CN113255219B - 基于修正长短时记忆神经网络的发电机线棒振动优化方法 - Google Patents

基于修正长短时记忆神经网络的发电机线棒振动优化方法 Download PDF

Info

Publication number
CN113255219B
CN113255219B CN202110589322.4A CN202110589322A CN113255219B CN 113255219 B CN113255219 B CN 113255219B CN 202110589322 A CN202110589322 A CN 202110589322A CN 113255219 B CN113255219 B CN 113255219B
Authority
CN
China
Prior art keywords
generator
vibration
lstm model
value
data
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
CN202110589322.4A
Other languages
English (en)
Other versions
CN113255219A (zh
Inventor
戴程鹏
解剑波
范海东
郭鼎
王豆
傅骏伟
杨勤
金泱
王展宏
孟瑜炜
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.)
Zhejiang Zheneng Digital Technology Co Ltd
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang Energy Group Research Institute 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 Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang Energy Group Research Institute Co Ltd
Priority to CN202110589322.4A priority Critical patent/CN113255219B/zh
Publication of CN113255219A publication Critical patent/CN113255219A/zh
Application granted granted Critical
Publication of CN113255219B publication Critical patent/CN113255219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K3/00—Details of windings
    • H02K3/46—Fastening of windings on the stator or rotor structure
    • H02K3/50—Fastening of winding heads, equalising connectors, or connections thereto
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Abstract

本发明涉及一种基于修正长短时记忆神经网络的发电机线棒振动优化方法，包括步骤：历史数据获取和处理；将特征向量和标签向量作为发电机线棒振动LM_LSTM模型的输入，利用训练集和验证集中的数据来训练发电机线棒振动LM_LSTM模型。本发明的有益效果是：从机理和数理结合的方法挖掘发电机各参数对线棒振动的影响；建立基于修正的长短时记忆神经网络的发电机线棒振动模型，分析发电机线棒平均温度和发电机铁芯平均温度对发电机线棒振动的影响，做出三维关系控制图，明确指出发电机定冷水进水温度和发电机冷氢温度在全局和局部的调整方向，进而通过对相关温度的调整在运行过程中压制超标的发电机线棒端部振动，满足安全稳定运行的要求。

Description

基于修正长短时记忆神经网络的发电机线棒振动优化方法
技术领域
本发明属于发电机线棒振动优化技术领域，尤其涉及一种基于修正长短时记忆神经网络的发电机线棒振动优化方法。
背景技术
发电机正常运行时，发电机定子线棒承受单倍及两倍频率的交变电磁力作用。随着发电机单机容量的不断扩大，电磁力也随之增加。由于悬于定子铁芯外部的发电机线棒端部刚度较低，受电磁力影响而引发的发电机线棒端部振动超标问题越来越突出。
