CN112734285A - 一种电站送风机超温预警方法及系统 - Google Patents
一种电站送风机超温预警方法及系统 Download PDFInfo
- Publication number
- CN112734285A CN112734285A CN202110087577.0A CN202110087577A CN112734285A CN 112734285 A CN112734285 A CN 112734285A CN 202110087577 A CN202110087577 A CN 202110087577A CN 112734285 A CN112734285 A CN 112734285A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- blower
- lstm neural
- temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims abstract description 122
- 238000010998 test method Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 70
- 238000012549 training Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004804 winding Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种电站送风机超温预警方法,所述预警方法包括如下步骤:获取电站送风机的历史运行数据;建立LSTM神经网络模型;根据历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数;采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。本发明采用LSTM神经网络模型实现送风机轴承温度的预测,以实现电站送风机安全预警,并且采用正交试验的方法确定LSTM神经网络模型的超参数,克服了LSTM神经网络模型的超参数的寻优过程复杂的技术缺陷,提高送风机轴承温度预测的时效性。
Description
技术领域
本发明涉及送风机监测领域,特别是涉及一种电站送风机超温预警方法及系统。
背景技术
电站送风机是电站的重要设备,实现电站送风机的安全预警,对于发电过程的安全性至关重要。
发明内容
本发明的目的是提供一种电站送风机超温预警方法及系统,以实现电站送风机安全预警。
为实现上述目的,本发明提供了如下方案:
一种电站送风机超温预警方法,所述预警方法包括如下步骤:
获取电站送风机的历史运行数据;
建立用于预测送风机轴承温度的LSTM神经网络模型;
根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v;
采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔;
当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
可选的,所述建立用于预测送风机轴承温度的LSTM神经网络模型,之前还包括:
将送风机轴承温度作为LSTM神经网络模型的预测变量;
分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;
根据所述历史运行数据,利用公式分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;
根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式min riq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
可选的,所述根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型,具体包括:
根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;其中,历史序列长度k的取值范围为[5,20],隐层节点数n取值范围为[10,40],学习速率v取值范围为[0.25,1];
分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;
根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;
根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。
可选的,所述根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差,具体包括:
将所述历史运行数据划分为10份,得到10组数据集合;
分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;
分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;
计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
一种电站送风机超温预警系统,所述预警系统包括:
历史运行数据获取模块,用于获取电站送风机的历史运行数据;
LSTM神经网络模型建立模块,用于建立用于预测送风机轴承温度的LSTM神经网络模型;
超参数确定模块,用于根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v;
当前运行数据采集模块,用于采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔;
超温预警模块,用于当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
可选的,所述预警系统,还包括:
预测变量确定模块,用于将送风机轴承温度作为LSTM神经网络模型的预测变量;
初始输入变量集合建立模块,用于分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;
相关性计算模块,用于根据所述历史运行数据,利用公式 分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;
输入变量集合获取模块,用于根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式min riq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
