CN113187650B - 一种智能水电厂全厂水轮机调速系统及诊断方法 - Google Patents
一种智能水电厂全厂水轮机调速系统及诊断方法 Download PDFInfo
- Publication number
- CN113187650B CN113187650B CN202110372495.0A CN202110372495A CN113187650B CN 113187650 B CN113187650 B CN 113187650B CN 202110372495 A CN202110372495 A CN 202110372495A CN 113187650 B CN113187650 B CN 113187650B
- Authority
- CN
- China
- Prior art keywords
- turbine speed
- water turbine
- speed regulating
- characteristic
- key component
- 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
Images
Classifications
-
- 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
-
- 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
- F03B3/00—Machines or engines of reaction type; Parts or details peculiar thereto
- F03B3/16—Stators
- F03B3/18—Stator blades; Guide conduits or vanes, e.g. adjustable
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种智能水电厂全厂水轮机调速系统及诊断方法,诊断方法包括:采集每一个单机水轮机调速系统的各关键部件的特征量,全厂水轮机调速系统智能分析平台根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度。本发明根据全厂水轮机调速系架构,可实现单机水轮机调速系统的各部件健康状态的诊断,以及建立一种多层次多机调速系统健康状态协同监测架构,根据所有水轮机调速系统的各个部件的特征量,对每一个水轮机调速系统的每一个部件进行健康状态的诊断。
Description
技术领域
本发明涉及水电厂健康诊断领域,更具体地,涉及一种智能水电厂全厂水轮机调速系统及诊断方法。
背景技术
传统水电厂针对水轮机调速系统运行监测与诊断,采用单机数据进行自诊断,存在可学习数据量少,监测性能不稳定且精度低的情况。
单机水轮机调速系统的自诊断方法,通过采集本机水轮机调速系统各个关键部件的特征量,通过对特征量的分析,来诊断本机水轮机调速系统各个关键部件的健康状态。
利用本机水轮机调速系统的数据来诊断自身健康状态,缺乏更多数据的支撑,导致最终诊断的健康状态不够准确。
发明内容
本发明针对现有技术中存在的技术问题,提供一种智能水电厂全厂水轮机调速系统及诊断方法。
根据本发明的第一方面,提供了一种智能水电厂全厂水轮机调速系统,包括厂站层、单元层和过程层,多个单机水轮机调速系统布置在所述单元层,每一个单机水轮机调速系统均与所述厂站层通信连接,且与所述过程层中对应的一套元器件通过电缆连接,每一个单机水轮机调速系统均通过光纤以太网交换机和正向隔离模块与全厂水轮机调速系统智能分析平台连接,其中,每一个单机水轮机调速系统均有单机健康状态监测分析平台;
每一个单机健康状态监测分析平台,用于采集本单机水轮机调速系统的各关键部件的特征量,并将其上传给所述全厂水轮机调速系统智能分析平台;
所述全厂水轮机调速系统智能分析平台,用于根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度。
根据本发明的第二方面,提供对智能水电厂全厂水轮机调速系统的诊断方法,包括:
采集每一个单机水轮机调速系统的各关键部件的特征量;
全厂水轮机调速系统智能分析平台根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度。
可选的,所述本单机水轮机调速系统的各关键部件包括水轮机调速器、油压装置和漏油装置,所述水轮机调速器包括电气调节器、电液转换器、主配、事故配压阀、分段关闭装置和接力器,所述油压装置包括电气控制系统、三套油泵及电机、三套组合阀、压力油罐和回油箱,所述漏油装置包括电气控制系统、二套油泵及电机、二套溢流阀和回油箱;
