CN112949181A - 一种多源关联数据的预警预测方法、存储介质及电子设备 - Google Patents
一种多源关联数据的预警预测方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112949181A CN112949181A CN202110229890.3A CN202110229890A CN112949181A CN 112949181 A CN112949181 A CN 112949181A CN 202110229890 A CN202110229890 A CN 202110229890A CN 112949181 A CN112949181 A CN 112949181A
- Authority
- CN
- China
- Prior art keywords
- supply system
- water supply
- technical water
- temperature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 223
- 239000000498 cooling water Substances 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 53
- 238000009826 distribution Methods 0.000 claims description 33
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 2
- 238000010219 correlation analysis Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011428 standard deviation standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Abstract
本申请提供一种多源关联数据的预警预测方法、存储介质及电子设备,应用于水电站的技术供水系统,方法包括:基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,温度趋势参数用于表述技术供水系统中的轴瓦温度变化趋势,流量趋势参数用于表述技术供水系统中的流量变化趋势;根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量,以提高技术供水系统的预警预测能力。
Description
技术领域
本申请涉及水电站技术供水系统预警技术领域,具体而言,涉及一种多源关联数据的预警预测方法、存储介质及电子设备。
背景技术
技术供水系统是为机组提供冷却水的重要设备,四部轴承及空冷冷却水流量的持续稳定供应,对机组的安全稳定运行起着至关重要的作用。汛期是水电站发电的黄金时节,但这段时期降雨频发导致河水中含有的大量泥沙、杂物,使得水质非常差,造成技术供水系统的取水口、滤水器、冷却器时常出现堵塞现象,导致冷却水流量低报警的问题频繁发生,对机组的安全稳定运行带来了巨大考验。面对技术供水系统汛期存在的难题,频繁切换四通阀正反向倒水、清理滤水器、吹扫蜗壳与坝前取水口管路、手动调节空冷冷却水流量等操作成为了汛期现场运维人员的经常性工作,增加了电站汛期值班人员的保电的压力和误操作风险。
发明内容
本申请的目的在于提供一种多源关联数据的预警预测方法、存储介质及电子设备,用以有效的改善现有技术中存在的自动化调控能力低和不能提前预警的技术缺陷。
第一方面,本申请实施例提供了一种多源关联数据的预警预测方法,应用于水电站的技术供水系统,方法包括:基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,温度趋势参数用于表述技术供水系统中的轴瓦温度变化趋势,流量趋势参数用于表述技术供水系统中的流量变化趋势;根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量。
在上述实现过程中,通过将多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,再通过温度趋势参数和流量趋势参数对技术供水系统中的各个设备运行状态进行预测,即预测设备故障,从而提前感知设备故障,实现事前预防设备的故障发生。
