CN112179655B - 一种基于阈值分级的汽轮发电机故障预警方法 - Google Patents

一种基于阈值分级的汽轮发电机故障预警方法 Download PDF

Info

Publication number
CN112179655B
CN112179655B CN202010824017.4A CN202010824017A CN112179655B CN 112179655 B CN112179655 B CN 112179655B CN 202010824017 A CN202010824017 A CN 202010824017A CN 112179655 B CN112179655 B CN 112179655B
Authority
CN
China
Prior art keywords
temperature
generator
correlation
threshold
early warning
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
Application number
CN202010824017.4A
Other languages
English (en)
Other versions
CN112179655A (zh
Inventor
叶林
葛鸥翔
梅东升
郭永红
王斌
毛永清
王彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingneng Energy Technology Research Co ltd
Hebei Zhuozhou Jingyuan Thermal Electricity Co ltd
China Agricultural University
Original Assignee
Beijing Jingneng Energy Technology Research Co ltd
Hebei Zhuozhou Jingyuan Thermal Electricity Co ltd
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingneng Energy Technology Research Co ltd, Hebei Zhuozhou Jingyuan Thermal Electricity Co ltd, China Agricultural University filed Critical Beijing Jingneng Energy Technology Research Co ltd
Priority to CN202010824017.4A priority Critical patent/CN112179655B/zh
Publication of CN112179655A publication Critical patent/CN112179655A/zh
Application granted granted Critical
Publication of CN112179655B publication Critical patent/CN112179655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/02—Details or accessories of testing apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明涉及一种基于阈值分级的汽轮发电机故障预警方法，包括：A.收集一段时间内的发电机运行温度数据，按照样本距离最小原则划分不同温度等级。B.采用相关性分析法对汽轮发电机测温点温度进行分析，在各个温度等级内，选取相关性高的一组测温点。C.计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数。D.建立基于阈值分级的温度预测模型，并利用最小二乘法对温度模型进行辨识以及修正，分别得出在各温度等级下各个部位的下一时间段的温度预测值。E.根据温度预测值与各温度等级内阈值进行对比，完成发电机的过热故障预警。本发明能够有效地对发电机温度类故障进行提前预警，防止重大事故及灾难的发生。

