτ⊙cτ-1+iτ⊙φ(ωxg·[xτ，hτ-1]+bg)
hτ＝oτ⊙φ(cτ)
其中，φ()为双曲正切函数，σ()为sigmoid函数，iτ为τ时刻的输入门，fτ为τ时刻的遗忘门，oτ为τ时刻的输出门，cτ为τ时刻记忆单元的内部状态，ωxi为输入门的权重，ωxf为遗忘门的权重，ωxo为输出门的权重，xτ为τ时刻记忆单元的输入，ωxg为记忆单元的权重，hτ为τ时刻记忆单元的输出，bi为输入门的偏置，bf为遗忘门的偏置，bo为输出门的偏置，bg为记忆单元的偏置，⊙为点乘。
综上，本发明的有益效果为：
(1)、针对单因素预测的可靠性低，本发明利用多因素的联合LSTM时间序列预测方法，较好地实现了水电设备运行的状态预测，并增加预警功能，弥补了现有研究多影响因素的结合欠缺。
(2)、定时更新水电机组工况数据集，并采用新的水电机组工况数据集对模型LSTM进行训练，得到当前优化的LSTM，采用当前优化的LSTM去实时预测水电机组工况，保障预警结果的实时和准确。
(3)、经过大数据技术自动计算分析，将设备脱离历史正常工况状态方向的微小异动趋势，但又远低于设备设计参数超限报警值，进行设备状态预警和发展趋势判断。通过长期积累实发故障数据，为下一步的故障预判提供技术和数据支撑。
附图说明
图1为一种水电机组运行数据趋势预警方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种水电机组运行数据趋势预警方法，包括以下步骤：
S1、定时采集正常稳定关联度高的水电机组运行数据，得到水电机组工况数据集；
为保证预测结果的准确性，训练模型LSTM所选工况均应为设备正常运行工况。因此，需将设备检修、带病运行等历史异常工况数据从原始数据中剔除，仅保留正常工况数据作为设备训练模型LSTM的数据来源；设备管理人员也可根据自己的实际工作日志将设备带病运行阶段历史工况进行自选性手动剔除。异常工况剔除越干净，设备模型也就越准确。同理，历史工况越完整，模型误报率也将越低。
S2、对水电机组工况数据集进行预处理，得到训练数据集；
所述步骤S2包括以下步骤：
S21、对水电机组工况数据集计算缺失值比例，得到数据对应的缺失率；
S22、根据数据对应的缺失率，对水电机组工况数据集进行清洗，得到初始数据集；
步骤S22包括以下步骤：
S221、对重要性高缺失率低的数据采用缺失值局部平均插值方法进行补全，对重要性高缺失率高的数据通过关联字段计算进行补全，对重要性低缺失率低的数据做临近值填充处理，并去除重要性低缺失率高的数据，得到特征数据集；
S222、对特征数据集进行格式和内容修订，并去除错误特征数据，得到修订特征数据集；
S223、对修订特征数据集进行关联性验证，得到关联性高的特征数据，将关联性高的特征数据集作为初始数据集。
S23、采用小波阈值收缩去噪法对初始数据集进行噪声剔除，得到有效重构数据集；
步骤S23包括以下分步骤：
S231、采用层数为N的小波对初始数据集进行小波分解，保留大尺度低分辨率下的小波系数；
S232、对小波系数进行量化，得到量化的小波系数；
步骤S232中量化的方法为：选取阈值，将幅值低于该阈值的小波系数置为0，将幅值高于该阈值的小波系数保留，得到量化的小波系数。
S233、采用逆小波变换对量化的小波系数进行重构，得到有效重构数据集。
S24、对有效重构数据集进行归一化处理，得到归一化的时间序列数据集；
S25、采用ADF检验方法对归一化的时间序列数据集进行划分，得到第一时间序列平稳的数据集和时间序列非平稳的数据集；
步骤S25包括以下分步骤：
S251、设置零假设H0：δ＝0，其中，δ为单尾校验；
S252、将归一化的时间序列数据集中的每组数据依次输入模型一、模型二和模型三进行检验，筛选出在检验中拒绝零假设H0的归一化的时间序列数据，作为时间序列平稳的数据，并筛选出在检验中都不拒绝零假设H0的归一化的时间序列数据，作为时间序列非平稳的数据；
步骤S252中模型一、模型二和模型三为：
模型一：
模型二：
模型三：
其中，Δxt为t时刻的随机变量，a为常数项，β为趋势项，m为Δxt的滞后阶数，βi为Δxt-i的趋势项，i为第i阶，εt为t时刻的干扰，xt-1为t-1时刻的特征值。
S253、将所有时间序列平稳的数据组成第一时间序列平稳的数据集，将所有时间序列非平稳的数据组成时间序列非平稳的数据集。
S26、对时间序列非平稳的数据集采用一阶差分法对时间序列数据进行平稳化，得到第二时间序列平稳的数据集；
S27、将第一时间序列平稳的数据集和第二时间序列平稳的数据集进行有监督式数据转换，得到训练数据集。
S3、将训练数据集输入长短时记忆模型LSTM中，进行训练，得到当前优化的长短时记忆模型LSTM；
步骤S3中长短时记忆模型LSTM的记忆单元在τ时刻的计算过程如下：
iτ＝σ(ωxi·[xτ，hτ-1]+bi)
fτ＝σ(ωxf·[xτ，hτ-1]+bf)