结合第一方面,在第一种可能的实现方式中,技术供水系统趋势预测模型包括:技术供水系统故障预测模型和轴瓦温度预测模型,技术供水系统故障预测模型用于根据多组技术供水系统参数的变化趋势预测技术供水系统可能出现的故障,轴瓦温度预测模型用于根据多组技术供水系统参数的变化趋势预测技术供水系统中的轴瓦温度变化趋势。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,建立技术供水系统故障预测模型,包括:分析多组技术供水系统参数间的相关性,获得多组相关系数;将多组技术供水系统参数作为训练集以及多组相关系数同时输入至若干个第一机器学习模型进行训练建模,获得技术供水系统故障预测训练模型,其中,第一机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型;将多组技术供水系统参数作为测试集输入技术供水系统故障预测训练模型以评估模型的泛化能力,获得技术供水系统故障预测模型,其中,训练集与测试集为不同时间内的多组技术供水系统参数。
在上述实现过程中,技术供水系统中的各个设备的运行状态与多组技术供水系统参数相关,通过分析多组技术供水系统参数间的相关性,获得多组相关系数,并使用机器学习算法获得技术供水系统故障预测模型,可以分析确定出与技术供水系统中每个设备的运行状态相关性高低的技术供水系统参数,即分析出技术供水系统参数对技术供水系统中的各个设备的运行状态的影响关系;从而确定出影响技术供水系统故障频发时间段、冷却水流量分配、技术供水系统来水量等关键问题的主控影响因子,进而对相关技术供水系统参数进行重点监测。
结合第一方面的第一种可能的实现方式,在第三种可能的实现方式中,建立轴瓦温度预测模型,包括:分析多组技术供水系统参数的时间序列平稳性,确定技术供水系统参数的差分阶数;以及根据多组技术供水系统参数的相关系数,确定多组技术供水系统参数的转换系数;将多组经过特征处理的技术供水系统参数作为训练集输入至若干个第二机器学习模型进行训练建模,以及将所述多组技术供水系统参数处理成时间序列模型的时间序列格式,并输入至基于技术供水系统参数中的温度参数初始化的时间序列模型中,基于若干个第二机器学习模型与时间序列模型的映射关系,获得轴瓦温度预测模型,其中,所述第二机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。
结合第一方面的第三种可能的实现方式,在第四种可能的实现方式中,基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,包括:将经过预处理的多组技术供水系统参数同时输入至技术供水系统故障预测模型和轴瓦温度预测模型进行预测;建立预测结果评估模型,对技术供水系统故障预测模型和轴瓦温度预测模型的预测结果进行评估,选取最优预测模型;根据最优预测模型的输出值确定出温度趋势参数和流量趋势参数。
结合第一方面,在第五种可能的实现方式中,建立轴承冷却水流量优化分配模型,包括:分析技术供水系统中的轴承冷却器冷却管的流量与轴瓦温度间的关系,建立轴瓦温度与流量特征因素相关的关系树图谱;基于多组技术供水系统参数以及轴瓦温度与流量特征因素相关的关系树图谱,使用若干种第二机器学习模型进行建模并进行训练和测试,获得轴承冷却水流量优化分配模型,其中,第二机器学习模型包括岭回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。
结合第一方面的第五种可能的实现方式,在第六种可能的实现方式中,根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量,包括:根据温度趋势参数和流量趋势参数确定轴瓦预测温度;在轴瓦预测温度超过预设阈值时,基于当前技术供水系统参数使用轴承冷却水流量优化分配模型对冷却水流量进行优化分配,并将优化分配后的冷却水流量反馈至轴瓦温度预测模型中,分析冷却水流量优化分配后的温度变化。
结合第一方面,在第七种可能的实现方式中,在基于经过预处理的多组供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数之前,方法还包括:获得预设时长内与水电站的技术供水系统相关的多种技术供水系统数据,其中,技术供水系统数据包括:流量数据、温度数据和压力数据;对所有技术供水系统数据进行标准差标准化处理以及平移滞后特征处理,获得多组技术供水系统参数。
第二方面,本申请实施例提供了一种存储介质,存储介质上存储有计算机程序,计算机程序被计算机运行时执行如第一方面及结合第一方面的任一种可能的实现方式中的多源关联数据的预警预测方法。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器、通信总线、通信接口以及存储器;通信总线分别连接处理器、通信接口和存储器;存储器存储有计算机可读取指令,当所述处理器执行可读取指令时,运行如第一方面及结合第一方面的任一种可能的实现方式中的多源关联数据的预警预测方法。
与现有技术相比,本发明的有益效果为:一方面,基于大数据技术分析,采用多维度的机器学习算法,对与技术供水系统相关的多种技术供水系统参数进行相关性分析,并提取多种技术供水系统参数的显著特征进行学习和训练,实现技术供水系统中如取水口、滤水器及四部轴承冷却器堵塞等故障情况的超前预警与解决方案的自动推送。另一方面,根据与技术供水系统相关的多种技术供水系统参数的相关性分析结果,增加和提取相应的数据特征,结合多机器学习算法和时间序列算法,建立轴瓦温度预测模型,实现了轴瓦温度故障的实时预测、超前预警,将设备故障由事后处置改变为事前预警,极大的提高了现场值班人的应急处置能力。并且轴承冷却水流量优化分配模型可超前感知轴瓦温度异常或轴承冷却水流量低的故障信息,实时针对轴瓦温度和冷却水流量变化情况进行故障预警并自动推送流量优化分配方案,实现了数据驱动设备运营管理与辅助决策。