当发电机端部固有振动频率接近100HZ时，易与两倍工频的电磁力发生共振，造成定子绕组端部振动异常升高超过国标限值。有些发电机定子绕组端部因绕组槽内固定、端部支撑绑扎固定等因素以及某些定子绕组端部固定结构的不合理，使定子端部线棒的固有频率接近100Hz。有些发电机定子端部绕组振动模态试验合格，但是随着运行时间延长，定子绕组线棒绑绳、垫块、支架等绝缘材料受热和电磁力的作用，机械强度逐渐降低，绑扎紧固构件之间的联接紧度也会有所改变，造成定子绕组端部固有振动频率呈下降趋势，使振动模态接近100Hz。
定子线棒端部振动过大易引发线棒端部绝缘磨损、焊缝开裂、固件松脱、漏水等故障，严重时会导致定子线棒接地、相间短路事故，造成在整个发电机机组的故障停机，国内外均有这方面的事故报道。因此，对发电机绕组端部振动幅值进行监测、分析并在此基础上进行优化控制具有重要意义。
目前，对于发电机端部振动过大的处理方法主要有：大修解体检查法，即大修时解体检查线棒固定情况、有无磨损、对线棒重新绑扎、加固、调整其结构的方法使定子端部固有频率避开单倍和倍频区域，具有一定的效果，但是该方法用时很久、耗费大，需停机进行，影响机组发电计划。通过尝试升高或降低冷却水温度和氢气温度进而根据反馈来调节线棒振动的方法，具备一定效果，但是该方法缺乏历史数据层面的数理支撑，不能明确的给出温度调节方向，而根据负反馈的调节机制只适用于单调函数，对于复杂的发电机线棒振动而言易限于局部最优解而无法达到较好的压制效果。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于修正长短时记忆神经网络的发电机线棒振动优化方法。
这种基于修正长短时记忆神经网络的发电机线棒振动优化方法，包括以下步骤：
步骤1、历史数据获取和处理；
步骤2、将特征向量和标签向量作为发电机线棒振动LM_LSTM模型的输入，利用训练集和验证集中的数据来训练发电机线棒振动LM_LSTM模型；
步骤3、根据选定的工况获得新的计算工况矩阵，利用新的计算工况矩阵得到发电机线棒振动LM_LSTM模型的预测值序列，进一步绘制三维关系控制图；
步骤3.1、得到新的计算工况矩阵:
对选定的工况进行扩维，分别以历史工况中发电机槽内温度平均值和铁芯温度平均值这两个扩维点的最小值和最大值作为端点；在这两端点间通过数据插值形成两个1*n的数列；其中数据插值为等差插值：
Figure 493493DEST_PATH_IMAGE001
上式中，
Figure DEST_PATH_IMAGE002
、
Figure 197007DEST_PATH_IMAGE003
分别为待插值测点的最大值和最小值，
Figure DEST_PATH_IMAGE004
=
Figure 679941DEST_PATH_IMAGE005
；
Figure DEST_PATH_IMAGE006
为插值后数列的长度，
Figure 263762DEST_PATH_IMAGE007
为第
Figure DEST_PATH_IMAGE008
项的值；
以选定的工况为基础，对数据插值形成的两个数列用网格采样法形成（
Figure 642791DEST_PATH_IMAGE006
×
Figure 568022DEST_PATH_IMAGE006
,2）的矩阵；用（n×n,2）矩阵中的每一行数值替换选定的工况中发电机槽内温度平均值和铁芯温度平均值，每替换一记为一个新的工况，所有新的工况组成的矩阵为新的计算工况矩阵；对新的计算工况矩阵进行归一化处理；
步骤3.2、将新的计算工况矩阵输入步骤2训练得到的发电机线棒振动LM_LSTM模型，得到发电机线棒振动LM_LSTM模型的预测值序列；以发电机槽内温度平均值作为X轴，以发电机铁芯温度平均值作为Y轴，以发电机线棒振动LM_LSTM模型的预测值序列作为Z轴，绘制3D关系图，并在3D关系图上添加当前选定的工况点的位置，形成发电机槽内温度平均值、铁芯温度平均值与发电机线棒振动的三维关系控制图；
步骤4、操作人员根据步骤3构建的三维关系控制图来明确发电机槽内温度和铁芯温度的调整方向，在机组运行中通过对发电机定冷水进水温度和冷氢温度进行调整来压制超标的发电机线棒端部振动。
作为优选，步骤1具体包括以下步骤：
步骤1.1、获取历史数据；通过机理分析，选择与发电机线棒振动相关性强的测点作为特征向量，将发电机端部振动幅值作为标签向量；
步骤1.2、对历史数据进行数据清洗、精选、扩维和归一化；