可选的,所述超参数确定模块,具体包括:
超参数取值范围确定子模块,用于根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;其中,历史序列长度k的取值范围为[5,20],隐层节点数n取值范围为[10,40],学习速率v取值范围为[0.25,1];
正交试验表建立子模块,用于分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;
预测误差计算子模块,用于根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;
超参数选取子模块,用于根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。
可选的,所述预测误差计算子模块,具体包括:
历史运行数据划分单元,用于将所述历史运行数据划分为10份,得到10组数据集合;
测试样本集与训练样本集划分单元,用于分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;
第一预测误差计算单元,用于分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;
第二预测误差计算单元,用于计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
一种电站送风机超温预警方法,所述预警方法包括如下步骤:获取电站送风机的历史运行数据;建立用于预测送风机轴承温度的LSTM神经网络模型;根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔;当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。本发明采用LSTM神经网络模型实现送风机轴承温度的预测,以实现电站送风机安全预警,并且采用正交试验的方法确定LSTM神经网络模型的超参数,克服了LSTM神经网络模型的超参数的寻优过程复杂的技术缺陷,提高送风机轴承温度预测的时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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他的附图。
图1为本发明提供的一种电站送风机超温预警方法的流程图;
图2为本发明提供的一种电站送风机超温预警方法的原理图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种电站送风机超温预警方法及系统,以实现电站送风机安全预警。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
长短期记忆(Long Short-Term Memory,LSTM)神经网络是目前常用的深度神经网络之一。LSTM神经网络模型结构涉及多个超参数,而这些参数值对网络的预测及泛化性能有着较大的影响。因此,在利用LSTM神经网络进行过程建模及状态监测时,需要确定模型的超参数。目前,LSTM神经网络模型超参数一般通过穷举搜索和经验试取方法来确定,这些方法的过程耗时较长且具有不确定性,从而影响模型预测及故障预警的性能。为此,本发明采用正交试验设计来确定最优的LSTM神经网络模型的超参数,实现电站送风机超温预警。本发明在LSTM神经网络模型的超参数选取上可以避免复杂的寻优过程,而且还能降低经验试取带来的不确定性,而且简单、可靠,且具有较高的时效性,有助于在实际发电过程中实施。
具体的,如图1和2所示,本发明提供一种电站送风机超温预警方法,所述预警方法包括如下步骤:
步骤101,获取电站送风机的历史运行数据。
从电站送风机系统运行数据库中,采集时间长度为1个月的运行数据,采样时间为每分钟1个样本,得到数据集D。在选取数据时,需满足三个条件:(1)电站锅炉负荷应在50%~100%变化;(2)电站各个设备正常运行,无故障或停机过程;(3)采样的数据应为整段连续运行数据。
步骤102,建立用于预测送风机轴承温度的LSTM神经网络模型。
步骤102所述建立用于预测送风机轴承温度的LSTM神经网络模型,之后还包括:将送风机轴承温度作为LSTM神经网络模型的预测变量;分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;根据所述历史运行数据,利用公式分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式min riq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
具体的,将送风机轴承温度(记作y)作为LSTM神经网络模型的预测变量,并选择LSTM神经网络模型的输入变量,具体包括以下步骤:
选择电站送风机系统所有相关变量作为初始输入变量,包含送风机电机电流(x1)、电机绕组温度(x2)、电机前轴承温度(x3)、电机后轴承温度(x4)、送风机腰侧轴承垂直振动(x5)、送风机腰侧轴承水平振动(x6)、送风机端侧轴承垂直振动(x7)、送风机端侧轴承水平振动(x8);
依次对变量xi(i=1,2,…,8)进行判断,如果满足表明y至少与xi的某次幂存在一定的相关性,则将该变量作为模型输入变量之一;否则从模型输入变量中除去该变量。这种方法同时考虑了各变量与预测变量送风机轴承温度的线性和非线性相关性,避免了仅考虑变量间的线性相关性导致的模型输入变量选择的不完备。
通过上述步骤得到模型的输入变量集合。
LSTM神经网络模型为三层的LSTM神经网络,输入变量集合k个历史序列时刻值作为模型的输入层,将送风机轴承温度未来时刻序列值作为模型的输出层,中间为LSTM隐层,节点数为n,模型初始学习速率为v,这样便可得到送风机轴承温度预测模型结构,其中历史序列长度k、隐层节点数为n、学习速率为v为待确定的模型超参数。
步骤103,根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v。
步骤103所述根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型,具体包括:
根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;依据送风机运行特性,考虑输入变量时长5分钟~20分钟序列足以预测送风机轴承温度的未来序列值,因此将历史序列长度k取值范围设置为[5,20];将隐层节点数n取值范围设置为[10,40];将学习速率v取值范围为[0.25,1];其中,参数k和n为整数,v为实数。
