CN112101519A - 一种基于lstm的换流阀冷却裕度预测运维方法及系统 - Google Patents
一种基于lstm的换流阀冷却裕度预测运维方法及系统 Download PDFInfo
- Publication number
- CN112101519A CN112101519A CN202010789871.1A CN202010789871A CN112101519A CN 112101519 A CN112101519 A CN 112101519A CN 202010789871 A CN202010789871 A CN 202010789871A CN 112101519 A CN112101519 A CN 112101519A
- Authority
- CN
- China
- Prior art keywords
- cooling
- temperature
- output
- converter valve
- margin
- 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
Images
Classifications
-
- 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
- G06N3/049—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Neurology (AREA)
- Inverter Devices (AREA)
Abstract
本发明公开了一种基于LSTM的换流阀冷却裕度预测运维方法及系统,涉及换流阀监测技术领域,所述方法通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,本发明对入水温度和冷却裕度发展趋势做出预测,提前预警。
Description
技术领域
本发明涉及换流阀监测技术领域,具体涉及一种基于LSTM的换流阀冷却裕度预测运维方法。
背景技术
换流站的换流器设备在工作过程中,各元件将产生大量的功耗热量。若不及时转移,将导致可控硅阀元件过热损坏。换流阀冷却系统的内冷水系统正是通过密闭式循环实现将换流阀体上各元件的功耗发热量转移,以保证可控硅阀运行结温在正常范围内。一旦出现内冷水温度持续上升,将可能出现散热效果降低、可控硅阀片损坏等短时无法恢复运行的严重后果。因此内冷水进水温度是评估换流阀冷却系统运行状态的关键指标。但实际工作中,现场运维人员多通过入水温度监测值与阈值对比进行判断阀冷系统是否发生异常,缺乏智能分析手段。当前针对阀冷系统运行状态评估的研究中。
换流站高极端工况下,阀冷系统的冷却能力是否充裕难以量化评估。同时阀冷系统缺陷现场情况复杂多变,影响因素较多,目前多依赖于人员的知识和经验进行处理,不同入水温度下现场采取何种运维策略仍需进一步研究。
发明内容
针对现有技术中的不足,本发明提供一种基于LSTM的换流阀冷却裕度预测运维方法,基于多源因素构建入水温度预测模型,并利用冷却能力量化模型计算冷却裕度,分析极端工况下阀冷系统的冷却能力,根据预测的入水温度提出相应的运维策略,辅助现场运维人员决策。
为实现上述目的,本发明的技术方案如下:
一种基于LSTM的换流阀冷却裕度预测运维方法,包括:
步骤1:获取换流阀冷却系统的状态量监测值和运行功率,构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;
步骤2:通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;
步骤3:将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为LSTM网络的输入值,得到t+1时刻入水温度的预测值;
步骤4:根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够以及根据比较结果,建立量化的处理决策预案,采取相应的运维策略。
如上所述的基于LSTM的换流阀冷却裕度预测运维方法,进一步地,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
如上所述的基于LSTM的换流阀冷却裕度预测运维方法,进一步地,所述冷却裕度计算模型为:
如上所述的基于LSTM的换流阀冷却裕度预测运维方法,进一步地,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,具体地,
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
如上所述的基于LSTM的换流阀冷却裕度预测运维方法,进一步地,换流阀冷却系统的状态量包括:入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度和进阀压压力,直流运行功率。
一种换流阀冷却裕度预测运维系统,包括:
采集单元,其用于获取换流阀冷却系统的状态量监测值和运行功率;
第一处理单元,其用于根据所述采集单元获取的数据构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;
第二处理单元,其用于通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;
预测单元,其用于根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够,其中,t+1时刻入水温度的预测值是通过将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为LSTM网络的输入值得到;
告警单元,其用于根据阀冷系统的冷却裕度与对应阈值的比较结果,依据建立的量化的处理决策预案,输出相应的运维策略。
如上所述的换流阀冷却裕度预测运维系统,进一步地,在所述第二处理单元中,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
如上所述的换流阀冷却裕度预测运维系统,进一步地,在所述预测单元中,
所述冷却裕度计算模型为:
式中,P运行功率为输入的t+1时刻直流计划功率,P额定运行功率为换流阀冷却系统各设备的额定运行功率,T入水温度为输入的t+1时刻入水温度的预测值,T出水温度为输入的t时刻出水温度,T环境湿球温度为换流阀冷却系统的环境湿球温度。
如上所述的换流阀冷却裕度预测运维系统,进一步地,在所述告警单元中,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,具体地,
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
如上所述的换流阀冷却裕度预测运维系统,进一步地,所述换流阀冷却系统的状态量包括:入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度和进阀压压力,直流运行功率。
本发明与现有技术相比,其有益效果在于:
1、基于长短时记忆网络,考虑多源影响因素,提供了一种入水温度预测方法,并利用大量实际样本数据进行训练,对入水温度和冷却裕度发展趋势做出预测,提前预警。