相应的,所述水轮机调速器的特征量包括电气调节器的静特性死区、开机特性、空载频率摆动、甩负荷特性、接力器不动时间和一次调频特性,电液转换器的时延特性、跟踪特性和电转零位,主配的漏油量、零位、开方向最大位移和关方向最大位移,事故配压阀的漏油量和接力器事故关闭时间,分段关闭装置的漏油量、导叶分段拐点和分段关闭时间,接力器关腔与开腔压力差、串油量和漏油量;
所述油压装置的特征量包括油泵控制系统的压力油罐油压误差、油气比例和油泵启动间隔,三套电机的力矩特性、电流特性、电压特性和故障信息,三套油泵的加载流量、停泵流量、流量斜率、单次运行时间和累计运行时间,组合阀的卸载时间和安全阀动作压力,压力油罐的油位变化特性和油压变化特性,回油箱的油位变化特性和油温变化特性,液压油的总油量、含水量和颗粒度;
所述漏油装置的特征量包括油泵启动间隔时间、油泵单次运行时间、油泵累计运行时间、油位变化特性和油泵流量特性。
可选的,所述全厂水轮机调速系统智能分析平台根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康状态,包括:
全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态。
可选的,所述全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:
对于任一个水轮机调速系统的任一个关键部件的特征量,计算其在预设运行时间内的均值、中值和方差,得到基本统计量,进而获取所述任一个水轮机调速系统的任一个关键部件的特征量随时间的分布图;
遍历每一个水轮机调速系统的每一个关键部件的特征量,获取每一个水轮机调速系统的每一个关键部件的特征量随时间的分布图;
通过比较任一个水轮机调速系统的任一个关键部件的特征量的分布图与其他水轮机调速系统的相同关键部件的特征量的分布图的差异,判断所述任一个水轮机调速系统的任一个关键部件的健康状态。
可选的,所述全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:
对于任一个水轮机调速系统的任一个关键部件,分别构建一个监测模型,得到每一个水轮机调速系统的每一个关键部件对应的监测模型,所述监测模型为根据任一个水轮机调速系统的任一个关键部件的历史特征量及故障标签训练得到,所述故障标签为故障或无故障;输入每一个
将待监测水轮机调速系统的待监测关键部件的特征量输入待每一个水轮机调速系统的相同关键部位的监测模型中,获取每一个监测模型输出的故障结果;
基于每一个监测模型输出的故障结果,采用多数投票法判定待监测水轮机调速系统的待监测关键部件的故障结果。
可选的,所述所述全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:
基于每一个水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,利用所述孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障。
可选的,所述基于每一个水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,包括:
a、对于每一个水轮机调速系统的相同部件的特征量作为训练数据,随机选取m个特征量作为子样本,放入一棵孤立树的根节点;
b、随机指定一个维度,在当前节点数据范围内,随机产生一个切割点p,此切割点的选取生成了一个超平面,将当前节点数据空间切分为2个子空间,所述切割点p的大小产生于当前节点数据中指定维度的最大值与最小值之间;
c、将当前所选维度下小于p的点放在当前节点的左分支,把大于等于p的点放在当前节点的右分支;
d、在节点的左分支和右分支节点递归b和c,不断构造新的叶子节点,直到叶子节点上只有一个数据或树已经生长到了所设定的高度h,得到孤立森林模型。
可选的,所述利用所述孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障,包括:
将待监测水轮机调速系统的待监测关键部件的特征量输入所有水轮机调速系统的相同关键部位的孤立森林模型中,获取所述孤立森林模型输出的新故障结果,所述新故障结果为待监测关键部件存在新故障或不存在新故障。
本发明提供的一种智能水电厂全厂水轮机调速系统及诊断方法,根据全厂水轮机调速系架构,可实现单机水轮机调速系统的各部件健康状态的诊断,以及建立一种多层次多机调速系统健康状态协同监测架构,根据所有水轮机调速系统的各个部件的特征量,对每一个水轮机调速系统的每一个部件进行健康状态的诊断。