附图说明
图1为本申请实施例提供的一种电子设备的示例性结构框图;
图2为本申请实施例提供的一种多源关联数据的预警预测方法的示例性流程示意图;
图3为本申请实施例提供的另一种多源关联数据的预警预测方法的示例性流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请一些可能的实施例提供了一种电子设备10。电子设备10可以为个人电脑(Personal Computer,PC)、平板电脑、智能手机、个人数字助理(PersonalDigital Assistant,PDA)等,或电子设备10可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。
进一步地,电子设备10可以包括:存储器111、通信接口112、通信总线113和处理器114,其中,处理器114、通信接口112和存储器111通过通信总线113连接。处理器114用于执行存储器111中存储的可执行模块,例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,电子设备10也可以具有其他组件和结构。
其中,存储器111可能包含高速随机存取存储器(Random Access Memory RAM),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
通信总线113可以是ISA总线((Industry Standard Architecture,工业标准体系结构)、PCI总线(Peripheral Component Interconnect,外设部件互连标准)或EISA总线(Extended Industry Standard Architecture,扩展工业标准结构)等。通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器114可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器114中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器114可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcess,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本发明实施例定义的装置所执行的方法可以应用于处理器114中,或者由处理器114实现。处理器114可以通过与电子设备10中其它模块或者元器件配合,从而执行多源关联数据的预警预测方法。下面将对多源关联数据的预警预测方法的执行进行详细地说明。
请参阅图2和图3,本申请一些可能的实施例提供了一种多源关联数据的预警预测方法,应用于水电站的技术供水系统,方法包括:步骤S11和步骤S12。
步骤S11:基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,温度趋势参数用于表述技术供水系统中的轴瓦温度变化趋势,流量趋势参数用于表述技术供水系统中的流量变化趋势;
步骤S12:根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量。
下面将对该多源关联数据的预警预测方法的执行流程做详细的说明。
在步骤S11之前,多源关联数据的预警预测方法还包括:获得预设时长内与水电站的技术供水系统相关的多种技术供水系统数据,其中,技术供水系统数据包括:流量数据、温度数据和压力数据;对所有技术供水系统数据进行标准差标准化处理以及平移滞后特征处理,获得多组技术供水系统参数。
详细地,获得近两年的与水电站的技术供水系统相关的多种技术供水系统数据,具体地,与水电站的技术供水系统相关的多种技术供水系统数据包括:技术供水系统总管流量、四部轴承及空冷冷却水流量、各轴承瓦温、空气冷却器冷风与热风温度、机组有功功率、滤水器前后压差、蜗壳总管压力、坝前总管压力、油混水测值、机组振摆等。
在本申请实施例中,对获得的多种技术供水系统数据,使用ffill缺失值填补方法对个别缺失值进行填补,确保数据的完整性。考虑到采集到的多种技术供水系统数据单位和量纲的不同,某些数值较大的特征和数值较小的特征对目标变量可能产生不同的影响,故对多种技术供水系统数据采用数据标准化处理,在本申请实施例中,采用z-score标准化处理即标准差标准化的方法处理。