分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;
分别在每个超参数的取值范围内选取四个不同水平的所述超参数,共16组试验记录,即,16种超参数组合,如表1所示,其中,每组试验记录中各超参数取值如表2所示;
表1 3因素4水平的正交试验表
表2 超参数取值表
参数 | k1 | k2 | k3 | k4 | n1 | n2 | n3 | n4 | r1 | r2 | r3 | r4 |
取值 | 5 | 10 | 15 | 20 | 10 | 20 | 30 | 40 | 0.25 | 0.5 | 0.75 | 1.0 |
根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;具体包括:将所述历史运行数据划分为10份,得到10组数据集合;分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
具体步骤为:
(1)将第1组试验样本(k1,n1,r1)作为LSTM神经网络模型参数;
(2)将步骤1中采集的正常运行数据集D分为10份:D1,D2,…,D10;
(3)将D1作为测试样本集,利用[D2,…,D9]作为样本集训练模型,计算对测试样本集D1的预测误差作为e11;
(4)依次分别将D2,D3,…,D10作为测试样本集,每次利用剩余的样本训练模型并计算对测试样本集的预测误差,依次得到e12,e13,…,e110;
(5)按下式计算e1:e1=e11+e12+…+e110;
(6)利用步骤(1)~(5)的方法,依次计算第2到第16组试验样本下的预测误差e2~e16,作为试验结果,填入表1中。
根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。即,预测误差e1~e16的最小值,对应的试验样本即为最优的模型参数(k0,n0,v0),该组试验样本下得到的模型为最终的LSTM神经网路模型。
步骤104,采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔。
步骤105,当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
根据步骤103确定最优的历史序列长度k0,采集各输入变量的当前序列值,利用步骤103的LSTM神经网路模型计算送风机轴承温度未来时刻序列预测值,并判定预测值是否超限;如果预测值未超限,则表明送风机系统运行正常;如果预测值超过最大报警限值,则给出超温预警信号。
本发明还提供一种电站送风机超温预警系统,所述预警系统包括:
历史运行数据获取模块,用于获取电站送风机的历史运行数据;
LSTM神经网络模型建立模块,用于建立用于预测送风机轴承温度的LSTM神经网络模型;
超参数确定模块,用于根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v。
所述超参数确定模块,具体包括:超参数取值范围确定子模块,用于根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;其中,历史序列长度k的取值范围为[5,20],隐层节点数n取值范围为[10,40],学习速率v取值范围为[0.25,1];正交试验表建立子模块,用于分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;预测误差计算子模块,用于根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;超参数选取子模块,用于根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。
其中,所述预测误差计算子模块,具体包括:历史运行数据划分单元,用于将所述历史运行数据划分为10份,得到10组数据集合;测试样本集与训练样本集划分单元,用于分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;第一预测误差计算单元,用于分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;第二预测误差计算单元,用于计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
当前运行数据采集模块,用于采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔。
超温预警模块,用于当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
所述预警系统,还包括:预测变量确定模块,用于将送风机轴承温度作为LSTM神经网络模型的预测变量;初始输入变量集合建立模块,用于分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;相关性计算模块,用于根据所述历史运行数据,利用公式 分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;输入变量集合获取模块,用于根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式min riq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
传统神经网络预警模型中参数确定过程计算量大、耗时长,使其很难在实际工程中应用。本发明通过对模型参数设计正交试验,通过较少次的搜索即可快速确定较优的模型参数。该方法简单、可靠,且具有较高的时效性,有助于在实际发电过程中实施。本发明采用LSTM模型作为预测模型,能够对电站送风机轴承温度未来时刻序列值进行预测,能够及时地给出送风机超温报警信息,提升发电过程运行的安全性。
本发明提出一种电站送风机超温预警方法及系统。整个过程包含正常运行数据采集、模型输入变量选择、神经网路模型结构构建、模型参数确定和送风机轴承温度预测等步骤组成。本方法提出通过分析各变量与送风机轴承温度间的的线性及非线性相关性来确定模型输入,通过正交试验方法确定模型输入历史序列长度、网络隐层节点数和学习速率。本发明提出的方法大大缩短了模型超参数确定的时间,为预警模型在实际发电过程中实施提供了可能。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电站送风机超温预警方法,其特征在于,所述预警方法包括如下步骤:
获取电站送风机的历史运行数据;