oτ＝σ(ωxo·[xτ，hτ-1]+bo)
cτ＝fτ⊙cτ-1+iτ⊙φ(ωxg·[xτ，hτ-1]+bg)
hτ＝oτ⊙φ(cτ)
其中，φ()为双曲正切函数，σ()为sigmoid函数，iτ为τ时刻的输入门，fτ为τ时刻的遗忘门，oτ为τ时刻的输出门，cτ为τ时刻记忆单元的内部状态，ωxi为输入门的权重，ωxf为遗忘门的权重，ωxo为输出门的权重，xτ为τ时刻记忆单元的输入，ωxg为记忆单元的权重，hτ为τ时刻记忆单元的输出，bi为输入门的偏置，bf为遗忘门的偏置，bo为输出门的偏置，bg为记忆单元的偏置，⊙为点乘。
S4、采用当前优化的长短时记忆模型LSTM对水电机组工况进行趋势预测，得到预测结果；
S5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的前端，结束预警流程。
综上，本发明的有益效果为：
(1)、针对单因素预测的可靠性低，本发明利用多因素的联合LSTM时间序列预测方法，较好地实现了水电设备运行的状态预测，并增加预警功能，弥补了现有研究多影响因素的结合欠缺。
(2)、定时更新水电机组工况数据集，并采用新的水电机组工况数据集对模型LSTM进行训练，得到当前优化的LSTM，采用当前优化的LSTM去实时预测水电机组工况，保障预警结果的实时和准确。
(3)、经过大数据技术自动计算分析，将设备脱离历史正常工况状态方向的微小异动趋势，但又远低于设备设计参数超限报警值，进行设备状态预警和发展趋势判断。通过长期积累实发故障数据，为下一步的故障预判提供技术和数据支撑。
Claims (2)
1.一种水电机组运行数据趋势预警方法，其特征在于，包括以下步骤：
S1、定时采集正常稳定关联度高的水电机组运行数据，得到水电机组工况数据集；
S2、对水电机组工况数据集进行预处理，得到训练数据集；
S3、将训练数据集输入长短时记忆模型LSTM中，进行训练，得到当前优化的长短时记忆模型LSTM；
S4、采用当前优化的长短时记忆模型LSTM对水电机组工况进行趋势预测，得到预测结果；
S5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的前端，结束预警流程；
所述步骤S2包括以下步骤：
S21、对水电机组工况数据集计算缺失值比例，得到数据对应的缺失率；
S22、根据数据对应的缺失率，对水电机组工况数据集进行清洗，得到初始数据集；
S23、采用小波阈值收缩去噪法对初始数据集进行噪声剔除，得到有效重构数据集；
S24、对有效重构数据集进行归一化处理，得到归一化的时间序列数据集；
S25、采用ADF检验方法对归一化的时间序列数据集进行划分，得到第一时间序列平稳的数据集和时间序列非平稳的数据集；
S26、对时间序列非平稳的数据集采用一阶差分法对时间序列数据进行平稳化，得到第二时间序列平稳的数据集；
S27、将第一时间序列平稳的数据集和第二时间序列平稳的数据集进行有监督式数据转换，得到训练数据集；
所述步骤S22包括以下步骤：
S221、对重要性高缺失率低的数据采用缺失值局部平均插值方法进行补全，对重要性高缺失率高的数据通过关联字段计算进行补全，对重要性低缺失率低的数据做临近值填充处理，并去除重要性低缺失率高的数据，得到特征数据集；
S222、对特征数据集进行格式和内容修订，并去除错误特征数据，得到修订特征数据集；
S223、对修订特征数据集进行关联性验证，得到关联性高的特征数据，将关联性高的特征数据集作为初始数据集；
所述步骤S23包括以下分步骤：
S231、采用层数为N的小波对初始数据集进行小波分解，保留大尺度低分辨率下的小波系数；
S232、对小波系数进行量化，得到量化的小波系数；
S233、采用逆小波变换对量化的小波系数进行重构，得到有效重构数据集；
所述步骤S232中量化的方法为：选取阈值，将幅值低于该阈值的小波系数置为0，将幅值高于该阈值的小波系数保留，得到量化的小波系数；
所述步骤S25包括以下分步骤：
S251、设置零假设H0：δ＝0，其中，δ为单尾校验；
S252、将归一化的时间序列数据集中的每组数据依次输入模型一、模型二和模型三进行检验，筛选出在检验中拒绝零假设H0的归一化的时间序列数据，作为时间序列平稳的数据，并筛选出在检验中都不拒绝零假设H0的归一化的时间序列数据，作为时间序列非平稳的数据；
S253、将所有时间序列平稳的数据组成第一时间序列平稳的数据集，将所有时间序列非平稳的数据组成时间序列非平稳的数据集；
所述步骤S252中模型一、模型二和模型三为：
模型一：
模型二：
模型三：
其中，Δxt为t时刻的随机变量，a为常数项，β为趋势项，m为Δxt的滞后阶数，βi为Δxt-i的趋势项，i为第i阶，εt为t时刻的干扰，xt-1为t-1时刻的特征值。
2.根据权利要求1所述的水电机组运行数据趋势预警方法，其特征在于，所述步骤S3中长短时记忆模型LSTM的记忆单元在τ时刻的计算过程如下：