步骤1.3、将数据集转换为特定数据结构：设置时间窗口timestep，将标准化处理后的包含特征向量和标签向量的数据集转换成形状为（n,timestep, m）的数据结构，其中n为数据集中数据的条数，m为所采用测点的个数。
作为优选，步骤1.2具体包括以下步骤：
步骤1.2.1、数据清洗：对历史数据进行缺失值处理并剔除离群脏数据；
步骤1.2.2、数据精选：计算各特征向量和标签向量之间的皮尔森相关系数，删除相关度低的特征向量，保留相关度高的特征向量；
步骤1.2.3、对历史数据进行扩维：利用清洗后的历史数据求取各个时间戳的发电机槽内温度平均值和铁芯温度平均值，将发电机槽内温度平均值和铁芯温度平均值作为扩维点，将发电机槽内温度平均值和铁芯温度平均值两个扩维点作为特征向量，删除各个发电机槽内温度测点和各个铁芯温度测点，最终形成包含特征向量和标签向量的数据集；
步骤1.2.4、对步骤1.2.3所得包含特征向量和标签向量的数据集进行归一化和划分：将包含特征向量和标签向量的数据集按照设定比例划分成训练集、验证集和测试集；按照训练集的均值和标准差分别对训练集、验证集和测试集进行标准化处理：
Figure DEST_PATH_IMAGE009
上式中，
Figure 402117DEST_PATH_IMAGE010
为待进行标准化处理的数据集，为训练集、验证集或测试集；
Figure DEST_PATH_IMAGE011
为待进行标准化处理的数据集的均值；
Figure 775198DEST_PATH_IMAGE012
为待进行标准化处理的数据集的标准差；
Figure DEST_PATH_IMAGE013
为对
Figure 325128DEST_PATH_IMAGE010
进行标准化处理后的数据集。
作为优选，步骤2具体包括如下步骤：
步骤2.1、将平均绝对误差MAE作为发电机线棒振动LM_LSTM模型的损失函数：
Figure DEST_PATH_IMAGE014
上式中，其中
Figure DEST_PATH_IMAGE015
为第
Figure 613021DEST_PATH_IMAGE016
个模型预测值，
Figure DEST_PATH_IMAGE017
为第
Figure 703337DEST_PATH_IMAGE018
个历史实际数据值，
Figure DEST_PATH_IMAGE019
为样本个数；
Figure 996171DEST_PATH_IMAGE020
计算模型
Figure DEST_PATH_IMAGE021
在数据集
Figure 451424DEST_PATH_IMAGE022
中的运算结果与实际值
Figure DEST_PATH_IMAGE023
之间的平均绝对误差；
当验证集中的平均绝对误差MAE出现向上拐点时，结束对当前发电机线棒振动LM_LSTM模型的训练，调整发电机线棒振动LM_LSTM模型的模型结构和超参数，选取在验证集中平均绝对误差MAE最小的发电机线棒振动LM_LSTM模型作为最终的发电机线棒振动LM_LSTM模型；否则继续训练当前发电机线棒振动LM_LSTM模型；
步骤2.2、利用训练集每个时间窗口中第一个工况对应的标签值，对发电机线棒振动LM_LSTM模型的输出结果进行线性修正：
Figure 961033DEST_PATH_IMAGE024
上式中，
Figure DEST_PATH_IMAGE025
为训练集作为发电机线棒振动LM_LSTM模型的输入时，得到的发电机线棒振动LM_LSTM模型预测值序列；
Figure DEST_PATH_IMAGE026
为训练集中每个时间窗口中第一个工况所对应的标签值；
Figure 104308DEST_PATH_IMAGE027
、
Figure DEST_PATH_IMAGE028
为线性修正系数，
Figure 15763DEST_PATH_IMAGE029
为线性修正的发电机线棒振动LM_LSTM模型的输出结果，记训练集对应的实际标签值序列为
Figure DEST_PATH_IMAGE030
；
求解使得训练集对应的实际标签值序列
Figure 641916DEST_PATH_IMAGE031
、线性修正的发电机线棒振动LM_LSTM模型的输出结果
Figure DEST_PATH_IMAGE032
之间的平均绝对误差MAE最小的线性修正系数
Figure 91352DEST_PATH_IMAGE033
和
Figure DEST_PATH_IMAGE034
；若
Figure 560687DEST_PATH_IMAGE033
>