2、针对不同冷却裕度预警指标提供预案,为现场处理决策提供依据。
3、通过入水温度、出水温度和湿球温度考虑不同阶段的阀冷系统冷却效率,考虑阀冷系统运行老化对冷却性能的影响,提高了冷却裕度评估的准确性。
4、提供不同运行工况下冷却裕度的计算结果,尤其是满负荷工况下冷却裕度的评估结果,提前预警,为现场人员判断阀冷却系统是否能够支撑满负荷运行提供依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图进行简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明冷却裕度预测运维方法的方法流程图;
图2为本发明实施例中利用训练样本数据通过LSTM算法的训练结果;
图3为本发明实施例的极一高不同功率下入水温度和冷却裕度计算结果柱状图;
图4为本发明实施例的极一低不同功率下入水温度和冷却裕度计算结果柱状图;
图5为本发明实施例的极二高不同功率下入水温度和冷却裕度计算结果柱状图;
图6为本发明实施例的极二低不同功率下入水温度和冷却裕度计算结果柱状图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明提供一种基于LSTM的换流阀冷却裕度预测运维方法,基于多源因素构建入水温度预测模型,并利用冷却能力量化模型计算冷却裕度,分析极端工况下阀冷系统的冷却能力,根据预测的入水温度提出相应的运维策略,辅助现场运维人员决策。
本实施例采用某换流站2017年12月至2020年5月的现场抄录数据进行分析,数据间隔为4小时,一天6个监测点。数据类型包括阀冷系统入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度、进阀压力和直流运行功率。
参见图1,图1为本发明冷却裕度预测运维方法的方法流程图,该方法可以包括以下步骤:
步骤1:获取换流阀冷却系统的状态量监测值和运行功率,构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;具体地,输入变量为出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度、进阀压力和直流运行功率,输出变量为入水温度。将数据集数据进行归一化,并根据比例8:2划分成训练集和测试集。步骤1目的在于获取影响入水温度的相关状态量,确定预测模型的输入和输出变量,同时基于搜集的样本集建立训练集和测试集,为预测模型训练提供数据基础。
步骤2:在步骤1的基础上,利用LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值。步骤2的目的在于基于实测数据训练得到入水温度预测模型,确定权重参数,为入水温度的发展趋势提供预测方法。
具体地,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
具体地,输入层的神经元个数选取为9个,输入的时序变量为{x1,x2,...xT},其中在采样时刻t神经元的输入时间序列为xt=[It(1),It(2),...It(9)]。输出变量为入水温度。神经网络选择2层LSTM,最后连接一个全连接层后通过一个激活函数作为最终的输出。根据步骤1的训练样本数据进行离线训练,得到的训练结果如图2所示。
步骤3:将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为训练好的LSTM入水温度预测网络的输入值,得到t+1时刻入水温度的预测值;具体地,将t时刻的出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度、进阀压力和t+1时刻直流计划功率状态参数输入步骤2中的训练模型,得到t+1时刻入水温度的预测值。步骤3的目的在于将训练得到的入水温度预测模型应用到实际中,考虑t到t+1时刻阀冷系统的状态量不能快速变化,因此模型输入的是t时刻的出水电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度、进阀压力,而对入水温度影响较大的功率则采用t+1时刻的。
步骤4:根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够,当冷却裕度不足时,则根据冷却裕度与阈值的大小关系,建立量化的处理决策预案,采取相应的运维策略。步骤4的目的在于利用预测的入水温度来预测冷却裕度,同时根据冷却裕度分阶段提前预警,提供给现场一定的运维策略。
所述冷却裕度Q计算模型为:
式中,P运行功率为输入的t+1时刻直流计划功率,P额定运行功率为换流阀冷却系统各设备的额定运行功率,T入水温度为输入的t+1时刻入水温度的预测值,T出水温度为输入的t时刻出水温度,T环境湿球温度为换流阀冷却系统的环境湿球温度。
本实施例中,某时刻的出水温度为40.9℃、电导率0.08μs/cm、水流量5236L/min、高位水箱液位51.6%、喷淋水池液位2348mm、阀厅温度33.3℃、环境温度27.1℃、进阀压力6.69bar。计算双极四组阀冷在功率突变为800、900、1000、1100、1200、1300、1400、1500、1600MW的情况下入水温度的预测值和冷却裕度,计算结果如图3-6所示。
具体地,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,根据冷却裕度与阈值的大小关系,采取相应的运维策略。
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
本发明基于长短时记忆网络,考虑多源影响因素,提供了一种入水温度预测方法,对入水温度和冷却裕度发展趋势做出预测,提前预警,同时,针对不同冷却裕度预警指标提供预案,为现场处理决策提供依据。
一种换流阀冷却裕度预测运维系统,包括:采集单元、第一处理单元、预测单元和告警单元。采集单元用于获取换流阀冷却系统的状态量监测值和运行功率;第一处理单元用于根据所述采集单元获取的数据构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;第二处理单元用于通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;预测单元用于根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够,其中,t+1时刻入水温度的预测值是通过将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为LSTM网络的输入值得到;告警单元用于根据阀冷系统的冷却裕度与对应阈值的比较结果,依据建立的量化的处理决策预案,输出相应的运维策略。
进一步地,在所述第二处理单元中,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
进一步地,在所述预测单元中,
所述冷却裕度计算模型为:
进一步地,在所述告警单元中,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,具体地,