附图说明
图1为本发明提供的一种智能水电厂全厂水轮机调速系统结构示意图;
图2为每一个水轮机调速系统的关键部件结构示意图;
图3为收集的水流调速器的特征量示意图;
图4为收集的油压装置示意图;
图5为漏油装置示意图;
图6为多机水轮调速系统健康状态诊断方法流程图;
图7为多机水轮调速系统健康状态诊断方法示意图;
图8为采用监测模型对各水轮机调速系统的各部件进行健康状态诊断的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种智能水电厂全厂水轮机调速系统的架构图,如图1所示,全厂水轮机调速系统主要包括厂站层、单元层和过程层,多个单机水轮机调速系统布置在所述单元层,每一个单机水轮机调速系统均与所述厂站层通信连接,且与所述过程层中对应的一套元器件通过电缆连接,每一个单机水轮机调速系统均通过光纤以太网交换机和正向隔离模块与全厂水轮机调速系统智能分析平台连接,其中,每一个单机水轮机调速系统均有单机健康状态监测分析平台。
可以理解的是,本发明实施例提供的智能水电厂全厂水轮机调速系统安装六台单机容量为200MW的水轮发电机组,全厂水轮机调速系统采用一种分层分区布置的方式,如图1所示。
1~6号水轮机调速系统布置在单元层,每一个水轮机调速系统采用IEC61850-MMS协议与厂站层一体化平台通信,与过程层元器件之间采用电缆连接,过程层元器件主要包括TV、TA、残压+齿盘、导叶开度反馈、有功功率反馈、断路器、振动摆度、压力传感器、液位传感器等。工控机作为操作终端和单机健康状态监测分析平台,通过光纤以太网交换机和正向隔离模块后与全厂调速系统智能分析平台相连。
其中,每一个单机健康状态监测分析平台(工控机),每一个单机健康状态监测分析平台,用于采集本单机水轮机调速系统的各关键部件的特征量,并将其上传给全厂水轮机调速系统智能分析平台;全厂水轮机调速系统智能分析平台,用于根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度。
可以理解的是,每一个水轮机调速系统上的工控机主要用于根据本单机水轮调速器各关键部件的特征量,并将采集的特征量发送给全厂水轮机调速系统智能分析平台。全厂水轮机调速系统智能分析平台根据所有水轮机调速系统的各关键部件的特征量,对每一个水轮机调速系统的各关键部件的健康状态进行诊断。
本发明根据全厂水轮机调速系架构,建立一种多层次多机调速系统健康状态协同监测架构,根据所有水轮机调速系统的各个部件的特征量,对每一个水轮机调速系统的每一个部件进行健康状态的诊断。
参见图2,提供了一种对全厂水轮机调速系统的诊断方法,包括:采集每一个单机水轮机调速系统的各关键部件的特征量;全厂水轮机调速系统智能分析平台根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度。
可以理解的是,智能水电厂全厂水轮机调速系统的结构图可参见图1中所示,其中,每一个水轮机调速系统的工控机(单机健康状态监测分析平台)可根据本单机水轮机调速系统的各关键部件的特征量来对本单机水轮机调速系统的健康状态进行诊断。而全厂水轮机调速系统智能分析平台则根据每一个单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康状态。
在一种可能的实施例方式中,参见图3,每台水轮机调速系统均含有一个健康状态监测平台(即图2中的工控机),其与调速系统控制器通信,获取调速系统采集的数据和其自身的逻辑控制数据,提取各关键部件的特征量,结合专家知识建立知识表,在知识表的基础上建立专家知识规则库。
每台水轮机调速系统主要包括水轮机调速器、油压装置和漏油装置。其中,水轮机调速器主要包括电气调节器、电液转换器、主配、事故配压阀、分段关闭装置、接力器和各种检测元件等,油压装置主要包括电气控制系统、三套油泵及电机、三套组合阀、压力油罐、回油箱和各种检测元件等。漏油装置主要包括电气控制系统、二套油泵及电机、二套溢流阀、回油箱和各种检测元件等,其中电气控制系统含在油压装置电气控制系统中。
水轮器调速器主要关键部件的特征量的提取如图4所示,主要包括电气调节器的静特性死区、开机特性、空载频率摆动、甩负荷特性、接力器不动时间和一次调频特性,电液转换器的时延特性、跟踪特性和电转零位,主配的漏油量、零位、开方向最大位移和关方向最大位移,事故配压阀的漏油量和接力器事故关闭时间,分段关闭装置的漏油量、导叶分段拐点和分段关闭时间,接力器关腔与开腔压力差、串油量和漏油量。
