CN112633583B - 发电机组振动预测方法、装置、计算机设备和存储介质 - Google Patents

发电机组振动预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112633583B
CN112633583B CN202011598640.9A CN202011598640A CN112633583B CN 112633583 B CN112633583 B CN 112633583B CN 202011598640 A CN202011598640 A CN 202011598640A CN 112633583 B CN112633583 B CN 112633583B
Authority
CN
China
Prior art keywords
vibration
value
generator set
historical
feature
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
CN202011598640.9A
Other languages
English (en)
Other versions
CN112633583A (zh
Inventor
巩宇
邱小波
杨铭轩
于亚雄
梁彦
徐开炜
严汉秋
梁业全
高玥颖
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.)
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Original Assignee
Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
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 Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd filed Critical Peak and Frequency Regulation Power Generation Co of China Southern Power Grid Co Ltd
Priority to CN202011598640.9A priority Critical patent/CN112633583B/zh
Publication of CN112633583A publication Critical patent/CN112633583A/zh
Application granted granted Critical
Publication of CN112633583B publication Critical patent/CN112633583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本申请涉及一种发电机组振动预测方法、装置、计算机设备和存储介质。所述方法包括：获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；获取当前的发电机组振动真实值；将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。采用本方法能够提高预警灵敏性。

Description

发电机组振动预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及发电机组技术领域，特别是涉及一种发电机组振动预测方法、装置、计算机设备和存储介质。
背景技术
随着发电机组技术的发展，由于发电机组在正常运作过程中，发电机组的水导轴承、推力轴承、上导轴承在水平方向、垂直方向上稳定的摆动。当发电机组的水导轴承、推力轴承、上导轴承在水平方向、垂直方向上出现剧烈摆动时，极容易造成轴承零部件发生损坏，并可能导致生产事故发生。因而出现了发电机组振动预测技术，可以提前对发电机组振动情况进行预测，在一定程度上避免了生产事故的发生。
传统技术中，针对发电机组振动预警模式，普遍采用一固定值作为预警线的方式，将数据与该固定值进行比较，当该数据大于该固定值时，确定数据异常，当该数据小于该固定值时，确定数据在正常范围内。
然而，目前的传统方法，但是这种方式灵活性较低，导致预警灵敏性较差，例如经常会出现没有超过预警线却出现系统误报处于故障状态的情况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预警灵敏性的发电机组振动预测方法、装置、计算机设备和存储介质。
一种发电机组振动预测的方法，所述方法包括：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
在其中一个实施例中，还包括：从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
在其中一个实施例中，根据各个历史振动值，获得历史正常范围和历史异常范围，包括：
将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差；
通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常；
将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
在其中一个实施例中，从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集之前，还包括：
获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
在其中一个实施例中，从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集，包括：
通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
在其中一个实施例中，所述通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集，包括：
分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数；
当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
在其中一个实施例中，在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还包括：
对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
一种发电机组振动预测装置，所述装置包括：
历史范围获取模块，用于获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
振动真实值获取模块，用于获取当前的发电机组振动真实值；