Description

一种基于阈值分级的汽轮发电机故障预警方法
技术领域
本发明涉及一种基于阈值分级的汽轮发电机故障预警方法，特别是对于汽轮发电机的温度类故障预警有着重要作用。
背景技术
随着全球发电机装机容量稳步提升，发电机设备的更新换代，发电机所出现的问题也越来越多，由于发电机本身存在运行时故障点不易被察觉、内部结构过于复杂、维修不便等特点，使得电网的安全运行、电能的质量好坏、维修工作人员的人身安全正面临巨大的挑战。所以，对发电机进行在线检测及故障诊断，并对发电机进行温度场仿真，对系统安全可靠运行，提升输送电能的质量具有重要的意义。
现有的发电机状态监测技术和数据分析方法大多是对传统设备监测技术和手段的移植，一般是通过增设传感器或专门的在线监测装置。这种方法不仅需要增加元件监测装置的成本，而且很难准确反映整个发电机元件特性参数的故障情况，往往导致发电机故障的有效预警。此外，与单台发电机控制系统相比，整个发电机控制系统的监测数据采集周期一般较长，通过其特征参数时间序列的阈值判断方法难以准确评估某些潜在的故障隐患状态。因此，充分利用所有监测参数进行状态评估将导致海量数据分析的复杂性；传统的基于阈值理论的异常分析方法难以适应发电机监测参数的相关性、异常性和不确定性等问题。针对发电机过热的三类主要因素：发电机运行参数超出安全稳定运行裕度、冷却系统故障、发电机机械故障，本专利主要解决温度过热类故障预警问题。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于阈值分级的汽轮发电机故障预警方法，首先可以利用有限元法对汽轮发电机进行传热散热温度分布分析，并据此划分不同温度等级，结合相关性分析与权重分析，建立各温度等级内预测模型，并经最小二乘法修正后与阈值对比，实现发电机的温度过热类故障预警。
最后将预测出的结果对比阈值上下限，进行温度类故障的提前预警。最终对发电机的故障预警有着实际的意义，提前预警防止重大事故的发生。
为达到以上目的，本发明采取的技术方案是：
一种基于阈值分级的汽轮发电机故障预警方法，包括以下步骤：
A.收集一段时间内的发电机运行温度数据，按照样本距离最小原则划分不同温度等级。
B.采用相关性分析法对汽轮发电机测温点温度进行分析，在各个温度等级内，选取相关性高的一组测温点。
C.计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数。
D.建立基于阈值分级的温度预测模型，并利用最小二乘法对温度模型进行辨识以及修正，分别得出在各温度等级下各个部位的下一时间段的温度预测值。
E.根据温度预测值与各温度等级内阈值进行对比，完成发电机的过热故障预警。
在步骤A中，收集温度数据，按照样本距离最小原则划分不同温度等级α、β、γ、η。
将所收集的温度数据，依据样本距离最小原则进行分类，分类结果如下：
其中冷却区α的温度范围为39℃～42℃，正常区β的温度范围为42℃～68℃，临界区γ的温度范围为68℃-72℃，危险区η的温度范围为72℃-78℃。
在步骤B中，采用皮尔逊相关系数检测法，对发电机测温点进行相关性检验：
两个测温点温度T2与T1的皮尔逊相关系数结果，用于度量其中一测温点温度T1和另一测温点温度T2之间的相关性，其值介于-1与1之间，用相关性系数r表示，计算公式为：
Figure BDA0002635499750000031
其中，
Figure BDA0002635499750000032
分别表示测温点温度T1，T2的样本标准差，
Figure BDA0002635499750000033
分别表示测温点温度T1和T2的样本平均温度，T1i，T2i代表任一时刻的测温点1和2的温度，相关性系数r的绝对值越大，T1与T2的相关程度越高。通过判断其相关性系数的大小来确认其相关性。用发电机154个测温点代表的154个变量之间的11781个相关性系数组成矩阵，得到矩阵ξ：
Figure BDA0002635499750000041
在步骤C中，计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数：
采取最大相关和最小冗余算法计算系统参数对所有测温点温度的相关性权重，其计算公式为：
Figure BDA0002635499750000042
其中，c为计算目标，S为原始特征集合,I代表ζ与κ2之间关联度的大小，ζ为发电机系统参数，D代表相关性权重最大的一组特征合集，R则是特征集中冗余度最小的一组特征集；κ2为mRMR算法的无关参数；得到对每一个测温点来说，m个相关性权重最大的系统参数，并将这m个系统参数由相关性权重从大到小进行排列，m的取值范围为[1,25]。
25个系统参数包括：有功功率、无功功率、A相电流、B相电流、C相电流、励磁转子电流、励磁转子电压、冷却水流量、进氢压力、定子AB相电流、定子AB相电压、定子BC相电压、定子AC相电压、功率因数、频率、定子冷却水进水温度、定子入口调节阀反馈、氢气出口调节阀反馈、氮气出口调节阀反馈、5号轴承X方向振动、5号轴承Y方向振动、5号轴承盖振动、6号轴承X方向振动、6号轴承Y方向振动和6号轴承盖振动。