为了将影响目标变量的影响因素尽可能多的提取出来,对影响因素特征采用了平移和滞后的处理方式,得到多种特征影响因素的平移特征和滞后特征,增加了数据精度,也为后续模型的建立提供了数据基础,其中,目标变量表示轴瓦温度和流量变化趋势。在时间特征同样是重要影响因素的条件下,提取时间数据中的年、月、日、小时、分、秒等数据,单独成列,形成时间特征组。对于一些需要统计的特征,计算并提取其平均值、最高值、最低值、方差、标准差等数据,形成统计特征,丰富特征维度。通过对技术供水系统数据的多种处理,实现多源数据的科学化、结构化管理。
步骤S11:基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,温度趋势参数用于表述技术供水系统中的轴瓦温度变化趋势,流量趋势参数用于表述技术供水系统中的流量变化趋势。
详细地,技术供水系统趋势预测模型包括:技术供水系统故障预测模型和轴瓦温度预测模型,技术供水系统故障预测模型用于根据多组技术供水系统参数的变化趋势预测技术供水系统可能出现的故障,轴瓦温度预测模型用于根据多组技术供水系统参数的变化趋势预测技术供水系统中的轴瓦温度变化趋势。
作为一种可能的实施方式,建立技术供水系统故障预测模型,包括:分析多组技术供水系统参数间的相关性,获得多组相关系数;将多组技术供水系统参数作为训练集以及多组相关系数同时输入至若干个第一机器学习模型进行训练建模,获得技术供水系统故障预测训练模型,其中,第一机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林(Random Forest,RF)算法模型及可扩展梯度提升树正则化算法XGBoost模型,也即技术供水系统故障预测模型中包括至少三个不同类型机器学习算法分别构建的至少三个机器学习模型;将多组技术供水系统参数作为测试集输入技术供水系统故障预测训练模型以评估模型的泛化能力,获得技术供水系统故障预测模型,其中,训练集与测试集为不同时间内的多组技术供水系统参数。
进一步地,考虑到影响取水口堵塞、滤水器堵塞、冷却器流量及轴瓦温度的影响因子的多样性,采用多维度多层级的机器学习算法,对多特征因素进行相关性分析。在构建时间序列多维空间中提取时间特征和统计特征,并加入当前时间点的前10个时间间隔历史数据作为滞后特征和平移特征,参与技术供水系统故障预测模型的训练和预测。
在本申请实施例中,设定一个时间点,将该时间点以前的部分多组技术供水系统参数集合起来作为训练集,用于训练技术供水系统故障预测模型;将该时间点以前的另一部分多组技术供水系统参数集合起来作为测试集,用于评估技术供水系统故障预测模型的泛化能力;将该时间点以后的多组技术供水系统参数集合起来作为验证集,验证技术供水系统故障预测模型的准确性。
进一步地,通过预测取水口压力的变化趋势进行判定水口是否堵塞,关联数据包括但不限于蜗壳总管压力、坝前总管压力、技术供水总管压力、技术供水总管流量及水库水位数据,其中,技术供水总管流量与技术供水总管压力相关性最大;通过预测滤水器前后压差变化趋势进行判定滤水器是否堵塞,关联数据包括但不限于滤水器前后压差、技术供水总管流量、技术供水总管压力、取水口总管压力及水库水位;通过预测冷却器冷却水流量变化趋势进行判定冷却器是否堵塞,关联数据包括但不限于四部轴承及空气冷却器冷却时流量、技术供水总管流量、技术供水总管压力、水库水位、机组有功功率、取水口总管压力及滤水器前后压差;通过预测轴瓦温度变化趋势进行判定轴瓦温度是否异常,关联数据包括技术供水总管流量、四部轴承及空冷冷却水流量、四部轴承冷却水进出口温度、四部轴承油混水测值、技术供水总管压力、机组有功功率、机组振摆及水库水位,根据相关性分析,预测轴瓦温度未来变化趋势。
技术供电系统中的机组运行期间,四部轴承会因为机械损耗产生大量热量无法释放,此时则需要冷却水通过热传导的方式给轴瓦降温。热量若未能及时释放,过高的温度不但会降低发电机组的效率和出力,同时也会由于局部温度过热,影响发电机组的使用寿命,甚至发生机组非停事故。同时,汛期河水水质较差,机组技术供水系统取水口堆积大量泥沙,导致技术供水系统取水口或滤水器堵塞,直接造成技术供水系统流量低,影响机组冷却水流量的正常供应,进而影响机组轴瓦温度的调节。
考虑到天气、季节和年份等多方面因素的影响,可通过时间序列预测分析方法对轴瓦温度进行分析预测。详细地,建立轴瓦温度预测模型,包括:分析多组技术供水系统参数的时间序列平稳性,确定技术供水系统参数的差分阶数;以及根据多组技术供水系统参数的相关系数,确定多组技术供水系统参数的转换系数;将多组经过特征处理的技术供水系统参数作为训练集输入至若干个第二机器学习模型进行训练建模,以及将所述多组技术供水系统参数处理成时间序列模型的时间序列格式,并输入至基于技术供水系统参数中的温度参数初始化的时间序列模型中,基于若干个第二机器学习模型与时间序列模型的映射关系,获得轴瓦温度预测模型,其中,所述第二机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。需要说明的是,获得的差分阶数和转换系数也参与轴瓦温度预测模型的构建中。