第一残差获取模块，用于根据振动预测模型对所述发电机组振动真实值进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值的第一差值，将所述第一差值作为第一残差；
第一状态确定模块，用于根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
预警措施启动模块，用于当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
上述发电机组振动预测的方法、装置、计算机设备和存储介质，获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；获取当前的发电机组振动真实值；根据振动预测模型对发电机组振动真实值进行预测，获得第一发电机组振动预测值，并计算第一发电机组振动预测值和发电机组振动真实值的第一差值，将第一差值作为第一残差；根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；当第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。在获得当前输入的发电机组振动真实值后，通过振动预测模型对其进行预测，得到该振动真实值对应的振动预测值，再将振动预测值和振动真实值进行差值计算，得到第一残差。根据第一残差与历史正常范围或历史异常范围范围进行比较，观察第一残差属于历史正常范围还是属于历史异常范围，进而可以判断出该第一残差的第一状态为正常还是异常。当第一状态为异常的第一残差的个数大于设定个数阈值时，将启动预警措施。由于系统会根据实时获取的发电机组振动真实值进行计算、判断，并采取相应的预警措施，从而使本申请能够提高预警灵敏性。
附图说明
图1为一个实施例中发电机组振动预测方法的应用环境图；
图2为一个实施例中发电机组振动与发电机组有功功率时序对比图；
图3为一个实施例中使用特征工程工具建立的各个特征展示图；
图4为一个实施例中新建立的特征集与发电机组平振动有效值相关系数图；
图5为一个实施例中发电机组振动预测方法的流程示意图；
图6为一个实施例中获取历史正常范围和历史异常范围的流程示意图；
图7为一个实施例中发电机组振动预测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的发电机组振动预测方法，可以应用于如图1所示的应用环境中。其中，发电机组102与终端104通过网络进行通信，也可以通过数据线接口实现通信连接。其中，终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
发电机组102在开机后，终端102可以实时获取发电机组102振动真实值，并根据在当前时刻之前所获得的发电机组102振动真实值，作为发电机组102的历史振动值，根据历史振动值以及与发电机组102振动最相关的特征建立振动预测模型，从而使终端102根据当前获得的发电机组102振动真实值进行预测，获得第一发电机组102振动预测值以及第一残差。并根据历史正常范围和历史异常范围，可以判断当前第一残差的第一状态。
图2的U1-1H线段对应的发电机组水平振动有效值，U1-1V线段对应发电机组垂直振动有效值，MW对应发电机组有功功率。从图2可以看出，发电机组振动与发电机组有功功率的趋势相同，因此选择发电机组有功功率来反映和预测发电机组振动合理。
图3中新的特征集数据展示图，至少包括第一特征(abs energy)、第二特征(cwtcoefficients width)等。
图4展示了第一特征集中部分特征与发电机组振动的相关关系，该图中线条的颜色越深，说明该特征与发电机组振动有越强的正相关关系，该图中线条的颜色越浅，说明该特征与发电机组振动有越强的负相关关系。
在一个实施例中，如图5所示，提供了一种发电机组振动预测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S502，获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
其中，发电机组的历史振动值是指在本次开机之后，获得当前最新的发电机组振动真实值之前，这一过程中通过传感器所获得的各个振动真实值。为了区别于当前获得的发电机组振动真实值，将其称之为历史振动值，其本质也是发电机组的振动真实值，区别在于其获取发生在当前发电机组振动真实值之前，是各个历史时刻获得的发电机组振动真实值。
历史正常范围和历史异常范围是通过聚类算法基于发电机组的各个历史振动值，进行聚类得到的残差分布。基于该残差分布可以提供评估第一残差为正常或异常的阈值。
步骤S504，获取当前的发电机组振动真实值。
其中，发电机组振动真实值是通过终端内置的传感器测量得到的。发电机组在开机运行的过程中，其水导轴承、推力轴承以及上导轴承在水平方向、垂直方向上会出现一定程度的摆动，可分别称之为发电机组水平振动和发电机组垂直振动。本申请所称发电机组振动真实值，即指根据传感器实时测得的发电机组水平振动值和发电机组垂直振动值两部分。当前的发电机组振动真实值是为了区别于发电机组的历史振动值而言的，是当前最新时刻、实时获得的发电机组振动真实值。
步骤S506，将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差。
具体地，振动预测模型在终端生成，并存储于终端中。将当前的发电机组振动真实值输入到构建好的振动预测模型中，对当前的发电机组振动真实值进行预测，得到的值即第一发电机组振动预测值。在获得第一发电机组振动预测值之后，计算第一发电机组振动真实值和发电机组振动预测值之间的差值，将该差值作为第一残差。
步骤S508，根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常。
具体地，在得到该第一差值后，将该第一残差输入到聚类模型中，通过聚类模型对第一残差进行聚类，当该第一残差更靠近历史正常范围的范畴或边界时，终端将标记该第一残差的第一状态为正常。当该第一残差更靠近历史异常范围的范畴或边界时，终端将标记该第一残差的第一状态为异常。其中，历史正常范围是针对各个发电机组历史振动值，根据振动预测模型得到对应的残差值，并通过聚类模型对各个残差值进行聚类后，得到的隶属于正常范围的历史数据集。历史异常范围是针对各个发电机组历史振动值，根据振动预测模型得到对应的残差值，并通过聚类模型对该各个残差值进行聚类后，得到的区别于正常范围的历史数据集，或者隶属于异常范围的历史数据集。
步骤S510，当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
具体地，设定个数阈值例如可以是1、2、3等自然数，当第一状态为异常的第一残差的个数大于设定个数阈值时，将触发终端启动预警措施。预警措施可以是鸣笛、灯光闪烁等提醒用户的方式，也可以是控制发电机组减速或停止运行、只对各异常状态的振动测点分别报告其状态。等。并且异常的第一残差所对应的发电机组振动真实值将会被保留，作为更新振动预测模型的备用数据。