在步骤D中，建立发电机各个部位的各温度等级下的多元线性回归预测模型，分别得出在各温度等级下发电机各个部位的下一时间段的温度预测值，具体为：
根据步骤C筛选出来的权重最大的m个系统参数，选择多元线性回归分析预测法，针对任意的测温点，构建多元线性回归预测模型。因变量Ta与自变量系统参数共有m组实际观测数据；由于因变量Ta是一个可观测的随机变量，其受到m-1个非随机因素的影响，在步骤C中，筛选出的相关性权重最高的系统参数为ζ1、ζ2、ζ3、ζ4……，同时受随机变量ε的影响，Ta与系统参数有如下线性关系：
Ta＝β0+β1ζ1+β2Iζ2+…+βmζm+ε (4)
其中温度Ta为因变量，β0,β1,…,βm是m+1个未知参数，ζ为系统参数，ε是均值为0、方差为
Figure BDA0002635499750000051
的不可观测的随机变量，称为误差项，
Figure BDA0002635499750000052
并假定，从历史数据中选取n组数据作为样本，n≥p，如下所示：
Figure BDA0002635499750000053
其中，xnm代表mRMR算法中所选取的特征参数，ε1,ε2,…,εn是相互独立的，且服从
Figure BDA0002635499750000061
分布。
令
Figure BDA0002635499750000062
Figure BDA0002635499750000063
则式(5)用矩阵形式表示为：
Figure BDA0002635499750000064
利用最小二乘法对测温点a的温度模型进行辨识，最小二乘法能够对多元线性回归预测曲线进行曲线拟合，对于最小二乘法的经验公式，对其中的参数进行估算，并将已知训练集的实际值作为最小二乘法修正模型的观测值。
要求确定参数μ，使得
Figure BDA0002635499750000065
为最小，
Figure BDA0002635499750000066
其中
Figure BDA0002635499750000067
为最小二乘法误差，Ta'k为最小二乘法修正模型观测值，参数μ为：
Figure BDA0002635499750000068
得出温度等级α下的各个部位温度预测值
Figure BDA0002635499750000071
α1,α2,…,αm分别为发电机各个部位在温度等级α内的测温点；同样得出在温度等级β下的各个部位温度预测值Tβ，以及温度等级γ下的各个部位温度预测值Tγ，温度等级η下的各个部位温度预测值Tη。
在步骤E中，在发电机各个温度等级内设立阈值上下限，对发电机故障进行预警，取阈值上限TMax，TMax＝1.05T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值超过TMax，可能出现发电机温度故障，则进行故障预警；设置阈值上限如下：在温度等级α下，阈值上限Tα-Max＝44.1℃；温度等级β下，阈值上限Tβ-Max＝71.4℃；温度等级γ下，阈值上限Tγ-Max＝75.6℃；温度等级η下，阈值上限Tη-Max＝81.9℃。取阈值下限TMin，TMin＝0.95T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值低于TMin，可能出现发电机温度故障，则进行故障预警。设置阈值下限如下：在温度等级α下，阈值下限Tα-Min＝39.9℃；温度等级β下，阈值下限Tβ-Min＝64.6℃；温度等级γ下，阈值下限Tγ-Min＝68.4℃；温度等级η下，阈值下限Tη-Min＝74.1℃。
本发明的有益效果：本发明针对发电机温度故障进行阈值分级预警，能够有效地对发电机温度类故障进行提前预警，防止重大事故及灾难的发生。
附图说明
本发明有如下附图：
图1为一种基于阈值分级的汽轮发电机故障预警方法流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示，本发明所述的基于阈值分级的汽轮发电机故障预警方法，包括以下步骤：
A.收集一段时间内的发电机运行温度数据，按照样本距离最小原则划分不同温度等级。
B.采用相关性分析法对汽轮发电机测温点温度进行分析，在各个温度等级内，选取相关性高的一组测温点。
C.计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数。
D.建立基于阈值分级的温度预测模型，并利用最小二乘法对温度模型进行辨识以及修正，分别得出在各温度等级下各个部位的下一时间段的温度预测值。
E.根据温度预测值与各温度等级内阈值进行对比，完成发电机的过热故障预警。
在所述步骤A中，收集温度数据，按照样本距离最小原则划分不同温度等级α、β、γ、η。
将所收集的温度数据，依据样本距离最小原则进行分类，分类结果如下：