油压装置的主要关键部件的特征量的提取如图5所示,主要包括油泵控制系统的压力油罐油压误差、油气比例和油泵启动间隔,三套电机的力矩特性、电流特性、电压特性和故障信息,三套油泵的加载流量、停泵流量、流量斜率、单次运行时间和累计运行时间,组合阀的卸载时间和安全阀动作压力,压力油罐的油位变化特性和油压变化特性,回油箱的油位变化特性和油温变化特性,液压油的总油量、含水量和颗粒度。
漏油装置的主要关键部件的特征量的提取如图6所示,主要包括油泵启动间隔时间、油泵单次运行时间、油泵累计运行时间、油位变化特性和油泵流量特性。
在一种可能的实施例方式中,全厂水轮机调速系统智能分析平台根据每一个单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康状态,包括:全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态。
可以理解的是,为了更准确、可靠、及时地发现各特征量的异常,全厂水轮机调速系统智能分析平台会获取各水轮机调速系统的相关数据、状态和各部件的特征量,将不同水轮机调速系统中的相同部件的特征量进行比较分析,以性能最优的水轮机调速系统的部件特征量为参考,来诊断其他水轮机调速系统的相同部件的健康状态。由于全厂调速系统可以采集多台机相同部件的特征数据,所以可以采用协同监测的方法进行更为灵活和可靠的健康状态监测。
可参见图7,本发明实施例根据实际监测情况,可采用多种方法对各个水轮机调速系统的健康状态进行诊断,采用统计协同监测,有监督集成学习,以及半监督协同监测的多种方法,在多机调速系统之间建立一个协同监测机制,对相同部件的运行性能进行评价。
在一种可能的实施例方式中,全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:对于任一个水轮机调速系统的任一个关键部件的特征量,计算其在预设运行时间内的均值、中值和方差,得到基本统计量,进而获取所述任一个水轮机调速系统的任一个关键部件的特征量随时间的分布图;遍历每一个水轮机调速系统的每一个关键部件的特征量,获取每一个水轮机调速系统的每一个关键部件的特征量随时间的分布图;通过比较任一个水轮机调速系统的任一个关键部件的特征量的分布图与其他水轮机调速系统的相同关键部件的特征量的分布图的差异,判断任一个水轮机调速系统的任一个关键部件的健康状态。
可以理解的是,统计分析对于从原始监测数据中能较为直观检测的性能指标数据,本发明实施例采用传统统计分析的方法。首先针对不同水轮调速系统同一部件的特征量运行变化情况进行统计分析,计算其在一定运行时间内的均值,中值,方差等,得到基本统计量,并对所有的水轮机调速系统求上述统计量,得到每一个水轮机调速系统的统计量分布图。
对于任一个水轮机调速系统的任一个关键部件,将其特征量的统计量分布图与其他水轮机调速系统的相同关键部件的特征量的统计量分布图进行比较分析,主要是比较当前水轮机调速系统的关键部件的特征量的统计量分布图与其他水轮机调速系统的相同关键部件的特征量的统计量分布图的差异程度,根据差异程度来诊断该水轮机调速系统的该关键部件的健康状态,如果差异程度大,则该水轮机调速系统的该关键部件的健康状态为异常。由于多机调速系统协同监测互为补充,可以有效的解决缺失值补充,离群点检测等问题。
在一种可能的实施例方式中,全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:对于任一个水轮机调速系统的任一个关键部件,分别构建一个监测模型,得到每一个水轮机调速系统的每一个关键部件对应的监测模型,所述监测模型为根据任一个水轮机调速系统的任一个关键部件的历史特征量及故障标签训练得到,所述故障标签为故障或无故障;输入每一个将待监测水轮机调速系统的待监测关键部件的特征量输入待每一个水轮机调速系统的相同关键部位的监测模型中,获取每一个监测模型输出的故障结果;基于每一个监测模型输出的故障结果,采用多数投票法判定待监测水轮机调速系统的待监测关键部件的故障结果。
可以理解的是,根据各水轮机调速系统的历史运行数据及故障标签,对每一个水轮机调速系统的某待监测量分别建立一个监测模型作为集成学习的元学习器(meta-learner)。对某水轮机调速系统的数据进行健康状态监测时,多台机构建的模型共同进行集成判断,即将每台机模型作为一个专家,采用多专家集成评判的方式,可以得到更为可靠和稳定的判别结果。集成学习诊断模型示意图如图8所示,组合策略采用多数投票法。
具体的,对于每一个水轮机调速系统的相同关键部件的特征量,对于任一个水轮机调速系统的某一个关键部件,采集其历史特征量,并对每一个特征量进行故障标签,也就是该特征量对应的关键部件是否为故障,比如,标签为1则为故障,标签为0则为无故障。
