CN112462708B - 一种泵站远程诊断及优化调度方法及系统 - Google Patents

Abstract

本发明公开了一种泵站远程诊断及优化调度方法及系统，包括：采集实时监测的泵站机组状态数据；基于能效分析算法及所述监测数据分析所述泵站机组工作效率；根据所述泵站机组部件特性及BP神经网络建立诊断模型，基于所述监测数据及能效分析结果并结合专家库数据对所述泵站机组进行故障诊断；基于故障诊断结果，以所述泵站能耗最少、效率最优为所述泵站调度目标，建立优化调度模型，利用逐步优化策略求出最优解，完成远程诊断及优化调度。本发明能够实现无人值守、远程监控、智能诊断、智慧节能，提高故障诊断的可靠性和准确性，实现节能环保、降低运营成本、提高管理效率。

Description

一种泵站远程诊断及优化调度方法及系统

技术领域

本发明涉及人工智能、泵站远程诊断的技术领域，尤其涉及一种泵站远程诊断及优化调度方法及系统。

背景技术

随着国民经济的快速发展，泵站在抗洪、排涝、灌溉、调水以及城乡供水、工业供水、航运和改善生态环境等方面发挥着越来越重要的作用，泵站的可靠性、安全性、经济性的要求也越来越高，对大中型泵站工程的健康诊断方法研究受到专家学者的重视。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：故障诊断的可靠性及准确性低，需要消耗大量人力、物力，不够智能化。

为解决上述技术问题，本发明提供如下技术方案：采集实时监测的泵站机组状态数据；基于能效分析算法及所述监测数据分析所述泵站机组工作效率；根据所述泵站机组部件特性及BP神经网络建立诊断模型，基于所述监测数据及能效分析结果并结合专家库数据对所述泵站机组进行故障诊断；基于故障诊断结果，以所述泵站能耗最少、效率最优为所述泵站调度目标，建立优化调度模型，利用逐步优化策略求出最优解，完成远程诊断及优化调度。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述诊断模型包括输入层、隐层、输出层。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述优化调度模型目标函数包括，

其中，P_i表示功率，P表示总功率，m表示水泵台数，w_i＝1，表示第i台水泵开启，w_i＝0表示第i台水泵关闭。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述能效分析算法包括，

其中，z＝{c₁,c₂,......c_n}表示待分类项，c表示z的属性，x_i表示性能效率，c_j表示运行效率，n表示迭代次数，L表示分类条件。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述输入层包括输入层节点i(i＝1,2,3,4,……,n)，其输出O_i参数等于输入X_i。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述隐层包括，

隐层节点j(j＝1,2,3,4,……,p)，其输入I_j，输出O_j分别为

O_j＝f(I_j)＝1/[1+exp(-I_j)]

其中，ω_ji表示隐层节点j与输入节点i之间的权值，θ_j表示隐层节点j的阈值，f表示非线性Sigmoid函数。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述输出层包括，

输出节点K(k＝1,2,3,4,……,m)，其输入I_k,输出y_k分别为：

y_k＝f(I_k)＝1/[1+exp(-I_k)]

式中，ω_kj表示输出层节点k与隐层节点j之间的权值，θ_k表示输出节点k的阈值。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述诊断模型输出与训练目标之间的均方差包括，

其中p表示样本数，t_pl表示p个样本的第l个输出单元的目标输出结果，y_pl表示p个样本的第l个输出单元的神经网络运算结果。

作为本发明所述的泵站远程诊断及优化调度方法的一种优选方案，其中：所述优化调度模型约束条件包括，m台水泵并联工作应保证总供水量为各台水泵供水量之和:

其中，Q_i表示额定转速下第i台水泵流量。

作为本发明所述的泵站远程诊断及优化调度系统的一种优选方案，其中：数据采集模块用于采集监测模块得到的数据；监测模块连接于所述数据采集模块包括视频监测模块、室内温湿度监测模块、机组转速监测模块、出水阀门监测模块，用于实时监测水泵机组的运行状态；分析模块与所述监测模块相连接用于评估分析水泵装置能效，将评估的输出作为节能改造的依据，并能够产生较高的节能效益和经济效益；故障诊断模块与所述分析模块及所述监测模块相连接用于对水泵装置进行故障诊断，并给出故障诊断报告及提出检修建议；优化调度模块与所述故障诊断模块相连接根据各时段所需水量和水压，优化各个水泵的启闭状态，使泵站用电设备的功率之和最小。

本发明的有益效果：本发明能够实现无人值守、远程监控、智能诊断、智慧节能，提高故障诊断的可靠性和准确性，实现节能环保、降低运营成本、提高管理效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种泵站远程诊断及优化调度方法的基本流程示意图；

图2为本发明一个实施例提供的一种泵站远程诊断及优化调度方法的诊断原理框图；

图3为本发明一个实施例提供的一种泵站远程诊断及优化调度方法的诊断模型结构示意图；

图4为本发明一个实施例提供的一种泵站远程诊断及优化调度系统的总体框架示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的一个实施例，提供了一种泵站远程诊断及优化调度方法，包括：