其中冷却区α的温度范围为39℃～42℃，正常区β的温度范围为42℃～68℃，临界区γ的温度范围为68℃-72℃，危险区η的温度范围为72℃-78℃。
在所述步骤B中，采用皮尔逊相关系数检测法，对发电机测温点进行相关性检验：
两个测温点温度T2与T1的皮尔逊相关系数结果，用于度量其中一测温点温度T1和另一测温点温度T2之间的相关性(线性相关)，其值介于-1与1之间，一般用相关性系数r表示，计算公式为：
Figure BDA0002635499750000091
其中，
Figure BDA0002635499750000092
分别表示测温点温度T1，T2的样本标准差，
Figure BDA0002635499750000093
分别表示测温点温度T1和T2的样本平均温度，T1i，T2i代表任一时刻的测温点1和2的温度，相关性系数r的绝对值越大，T1与T2的相关程度越高。通过判断其相关性系数的大小来确认其相关性。用发电机154个测温点代表的154个变量之间的11781个相关性系数组成矩阵，得到矩阵ξ：
Figure BDA0002635499750000094
在所述步骤C中，计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数：
采取最大相关和最小冗余算法(简称mRMR算法)计算电流等其他系统参数对所有测温点温度的相关性权重。该运行数据包括154个测温点数据和25个系统参数，系统参数包括：有功功率、无功功率、A相电流、B相电流、C相电流、励磁转子电流、励磁转子电压、冷却水流量、进氢压力、定子AB相电流、定子AB相电压、定子BC相电压、定子AC相电压、功率因数、频率、定子冷却水进水温度、定子入口调节阀反馈、氢气出口调节阀反馈、氮气出口调节阀反馈、5号轴承X方向振动、5号轴承Y方向振动、5号轴承盖振动、6号轴承X方向振动、6号轴承Y方向振动和6号轴承盖振动，mRMR算法可用于计算原始特征值与计算目标之间的相关性权重的大小，其计算公式为：
Figure BDA0002635499750000101
c为计算目标，S为原始特征集合,I代表ζ与κ2之间关联度的大小，ζ为发电机系统参数，D代表相关性权重最大的一组特征合集，R则是特征集中冗余度最小的一组特征集。κ2为mRMR算法的无关参数，可以得到对每一个测温点来说，m个相关性权重最大的系统参数，并将这m个系统参数由相关性权重从大到小进行排列，m的取值范围为[1,25]。
在所述步骤D中，建立发电机定子铁芯、定子线圈和发电机转子等各个部位的各温度等级下的多元线性回归预测模型，分别得出在各温度等级下发电机各个部位的下一时间段的温度预测值。
根据步骤A可以得到发电机各个温度等级α、β、γ、η，在步骤B中，可以得到发电机每个部位相关性最高的一组测温点，分别对应α、β、γ、η四个温度等级内，在温度等级α内，对α等级内测温点a建立预测模型：
根据步骤C筛选出来的权重最大的m个系统参数，选择多元线性回归分析预测法，针对任意的测温点，构建多元线性回归预测模型。因变量Ta与自变量系统参数共有m组实际观测数据。由于因变量Ta是一个可观测的随机变量，其受到m-1个非随机因素的影响，在步骤C中，筛选出的相关性权重最高的系统参数为ζ1、ζ2、ζ3、ζ4……，同时受随机变量ε的影响，Ta与ζ1、ζ2、ζ3、ζ4等系统参数，有如下线性关系：
Ta＝β0+β1ζ1+β2Iζ2+…+βmζm+ε (4)
其中温度Ta为因变量，β0,β1,…,βm是m+1个未知参数，ζ为系统参数，ε是均值为0、方差为
Figure BDA0002635499750000111
的不可观测的随机变量，称为误差项，
Figure BDA0002635499750000112
并通常假定，从历史数据中选取n(n≥p)组数据作为样本，如下所示：
Figure BDA0002635499750000113
其中，xnm代表mRMR算法中所选取的特征参数，ε1,ε2,…,εn是相互独立的，且服从
Figure BDA0002635499750000121
分布。
令
Figure BDA0002635499750000122
Figure BDA0002635499750000123
则式(5)用矩阵形式表示为：
Figure BDA0002635499750000124
利用最小二乘法对测温点a温度模型进行辨识，最小二乘法可以对多元线性回归预测曲线进行曲线拟合，对于最小二乘法的经验公式，可以对其中的参数进行估算，并将已知训练集的实际值作为最小二乘法修正模型的观测值。
要求确定参数μ，使得
Figure BDA0002635499750000125
为最小，
Figure BDA0002635499750000126
其中
Figure BDA0002635499750000127
为最小二乘法误差，Ta'k为最小二乘法修正模型观测值，参数μ为：
Figure BDA0002635499750000128
可得出温度等级α下的各个部位温度预测值