利用该关键部件的历史特征量数据和对应的故障标签来训练建立一个监测模型,也就是说,对于任一个水轮机调速系统的任一个关键部件,均建立一个监测模型。
将待监测的水轮机调速系统的待监测关键部件的特征量输入到每一个监测模型中,比如,有n个监测模型,得到n个监测模型输出的n个故障结果,根据n个故障结果,采用多数投票法来确定判别结果。比如,有超过1/2的监测模型输出的结果为存在故障,那么该待监测水轮机调速系统的待监测关键部件为出现故障,其健康状态为异常。
本发明实施例中,集成学习的性能一般取决于元学习器(监测模型)的性能以及元学习器之间的差异,即需要单个元学习器具有好的质量(如预测准确率高),而学习器之间要具有较大的差异性(即多样性)。在多机调速系统协同监测问题中,每个水轮机调速系统之间本身就具有一定的差异性,从而保证了集成学习中元学习器的多样性。可以选择决策树(Decision Tree,DT)或人工神经网络(Artificial Neural Network,ANN)等方法构建较高质量的元学习器,并采用多数投票法作为组合策略,就可以有效提升健康状态监测系统的整体性能。
在一种可能的实施例方式中,全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康状态,包括:基于每一个水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,利用所述孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障。
可以理解的是,有监督学习方法可以检测出水轮机调速系统的已知故障类型,但无法检测新发故障。水轮机调速系统实际运行过程中,未检测出已知故障的情形,绝大部分是正常状态,但也可能是出现新故障的情况,从未发现已知故障的数据中发现新故障是个极为重要富有价值的问题。由于运行时长、环境状况等的变化,设备的正常状态也会发生变化,也就是正常状态具有多样性。正常状态的多样性是新故障检测中的一个难点问题,它会造成误报新故障的错误。多机调速系统协同监测,可获得更多不同运行时长和不同环境的设备运行数据,即更多的正常状态数据,有利于降低误报新故障的错误。
考虑到孤立森林非常适合异常状况的在线检测,本研究提出一种基于孤立森林的新故障多机组协同在线检测方法。在孤立森林中,将异常点定义为那些“容易被孤立的离群点”,即分布稀疏,且距离高密度群体较远的点。从统计学来看,在数据空间里,若一个区域内只有分布稀疏的点,表示数据点落在此区域的概率很低,因此可以认为这些区域的点是异常的。
具体的,基于智能水电厂的所有水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,利用孤立森林模型诊断待监测水轮机调速系统的待监测关键部件的新故障。
在一种可能的实施例方式中,可以理解的是,基于智能水电厂的所有水轮机调速系统的相同关键部件的特征量,建立该关键部件的孤立森林模型,其中,建立孤立森林模型的具体方法包括以下步骤:a、对于每一个水轮机调速系统的相同部件的特征量作为训练数据,随机选取m个特征量作为子样本,放入一棵孤立树的根节点;b、随机指定一个维度,在当前节点数据范围内,随机产生一个切割点p,此切割点的选取生成了一个超平面,将当前节点数据空间切分为2个子空间,所述切割点p的大小产生于当前节点数据中指定维度的最大值与最小值之间;c、将当前所选维度下小于p的点放在当前节点的左分支,把大于等于p的点放在当前节点的右分支;d、在节点的左分支和右分支节点递归b和c,不断构造新的叶子节点,直到叶子节点上只有一个数据或树已经生长到了所设定的高度h,得到孤立森林模型。
在一种可能的实施例方式中,利用孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障,包括:将待监测水轮机调速系统的待监测关键部件的特征量输入所有水轮机调速系统的相同关键部位的孤立森林模型中,获取所述孤立森林模型输出的新故障结果,所述新故障结果为待监测关键部件存在新故障或不存在新故障。
可以理解的是,上述建立了每一个关键部件的孤立森林模型,将待监测水轮机调速系统的待监测关键部件的特征量输入该关键部位的孤立森林模型中,获取孤立森林模型输出的新故障结果,新故障结果为待监测关键部件存在新故障或不存在新故障,即可对各个关键部件的新故障进行监测。