S1：采集实时监测的泵站机组状态数据；

本系统采集现场各个装置的监测数据，包括计算机监控系统(电气量、流量计、直流屏等)、机组振动/振摆等在线监测系统，即现场装置作为本系统的数据源，这些数据源中的数据通过统一的接口由专门的数据服务器进行采集，起到了泵站数据汇聚与存储的作用

S2：基于能效分析算法及监测数据分析泵站机组工作效率；需要说明的是：能效分析算法包括，

其中，z＝{c₁,c₂,......c_n}表示待分类项，c表示z的属性，x_i表示性能效率，c_j表示运行效率，n表示迭代次数，L表示分类条件。

具体的，泵站作为能源转换系统，主要从性能效率和运行效率两个层次进行分析，制约扬水泵站能效的主客观因素很多，包括水质条件、扬程高度、渠道长度、灌溉面积等，能效分析在考虑这些制约因素的基础上，着重从机械损失、容积损失、水力损失等方面，分析能源单耗与泵站效率的关系，找出影响能效的因素，为泵站采取有针对性的节能途径提供了可靠的依据。

S3：根据泵站机组部件特性及BP神经网络建立诊断模型，基于监测数据及能效分析结果并结合专家库数据对泵站机组进行故障诊断；需要说明的是：诊断模型包括输入层、隐层、输出层。

其中，输入层包括输入层节点i(i＝1,2,3,4,……,n)，其输出O_i参数等于输入X_i；

隐层包括，隐层节点j(j＝1,2,3,4,……,p)，其输入I_j，输出O_j分别为

O_j＝f(I_j)＝1/[1+exp(-I_j)]

其中，ω_ji表示隐层节点j与输入节点i之间的权值，θ_j表示隐层节点j的阈值，f表示非线性Sigmoid函数。

输出层包括，输出节点K(k＝1,2,3,4,……,m)，其输入I_k,输出y_k分别为：

y_k＝f(I_k)＝1/[1+exp(-I_k)]

式中，ω_kj表示输出层节点k与隐层节点j之间的权值，θ_k表示输出节点k的阈值；

进一步的，诊断模型输出与训练目标之间的均方差包括，

其中p表示样本数，t_pl表示p个样本的第l个输出单元的目标输出结果，y_pl表示p个样本的第l个输出单元的神经网络运算结果。

具体的，泵站机组各类故障特征和故障敏感参数有很多种类，例如，导致泵站机组振动、摆度过大的原因包括：机械因素、电气因素、水力因素等；其中机械因素包括转动质量不平衡、中心不准、轴向弯曲、刚度不够、轴颈磨损、推力轴承调整不良、紧固零部件松动、导叶和转轮汽蚀严重、叶片调节机构失效等；水力因素包括：涡带、气蚀、扬程过大等；平台将这些典型故障特征提取出来，作为样板模式，故障诊断将待检模式和样板模式对比，由此判定诊断对象所处的状态模式是否正常，并预测其可靠性和状态的发展趋势。

S4：基于故障诊断结果，以泵站能耗最少、效率最优为泵站调度目标，建立优化调度模型，利用逐步优化策略求出最优解，完成远程诊断及优化调度；需要说明的是：优化调度模型目标函数包括，

其中，P_i表示功率，P表示总功率，m表示水泵台数，w_i＝1，表示第i台水泵开启，w_i＝0表示第i台水泵关闭；

进一步的，优化调度模型约束条件包括，m台水泵并联工作应保证总供水量为各台水泵供水量之和：

其中，Q_i表示额定转速下第i台水泵流量。

具体的，在额定转速下第i台水泵流量(Q_i)～扬程(H_i)和流量(Q_i)～功率(P_i)公式分别为：

H_i＝H_xi-S_xiQ_i ²

P_i＝a+bQ_i ^c

其中，H_xi表示水泵虚扬程，S_xi表示虚阻耗系数，a、b、c表示常数系数。

根据比例律，当水泵在调速率为k_i运行时，水泵特性曲线为：

H_i＝k_i ²H_xi-S_xiQ_i ²

P_i＝ak_i ³+bk_iQ_i ^3-c

其中k_i＝n_i/n_0i/n_0i，n_0i、n_i分别表示水泵的工作转速的额定转速。

当m台水泵并联运行时：

其中ω_i＝1表示第i台水泵开启，w_i＝0表示第i台关闭。

具体的，目标函数：

其约束条件包括：m台水泵并联工作应保证总供水量为各台水泵供水量之和：

其中，水泵的工作状态有两种：开启(用1表示)和关闭(用0表示)。

为对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：传统的故障诊断方法利用故障树分析法对故障进行诊断，但是大多都是针对旋转机械的故障诊断，针对泵站机组的很少，目前国内的部分水泵机组监测系统已具备较好的智能化数据采集和存储，但是大多数没有实现智能故障诊断分析功能，且故障诊断的可靠性及准确性较低，运营成本较高。