上述发电机组振动预测方法中，在获得当前输入的发电机组振动真实值后，通过振动预测模型对其进行预测，得到该振动真实值对应的振动预测值，再将振动预测值和振动真实值进行差值计算，得到第一残差。根据第一残差与历史正常范围或历史异常范围范围进行比较，观察第一残差属于历史正常范围还是属于历史异常范围，进而可以判断出该第一残差的第一状态为正常还是异常。当第一状态为异常的第一残差的个数大于设定个数阈值时，将启动预警措施。由于系统会根据实时获取的发电机组振动真实值进行计算、判断，并采取相应的预警措施，从而使本申请能够提高预警灵敏性。
在一个实施例中，发电机组振动预测方法，还包括：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集。
具体地，第一特征集中包括与发电机组振动相关的多个特征，例如发电机组的有功功率的最大值、有功功率的最小值、有功功率的中位数和运行时长等，第二特征集是从第一特征集的诸多个特征中，选取的与发电机组振动最相关的特征。
根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
具体地，第二特征集是与发电机组振动最相关的特征。
回归算法采用但不限于机器学习中Xgboost的回归算法，根据该回归算法、第二特征集合发电机组的历史振动值构建发电机组的振动预测模型，根据该振动预测模型可以对实时获得的发电机组振动真实值进行预测，得到各时刻对应的发电机组的振动预测值。
本实施例中，通过获取与发电机组振动最相关的特征，作为第二特征集。再根据该第二特征集、发电机组的历史振动值和回归算法构建发电机组的振动预测模型，在获得该振动预测模型后，可以对当前的发电机组振动真实值进行预测，从而判断当前的发电机组振动真实值的第一状态，确定其第一状态为正常还是异常。
在一个实施例中，根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常，包括：
将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差。
具体地，根据振动预测模型分别对第二特征集对应的历史振动值进行预测，从而得到各历史振动值对应的第二发电机组振动预测值。根据历史振动值和第二发电机组振动预测值之间的差值，得到的差值作为第二残差。
通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常。
具体地，本申请可以采用但不限于混合高斯模型对第二残差进行聚类计算，聚类之后聚类算法会自动标记各第二残差的第二状态。即将第二残差划分为两个不同的范畴或类别，其一为正常，另一为异常。
将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
具体地，历史正常范围是指第二状态为正常的第二残差，历史异常范围是指第二状态为异常的第二残差。
本实施例中，通过振动预测模型、历史振动值等得到第二残差，再通过聚类算法对第二残差进行聚类，从而获得历史正常范围和历史异常范围。根据历史正常范围合历史异常范围可以作为判断第一残差的第一状态的依据。
在一个实施例中，从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集之前，还包括：
获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长。
其中，运行时长指的是每次开机的运行时长。与发电机组振动相关的特征包括发电机组有功功率、发电机组的运行时长、还包括平均值(MW_median)、最大值(MW_maximum)、最小值(MW_minimum)、0.9分位数(MW_quantil e_q_0.9)、线性趋势(MW_agg_linear_trend)、发电机组开机时长(sc)。等。发电机组有功功率越大，相应地发电机组振动幅度和频率越大。发电机组开机后，由开机时的剧烈振动，随着运行时间，逐渐趋于缓和稳定。初步将发电机组的有功功率和运行时长作为第三特征集。
通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定。
具体地，滑窗函数是计算机程序中的一个调用接口函数，通过该滑窗函数可以获得运行时长中一段时间的历史有功功率值，该一段时间可以自定义设置，可称为设定时间段。
从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
具体地，滑窗函数在获得一段时间内的各个历史有功功率值之后，能自动对各个历史有功功率值进行分析，获得历史有功功率信息，从而获得历史有功功率值的最大值、史有功功率值的最小值、历史有功功率值绝对值和历史有功功率值中位数等历史有功功率信息。终端将这些历史有功功率信息作为第一特征集。
本实施例中，通过滑窗函数获取设定时间段内，发电机组的历史有功功率值，再对各历史有功功率值进行分析，从而获得历史有功功率信息，并将其作为第一特征集，相比直接根据第三特征集获得第二特征集，本申请可以进一步确定和发电机组振动更相关的特征。
在一个实施例中，从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集，包括：通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
具体地，通过相关系数法计算第一特征集中的各个特征，在影响发电机组振动过程中所占的系数比重，系数比重越大，说明该特征与发电机组振动越相关，从而可以确定第一特征集中与发电机组振动最相关的特征。
本实施例中，通过相关系数法从第一特征集中获取与发电机组振动最相关的特征，由于第一特征集是在第三特征集的基础上获得的，再根据第一特征集获取与发电机组振动最相关的特征，从而更进一步获取到与发电机组振动相关的特征。
在一个实施例中，所述通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集，包括：
分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数。
当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
具体地，(1)设第i个特征xi的方差为D(xi)，发电机组振动y的方差为D(y)；
(2)第一特征集中的第i个特征xi与发电机组振动y的相关系数为：
Figure BDA0002868397730000111
其中cov(xi,y)为xi与y的协方差；
(3)当ρxiy大于设定系数阈值时，特征xi进入第二特征集中。
其中，发电机组振动y指的是发电机组振动真实值，设定系数阈值可以是[0.5，1)，例如取值可以是0.7。
本实施例中，通过相关系数法获得第一特征集中各个特征与发电机组振动真实值的相关系数，当相关系数大于设定系数阈值时，说明该相关系数对应的特征在影响发电机组振动的各个特征中，所占的比重比较大，和发电机组振动越相关。
在一个实施例中，在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还包括：
对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