建立用于预测送风机轴承温度的LSTM神经网络模型;
根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v;
采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔;
当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
2.根据权利要求1所述的电站送风机超温预警方法,其特征在于,所述建立用于预测送风机轴承温度的LSTM神经网络模型,之前还包括:
将送风机轴承温度作为LSTM神经网络模型的预测变量;
分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;
根据所述历史运行数据,利用公式分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;
根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式minriq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
3.根据权利要求1所述的电站送风机超温预警方法,其特征在于,所述根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型,具体包括:
根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;其中,历史序列长度k的取值范围为[5,20],隐层节点数n的取值范围为[10,40],学习速率v的取值范围为[0.25,1];
分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;
根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;
根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。
4.根据权利要求3所述的电站送风机超温预警方法,其特征在于,所述根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差,具体包括:
将所述历史运行数据划分为10份,得到10组数据集合;
分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;
分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;
计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
5.一种电站送风机超温预警系统,其特征在于,所述预警系统包括:
历史运行数据获取模块,用于获取电站送风机的历史运行数据;
LSTM神经网络模型建立模块,用于建立用于预测送风机轴承温度的LSTM神经网络模型;
超参数确定模块,用于根据所述历史运行数据,采用正交试验的方法确定LSTM神经网络模型的超参数,获得超参数确定后的LSTM神经网络模型;所述超参数包括历史序列长度k、隐层节点数n和学习速率v;
当前运行数据采集模块,用于采集电站送风机的自当前时刻之前的预设时间段内的运行数据中的输入变量,输入超参数确定后的LSTM神经网络模型,获取未来时刻的送风机轴承温度;所述预设时间段等于历史序列长度对应的时间间隔;
超温预警模块,用于当未来时刻的送风机轴承温度大于轴承温度限值时,生成超温预警信号。
6.根据权利要求5所述的电站送风机超温预警系统,其特征在于,所述预警系统,还包括:
预测变量确定模块,用于将送风机轴承温度作为LSTM神经网络模型的预测变量;
初始输入变量集合建立模块,用于分别将送风机电机电流、电机绕组温度、电机前轴承温度、电机后轴承温度、送风机腰侧轴承垂直振动、送风机腰侧轴承水平振动、送风机端侧轴承垂直振动、送风机端侧轴承水平振动作为LSTM神经网络模型的输入变量,建立初始输入变量集合;
相关性计算模块,用于根据所述历史运行数据,利用公式 分别计算预测变量与初始输入变量集合的每个输入变量的高次幂的相关性;其中,riq表示预测变量与初始输入变量集合的第i个输入变量的q次幂的相关性,q=1,2,3,4,表示历史运行数据中的第i个输入变量的q次幂与历史运行数据中的预测变量的协方差,表示历史运行数据中的第i个输入变量q次幂的方差,Var[y]表示历史运行数据中的预测变量的方差;
输入变量集合获取模块,用于根据预测变量与初始输入变量集合的每个输入变量的高次幂的相关性,删除初始输入变量集合中不满足公式minriq(q=1,2,3,4)≥0.7的输入变量,获得LSTM神经网络模型的输入变量集合。
7.根据权利要求5所述的电站送风机超温预警系统,其特征在于,所述超参数确定模块,具体包括:
超参数取值范围确定子模块,用于根据送风机运行特性确定LSTM神经网络模型的每个所述超参数的取值范围;其中,历史序列长度k的取值范围为[5,20],隐层节点数n的取值范围为[10,40],学习速率v的取值范围为[0.25,1];
正交试验表建立子模块,用于分别在每个超参数的取值范围内选取四个不同水平的所述超参数,建立3因素4水平的正交试验表;
预测误差计算子模块,用于根据所述历史运行数据,采用10阶交叉验证法计算所述正交试验表中每种超参数组合下的LSTM神经网络模型的预测误差;
超参数选取子模块,用于根据每种超参数组合下的LSTM神经网络模型的预测误差,确定预测误差最小的超参数组合中超参数,作为LSTM神经网络模型的超参数。
8.根据权利要求7所述的电站送风机超温预警系统,其特征在于,所述预测误差计算子模块,具体包括:
历史运行数据划分单元,用于将所述历史运行数据划分为10份,得到10组数据集合;
测试样本集与训练样本集划分单元,用于分别将每一组数据集合作为测试样本集,将除了测试样本集之外的9组数据集合作为训练样本集;
第一预测误差计算单元,用于分别利用每个训练样本集对第s种超参数组合下的LSTM神经网络模型进行训练,并利用每个训练样本集对应的测试样本集对训练后LSTM神经网络模型进行测试,获得每个测试样本集对应的预测误差;
第二预测误差计算单元,用于计算每个测试样本集对应的预测误差的和作为第s种超参数组合下的LSTM神经网络模型的预测误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087577.0A CN112734285B (zh) | 2021-01-22 | 2021-01-22 | 一种电站送风机超温预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087577.0A CN112734285B (zh) | 2021-01-22 | 2021-01-22 | 一种电站送风机超温预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734285A true CN112734285A (zh) | 2021-04-30 |