进一步地,在本申请实施例中,时间序列模型采用基于加法模型构建的Prophet算法进行构建。采用Prothet模型对基于轴承流量优化分配后的温度进行合理的置信区间的预测。
上述过程中,根据特征因素相关性分析结果,增加和提取相应的数据特征,结合多组机器学习算法和时间序列算法,建立轴瓦温度预测模型,实现了轴瓦温度故障的实时预测、超前预警,将设备故障由事后处置改变为事前预警,极大的提高了现场值班人的应急处置能力。
作为一种可能的实施方式,基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,包括:将经过预处理的多组技术供水系统参数同时输入至技术供水系统故障预测模型和轴瓦温度预测模型进行预测;建立预测结果评估模型,对技术供水系统故障预测模型和轴瓦温度预测模型的预测结果进行评估,选取最优预测模型;根据最优预测模型的输出值确定出温度趋势参数和流量趋势参数。
通过将多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,再通过温度趋势参数和流量趋势参数对技术供水系统中的各个设备运行状态进行预测,即预测设备故障,从而提前感知设备故障,实现事前预防设备的故障发生。
进一步地,预测结果评估模型包括拟合优度R方、平均绝对误差MAE、均方误差MSE和均方根误差RMSE这四个评估模型,对上述基于线性回归惩罚系数的Lasso回归算法模型、随机森林(Random Forest,RF)算法模型、可扩展梯度提升树正则化算法XGBoost模型以及基于加法模型构建的Prophet算法这4种算法的预测结果进行评估,选出评估结果最优的算法。
通过上述步骤,可以构建出技术供水系统故障预测模型以及轴瓦温度预测模型,技术供水系统故障预测模型可以用于根据多组技术供水系统的参数变化趋势预测出故障原因以及故障原因将要发生的时间,并且自动推送出相关的故障原因解决措施;轴瓦温度预测模型可以用于预测轴瓦温度变化,提前预警,保证技术供水系统的正常运行。
步骤S12:根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量。
详细地,建立轴承冷却水流量优化分配模型,包括:分析技术供水系统中的轴承冷却器冷却管的流量与轴瓦温度间的关系,建立轴瓦温度与流量特征因素相关的关系树图谱;基于多组技术供水系统参数以及轴瓦温度与流量特征因素相关的关系树图谱,使用若干种第二机器学习模型进行建模并进行训练和测试,获得轴承冷却水流量优化分配模型,其中,第二机器学习模型包括岭回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。
根据预测的轴瓦温度以及预处理的多组技术供水系统参数,通过大数据技术分析,采用多维度多层级的机器学习算法,进行训练和学习。在本申请实施例中,基于机器学习算法包括:L2范数惩罚项的岭回归算法、随机森林算法及可扩展梯度提升树正则化算法XGBoost等多种机器学习算法建立轴承冷却水流量优化分配模型。
需要说明的是,在本申请实施例中,增加各轴承冷却器冷却水总管流量低阈值、各轴瓦温报警阈值及停机阈值作为特征因素,加入到轴承冷却水流量优化分配模型的训练和学习。
进一步地,在使用若干种第二机器学习模型进行建模并进行训练和测试,获得轴承冷却水流量优化分配模型之后,还使用验证集对轴承冷却水流量优化分配模型的准确性进行验证。因此,还需要使用综合结果评估模型评估验证结果,对上述岭回归算法模型、随机森林(Random Forest,RF)算法模型和可扩展梯度提升树正则化算法XGBoost模型这3种算法的预测结果进行评估,选出评估结果最优的算法,其中,综合结果评估模型包括:拟合优度R方、平均绝对误差MAE、均方误差MSE和均方根误差RMSE这四个评估模型。
根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量,包括:根据温度趋势参数和流量趋势参数确定轴瓦预测温度;在轴瓦预测温度超过预设阈值时,基于当前技术供水系统参数使用轴承冷却水流量优化分配模型对冷却水流量进行优化分配,并将优化分配后的冷却水流量反馈至轴瓦温度预测模型中,分析冷却水流量优化分配后的温度变化。
将优化分配后的冷却水流量反馈至轴瓦温度预测模型中,分析冷却水流量优化分配后的温度变化情况,结合综合结果评估模型,选出最优分配模型算法。
根据上述步骤,可以获得轴承冷却水流量优化分配模型,根据技术供水系统参数的变化趋势,预测出温度和流量的变化趋势,即超前感知轴瓦温度异常或轴承冷却水流量低的故障信息。并且可以,实时针对轴瓦温度和冷却水流量变化情况进行故障预警并自动推送流量优化分配方案,实现了数据驱动设备运营管理与辅助决策。