Figure BDA0002635499750000129
α1,α2,…,αm分别为发电机各个部位在温度等级α内的测温点。同样得出在温度等级β下的各个部位温度预测值Tβ，以及温度等级γ下的各个部位温度预测值Tγ，温度等级η下的各个部位温度预测值Tη。
在所述步骤E中，在发电机各个温度等级内设立阈值上下限，对发电机故障进行预警，取阈值上限TMax，TMax＝1.05T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值超过TMax，即可能出现发电机温度故障，则进行故障预警。可设置阈值上限如下：在温度等级α下，阈值上限Tα-Max＝44.1℃；温度等级β下，阈值上限Tβ-Max＝71.4℃；温度等级γ下，阈值上限Tγ-Max＝75.6℃；温度等级η下，阈值上限Tη-Max＝81.9℃。取阈值下限TMin，TMin＝0.95T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值低于TMin，即可能出现发电机温度故障，则进行故障预警。可设置阈值下限如下：在温度等级α下，阈值下限Tα-Min＝39.9℃；温度等级β下，阈值下限Tβ-Min＝64.6℃；温度等级γ下，阈值下限Tγ-Min＝68.4℃；温度等级η下，阈值下限Tη-Min＝74.1℃。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的实质和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范围。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于阈值分级的汽轮发电机故障预警方法，其特征在于，包括以下步骤：
A.收集一段时间内的发电机运行温度数据，按照样本距离最小原则划分不同温度等级；
B.采用相关性分析法对汽轮发电机测温点温度进行分析，在各个温度等级内，选取相关性高的一组测温点；
C.计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数；
D.建立基于阈值分级的温度预测模型，并利用最小二乘法对温度模型进行辨识以及修正，分别得出在各温度等级下各个部位的下一时间段的温度预测值；
E.根据温度预测值与各温度等级内阈值进行对比，完成发电机的过热故障预警；
在步骤C中，计算系统参数和测温点温度之间的相关性权重，筛选出相关性权重较大的系统参数：采取最大相关和最小冗余算法计算系统参数对所有测温点温度的相关性权重，其计算公式为：
Figure FDA0003037786860000011
其中，c为计算目标，S为原始特征集合,I代表ζ与κ2之间关联度的大小，ζ为发电机系统参数，D代表相关性权重最大的一组特征合集，R则是特征集中冗余度最小的一组特征集；κ2为mRMR算法的无关参数；得到对每一个测温点来说，m个相关性权重最大的系统参数，并将这m个系统参数由相关性权重从大到小进行排列，m的取值范围为[1,25]。
2.如权利要求1所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于：在步骤A中，收集温度数据，按照样本距离最小原则划分不同温度等级α、β、γ、η。
3.如权利要求2所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，将所收集的温度数据，依据样本距离最小原则进行分类，分类结果如下：冷却区α的温度范围为39℃～42℃，正常区β的温度范围为42℃～68℃，临界区γ的温度范围为68℃-72℃，危险区η的温度范围为72℃-78℃。
4.如权利要求2所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，在步骤B中，采用皮尔逊相关系数检测法，对发电机测温点进行相关性检验：
两个测温点温度T2与T1的皮尔逊相关系数结果，用于度量其中一测温点温度T1和另一测温点温度T2之间的相关性，其值介于-1与1之间，用相关性系数r表示，计算公式为：
Figure FDA0003037786860000021
其中，
Figure FDA0003037786860000031
分别表示测温点温度T1，T2的样本标准差，
Figure FDA0003037786860000032
分别表示测温点温度T1和T2的样本平均温度，T1i，T2i代表任一时刻的测温点1和2的温度，相关性系数r的绝对值越大，T1与T2的相关程度越高；通过判断其相关性系数的大小来确认其相关性；用发电机154个测温点代表的154个变量之间的11781个相关性系数组成矩阵，得到矩阵ξ：
Figure FDA0003037786860000033
