CN112560339B - 利用机器学习预测水轮发电机组导轴承瓦温度的方法 - Google Patents
利用机器学习预测水轮发电机组导轴承瓦温度的方法 Download PDFInfo
- Publication number
- CN112560339B CN112560339B CN202011445305.5A CN202011445305A CN112560339B CN 112560339 B CN112560339 B CN 112560339B CN 202011445305 A CN202011445305 A CN 202011445305A CN 112560339 B CN112560339 B CN 112560339B
- Authority
- CN
- China
- Prior art keywords
- temperature
- guide bearing
- bearing bush
- data
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B15/00—Controlling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Control Of Water Turbines (AREA)
Abstract
利用机器学习预测水轮发电机组导轴承瓦温度的方法,包括获取数据、清洗数据、数据分类、训练模型、计算时间滞后量、确定预测值阈上下限、对数据进行预测、判断是否告警以及对模型进行评价。针对现有导轴承瓦温度固定阈值报警,不能有效发现和预警上导轴承瓦温度劣化等缺陷,对大型水轮发电机组在开机工况,稳定运行工况、停机工况采用不同的机器学习模型进行上导轴承瓦温度预测;通过程序确定冷却水冷却上导轴承瓦温度的滞后时间可以更精确的进行上导轴承瓦温度预测;采用3σ原则确定导轴承瓦温预测值的上下限,能够早期发现上导瓦出现的异常,技术人员及早对设备进行调整、维护,能有效提高水轮发电机组运行的安全可靠性。
Description
技术领域
本发明涉及水轮发电机组安全监控领域,具体涉及一种利用机器学习预测水轮发电机组导轴承瓦温度的方法。
背景技术
当前大型水力发电厂水轮发电机各部轴承瓦温度监测多在监控系统侧进行(或故障诊断系统),按设定阈值进行报警,该报警方法距离保护动作温度相差不大,而且每台机组设定值相同,当报警发出以后通常意味着设备故障已经发生。本方法利用大量的历史数据进行机器学习,形成冷却水温、上导瓦温度的函数关系,当实际温度偏离预测值(相当于可变阈值)进行告警,这样将提前告知当前的上导瓦温度已经劣化,需要引起注意。
健康运行状态下,机组工况、冷却水进水口温度等监测量与上导轴承瓦温度之间存在一定的映射关系。当预测值与实测值关系发生偏离,各个参数之间的期望映射关系被破坏,设备很可能处于异常状态,引发故障告警。机器学习具有在训练数据中寻找数据特征间的相关关系,从而使用特定的数学公式来拟合这种关系,进而可以通过与目标值相关的一些特征测点数据来预测目标值。
现有技术中也有对水轮机轴承进行温度判断的方法,中国专利文献CN108362497A记载了一种用于水轮机组轴承温度异常判断的方法及系统,通过待检测值计算模块计算出各轴承温度测点的待检测值,温度异常判断模块将待检测值与预设阈值进行比较,判断待检测值中的任一值是否超过预设阈值,如果待检测值中的任一值超过预设阈值,那么待检测值对应的轴承温度异常,此方法只能通过多点检测轴承的温度,判断水轮机轴承温度是否超差,当计算结果是超温时,此时轴承已经以故障带病模式工作了一段时间,通常已经发生了不可逆的损坏,需要对水轮机组进行紧急项修才能解决问题。
发明内容
本发明所要解决的技术问题是提供一种利用机器学习预测水轮发电机组导轴承瓦温度的方法,利用大量的历史数据进行机器学习,形成冷却水温、上导瓦温度的函数关系,当实际温度偏离设定的预测限值时进行告警,这样将提前告知当前的上导瓦温度已经劣化,需要引起注意,可以及时停机检查查找故障原因(如润滑故障、渗入杂质等),及时排除引起故障的诱因,提前避免事态扩大,导致导轴承损坏。
为解决上述技术问题,本发明所采用的技术方案是:
利用机器学习预测水轮发电机组导轴承瓦温度的方法,包括以下步骤:
Step1、获取数据,获取水轮发电机组导轴承及导轴承冷却水的在发电机组开机、稳定运行和停机时的温度数据;
Step2、清洗数据,对数据集中存在异常的数据去除;
Step3、数据分类,将清洗后的数据分为训练集、验证集和测试集;
Step4、训练模型,将发电机组工况分为开机、稳定运行和停机,根据工况类型选取模型和模型参数进行训练,得到轴承冷却水温度和导轴承温度相对于时间的函数模型,使用验证集数据对训练好的模型进行验证,若验证集的预测效果不符合设定要求,模型重新训练,当验证集验证的模型满足要求时,通过测试集对模型进行测试纠正;
Step5、计算时间滞后量,通过计算导轴承冷却水进水口温度和导轴承瓦温度的相关系数,得到导轴承冷却水温度的提前时间量;