综上所述,本申请实施例提供一种多源关联数据的预警预测方法,应用于水电站的技术供水系统,方法包括:基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,温度趋势参数用于表述技术供水系统中的轴瓦温度变化趋势,流量趋势参数用于表述技术供水系统中的流量变化趋势;根据温度趋势参数和流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种多源关联数据的预警预测方法,应用于水电站的技术供水系统,其特征在于,所述方法包括:
基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,其中,所述温度趋势参数用于表述所述技术供水系统中的轴瓦温度变化趋势,所述流量趋势参数用于表述所述技术供水系统中的流量变化趋势;
根据所述温度趋势参数和所述流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量。
2.根据权利要求1所述的多源关联数据的预警预测方法,其特征在于,所述技术供水系统趋势预测模型包括:技术供水系统故障预测模型和轴瓦温度预测模型,所述技术供水系统故障预测模型用于根据所述多组技术供水系统参数的变化趋势预测所述技术供水系统可能出现的故障,所述轴瓦温度预测模型用于根据所述多组技术供水系统参数的变化趋势预测所述技术供水系统中的轴瓦温度变化趋势。
3.根据权利要求2所述的多源关联数据的预警预测方法,其特征在于,建立所述技术供水系统故障预测模型,包括:
分析多组技术供水系统参数间的相关性,获得多组相关系数;
将多组技术供水系统参数作为训练集以及所述多组相关系数同时输入至若干个第一机器学习模型进行训练建模,获得技术供水系统故障预测训练模型,其中,所述第一机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型;
将多组技术供水系统参数作为测试集输入所述技术供水系统故障预测训练模型以评估模型的泛化能力,获得所述技术供水系统故障预测模型,其中,所述训练集与所述测试集为不同时间内的多组技术供水系统参数。
4.根据权利要求2所述的多源关联数据的预警预测方法,其特征在于,建立所述轴瓦温度预测模型,包括:
分析所述多组技术供水系统参数的时间序列平稳性,确定所述技术供水系统参数的差分阶数;以及根据多组技术供水系统参数的所述相关系数,确定多组技术供水系统参数的转换系数;
将多组经过特征处理的技术供水系统参数作为训练集输入至若干个第二机器学习模型进行训练建模,以及将所述多组技术供水系统参数处理成时间序列模型的时间序列格式,并输入至基于技术供水系统参数中的温度参数初始化的时间序列模型中,基于若干个第二机器学习模型与时间序列模型的映射关系,获得轴瓦温度预测模型,其中,所述第二机器学习模型包括:基于线性回归惩罚系数的Lasso回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。
5.根据权利要求4所述的多源关联数据的预警预测方法,其特征在于,所述基于经过预处理的多组技术供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数,包括:
将经过预处理的多组技术供水系统参数同时输入至所述技术供水系统故障预测模型和所述轴瓦温度预测模型进行预测;
建立预测结果评估模型,对所述技术供水系统故障预测模型和所述轴瓦温度预测模型的预测结果进行评估,选取最优预测模型;
根据所述最优预测模型的输出值确定出所述温度趋势参数和所述流量趋势参数。
6.根据权利要求1所述的多源关联数据的预警预测方法,其特征在于,建立所述轴承冷却水流量优化分配模型,包括:
分析所述技术供水系统中的轴承冷却器冷却管的流量与轴瓦温度间的关系,建立轴瓦温度与流量特征因素相关的关系树图谱;
基于多组所述技术供水系统参数以及轴瓦温度与流量特征因素相关的关系树图谱,使用若干种第三机器学习模型进行建模并进行训练和测试,获得所述轴承冷却水流量优化分配模型,其中,所述第三机器学习模型包括岭回归算法模型、随机森林算法模型及可扩展梯度提升树正则化算法模型。
7.根据权利要求6所述的多源关联数据的预警预测方法,其特征在于,所述根据所述温度趋势参数和所述流量趋势参数判断轴瓦温度是否超过预设阈值,若是,使用轴承冷却水流量优化分配模型自动优化调节冷却水流量,包括:
根据所述温度趋势参数和所述流量趋势参数确定轴瓦预测温度;
在所述轴瓦预测温度超过预设阈值时,基于当前技术供水系统参数使用所述轴承冷却水流量优化分配模型对冷却水流量进行优化分配,并将优化分配后的冷却水流量反馈至所述轴瓦温度预测模型中,分析冷却水流量优化分配后的温度变化。
8.根据权利要求1所述的多源关联数据的预警预测方法,其特征在于,在所述基于经过预处理的多组供水系统参数输入至技术供水系统趋势预测模型,获得温度趋势参数和流量趋势参数之前,所述方法还包括:
获得预设时长内与水电站的技术供水系统相关的多种技术供水系统数据,其中,所述技术供水系统数据包括:流量数据、温度数据和压力数据;