本发明实施例提供的一种智能水电厂全厂水轮机调速系统及诊断方法,根据全厂水轮机调速系架构,建立一种多层次多机调速系统健康状态协同监测架构;通过一台水轮机调速系统的特征量的统计量与总体统计量的比较分析发现变化异常情况;多机协同监测互为补充,可有效解决缺失值补充,离群点检测等问题。对各待监测量分别建立监测模型作为集成学习的元学习器,多机构建的模型共同进行集成判断,得到更为可靠和稳定的判别结果。为了发现新故障,还提出一种基于孤立森林的新故障多机组协同在线检测方法,以发现未知的新故障。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.一种对智能水电厂全厂水轮机调速系统的诊断方法,所述的智能水电厂全厂水轮机调速系统包括厂站层、单元层和过程层,多个单机水轮机调速系统布置在所述单元层,每一个单机水轮机调速系统均与所述厂站层通信连接,且与所述过程层中对应的一套元器件通过电缆连接,每一个单机水轮机调速系统均通过光纤以太网交换机和正向隔离模块与全厂水轮机调速系统智能分析平台连接,其中,每一个单机水轮机调速系统均有单机健康状态监测分析平台;
每一个单机健康状态监测分析平台,用于采集本单机水轮机调速系统的各关键部件的特征量,并将其上传给所述全厂水轮机调速系统智能分析平台;
所述全厂水轮机调速系统智能分析平台,用于根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度;
其特征在于,所述方法包括:
采集每一个单机水轮机调速系统的各关键部件的特征量;
全厂水轮机调速系统智能分析平台根据所有单机水轮机调速系统的各关键部件的特征量,通过协同分析,诊断每一个单机水轮机调速系统的各关键部件的健康度,包括:
全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康度,包括:
对于任一个水轮机调速系统的任一个关键部件,分别构建一个监测模型,得到每一个水轮机调速系统的每一个关键部件对应的监测模型,所述监测模型为根据任一个水轮机调速系统的任一个关键部件的历史特征量及故障标签训练得到,所述故障标签为故障或无故障;输入每一个将待监测水轮机调速系统的待监测关键部件的特征量输入待每一个水轮机调速系统的相同关键部位的监测模型中,获取每一个监测模型输出的故障结果;
基于每一个监测模型输出的故障结果,采用多数投票法判定待监测水轮机调速系统的待监测关键部件的故障结果;以及
基于每一个水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,利用所述孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障。
2.根据权利要求1所述的诊断方法,其特征在于,所述本单机水轮机调速系统的各关键部件包括水轮机调速器、油压装置和漏油装置,所述水轮机调速器包括电气调节器、电液转换器、主配、事故配压阀、分段关闭装置和接力器,所述油压装置包括电气控制系统、三套油泵及电机、三套组合阀、压力油罐和回油箱,所述漏油装置包括电气控制系统、二套油泵及电机、二套溢流阀和回油箱;
相应的,所述水轮机调速器的特征量包括电气调节器的静特性死区、开机特性、空载频率摆动、甩负荷特性、接力器不动时间和一次调频特性,电液转换器的时延特性、跟踪特性和电转零位,主配的漏油量、零位、开方向最大位移和关方向最大位移,事故配压阀的漏油量和接力器事故关闭时间,分段关闭装置的漏油量、导叶分段拐点和分段关闭时间,接力器关腔与开腔压力差、串油量和漏油量;
所述油压装置的特征量包括油泵控制系统的压力油罐油压误差、油气比例和油泵启动间隔,三套电机的力矩特性、电流特性、电压特性和故障信息,三套油泵的加载流量、停泵流量、流量斜率、单次运行时间和累计运行时间,组合阀的卸载时间和安全阀动作压力,压力油罐的油位变化特性和油压变化特性,回油箱的油位变化特性和油温变化特性,液压油的总油量、含水量和颗粒度;
所述漏油装置的特征量包括油泵启动间隔时间、油泵单次运行时间、油泵累计运行时间、油位变化特性和油泵流量特性。
3.根据权利要求1所述的诊断方法,其特征在于,所述全厂水轮机调速系统智能分析平台将不同水轮机调速系统中的相同关键部件的特征量进行比较分析,诊断每一个水轮机调速系统中的每一个关键部件的特征量是否异常,并根据诊断结果判定每一个水轮机调速系统中的每一个关键部件的健康度,包括:
对于任一个水轮机调速系统的任一个关键部件的特征量,计算其在预设运行时间内的均值、中值和方差,得到基本统计量,进而获取所述任一个水轮机调速系统的任一个关键部件的特征量随时间的分布图;
遍历每一个水轮机调速系统的每一个关键部件的特征量,获取每一个水轮机调速系统的每一个关键部件的特征量随时间的分布图;
通过比较任一个水轮机调速系统的任一个关键部件的特征量的分布图与其他水轮机调速系统的相同关键部件的特征量的分布图的差异,判断所述任一个水轮机调速系统的任一个关键部件的健康度。