Step6、通过数据正态分布的3σ原则确定导轴承瓦预测值的上下限:当计算出样本的平均值、样本标准差后,99%的样本数据在μ-3σ、μ+3σ这个区间范围内,以此作为预测温度的上下限值,当实际值超过μ-3σ、μ+3σ范围进行告警;
Step7、根据Step4中得到的模型对新的数据进行预测,并根据Step5中的提前时间量得出导轴承瓦的预测值,并输出预测值、预测值上限、预测值下限;
Step8、判断是否告警,当根据新的数据得到的导轴承瓦预测值落入Step6中的预测值上限和预测值下限所包围的区间范围内,不触发告警,否则告警。
上述的Step4中发电机组在开机工况下使用龚帕兹Gompertz模型对训练数据进行拟合并得到相应的导轴承瓦温度的预测模型。
上述的Step4中发电机组在开机工况下中龚帕兹Gompertz模型表达式为:
其中y′为开机运行状态上导轴承瓦温度预测值的归一化格式,t为时间,a、b、K为待估计的参数,根据训练集数据和龚帕兹Gompertz模型进行拟合,得到a、b、K的值,将此表达式转化为预测模型:
为开机运行状态发电机组导轴承瓦温度的预测值,/>为历史开机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…600。
上述的Step4中发电机组在稳定运行工况下使用岭回归模型对导轴承温度变化进行预测。
上述的岭回归模型表达式为:
其中yi为稳定运行状态发电机组导轴承瓦温度的预测值,为数据样本的特征值,w为数据样本对应的参数项系数,σ为数据样本方差;
传统线性回归模型的最小二乘优化函数为:
通过矩阵表示为:
f(w)=(y-Xw)T(y-Xw)
得到的回归系数为:
这个问题解存在且唯一的条件就是X满秩,即:rank(X)=dim(X),即使X满秩,当特征数据间存在多重共线性,也就是特征之间存在着较强的相关性时,会使得最小二乘优化函数的解不稳定;
为了解决传统最小二乘优化中的共线性问题,在岭回归模型中,该模型在优化函数中加入惩罚项λ即L2正则化,此时的优化函数为:
也可通过矩阵表示为:
加入惩罚项后,优化函数限制了参数项系数Wi的绝对值。
上述的发电机组稳定运行工况下的预测模型为:
其中为稳定运行工况下发电机组导轴承瓦温度的预测值,x1、x2为数据样本中对应时间的导轴承冷却水温特征值。
上述的Step4中发电机组在停机工况下使用牛顿冷却定律模型对导轴承温度变化进行预测,牛顿冷却定律模型表达式为:
其中,t为时间,T(t)表示物体在t时刻的温度,H为周围的温度,K为比例系数,上述公式为微分方程,对上述牛顿冷却定律模型求解,最终描述物体自然冷却过程公式表达式为:
T(t)=Ce-kt+H
使用发电机组导轴承瓦温度的停机工况历史归一化数据和python的方程优化工具库对未知变量进行求解,得到:
y″=2.1658e-0.00096t-1.3864
其中t=1,2,3,…,n,y″为发电机组停机工况下导轴承瓦温度预测值的归一化格式,转化为正常的数据格式为:
为停机工况下导轴承瓦温度的预测值,/>为历史停机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…,n。
上述的Step5中计算时间滞后量的具体过程为:
Step5.1、选取时间范围,为0-60分钟的整数;
Step5.2、通过从0循环到60,计算上导轴承冷却水进水口温度x与上导轴承瓦温度y的相关系数ρ,相关系数的计算公式为:
其中Cov(x,y)为x,y的协方差,D(x)、D(y)分别为x,y的方差;
Step5.3、当取到某个时间量出现相关系数ρ最大值时,此时的时间量就是上导轴承冷却水进水口温度的提前时间量。
上述的发电机组稳定运行工况下,选择导轴承冷却水进口水温度对导轴承温度进行预测,当冷却水系统正反向倒换后,使用导轴承冷却水出水口温度对导轴承温度进行预测。
上述的预测步骤还包括:
Step9、对预测效果进行评价,选取以下指标进行评价:
决定系数R2:
该指标的分母表示原始数据的离散程度,分子表示预测数据与原始数据的误差;通过数据的变化来表征一个拟合的好坏,R2值接近1模型拟合效果越好;
均方误差MSE:
该指标表示预测值和真实值之间平方差的平均值,在机器学习构建回归模型的时候,该指标作为损失函数,模型的训练过程就是将该指标降低到最小值,从而达到模型最优的效果,该指标在一般的情况下达到0.1以下时模型为最优。
本发明提供的一种利用机器学习预测水轮发电机组导轴承瓦温度的方法,针对现有导轴承瓦温度固定阈值报警,不能有效发现和预警上导轴承瓦温度劣化等缺陷,对大型水轮发电机组在开机工况,稳定运行工况、停机工况采用不同的机器学习模型进行上导轴承瓦温度预测;通过程序确定冷却水冷却上导轴承瓦温度的滞后时间可以更精确的进行上导轴承瓦温度预测;采用3σ原则确定导轴承瓦温预测值的上下限,能够早期发现上导瓦出现的异常,技术人员及早对设备进行调整、维护,能有效提高水轮发电机组运行的安全可靠性。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明的流程图;