CN112734285B CN112734285B (zh) | 2023-05-02 |
Family
ID=75595065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087577.0A Active CN112734285B (zh) | 2021-01-22 | 2021-01-22 | 一种电站送风机超温预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734285B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392086A (zh) * | 2014-09-09 | 2015-03-04 | 广东工业大学 | 一种基于皮尔逊秩次变量相关系数的信号检测电路及方法 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
CN107749638A (zh) * | 2017-10-19 | 2018-03-02 | 东南大学 | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 |
CN108957261A (zh) * | 2018-07-12 | 2018-12-07 | 上海交通大学 | 一种直流电缆典型缺陷局部放电识别方法 |
CN109460863A (zh) * | 2018-10-29 | 2019-03-12 | 中国石油大学(华东) | 基于深度学习的设备状态预测方法 |
CN109460849A (zh) * | 2018-09-10 | 2019-03-12 | 杭州中恒云能源互联网技术有限公司 | 一种基于智能算法的用户用电偏差分析方法 |
CN109633762A (zh) * | 2019-01-07 | 2019-04-16 | 吉林大学 | 基于正弦函数的相关性约束条件联合反演重磁数据的方法 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
-
2021
- 2021-01-22 CN CN202110087577.0A patent/CN112734285B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392086A (zh) * | 2014-09-09 | 2015-03-04 | 广东工业大学 | 一种基于皮尔逊秩次变量相关系数的信号检测电路及方法 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
CN107749638A (zh) * | 2017-10-19 | 2018-03-02 | 东南大学 | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 |
CN108957261A (zh) * | 2018-07-12 | 2018-12-07 | 上海交通大学 | 一种直流电缆典型缺陷局部放电识别方法 |
CN109460849A (zh) * | 2018-09-10 | 2019-03-12 | 杭州中恒云能源互联网技术有限公司 | 一种基于智能算法的用户用电偏差分析方法 |
CN109460863A (zh) * | 2018-10-29 | 2019-03-12 | 中国石油大学(华东) | 基于深度学习的设备状态预测方法 |
CN109633762A (zh) * | 2019-01-07 | 2019-04-16 | 吉林大学 | 基于正弦函数的相关性约束条件联合反演重磁数据的方法 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
Non-Patent Citations (5)
Title |
---|
JURICA KUNDRATA等: ""Comparison of Pearson correlation coefficient and distance correlation in Correlation Power Analysis on Digital Multiplier"" * |
SHOUKUNCHEN等: ""Linear and nonlinear analyses of normal and fatigue heart rate variability signals for miners in high-altitude and cold areas"" * |
刘旭斌等: ""基于深度学习与SPRT的风电机组"", 《动力工程学报》 * |
王超等: ""基于LSTM 网络的风机齿轮箱轴承故障预警"", 《电力科学与工程》 * |
甘文娟等: ""基于正交参数优化的LSTM结构变形预测模型"", 《计算机系统应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734285B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN108171142A (zh) | 一种确定复杂工业过程中关键变量因果关系的方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN111695288B (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN105426991A (zh) | 一种变压器缺陷率预测的方法和系统 | |
CN112734285A (zh) | 一种电站送风机超温预警方法及系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN111367255A (zh) | 一种多变量控制系统性能评价测试系统及方法 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN114492507A (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 |
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 |