4.根据权利要求1所述的诊断方法,其特征在于,所述基于每一个水轮机调速系统的相同关键部件的特征量,构建孤立森林模型,包括:
a、对于每一个水轮机调速系统的相同部件的特征量作为训练数据,随机选取m个特征量作为子样本,放入一棵孤立树的根节点;
b、随机指定一个维度,在当前节点数据范围内,随机产生一个切割点p,此切割点的选取生成了一个超平面,将当前节点数据空间切分为2个子空间,所述切割点p的大小产生于当前节点数据中指定维度的最大值与最小值之间;
c、将当前所选维度下小于p的点放在当前节点的左分支,把大于等于p的点放在当前节点的右分支;
d、在节点的左分支和右分支节点递归b和c,不断构造新的叶子节点,直到叶子节点上只有一个数据或树已经生长到了所设定的高度h,得到孤立森林模型。
5.根据权利要求4所述的诊断方法,其特征在于,所述利用所述孤立森林模型监测任一个水轮机调速系统的任一个关键部件的新故障,包括:
将待监测水轮机调速系统的待监测关键部件的特征量输入所有水轮机调速系统的相同关键部位的孤立森林模型中,获取所述孤立森林模型输出的新故障结果,所述新故障结果为待监测关键部件存在新故障或不存在新故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372495.0A CN113187650B (zh) | 2021-04-07 | 2021-04-07 | 一种智能水电厂全厂水轮机调速系统及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110372495.0A CN113187650B (zh) | 2021-04-07 | 2021-04-07 | 一种智能水电厂全厂水轮机调速系统及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113187650A CN113187650A (zh) | 2021-07-30 |
CN113187650B true CN113187650B (zh) | 2023-04-07 |
Family
ID=76975473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110372495.0A Active CN113187650B (zh) | 2021-04-07 | 2021-04-07 | 一种智能水电厂全厂水轮机调速系统及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113187650B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114397840A (zh) * | 2021-12-30 | 2022-04-26 | 腾安电子科技(江苏)有限公司 | 水轮机智能控制方法及装置 |
CN114294152B (zh) * | 2022-01-20 | 2024-03-22 | 北京华电云博科技有限公司 | 一种水轮发电机组调速系统设备在线状态监测方法和系统 |
CN116221002B (zh) * | 2023-01-04 | 2024-01-02 | 中国长江电力股份有限公司 | 大型水轮发电机组导叶接力器开关腔油路串油判断方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8082115B2 (en) * | 2009-11-16 | 2011-12-20 | Nrg Systems, Inc. | Data acquisition system for condition-based maintenance |
CN101871417B (zh) * | 2010-06-03 | 2012-11-21 | 武汉四创自动控制技术有限责任公司 | 基于iec61850的数字化水轮机调速系统 |
CN105046279B (zh) * | 2015-08-07 | 2018-05-15 | 合肥工业大学 | 一种模拟电路故障模式分类方法 |
CN108035838B (zh) * | 2017-12-07 | 2020-11-03 | 武汉四创自动控制技术有限责任公司 | 全厂水轮机调速系统健康状态评估及优化方法 |
CN111488946B (zh) * | 2020-04-28 | 2023-05-23 | 东南大学 | 基于信息融合的雷达伺服系统故障诊断方法 |