图2为龚帕兹Gompertz模型不同参数状态下曲线的变化趋势;
图3为发电机组开机工况下上导轴承瓦温度变化曲线示意图;
图4为发电机组清洗数据后上导轴承瓦温度变化时序图;
图5为实施例中上导轴承瓦预测值与实际值的对比示意图;
图6为实施例中上导轴承瓦温度异常告警示意图。
具体实施方式
如图1-5中所示,利用机器学习预测水轮发电机组导轴承瓦温度的方法,包括以下步骤:
Step1、获取数据,获取水轮发电机组导轴承及导轴承冷却水的在发电机组开机、稳定运行和停机时的温度数据;
Step2、清洗数据,对数据集中存在异常的数据去除;
Step3、数据分类,将清洗后的数据分为训练集、验证集和测试集;
Step4、训练模型,将发电机组工况分为开机、稳定运行和停机,根据工况类型选取模型和模型参数进行训练,得到轴承冷却水温度和导轴承温度相对于时间的函数模型,使用验证集数据对训练好的模型进行验证,若验证集的预测效果不符合设定要求,模型重新训练,当验证集验证的模型满足要求时,通过测试集对模型进行测试纠正;
Step5、计算时间滞后量,通过计算导轴承冷却水进水口温度和导轴承瓦温度的相关系数,得到导轴承冷却水温度的提前时间量;
Step6、通过数据正态分布的3σ原则确定导轴承瓦预测值的上下限:当计算出样本的平均值、样本标准差后,99%的样本数据在μ-3σ、μ+3σ这个区间范围内,以此作为预测温度的上下限值,当实际值超过μ-3σ、μ+3σ范围进行告警;
Step7、根据Step4中得到的模型对新的数据进行预测,并根据Step5中的提前时间量得出导轴承瓦的预测值,并输出预测值、预测值上限、预测值下限;
Step8、判断是否告警,当根据新的数据得到的导轴承瓦预测值落入Step6中的预测值上限和预测值下限所包围的区间范围内,不触发告警,否则告警。
上述的Step4中发电机组在开机工况下使用龚帕兹Gompertz模型对训练数据进行拟合并得到相应的导轴承瓦温度的预测模型。
在发电机组处于开机工况时,导轴承瓦温度上升趋势是先快速上升然后缓慢上升,最后趋于平缓,符合生长曲线函数特征,因此使用龚帕兹Gompertz模型作为对导轴承瓦温度在开机工况中的预测模型能够最大程度的拟合。
上述的Step4中发电机组在开机工况下中龚帕兹Gompertz模型表达式为:
其中y′为开机运行状态上导轴承瓦温度预测值的归一化格式,t为时间,a、b、K为待估计的参数,根据训练集数据和龚帕兹Gompertz模型进行拟合,得到a、b、K的值,将此表达式转化为预测模型:
为开机运行状态发电机组导轴承瓦温度的预测值,/>为历史开机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…600。
上述的Step4中发电机组在稳定运行工况下使用岭回归模型对导轴承温度变化进行预测。
在稳定运行工况下,发电机组导轴承瓦温度变化主要由导轴承冷却效果引起,其温度值与导轴承冷却效果有直接相关关系,因此可以选取发电机组导轴承冷却水的进水口温度来预测,因为导轴承温度变化与冷却水温度具有线性关系,稳定运行工况下可使用岭回归模型来预测导轴承温度。
上述的岭回归模型表达式为:
其中yi为稳定运行状态发电机组导轴承瓦温度的预测值,为数据样本的特征值,w为数据样本对应的参数项系数,σ为数据样本方差;
传统线性回归模型的最小二乘优化函数为:
通过矩阵表示为:
f(w)=(y-Xw)T(y-Xw)
得到的回归系数为:
这个问题解存在且唯一的条件就是X满秩,即:rank(X)=dim(X),即使X满秩,当特征数据间存在多重共线性,也就是特征之间存在着较强的相关性时,会使得最小二乘优化函数的解不稳定;
为了解决传统最小二乘优化中的共线性问题,在岭回归模型中,该模型在优化函数中加入惩罚项λ即L2正则化,此时的优化函数为:
也可通过矩阵表示为:
加入惩罚项后,优化函数限制了参数项系数Wi的绝对值。
上述的发电机组稳定运行工况下的预测模型为:
其中为稳定运行工况下发电机组导轴承瓦温度的预测值,x1、x2为数据样本中对应时间的导轴承冷却水温特征值。
根据实际观察得到的现象:一个比较热的物体,在一个温度比这个物体低的环境下,这个较热的物体的温度是要降低的,周围的温度是要上升的,最后物体的温度和周围的温度达到平衡,在水轮机发电机组停机过程中,导轴承的冷却水系统关闭,导轴承瓦通过空气自然冷却到室温状态,因此需要使用一个物体冷却公式来越策导轴承瓦在发电机组停电过程中的温度变化确实,牛顿冷却定律模型非常贴合较热的物体自然冷却过程的温度变化。
上述的Step4中发电机组在停机工况下使用牛顿冷却定律模型对导轴承温度变化进行预测,牛顿冷却定律模型表达式为:
其中,t为时间,T(t)表示物体在t时刻的温度,H为周围的温度,K为比例系数,上述公式为微分方程,对上述牛顿冷却定律模型求解,最终描述物体自然冷却过程公式表达式为:
T(t)=Ce-kt+H
使用发电机组导轴承瓦温度的停机工况历史归一化数据和python的方程优化工具库对未知变量进行求解,得到:
y″=2.1658e-0.00096t-1.3864
其中t=1,2,3,…,n,y″为发电机组停机工况下导轴承瓦温度预测值的归一化格式,转化为正常的数据格式为:
为停机工况下导轴承瓦温度的预测值,/>为历史停机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…,n。
上述的Step5中计算时间滞后量的具体过程为:
Step5.1、选取时间范围,为0-60分钟的整数;
Step5.2、通过从0循环到60,计算上导轴承冷却水进水口温度x与上导轴承瓦温度y的相关系数ρ,相关系数的计算公式为:
其中Cov(x,y)为x,y的协方差,D(x)、D(y)分别为x,y的方差;
Step5.3、当取到某个时间量出现相关系数ρ最大值时,此时的时间量就是上导轴承冷却水进水口温度的提前时间量。
上述的发电机组稳定运行工况下,选择导轴承冷却水进口水温度对导轴承温度进行预测,当冷却水系统正反向倒换后,使用导轴承冷却水出水口温度对导轴承温度进行预测。
上述的预测步骤还包括:
Step9、对预测效果进行评价,选取以下指标进行评价:
决定系数R2:
该指标的分母表示原始数据的离散程度,分子表示预测数据与原始数据的误差;通过数据的变化来表征一个拟合的好坏,R2值接近1模型拟合效果越好;
均方误差MSE:
该指标表示预测值和真实值之间平方差的平均值,在机器学习构建回归模型的时候,该指标作为损失函数,模型的训练过程就是将该指标降低到最小值,从而达到模型最优的效果,该指标在一般的情况下达到0.1以下时模型为最优。
在上述的水轮机发电机组的开机、稳定运行、停机三种状态,还可根据收集不同季度时间段内发电机组导轴承瓦温度和冷却水温度变化的数据,进行机器学习训练,等到更精准的不同季度时间段的数学模型。
实施例1:
下面以葛洲坝电厂13F发电机组不同运行工况下的机器学习模型来预测13F上导轴承瓦温度变化。
Step1、测点选择:在正常的上导冷却水导向过程中,选择训练的特征为13F上导冷却水1#进水管温度、13F上导冷却水2#进水管温度;在上导冷却水正反向倒换过程中,选择训练的特征为13F上导冷却水1#出水管温度、13F上导冷却水2#出水管温度。
Step2、数据收集
Step2.1、数据基本统计信息:
总样本数据是由2019年07月01日00时00分00秒-2019年12月31日23时59分00秒13F上导轴承瓦温度相关测点数据和13F上导轴承瓦温度数据组成,选取数据的时间频率为1分钟,表1-1的统计信息是经过去除总样本数据中存在异常数值后计算得到的。
注:去除异常数值是指当“13F上导轴承瓦温度”、“13F上导冷却水1#进水管温度”、“13F上导冷却水2#进水管温度”、“13F上导冷却水1#出水管温度”、“13F上导冷却水2#出水管温度”测点中任意一个测点存在异常数值时将其所在的行去除。原始的总样本数据641795行,存在异常数值有2234行,去除异常数值后的总样本数据有639561行。
表1-1总样本数据基本统计信息
Step2.2、训练样本数据统计,训练样本数据时随机抽取去除空值后总样本数据70%的数据得到的,表1-2的统计信息是经过计算训练样本数据得到的。
表1-2训练样本数据基本统计信息
Step2.3、验证样本数据基本统计信息:
验证样本数据是随机抽取去除空值后总样本数据中70%的数据剩下的30%数据得到的,表1-3的统计信息是经过计算验证样本数据得到的。
表1-3验证样本数据基本统计信息
根据收集到的数据绘制13F发电机组上导轴承瓦温度每分钟的平均数据得到如图4中所示的13F上导轴承瓦温度时序图。
Step3、13F机组开机工况下的模型训练:
在13F机组开机运行过程(2020/03/08 17:48:00--2020/03/08 20:32:00)的数据曲线如图3中所示,发现上导轴承瓦温度的上升趋势是先快速上升然后是缓慢上升,最后趋于平缓,所以在开机运行过程中,上导轴承瓦温度上升符合生长曲线函数特征,因此在开机运行过程中,预测上导轴承瓦温度使用的模型为生长曲线函数中的龚帕兹Gompertz模型。
龚帕兹(生长)曲线是一种常用曲线,其形式为:
其中y为目标值、t为时间,a、b、K为待估计的参数,对参数a、b、K的不同取值,龚帕兹模型有不同的形状和变化趋势,如图2中所示,图2(a)为ln(a)<0,b>1时的曲线;图2(b)为ln(a)<0,b>1时的曲线;图2(c)为ln(a)>0,0<b<1时的曲线;图2(d)为ln(a)>0,b>1时的曲线。
根据训练数据使用龚帕兹模型进行拟合得到开机工况下的模型表达式为:
其中t=1,2,3,…,600,y′为开机运行状态上导轴承瓦温度预测值的归一化格式,转化为正常的数据格式为:
为开机运行状态13F上导轴承瓦温度1的预测值,/>为历史开机运行状态中13F上导轴承瓦温度时间序列数据,i=1,2,3,…600。
Step4、13F机组稳定运行工况下的模型训练:
根据训练数据使用岭回归模型进行拟合得到稳定运行工况下的模型表达式为:
为稳定运行状态13F上导轴承瓦温度1的预测值。
Step5、13F机组停机工况下的模型训练:
根据训练数据使用牛顿冷却定律模型进行拟合得到停机工况下的模型表达式为
y″=2.1658e-0.00096t-1.3864
其中t=1,2,3,…,n,y″为停机运行状态上导轴承瓦温度预测值的归一化格式,转化为正常的数据格式为:
为停机运行状态13F上导轴承瓦温度1的预测值,/>为历史停机运行状态中13F上导轴承瓦温度时间序列数据,i=1,2,3,…n。
Step6、模型在训练集和验证集中的预测效果:
通过将训练集数据、验证集数据放入到机器学习模型中分别进行训练、验证,得到训练集数据的R2=0.9865,MSE=0.0116、验证集数据的R2=0.9865,MSE=0.00516,因此可以认为模型在训练集和验证集中的预测效果优秀。
Step7、实际预测效果:
为了展示模型的实际预测效果,本文选取2020/03/01 00:00:00--2020/03/2500:00:00时间段内时间频率为1分钟的13F上导轴承瓦温度和13F上导冷却水1#、2#进水口温度的数据进行预测和对比。
根据专家经验,13F上导轴承瓦温度预测值的上下限可以设置为预测值的±3℃。即:
yupper=ypred+3;
ylower=ypred-3;
当13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值上限或13F上导轴承瓦温度实际值小于13F上导轴承瓦温度预测值下限时,就可触发告警功能。
根据数据绘制得到如图5所示的13F上导轴承瓦温度预测值与实际值对比图,观察图5,发现在2020/03/17 15:21:00--2020/03/17 17:20:00这个时间段内13F上导轴承瓦温度实际值与13F上导轴承瓦温度的预测值均出现异常的现象,发生异常现象的时间段可以分为三个小段来分析,三个异常现象小段如图6所示:
在异常阶段1(该阶段的13F上导轴承瓦温度预测值由开机运行阶段的模型来预测)中,13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值上限,这是因为在该阶段中,13F上导冷却水系统出现堵塞,冷却水未能冷却上导轴承瓦,因此出现13F上导轴承瓦温度实际值偏高。
在异常阶段2(该阶段的13F上导轴承瓦温度预测值由稳定运行阶段的模型来预测)中,13F轴承瓦温度预测值及它的上限、下限值都升高,这是因为在该阶段中,冷却水的进水口温度升高,所以导致了13F轴承瓦温度预测值及它的上限、下限值都升高。而造成冷却水的进水口温度升高的原因是:在冷却水正反向倒换过程中,会出现短期的冷却水进、出口温度都升高现象,之后会出现冷却水进、出口温度都下降并平稳现象。
在异常阶段3中(该阶段的13F上导轴承瓦温度预测值由稳定运行阶段的模型来预测)中,13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值上限,这是因为冷却水系统经过正反向倒换后冷却水导通(冷却水进、出水口温度下降),所以也就造成13F上导轴承瓦温度实际值、13F上导轴承瓦温度1预测值及它的上限、下限值都下降,但由于冷却水冷却上导轴承瓦是一个缓慢的过程,所以也就造成了13F上导轴承瓦温度实际值要比13F上导轴承瓦温度1预测值及它的上限、下限值下降速度缓慢。
应用效果:此次使用机器学习预测13F上导轴承瓦温度的效果是理想的,在发电机组正常运行阶段,13F上导轴承瓦温度的预测值接近于13F上导轴承瓦温度实际值;在异常运行阶段,该模型也能实现告警功能;
在开机运行阶段,若13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值的上限,那么出现该现象的原因很可能是由于冷却系统出现故障,从而导致冷却系统效果变差;
在稳定运行阶段,若13F上导轴承瓦温度实际值、13F上导轴承瓦温度预测值及它的上限、下限值都下降,但13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值上限,那么出现该现象的原因是冷却水管导通后,13F上导轴承瓦冷却效果变化更加缓慢;
在稳定运行阶段,若13F上导轴承瓦温度实际值上升、13F上导轴承瓦温度预测值及它的上限、下限值都不变,且13F上导轴承瓦温度实际值大于13F上导轴承瓦温度预测值上限,那么出现该现象的原因很可能是冷却水系统出现故障,导致冷却水管堵塞;
在实际的场景中,发电机组也是在开机阶段和稳定阶段容易出现冷却水系统堵塞现象,所以该模型应用具有现实应用意义,可以自动发现上导瓦温异常升高、上导冷却水异常堵塞并进行报警。
Claims (10)
1.利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,包括以下步骤:
Step1、获取数据,获取水轮发电机组导轴承及导轴承冷却水的在发电机组开机、稳定运行和停机时的温度数据;
Step2、清洗数据,对数据集中存在异常的数据去除;