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
进一步地,所述换流阀冷却系统的状态量包括:入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度和进阀压压力,直流运行功率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员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。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于LSTM的换流阀冷却裕度预测运维方法,其特征在于,包括:
步骤1:获取换流阀冷却系统的状态量监测值和运行功率,构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;
步骤2:通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;
步骤3:将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为LSTM网络的输入值,得到t+1时刻入水温度的预测值;
步骤4:根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够以及根据比较结果,建立量化的处理决策预案,采取相应的运维策略。
2.根据权利要求1所述的基于LSTM的换流阀冷却裕度预测运维方法,其特征在于,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
4.根据权利要求1所述的基于LSTM的换流阀冷却裕度预测运维方法,其特征在于,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,具体地,
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
5.根据权利要求1所述的基于LSTM的换流阀冷却裕度预测运维方法,其特征在于,所述换流阀冷却系统的状态量包括:入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度和进阀压压力,直流运行功率。
6.一种换流阀冷却裕度预测运维系统,其特征在于,包括:
采集单元,其用于获取换流阀冷却系统的状态量监测值和运行功率;
第一处理单元,其用于根据所述采集单元获取的数据构建入水温度的预测数据集,将所述预测数据集进行归一化处理,将归一化处理后的数据按一定比例划分成训练集和测试集;
第二处理单元,其用于通过LSTM算法对所述训练集中的数据进行建模,确定LSTM网络的输入节点数、隐含层神经元个数以及输出结果,其中,在每个层级,采用BPTT算法提升LSTM模型训练过程对时间序列的学习能力,选取对数似然函数作为损失函数,由tanh进行处理并将其与sigmoid门的输出相乘得到LSTM网络的输出值;
预测单元,其用于根据入水温度、出水温度以及运行功率建立换流阀的冷却裕度计算模型,输入t+1时刻入水温度的预测值、t时刻出水温度以及t+1时刻直流计划功率到冷却裕度计算模型中获得冷却裕度,将该冷却裕度与设立的多个阈值进行比较,判断阀冷系统的冷却裕度是否足够,其中,t+1时刻入水温度的预测值是通过将t时刻的换流阀冷却系统的状态量和t+1时刻直流计划功率作为LSTM网络的输入值得到;
告警单元,其用于根据阀冷系统的冷却裕度与对应阈值的比较结果,依据建立的量化的处理决策预案,输出相应的运维策略。
7.根据权利要求6所述的换流阀冷却裕度预测运维系统,其特征在于,在所述第二处理单元中,所述LSTM网络包括忘记门,输入门和输出门,其中,忘记门层,读取ht-1和xt,输出一个0到1之间的数值ft,即
ft=σ(Wxfxt+Whfht-1+bf)
输入门层,以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入,输出结果it作为将要更新的信息,即
it=σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新,新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定,即
输出门层,运行一个sigmoid层决定细胞状态的哪部分将输出,然后,把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出,即
ot=σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数;Wx代表输入层到隐含层的权重;Wh代表递归连接的权重;b代表偏置项。
9.根据权利要求6所述的换流阀冷却裕度预测运维系统,其特征在于,在所述告警单元中,所述多个阈值至少包括数值上逐渐变小的阈值δ1、阈值δ2、阈值δ3和阈值δ4,具体地,
若冷却系统的冷却裕度小于阈值δ1,则检查喷淋泵是否运行正常,喷淋水量是否下降,检查冷却塔风扇是否运行正常,检查外冷水水位是否运行正常,检查阀厅空调是否运行正常;
若检查上述无异常后,该冷却裕度进一步小于阈值δ2,则联系冰场进行加冰;
若该冷却裕度进一步小于阈值δ3,则立即向总调降双极功率降至设定数值,若入水温度不再上升,则继续跟踪并采取降温措施,若入水温度仍有上升趋势则继续向调度申请降功率;
若该冷却裕度进一步小于阈值δ4,运维人员手动紧急切除相应极,并向各级人员汇报。
10.根据权利要求6所述的换流阀冷却裕度预测运维系统,其特征在于,所述换流阀冷却系统的状态量包括:入水温度、出水温度、电导率、水流量、高位水箱液位、喷淋水池液位、阀厅温度、环境温度和进阀压压力,直流运行功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789871.1A CN112101519B (zh) | 2020-08-07 | 2020-08-07 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010789871.1A CN112101519B (zh) | 2020-08-07 | 2020-08-07 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101519A true CN112101519A (zh) | 2020-12-18 |
CN112101519B CN112101519B (zh) | 2022-04-08 |
Family
ID=73752733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010789871.1A Active CN112101519B (zh) | 2020-08-07 | 2020-08-07 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101519B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN113762391A (zh) * | 2021-09-08 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