CN111767951A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 |
-
2021
- 2021-04-07 CN CN202110372495.0A patent/CN113187650B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113187650A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113187650B (zh) | 一种智能水电厂全厂水轮机调速系统及诊断方法 | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
da Silva et al. | Composite reliability assessment based on Monte Carlo simulation and artificial neural networks | |
US7200520B2 (en) | Device and method for monitoring an electric power station | |
CN111237134A (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN112418277A (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN104732276A (zh) | 一种计量生产设施故障在线诊断方法 | |
US20140214733A1 (en) | Method And Apparatus For Deriving Diagnostic Data About A Technical System | |
CN114386312A (zh) | 一种设备故障诊断方法 | |
Tang et al. | A deep belief network-based fault detection method for nonlinear processes | |
CHEN et al. | Fault diagnosis in chemical process based on self-organizing map integrated with fisher discriminant analysis | |
CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
WO2019038283A1 (en) | METHOD FOR MONITORING AN INDUSTRIAL INSTALLATION AND INDUSTRIAL CONTROL SYSTEM | |
CN116578869A (zh) | 电力系统的故障诊断方法、故障诊断装置与电子装置 | |
CN117696224A (zh) | 一种基于大模型的磨矿优化处理系统 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN110956308A (zh) | 基于时间序列的化工设备健康状态预测方法 | |
CN116068479A (zh) | 燃料电池耐久试验中输出性能信号的异常检测方法与装置 | |
Guo | Wind turbine generator bearing condition monitoring with NEST method | |
CN113705076B (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
US20230376024A1 (en) | Device and Method for Identifying Anomalies in an Industrial System for Implementing a Production Process | |
Chen | Automated on-line fault prognosis for wind turbine monitoring using scada data | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN113836820A (zh) | 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
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 |