Step3、数据分类,将清洗后的数据分为训练集、验证集和测试集;
Step4、训练模型,将发电机组工况分为开机、稳定运行和停机,根据工况类型选取模型和模型参数进行训练,得到轴承冷却水温度和导轴承温度相对于时间的函数模型,使用验证集数据对训练好的模型进行验证,若验证集的预测效果不符合设定要求,模型重新训练,当验证集验证的模型满足要求时,通过测试集对模型进行测试纠正;
Step5、计算时间滞后量,通过计算导轴承冷却水进水口温度和导轴承瓦温度的相关系数,得到导轴承冷却水温度的提前时间量;
Step6、通过数据正态分布的3σ原则确定导轴承瓦预测值的上下限:当计算出样本的平均值、样本标准差后,99%的样本数据在μ-3σ、μ+3σ这个区间范围内,以此作为预测温度的上下限值,当实际值超过μ-3σ、μ+3σ范围进行告警;
Step7、根据Step4中得到的模型对新的数据进行预测,并根据Step5中的提前时间量得出导轴承瓦的预测值,并输出预测值、预测值上限、预测值下限;
Step8、判断是否告警,当根据新的数据得到的导轴承瓦预测值落入Step6中的预测值上限和预测值下限所包围的区间范围内,不触发告警,否则告警。
2.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的Step4中发电机组在开机工况下使用龚帕兹Gompertz模型对训练数据进行拟合并得到相应的导轴承瓦温度的预测模型。
3.根据权利要求2所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的Step4中发电机组在开机工况下中龚帕兹Gompertz模型表达式为:
其中y′为开机运行状态上导轴承瓦温度预测值的归一化格式,t为时间,a、b、K为待估计的参数,根据训练集数据和龚帕兹Gompertz模型进行拟合,得到a、b、K的值,将此表达式转化为预测模型:
为开机运行状态发电机组导轴承瓦温度的预测值,/>为历史开机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…600。
4.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的Step4中发电机组在稳定运行工况下使用岭回归模型对导轴承温度变化进行预测。
5.根据权利要求4所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的岭回归模型表达式为:
其中yi为稳定运行状态发电机组导轴承瓦温度的预测值,为数据样本的特征值,w为数据样本对应的参数项系数,σ为数据样本方差;
传统线性回归模型的最小二乘优化函数为:
通过矩阵表示为:
f(w)=(y-Xw)T(y-Xw)
得到的回归系数为:
这个问题解存在且唯一的条件就是X满秩,即:rank(X)=dim(X),即使X满秩,当特征数据间存在多重共线性,也就是特征之间存在着较强的相关性时,会使得最小二乘优化函数的解不稳定;
为了解决传统最小二乘优化中的共线性问题,在岭回归模型中,该模型在优化函数中加入惩罚项即L2正则化,此时的优化函数为:
也可通过矩阵表示为:
加入惩罚项后,优化函数限制了参数项系数Wi的绝对值。
6.根据权利要求5所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征是:所述的发电机组稳定运行工况下的预测模型为:
其中为稳定运行工况下发电机组导轴承瓦温度的预测值,x1、x2为数据样本中对应时间的导轴承冷却水温特征值。
7.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的Step4中发电机组在停机工况下使用牛顿冷却定律模型对导轴承温度变化进行预测,牛顿冷却定律模型表达式为:
其中,t为时间,T(t)表示物体在t时刻的温度,H为周围的温度,K为比例系数,上述公式为微分方程,对上述牛顿冷却定律模型求解,最终描述物体自然冷却过程公式表达式为:
T(t)=Ce-kt+H
使用发电机组导轴承瓦温度的停机工况历史归一化数据和python的方程优化工具库对未知变量进行求解,得到:
y″=2.1658e-0.00096t-1.3864
其中t=1,2,3,…,n,y″为发电机组停机工况下导轴承瓦温度预测值的归一化格式,转化为正常的数据格式为:
为停机工况下导轴承瓦温度的预测值,/>为历史停机运行状态中发电机组导轴承瓦温度的时间序列数据,i=1,2,3,…,n。
8.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的Step5中计算时间滞后量的具体过程为:
Step5.1、选取时间范围,为0-60分钟的整数;
Step5.2、通过从0循环到60,计算上导轴承冷却水进水口温度x与上导轴承瓦温度y的相关系数ρ,相关系数的计算公式为:
其中Cov(x,y)为x,y的协方差,D(x)、D(y)分别为x,y的方差;