对所有所述技术供水系统数据进行标准差标准化处理以及平移滞后特征处理,获得多组技术供水系统参数。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求1-8任一权项所述的多源关联数据的预警预测方法。
10.一种电子设备,其特征在于,所述电子设备包括:处理器、通信总线、通信接口以及存储器;
所述通信总线分别连接所述处理器、所述通信接口和所述存储器;
所述存储器存储有计算机可读取指令,当所述处理器执行可读取指令时,运行如权利要求1-8中任一权项所述的多源关联数据的预警预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229890.3A CN112949181A (zh) | 2021-03-02 | 2021-03-02 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110229890.3A CN112949181A (zh) | 2021-03-02 | 2021-03-02 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949181A true CN112949181A (zh) | 2021-06-11 |
Family
ID=76247101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110229890.3A Pending CN112949181A (zh) | 2021-03-02 | 2021-03-02 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949181A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及系统 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682197A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市海亿达能源科技股份有限公司 | 对单设备能源消耗变化趋势实时预测的监测方法及装置 |
CN209014961U (zh) * | 2018-11-09 | 2019-06-21 | 成都锐达自动控制有限公司 | 一种基于故障诊断的新型水电站技术供水智能控制系统 |
CN110008575A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN110333708A (zh) * | 2019-04-26 | 2019-10-15 | 四川中鼎智能技术有限公司 | 基于水力机组技术供水水压数据关联的诊断控制方法、系统、存储介质和终端 |
CN110363289A (zh) * | 2019-07-17 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
CN112183835A (zh) * | 2020-09-21 | 2021-01-05 | 南京南瑞继保电气有限公司 | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 |
-
2021
- 2021-03-02 CN CN202110229890.3A patent/CN112949181A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682197A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市海亿达能源科技股份有限公司 | 对单设备能源消耗变化趋势实时预测的监测方法及装置 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
CN209014961U (zh) * | 2018-11-09 | 2019-06-21 | 成都锐达自动控制有限公司 | 一种基于故障诊断的新型水电站技术供水智能控制系统 |
CN110008575A (zh) * | 2019-03-29 | 2019-07-12 | 重庆大学 | 循环冷却水系统工艺介质多温度目标设定值切换多参数预测控制算法 |
CN110333708A (zh) * | 2019-04-26 | 2019-10-15 | 四川中鼎智能技术有限公司 | 基于水力机组技术供水水压数据关联的诊断控制方法、系统、存储介质和终端 |
CN110363289A (zh) * | 2019-07-17 | 2019-10-22 | 山东浪潮人工智能研究院有限公司 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