Figure 451282DEST_PATH_IMAGE034
，则返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型，若
Figure 248337DEST_PATH_IMAGE033
≤
Figure DEST_PATH_IMAGE035
，则得到发电机线棒振动LM_LSTM模型；
步骤2.3、利用测试集测试步骤2.2所得发电机线棒振动LM_LSTM模型的拟合效果，计算测试集的预测值和MAE，绘制发电机线棒振动LM_LSTM模型在测试集上的拟合效果图；若发电机线棒振动LM_LSTM模型在测试集上的拟合效果比发电机线棒振动LM_LSTM模型在训练集上的拟合效果差，且测试集的MAE>1.5*训练集的MAE，则判定发电机线棒振动LM_LSTM模型不具备鲁棒性，返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型。
作为优选，步骤1.1中与发电机线棒振动相关性强的测点包括：发电机A相电流、发电机B相电流、发电机C相电流、发电机零序电压、发电机励磁电流、汽机侧线棒端部A相径向振动、汽机侧线棒端部C相径向振动、发电机定子负序电流，发电机槽内温度、发电机有功功率、发电机无功功率、发电机线棒温度和铁芯温度。
作为优选，步骤1.2.4中训练集、验证集和测试集的比例为7:2:1。
作为优选，步骤1.1中获取历史数据的取数间隔为15秒。
作为优选，步骤1.3中时间窗口timestep是个时间序列滑窗，将增加数据集时间层面的维度，处于当前时间与timestep之间的数据将一起作为输入数据输入模型，参与运算；时间窗口timestep设为40，所采用测点的个数m为10。
本发明的有益效果是：本发明通过历史数据的分析挖掘，从机理和数理结合的方法挖掘发电机各参数对线棒振动的影响；通过建立基于修正的长短时记忆神经网络的发电机线棒振动模型，分析发电机线棒平均温度和发电机铁芯平均温度对发电机线棒振动的影响，做出三者的三维关系控制图，明确的指出发电机定冷水进水温度和发电机冷氢温度在全局和局部的调整方向，进而通过对相关温度的调整在运行过程中压制超标的发电机线棒端部振动，使其满足安全稳定运行的要求。
附图说明
图1为基于修正的长短时记忆神经网络的发电机线棒端部振动模型建立的流程图；
图2为本发明已建立的LM＿LSTM模型的优化分析流程图；
图3为实例中LM_LSTM模型在测试集上的拟合效果图；
图4为实例中发电机线棒端部振动与发电机有功功率散点图；
图5为实例中480MW负荷下的B相线棒端部振动三维优化控制图和当前工况位置；
图6为实例中520MW负荷下的B相线棒端部振动三维优化控制图和当前工况位置；
图7为实例中780MW负荷下的B相线棒端部振动三维优化控制图和当前工况位置。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
采用来自某电厂1050MW发电机的数据，该发电机B相线棒径向振动经常超标，最高值曾达到过383um，大大超过报警值250um。以该发电机B相线棒端部振动为研究验证对象，一种基于修正长短时记忆神经网络的发电机线棒振动优化方法，如图1所示，包括步骤：
步骤1、训练发电机线棒振动LM_LSTM（长短期记忆神经网络）模型；
步骤1.1、获取3个月的历史数据，取数间隔为15秒；通过机理分析，选择与发电机线棒振动相关性强的测点作为特征向量，测点包括：发电机A相电流、发电机B相电流、发电机C相电流、发电机零序电压、发电机励磁电流、汽机侧线棒端部A相径向振动、汽机侧线棒端部C相径向振动、发电机定子负序电流，发电机各槽内温度、发电机有功功率、发电机无功功率、发电机线棒温度和铁芯温度；将发电机端部振动幅值作为标签向量；
步骤1.2、对历史数据进行数据清洗、精选、扩维和归一化；
步骤1.2.1、数据清洗：对历史数据进行缺失值处理并剔除离群脏数据；
步骤1.2.2、数据精选：计算各特征向量和标签向量之间的皮尔森相关系数，对测点进行优选，删除相关度低的特征向量，保留相关度高的特征向量；
步骤1.2.3、对历史数据进行扩维：利用清洗后的历史数据求取各个时间戳的发电机槽内温度平均值和铁芯温度平均值，将发电机槽内温度平均值和铁芯温度平均值作为扩维点，将发电机槽内温度平均值和铁芯温度平均值两个扩维点加入数据集作为特征向量，删除数据集内各个发电机槽内温度测点和各个铁芯温度测点，最终形成包含特征向量和标签向量的数据集；