具体地，当第三特征集的一组数据中间有空值时，终端将会对该空值进行填充，填充时以该空值前后最靠近的两个历史数据的平均值进行填充，即平均值填充。当第三特征集的一组数据中间有异常值时，终端将会直接将该异常值剔除，并将异常值所在的整组数据包括正常值在内的数据全部剔除。其中，一组数据可以是包括有功功率最大值、有功功率最小值和有功功率中位数等，各个组数据之间以滑窗函数截取的时间段进行划分。当第三特征集的一组数据中有功功率最大值为异常值时，可以将该有功功率最大值及与其同组的有功功率最小值和有功功率中位数等组数据进行剔除。
本实施例中，在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还需要对第三特征集中的空值以及异常值等进行相应的数据清洗操作，从而保证数据的准确性。
在一个实施例中，如图6所示，发电机组振动预测方法，包括：
步骤S602，获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长。
步骤S604，对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
步骤S606，通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定。
步骤S608，从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
步骤S610，分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数。
步骤S612，当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
步骤S614，根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
步骤S616，将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差。
步骤S618，通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常。
步骤S620，将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
在本实施例中，根据发电机组的历史振动值数据以及振动预测模型、聚类算法，可以获取到历史正常范围合历史异常范围，从而方便对当前获得的发电机组振动真实值进行预测。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种发电机组振动预测装置，包括：历史范围获取模块702、振动真实值获取模块704、第一残差获取模块706、第一状态确定模块708和预警措施启动模块710，其中：
历史范围获取模块702，用于用于获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
振动真实值获取模块704，用于获取当前的发电机组振动真实值；
第一残差获取模块706，用于根据振动预测模型对所述发电机组振动真实值进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
第一状态确定模块708，用于根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
预警措施启动模块710，用于当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
在一个实施例中，发电机组振动预测装置，还包括：
第二特征集获取模块，用于从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
振动预测模型构建模块，用于根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
在一个实施例中，历史范围获取模块，包括：第二残差获取模块、第二状态获取模块和历史范围确定模块，其中：
第二残差获取模块，用于将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差；
第二状态获取模块，用于通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常；
历史范围确定模块，用于将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
在一个实施例中，发电机组振动预测装置，还包括：第三特征集获取模块、
第三特征集获取模块，用于获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
历史有功功率值获取模块，用于通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
第一特征集获取模块，用于从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
在一个实施例中，第二特征集获取模块，还用于通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
在一个实施例中，第二特征集获取模块，包括：相关系数计算模块、特征增加模块，其中：
相关系数计算模块，用于分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数；
特征增加模块，当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
在一个实施例中，发电机组振动预测装置，还包括：数据清洗模块，用于对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
关于发电机组振动预测装置的具体限定可以参见上文中对于发电机组振动预测方法的限定，在此不再赘述。上述发电机组振动预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种发电机组振动预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据各个历史振动值，获得历史正常范围和历史异常范围，包括：
将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差；
通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常；
将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集之前，还包括：
获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集，包括：
通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集，包括：