CN114111171A (zh) * | 2021-11-12 | 2022-03-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站冷却系统及其控制方法 |
CN115828699A (zh) * | 2022-12-19 | 2023-03-21 | 华中科技大学 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119854A (zh) * | 2018-06-28 | 2019-08-13 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN110646194A (zh) * | 2019-08-29 | 2020-01-03 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀冷却能力多维度分析预警方法及系统 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111104298A (zh) * | 2019-11-22 | 2020-05-05 | 国网黑龙江省电力有限公司信息通信公司 | 一种基于lstm的电网服务器运行状态预测装置 |
CN111460610A (zh) * | 2020-02-27 | 2020-07-28 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀tvm板发热预测方法、系统、装置及介质 |
-
2020
- 2020-08-07 CN CN202010789871.1A patent/CN112101519B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119854A (zh) * | 2018-06-28 | 2019-08-13 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN110646194A (zh) * | 2019-08-29 | 2020-01-03 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀冷却能力多维度分析预警方法及系统 |
CN111104298A (zh) * | 2019-11-22 | 2020-05-05 | 国网黑龙江省电力有限公司信息通信公司 | 一种基于lstm的电网服务器运行状态预测装置 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111460610A (zh) * | 2020-02-27 | 2020-07-28 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流阀tvm板发热预测方法、系统、装置及介质 |
Non-Patent Citations (1)
Title |
---|
廖毅 等: "换流阀冷却能力多维度分析与预警模型", 《南方电网技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN113295399B (zh) * | 2021-06-16 | 2023-05-30 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
CN113762391A (zh) * | 2021-09-08 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
CN114111171A (zh) * | 2021-11-12 | 2022-03-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站冷却系统及其控制方法 |
CN115828699A (zh) * | 2022-12-19 | 2023-03-21 | 华中科技大学 | 功率半导体模块全生命周期结温预测方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112101519B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101519B (zh) | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 | |
CN110646194B (zh) | 一种换流阀冷却能力多维度分析预警方法及系统 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN105956752A (zh) | 用于绿色公共建筑运营阶段的能效评估与诊断分析方法 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
CN112580254B (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及系统 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
CN117350159A (zh) | 发电机散热性能预警方法、装置、设备及存储介质 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN117036103A (zh) | 基于lstm循环神经网络的电力系统运行态势预测方法 | |
CN114971164B (zh) | 一种基于人工智能的污泥处理设备异常检测方法及系统 | |
CN112462708B (zh) | 一种泵站远程诊断及优化调度方法及系统 | |
CN104713410A (zh) | 一种调控冷却塔出水温度的方法 | |
Chen et al. | Autoclave Molding Artificial Intelligence (AI) Method and Apparatus System of Composite Materials for Aerospace Applications | |
Kumar et al. | Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach | |
CN110795680A (zh) | 一种基于多目标规划的直流保护系统状态综合评价方法 | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN116128144B (zh) | 一种城市排水管网分区联动管理方法及系统 | |
CN114219206B (zh) | 基于灰色层次分析的抽水蓄能机组油系统状态综合评估方法 |
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 |