Step5.3、当取到某个时间量出现相关系数ρ最大值时,此时的时间量就是上导轴承冷却水进水口温度的提前时间量。
9.根据权利要求1、4、5、6中任一所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征是:所述的发电机组稳定运行工况下,选择导轴承冷却水进口水温度对导轴承温度进行预测,当冷却水系统正反向倒换后,使用导轴承冷却水出水口温度对导轴承温度进行预测。
10.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法,其特征在于,所述的预测步骤还包括:
Step9、对预测效果进行评价,选取以下指标进行评价:
决定系数R2:
该指标的分母表示原始数据的离散程度,分子表示预测数据与原始数据的误差;通过数据的变化来表征一个拟合的好坏,R2值接近1模型拟合效果越好;
均方误差MSE:
该指标表示预测值和真实值之间平方差的平均值,在机器学习构建回归模型的时候,该指标作为损失函数,模型的训练过程就是将该指标降低到最小值,从而达到模型最优的效果,该指标在一般的情况下达到0.1以下时模型为最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445305.5A CN112560339B (zh) | 2020-12-11 | 2020-12-11 | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011445305.5A CN112560339B (zh) | 2020-12-11 | 2020-12-11 | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560339A CN112560339A (zh) | 2021-03-26 |
CN112560339B true CN112560339B (zh) | 2023-08-18 |
Family
ID=75062858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011445305.5A Active CN112560339B (zh) | 2020-12-11 | 2020-12-11 | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560339B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572753B (zh) * | 2021-07-16 | 2023-03-14 | 北京淇瑀信息科技有限公司 | 基于牛顿冷却定律的用户设备认证方法和装置 |
CN118128686B (zh) * | 2024-05-07 | 2024-07-05 | 国网甘肃省电力公司 | 立式水轮发电机组顶盖压力调节方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108362497A (zh) * | 2018-03-08 | 2018-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
CN108375473A (zh) * | 2018-03-08 | 2018-08-07 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
WO2019044975A1 (ja) * | 2017-08-31 | 2019-03-07 | 川崎重工業株式会社 | 判定装置および判定方法 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
CN110986306A (zh) * | 2019-11-30 | 2020-04-10 | 远景智能国际私人投资有限公司 | 基于机器学习的室温调节的方法、装置、设备及存储介质 |
JP2020140354A (ja) * | 2019-02-27 | 2020-09-03 | 三菱自動車工業株式会社 | 冷媒温度解析方法、冷媒温度解析装置及び冷媒温度解析プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11098575B2 (en) * | 2018-02-26 | 2021-08-24 | Exxonmobil Upstream Research Company | Method for flow profiling using active-source heating or cooling and temperature profiling |
-
2020
- 2020-12-11 CN CN202011445305.5A patent/CN112560339B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019044975A1 (ja) * | 2017-08-31 | 2019-03-07 | 川崎重工業株式会社 | 判定装置および判定方法 |