5.如权利要求1所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，系统参数有25个，包括：有功功率、无功功率、A相电流、B相电流、C相电流、励磁转子电流、励磁转子电压、冷却水流量、进氢压力、定子AB相电流、定子AB相电压、定子BC相电压、定子AC相电压、功率因数、频率、定子冷却水进水温度、定子入口调节阀反馈、氢气出口调节阀反馈、氮气出口调节阀反馈、5号轴承X方向振动、5号轴承Y方向振动、5号轴承盖振动、6号轴承X方向振动、6号轴承Y方向振动和6号轴承盖振动。
6.如权利要求2所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，在步骤D中，建立发电机各个部位的各温度等级下的多元线性回归预测模型，分别得出在各温度等级下发电机各个部位的下一时间段的温度预测值，具体为：
根据步骤C筛选出来的权重最大的m个系统参数，选择多元线性回归分析预测法，针对任意的测温点，构建多元线性回归预测模型；在步骤C中，筛选出的相关性权重最高的系统参数为ζ1、ζ2、ζ3、ζ4……，同时受随机变量ε的影响，Ta与系统参数有如下线性关系：
Ta＝β0+β1ζ1+β2Iζ2+…+βmζm+ε (4)
其中温度Ta为因变量，β0,β1,…,βm是m+1个未知参数，ζ为系统参数，ε是均值为0、方差为
Figure FDA0003037786860000041
的不可观测的随机变量，称为误差项，
Figure FDA0003037786860000042
并假定，从历史数据中选取n组数据作为样本，n≥p，如下所示：
Figure FDA0003037786860000043
其中，xnm代表mRMR算法中所选取的特征参数，ε1,ε2,…,εn是相互独立的，且服从
Figure FDA0003037786860000044
分布；
令
Figure FDA0003037786860000045
Figure FDA0003037786860000046
则式(5)用矩阵形式表示为：
Figure FDA0003037786860000047
利用最小二乘法对测温点a的温度模型进行辨识，最小二乘法能够对多元线性回归预测曲线进行曲线拟合，对于最小二乘法的经验公式，对其中的参数进行估算，并将已知训练集的实际值作为最小二乘法修正模型的观测值；
要求确定参数μ，使得
Figure FDA0003037786860000051
为最小，
Figure FDA0003037786860000052
其中
Figure FDA0003037786860000053
为最小二乘法误差，Ta'k为最小二乘法修正模型观测值，参数μ为：
Figure FDA0003037786860000054
得出温度等级α下的各个部位温度预测值
Figure FDA0003037786860000055
α1,α2,…,αm分别为发电机各个部位在温度等级α内的测温点；同样得出在温度等级β下的各个部位温度预测值Tβ，以及温度等级γ下的各个部位温度预测值Tγ，温度等级η下的各个部位温度预测值Tη。
7.如权利要求6所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，在步骤E中，在发电机各个温度等级内设立阈值上下限，对发电机故障进行预警，取阈值上限TMax，TMax＝1.05T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值超过TMax，则进行故障预警；取阈值下限TMin，TMin＝0.95T0,T0为发电机该温度等级内温度出现频率最高的温度分布范围的平均值，当发电机预测值低于TMin，则进行故障预警。
8.如权利要求7所述的基于阈值分级的汽轮发电机故障预警方法，其特征在于，设置阈值上限如下：在温度等级α下，阈值上限Tα-Max＝44.1℃；温度等级β下，阈值上限Tβ-Max＝71.4℃；温度等级γ下，阈值上限Tγ-Max＝75.6℃；温度等级η下，阈值上限Tη-Max＝81.9℃；设置阈值下限如下：在温度等级α下，阈值下限Tα-Min＝39.9℃；温度等级β下，阈值下限Tβ-Min＝64.6℃；温度等级γ下，阈值下限Tγ-Min＝68.4℃；温度等级η下，阈值下限Tη-Min＝74.1℃。
CN202010824017.4A 2020-08-17 2020-08-17 一种基于阈值分级的汽轮发电机故障预警方法 Active CN112179655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010824017.4A CN112179655B (zh) 2020-08-17 2020-08-17 一种基于阈值分级的汽轮发电机故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010824017.4A CN112179655B (zh) 2020-08-17 2020-08-17 一种基于阈值分级的汽轮发电机故障预警方法