本发明能够实现无人值守、远程监控、智能诊断、智慧节能，提高故障诊断的可靠性和准确性，实现节能环保、降低运营成本、提高管理效率，为验证本方法相对传统方法具有较高可靠性与准确性，本实施例中将采用传统的故障树分析法和本方法分别对水泵装置进行实时测量对比。

测试环境：将水泵装置在仿真平台模拟运行，采用传统方法及本方法，开启自动化测试设备并运用MATLB软件编程实现本方法的仿真测试，根据实验结果得到仿真数据；每种方法各测试5组数据，计算获得每组数据的结果如下表或下图所示：

表1：实验结果对比表。

对比实验样本	传统方法	本发明方法
			可靠性(年可用率)	95.2％	99.9％
设备无故障工作时间(时/年)	19000	20300
			诊断准确率	90％	96％
负荷率	35％	25％

由上表实验对比数据可以看出，本发明方法相较于传统方法在可靠性及诊断准确率上都有大幅的提升，且本发明方法在无故障工作时间相较于传统方法有所延长，负荷率大幅降低。

实施例2

参照图4，该实施例不同于第一个实施例的是，提供了一种泵站远程诊断及优化调度系统，包括：

数据采集模块用于采集监测模块得到的数据；

监测模块连接于数据采集模块包括视频监测模块、室内温湿度监测模块、机组转速监测模块、出水阀门监测模块，用于实时监测水泵机组的运行状态；

其中监测模块利用现场装置作为本系统的数据源，这些数据源中的数据通过统一的接口由专门的数据服务器进行采集，起到了泵站数据汇聚与存储的作用。

分析模块与监测模块相连接用于评估分析水泵装置能效，将评估的输出作为节能改造的依据，并能够产生较高的节能效益和经济效益；

故障诊断模块与分析模块及监测模块相连接用于对水泵装置进行故障诊断，并给出故障诊断报告及提出检修建议；

优化调度模块与故障诊断模块相连接根据各时段所需水量和水压，优化各个水泵的启闭状态，使泵站用电设备的功率之和最小。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种泵站远程诊断及优化调度方法，其特性在于，包括：

采集实时监测的泵站机组状态数据；

基于能效分析算法及监测数据分析所述泵站机组工作效率；

所述能效分析算法包括，

其中，

表示待分类项，c表示z的属性，

表示性能效率，

表示运行效率，n表示迭代次数，L表示分类条件；

根据所述泵站机组部件特性及BP神经网络建立诊断模型，基于所述监测数据及能效分析结果并结合专家库数据对所述泵站机组进行故障诊断；

所述诊断模型包括输入层、隐层、输出层；

所述输入层包括输入层节点i(i=1,2,3,4,……,n)，其输出O_i参数等于输入X_i；

所述隐层包括，

隐层节点j(j=1,2,3,4,……,p)，其输入I_j，输出O_j分别为

其中，

表示隐层节点j与输入节点i之间的权值，

表示隐层节点j的阈值，f表示非线性Sigmoid函数；

所述输出层包括，

输出节点K(k=1,2,3,4,……,m)，其输入I_k,输出y_k分别为：

式中，

表示输出层节点k与隐层节点j之间的权值，

表示输出节点k的阈值；

基于故障诊断结果，以所述泵站能耗最少、效率最优为所述泵站调度目标，建立优化调度模型，利用逐步优化策略求出最优解，完成远程诊断及优化调度；

所述优化调度模型目标函数包括，

其中，

表示功率，P表示总功率，m表示水泵台数，

，表示第i台水泵开启，

表示第i台水泵关闭。

2.如权利要求1所述的泵站远程诊断及优化调度方法，其特征在于：所述诊断模型输出与训练目标之间的均方差包括，

其中p表示样本数，

表示p个样本的第

个输出单元的目标输出结果，

表示p个样本的第

个输出单元的神经网络运算结果。

3.如权利要求1所述的泵站远程诊断及优化调度方法，其特征在于：所述优化调度模型约束条件包括，

m台水泵并联工作应保证总供水量为各台水泵供水量之和:

其中，

表示额定转速下第i台水泵流量。

4.如权利要求 1 所述的泵站远程诊断及优化调度方法，其特征在于，采用所述方法的系统包括：

数据采集模块用于采集监测模块得到的数据；

监测模块连接于所述数据采集模块包括视频监测模块、室内温湿度监测模块、机组转速监测模块、出水阀门监测模块，用于实时监测水泵机组的运行状态；

分析模块与所述监测模块相连接用于评估分析水泵装置能效，将评估的输出作为节能改造的依据，并能够产生较高的节能效益和经济效益；

故障诊断模块与所述分析模块及所述监测模块相连接用于对水泵装置进行故障诊断，并给出故障诊断报告及提出检修建议；

优化调度模块与所述故障诊断模块相连接根据各时段所需水量和水压，优化各个水泵的启闭状态，使泵站用电设备的功率之和最小。

Images