CN112183835A (zh) * | 2020-09-21 | 2021-01-05 | 南京南瑞继保电气有限公司 | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
刘希涛: "水电厂技术供水系统状态监测与故障诊断的研究", 中国优秀博硕士学位论文全文数据库 (硕士)工程科技Ⅱ辑, no. 06, pages 19 - 2022 * |
董亚明;李辉;谢晓龙;: "基于遗传算法与支持向量回归的发电机运行参数趋势预测", 大电机技术, no. 02, pages 22 - 25 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807570A (zh) * | 2021-08-12 | 2021-12-17 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及系统 |
CN113807570B (zh) * | 2021-08-12 | 2024-02-02 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及系统 |
CN117407827A (zh) * | 2023-12-15 | 2024-01-16 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
CN117407827B (zh) * | 2023-12-15 | 2024-02-13 | 湖南辉达净化工程有限公司 | 一种净化工程废气净化设备异常运行数据检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019200662A1 (zh) | 电-热-气综合能源系统的稳定评估与静态控制方法 | |
CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN112836941B (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
CN115063058B (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知系统 | |
CN112101519A (zh) | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 | |
CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN113486950A (zh) | 一种智能管网漏水检测方法及系统 | |
CN117196120A (zh) | 一种用户用水行为分析算法 | |
CN111563685B (zh) | 一种基于自联想核回归算法的发电设备状态预警方法 | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、系统及设备 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN112949920B (zh) | 一种基于观冰代表站数据的区域覆冰预测及预警方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN106650154A (zh) | 一种基于热力性能指标的核电常规岛设备可靠性监测方法 | |
Guo et al. | The construction of running data analysis platform for pumped storage power station | |
Fawzy et al. | WFEC: Wind farms economic classifier using big data analytics | |
CN113624025B (zh) | 基于运行参数相关性的凝汽器真空低跳机征兆捕捉方法 | |
CN117273465B (zh) | 一种梯级水电枢纽群风险传递方法 | |
WO2021238013A1 (zh) | 一种模拟量测值智能预测算法的自适应测试方法 | |
CN109492855B (zh) | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 | |
Liu et al. | Failure Probability Model of Distribution Network Equipment Based on Improved Age-Reduction Model and Factor Correction | |
Zhou et al. | Groundwater level abnormal detection based on correlation analysis |
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 |