Publications (2)

Publication Number Publication Date
CN112179655A CN112179655A (zh) 2021-01-05
CN112179655B true CN112179655B (zh) 2021-07-09

Family

ID=73919266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010824017.4A Active CN112179655B (zh) 2020-08-17 2020-08-17 一种基于阈值分级的汽轮发电机故障预警方法

Country Status (1)

Country Link
CN (1) CN112179655B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632711B (zh) * 2021-01-06 2024-01-30 神华中海航运有限公司 船舶故障预测方法、装置、计算机设备和存储介质
CN113723634B (zh) * 2021-08-30 2024-07-05 上海电气风电集团股份有限公司 故障变量确定方法、系统和可读存储介质
CN114199505B (zh) * 2021-11-29 2024-04-09 中电华创(苏州)电力技术研究有限公司 一种基于相关性分析的发电机定子线棒流通性评价方法
CN116544877B (zh) * 2023-05-20 2024-02-20 中海石油(中国)有限公司湛江分公司 用于海上石油平台海缆电流实时监控的继电保护装置
CN116520015B (zh) * 2023-07-05 2023-08-29 广东鹰视能效科技有限公司 一种月度平均功率因数预警方法及系统
CN116667745B (zh) * 2023-07-27 2023-10-03 大澳电器（江苏）有限公司 电机内部温度显示及控制系统
CN117251738B (zh) * 2023-11-17 2024-01-23 四川中测仪器科技有限公司 一种基于数据的调节阀组振动阈值设置方法
CN117688834B (zh) * 2023-12-11 2024-05-24 北京京能能源技术研究有限责任公司 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法
CN117421698B (zh) * 2023-12-15 2024-03-29 深圳市泰士特科技股份有限公司 基于融合数据分析的大型发电机故障定位方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104880217A (zh) * 2015-06-17 2015-09-02 卢伟 一种基于测量值关联度的故障传感器信息重构方法
CN106202491A (zh) * 2016-07-19 2016-12-07 中国银联股份有限公司 一种基于时间序列的数据挖掘方法及系统
CN106202635A (zh) * 2016-06-28 2016-12-07 西安理工大学 一种基于多元回归模型的高速列车动态轴温预测方法
CN109711111A (zh) * 2019-02-27 2019-05-03 盐城师范学院 一种采用分层多元逐步回归分析进行轴温预测的方法
CN110879586A (zh) * 2019-12-04 2020-03-13 江苏方天电力技术有限公司 一种调相机故障诊断和状态监测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104880217A (zh) * 2015-06-17 2015-09-02 卢伟 一种基于测量值关联度的故障传感器信息重构方法
CN106202635A (zh) * 2016-06-28 2016-12-07 西安理工大学 一种基于多元回归模型的高速列车动态轴温预测方法
CN106202491A (zh) * 2016-07-19 2016-12-07 中国银联股份有限公司 一种基于时间序列的数据挖掘方法及系统
CN109711111A (zh) * 2019-02-27 2019-05-03 盐城师范学院 一种采用分层多元逐步回归分析进行轴温预测的方法
CN110879586A (zh) * 2019-12-04 2020-03-13 江苏方天电力技术有限公司 一种调相机故障诊断和状态监测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
面向热轴故障的高速列车轴温阈值预测模型;谢国等;《交通运输工程学报》;20180630;第129-136页 *
风力发电系统的风机齿轮箱故障预测研究;刘跃飞等;《计算机仿真》;20190331;全文 *

Also Published As

Publication number Publication date
CN112179655A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112179655B (zh) 一种基于阈值分级的汽轮发电机故障预警方法
CN108037378B (zh) 基于长短时记忆网络的变压器运行状态预测方法及系统
CN107728059B (zh) 一种变桨系统状态评估方法
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
CN110414154B (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN108133316B (zh) 一种供电厂电力设备家族性缺陷的检测方法
CN104573850A (zh) 一种火电厂设备状态评估方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN109538311B (zh) 面向高端发电装备中汽轮机的控制性能实时监测方法
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN111461564A (zh) 基于云模型和最优组合赋权的风电机组功率特性评估方法
CN110688809B (zh) 一种基于vprs-rbf神经网络的箱变故障诊断方法
CN110209144B (zh) 基于动静协同差异分析的两层实时监测与报警溯源方法
Barbieri et al. Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors
Zhuo et al. Real-time fault diagnosis for gas turbine blade based on output-hidden feedback elman neural network
CN116542121A (zh) 一种基于机器学习与神经网络的水轮机轴瓦温度预测方法
CN115578084A (zh) 基于深度卷积自编码器的风电机组变频器故障预警方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
CN114116832A (zh) 一种基于数据驱动的配电网异常识别方法
CN112084661B (zh) 一种风电机组变流器水冷系统冷却状态评估预警方法
CN115345448A (zh) 一种水轮发电机组效能评价系统
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
Tingting et al. Early warning method for power station auxiliary failure considering large-scale operating conditions
CN112508350A (zh) 一种汽轮发电机组振动预警方法及系统

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