iτ＝σ(ωxi·[xτ,hτ-1]+bi)
fτ＝σ(ωxf·[xτ,hτ-1]+bf)
oτ＝σ(ωxo·[xτ,hτ-1]+bo)
cτ＝fτ⊙cτ-1+iτ⊙φ(ωxg·[xτ,hτ-1]+bg)
hτ＝oτ⊙φ(cτ)
其中，φ()为双曲正切函数，σ()为sigmoid函数，iτ为τ时刻的输入门，fτ为τ时刻的遗忘门，oτ为τ时刻的输出门，cτ为τ时刻记忆单元的内部状态，ωxi为输入门的权重，ωxf为遗忘门的权重，ωxo为输出门的权重，xτ为τ时刻记忆单元的输入，ωxg为记忆单元的权重，hτ为τ时刻记忆单元的输出，bi为输入门的偏置，bf为遗忘门的偏置，ho为输出门的偏置，bg为记忆单元的偏置，⊙为点乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010799840.4A CN111931849B (zh) | 2020-08-11 | 2020-08-11 | 一种水电机组运行数据趋势预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010799840.4A CN111931849B (zh) | 2020-08-11 | 2020-08-11 | 一种水电机组运行数据趋势预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931849A CN111931849A (zh) | 2020-11-13 |
| CN111931849B true CN111931849B (zh) | 2023-11-17 |
Family
ID=73307396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010799840.4A Active CN111931849B (zh) | 2020-08-11 | 2020-08-11 | 一种水电机组运行数据趋势预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931849B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946469A (zh) * | 2020-11-26 | 2021-06-11 | 华能澜沧江水电股份有限公司 | 一种用于水轮发电机的自适应动态告警阈值的监测方法 |
| CN113313142B (zh) * | 2021-04-27 | 2022-06-21 | 湖南省水利投地方电力有限公司 | 一种水电机组运行数据趋势预警方法、系统及存储介质 |
| CN113687966A (zh) * | 2021-10-26 | 2021-11-23 | 印象(山东)大数据有限公司 | 基于电子设备的监测方法、装置及电子设备 |
| CN114237128A (zh) * | 2021-12-21 | 2022-03-25 | 华能澜沧江水电股份有限公司 | 基于趋势报警的水电站设备实时监控数据监控系统及监控方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6047287A (en) * | 1998-05-05 | 2000-04-04 | Justsystem Pittsburgh Research Center | Iterated K-nearest neighbor method and article of manufacture for filling in missing values |
| CN107818385A (zh) * | 2017-11-24 | 2018-03-20 | 南瑞集团有限公司 | 一种梯级水电站群实时运行趋势预测方法 |
| CN107909218A (zh) * | 2017-12-06 | 2018-04-13 | 南通大学 | 一种短期光伏发电量预测方法 |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
| WO2019208998A1 (ko) * | 2018-04-27 | 2019-10-31 | 한국과학기술원 | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942728B (zh) * | 2014-04-11 | 2017-02-08 | 武汉大学 | 梯级水电站群日发电计划编制方法 |
-
2020