分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数；
当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还包括：
对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据各个历史振动值，获得历史正常范围和历史异常范围，包括：
将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差；
通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常；
将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集之前，还包括：
获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集，包括：
通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集，包括：
分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数；
当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还包括：
对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种发电机组振动预测的方法，其特征在于，所述方法包括：
获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
获取当前的发电机组振动真实值，所述发电机组振动真实值包括实时测得的发电机组水平振动值和发电机组垂直振动值；
将所述当前的发电机组振动真实值输入到构建好的振动预测模型进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值得到第一残差；
根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施；
所述方法还包括：
获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所述历史有功功率信息作为第一特征集；
从所述第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
根据所述第二特征集、发电机组的历史振动值以及回归算法构建发电机组的振动预测模型。
2.根据权利要求1所述的方法，其特征在于，根据各个历史振动值，获得历史正常范围和历史异常范围，包括：
将第二特征集对应的发电机组的各个历史振动值，输入到所述振动预测模型中，获得第二发电机组振动预测值，并计算第二发电机组振动预测值和发电机组振动真实值得到第二残差；
通过聚类算法对所述第二残差进行聚类，并分别标记各所述第二残差的第二状态，所述第二状态包括正常和异常；
将所述第二状态为正常的各个第二残差作为历史正常范围，所述第一状态为异常的各个第一残差作为历史异常范围。
3.根据权利要求1所述的方法，其特征在于，从第一特征集中获取与发电机组振动最相关的特征，作为第二特征集，包括：
通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集。
4.根据权利要求3所述的方法，其特征在于，所述通过相关系数法从所述第一特征集中筛选获取与发电机组振动最相关的特征，作为第二特征集，包括：
分别计算第一特征集中的各个特征与发电机组振动真实值的相关系数；
当所述相关系数大于设定系数阈值时，将所述相关系数对应的第一特征集中的特征增加至所述第二特征集中。
5.根据权利要求1所述的方法，其特征在于，在通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值之前，还包括：
对第三特征集中的空值通过其前后的两个历史数据进行平均值填充，并剔除所述第三特征集中的异常值及其所属组数据。
6.一种发电机组振动预测装置，其特征在于，所述装置包括：
历史范围获取模块，用于获取发电机组的各个历史振动值，并根据各个历史振动值，获得历史正常范围和历史异常范围；
振动真实值获取模块，用于获取当前的发电机组振动真实值，所述发电机组振动真实值包括实时测得的发电机组水平振动值和发电机组垂直振动值；
第一残差获取模块，用于根据振动预测模型对所述发电机组振动真实值进行预测，获得第一发电机组振动预测值，并计算所述第一发电机组振动预测值和发电机组振动真实值的第一差值，将所述第一差值作为第一残差；
第一状态确定模块，用于根据所述历史正常范围和历史异常范围，确定所述第一残差所处的第一状态，所述第一状态包括正常和异常；
预警措施启动模块，用于当所述第一状态为异常的第一残差的个数大于设定个数阈值时，启动预警措施；
所述装置还包括：
第三特征集获取模块，用于获取影响发电机组振动的第三特征集，所述第三特征集至少包括发电机组的有功功率和发电机组的运行时长；
历史有功功率值获取模块，用于通过滑窗函数在设定时间段内，获取发电机组的历史有功功率值，其中，所述设定时间段根据所述运行时长确定；
第一特征集获取模块，用于从各所述历史有功功率值中，获取历史有功功率信息，所述历史有功功率信息包括：历史有功功率值中的最大值、最小值、绝对值和中位数，将所 述历史有功功率信息作为第一特征集；
第二特征集获取模块，用于从所述第一特征集中获取与发电机组振动最相关的特征，作为第二特征集；
振动预测模型构建模块，用于根据所述第二特征集、发电机组的历史振动值以及 回归算法构建发电机组的振动预测模型。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202011598640.9A 2020-12-29 2020-12-29 发电机组振动预测方法、装置、计算机设备和存储介质 Active CN112633583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011598640.9A CN112633583B (zh) 2020-12-29 2020-12-29 发电机组振动预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011598640.9A CN112633583B (zh) 2020-12-29 2020-12-29 发电机组振动预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112633583A CN112633583A (zh) 2021-04-09
CN112633583B true CN112633583B (zh) 2023-07-11

Family