CN108362497A (zh) * | 2018-03-08 | 2018-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
CN108375473A (zh) * | 2018-03-08 | 2018-08-07 | 云南电网有限责任公司电力科学研究院 | 一种用于水轮机组轴承温度异常判断的方法及系统 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
JP2020140354A (ja) * | 2019-02-27 | 2020-09-03 | 三菱自動車工業株式会社 | 冷媒温度解析方法、冷媒温度解析装置及び冷媒温度解析プログラム |
CN110763929A (zh) * | 2019-08-08 | 2020-02-07 | 浙江大学 | 一种换流站设备智能监测预警系统及方法 |
CN110986306A (zh) * | 2019-11-30 | 2020-04-10 | 远景智能国际私人投资有限公司 | 基于机器学习的室温调节的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
风电机组齿轮箱油温异常诊断方法与预警策略研究;王灿;李韶武;张天阳;吕微;;船舶工程(S1);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112560339A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107111286B (zh) | 用于诊断和控制的自动化功能测试 | |
CN107146004B (zh) | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 | |
CN112560339B (zh) | 利用机器学习预测水轮发电机组导轴承瓦温度的方法 | |
US8515719B2 (en) | Apparatus anomaly monitoring method and system | |
US9664176B2 (en) | Method of automatically calculating power curve limit for power curve monitoring of wind turbine | |
JP7179444B2 (ja) | 予兆検知システム及び予兆検知方法 | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
US9188021B2 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
JP2022531714A (ja) | 分析方法及びそのための装置 | |
JP2022531886A (ja) | 分析方法及びそのための装置 | |
CN108292558B (zh) | 用于控制电力设备的冷却系统的方法和系统 | |
Sanayha et al. | Fault detection for circulating water pump using time series forecasting and outlier detection | |
CN109784127B (zh) | 一种设备健康状态预警方法及其系统 | |
KR20130065844A (ko) | 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법 | |
CN110940514B (zh) | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 | |
KR102561062B1 (ko) | 원전의 감시 시스템 및 방법 | |
CN113899093B (zh) | 螺杆式制冷压缩机回油故障的辨识和预判方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
RU2668852C1 (ru) | Способ и система учета остаточного ресурса компонентов турбоагрегата | |
JP2005248848A (ja) | ガスタービン診断方法及び装置 | |
JP2008267351A (ja) | 発電装置の監視方法及びシステム | |
CN115186754A (zh) | 基于信息熵及自联想回归模型的机组能效监测诊断方法 |
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 |