- 2020-08-11 CN CN202010799840.4A patent/CN111931849B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6047287A (en) * | 1998-05-05 | 2000-04-04 | Justsystem Pittsburgh Research Center | Iterated K-nearest neighbor method and article of manufacture for filling in missing values |
| CN107818385A (zh) * | 2017-11-24 | 2018-03-20 | 南瑞集团有限公司 | 一种梯级水电站群实时运行趋势预测方法 |
| CN107909218A (zh) * | 2017-12-06 | 2018-04-13 | 南通大学 | 一种短期光伏发电量预测方法 |
| WO2019208998A1 (ko) * | 2018-04-27 | 2019-10-31 | 한국과학기술원 | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계 |
| CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 中文重复记录清洗的相关算法的研究;王芳;中国优秀硕士学位论文全文数据库 信息科技辑(第12期);I138-814 * |
| 协整分析及其应用;王合玲;中国优秀博硕士学位论文全文数据库（硕士） 社会科学I辑(第08期);J145-51 * |
| 基于大数据平台的电能质量数据分析技术研究;高鹏;中国优秀硕士学位论文全文数据库 信息科技辑(第12期);I138-726 * |
| 抽水蓄能机组状态趋势预测与系统集成应用研究;田弟巍;中国优秀硕士学位论文全文数据库 工程科技II辑(第03期);C037-121 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931849A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931849B (zh) | 一种水电机组运行数据趋势预警方法 | |
| CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
| CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
| CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN114169237B (zh) | 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法 | |
| CN113470694A (zh) | 水轮机组遥听监测方法、装置和系统 | |
| CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN111582593A (zh) | 一种基于工业用电大数据的数据清洗的集成方法 | |
| Wang | Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS) | |
| CN113779879A (zh) | 一种基于LSTM-seq2seq-attention模型的中长期用电异常检测方法 | |
| CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
| CN116363843A (zh) | 试验室设备预警系统 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| Tao et al. | A state and fault prediction method based on RBF neural networks | |
| CN111340072B (zh) | 一种基于数据整体信息和邻域结构的工业过程故障检测方法 | |
| CN114154879A (zh) | 电网运行风险评估方法、装置、电子设备及可读存储介质 | |
| CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及系统 | |
| Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
| Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
| Yang et al. | Model-based condition monitoring of AGR nuclear graphite cores |
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 |