ID=75287501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011598640.9A Active CN112633583B (zh) 2020-12-29 2020-12-29 发电机组振动预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112633583B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114048261A (zh) * 2021-09-22 2022-02-15 国家能源集团乐东发电有限公司 一种基于数据描述的振动矢量预警值确定方法及系统
CN113806351B (zh) * 2021-11-19 2022-04-19 国能信控互联技术有限公司 一种火电机组发电数据异常值处理方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036819A (zh) * 2017-05-02 2017-08-11 大唐东北电力试验研究所有限公司 多参数修正的汽轮发电机组远程振动故障诊断方法及系统
CN108988381A (zh) * 2018-07-09 2018-12-11 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 风力发电机组低电压穿越控制方法、装置及系统
CN110472587A (zh) * 2019-08-19 2019-11-19 四川大学 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1077948A (ja) * 1996-09-04 1998-03-24 Mitsubishi Electric Corp 水車発電機監視装置
CN101995290B (zh) * 2009-08-28 2013-04-24 威能极公司 风力发电机振动监测的方法和系统
JP6348862B2 (ja) * 2015-03-30 2018-06-27 株式会社日立製作所 系統安定化制御装置および電力系統制御システム
CN110298132A (zh) * 2019-07-05 2019-10-01 国家电网有限公司 一种水轮发电机组轴承摆度趋势预测方法
CN110888788A (zh) * 2019-10-16 2020-03-17 平安科技（深圳）有限公司 异常检测方法、装置、计算机设备及存储介质
CN111047082B (zh) * 2019-12-02 2024-03-29 广州智光电气股份有限公司 设备的预警方法及装置、存储介质和电子装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107036819A (zh) * 2017-05-02 2017-08-11 大唐东北电力试验研究所有限公司 多参数修正的汽轮发电机组远程振动故障诊断方法及系统
CN108988381A (zh) * 2018-07-09 2018-12-11 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 风力发电机组低电压穿越控制方法、装置及系统
CN110472587A (zh) * 2019-08-19 2019-11-19 四川大学 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Vibration Tendency Prediction Approach for Hydropower Generator Fused with Multiscale Dominant Ingredient Chaotic Analysis, Adaptive Mutation Grey Wolf Optimizer, and KELM;Wenlong Fu 等;《Hindawi Complexity》;1-20 *
南方电网抽水蓄能电站自动发电控制功能研究与应用;巩宇;《水电与抽水蓄能》;77-81 *

Also Published As

Publication number Publication date
CN112633583A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
US7107187B1 (en) Method for modeling system performance
CN112633583B (zh) 发电机组振动预测方法、装置、计算机设备和存储介质
CN101999101B (zh) 系统运行预测的确定方法
CN111667010A (zh) 基于人工智能的样本评估方法、装置、设备及存储介质
Mohanty et al. Gaussian process time series model for life prognosis of metallic structures
CN116413604A (zh) 一种电池参数监测方法、系统、装置及存储介质
CN115237710A (zh) 服务器温度预测方法、装置、计算机设备和存储介质
CN101657770B (zh) 使用间断检测的机器状况监测
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN112881818A (zh) 电场强度测量方法、装置、计算机设备和存储介质
CN111752481A (zh) 一种基于spd的内存监控及寿命预测方法和系统
CN113254153A (zh) 流程任务处理方法、装置、计算机设备和存储介质
CN113284000A (zh) 用户用电数据异常检测方法、装置、计算机设备
CN112507438A (zh) 边坡岩体变形控制方法、计算机程序产品及可读存储介质
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
CN113808727B (zh) 设备监控方法、装置、计算机设备和可读存储介质
CN111189533A (zh) 外力入侵监测方法、装置、计算机设备和存储介质
Tu et al. Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices
US20220190596A1 (en) Method for predicting power generation and remaining useful life per system and system for performing the same
CN115514614A (zh) 基于强化学习的云网络异常检测模型训练方法及存储介质
KR20200051343A (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
CN115130887A (zh) 水库大坝环境影响评价方法和装置、电子设备和存储介质
CN114781766A (zh) 水文站点的水文信息预测方法、装置、设备及存储介质
CN111210105B (zh) 连续工作性能验证、装置、计算机设备和存储介质

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