步骤1.2.4、对步骤1.2.3所得包含特征向量和标签向量的数据集进行归一化和划分：将包含特征向量和标签向量的数据集按照设定比例划分成训练集、验证集和测试集；按照训练集的均值和标准差分别对训练集、验证集和测试集进行标准化处理：
Figure 122752DEST_PATH_IMAGE036
上式中，
Figure DEST_PATH_IMAGE037
为待进行标准化处理的数据集，为训练集、验证集或测试集；
Figure 906032DEST_PATH_IMAGE038
为待进行标准化处理的数据集的均值；
Figure DEST_PATH_IMAGE039
为待进行标准化处理的数据集的标准差；
Figure 182292DEST_PATH_IMAGE040
为对
Figure 461833DEST_PATH_IMAGE037
进行标准化处理后的数据集；
步骤1.3、将数据集转换为特定数据结构：设置时间窗口timestep为40，将标准化处理后的包含特征向量和标签向量的数据集转换成形状为(n,timestep,10)的数据结构，其中n为数据集中数据的条数；
步骤2、将特征向量和标签向量作为发电机线棒振动LM_LSTM模型的输入，利用训练集和验证集中的数据来训练发电机线棒振动LM_LSTM模型；
步骤2.1、将平均绝对误差MAE作为发电机线棒振动LM_LSTM模型的损失函数：
Figure DEST_PATH_IMAGE041
上式中，其中
Figure 167752DEST_PATH_IMAGE042
为第
Figure DEST_PATH_IMAGE043
个模型预测值，
Figure 144935DEST_PATH_IMAGE044
为第
Figure DEST_PATH_IMAGE045
个历史实际数据值，
Figure 72440DEST_PATH_IMAGE046
为样本个数；
Figure DEST_PATH_IMAGE047
计算模型
Figure 322549DEST_PATH_IMAGE048
在数据集
Figure DEST_PATH_IMAGE049
中的运算结果与实际值
Figure 171556DEST_PATH_IMAGE050
之间的平均绝对误差；
当验证集中的平均绝对误差MAE出现向上拐点时，结束对当前发电机线棒振动LM_LSTM模型的训练，调整发电机线棒振动LM_LSTM模型的模型结构和超参数，选取在验证集中平均绝对误差MAE最小的发电机线棒振动LM_LSTM模型作为最终的发电机线棒振动LM_LSTM模型；否则继续训练当前发电机线棒振动LM_LSTM模型；
步骤2.2、利用训练集每个时间窗口中第一个工况对应的标签值，对发电机线棒振动LM_LSTM模型的输出结果进行线性修正：
Figure DEST_PATH_IMAGE051
上式中，
Figure 31059DEST_PATH_IMAGE025
为训练集作为发电机线棒振动LM_LSTM模型的输入时，得到的发电机线棒振动LM_LSTM模型预测值序列；
Figure 16332DEST_PATH_IMAGE052
为训练集中每个时间窗口中第一个工况所对应的标签值；
Figure DEST_PATH_IMAGE053
、
Figure 591670DEST_PATH_IMAGE054
为线性修正系数，
Figure DEST_PATH_IMAGE055
为线性修正的发电机线棒振动LM_LSTM模型的输出结果，记训练集对应的实际标签值序列为
Figure 973979DEST_PATH_IMAGE030
；
求解使得训练集对应的实际标签值序列
Figure 27385DEST_PATH_IMAGE031
、线性修正的发电机线棒振动LM_LSTM模型的输出结果
Figure 476952DEST_PATH_IMAGE032
之间的平均绝对误差MAE最小的线性修正系数
Figure 957612DEST_PATH_IMAGE056
和
Figure DEST_PATH_IMAGE057
；若
Figure 515633DEST_PATH_IMAGE056
>
Figure 435047DEST_PATH_IMAGE057
，则返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型，若
Figure 129334DEST_PATH_IMAGE056
≤
Figure 892147DEST_PATH_IMAGE058
，则得到发电机线棒振动LM_LSTM模型；实际求得修正系数
Figure 937463DEST_PATH_IMAGE053
=0.578,
Figure 598252DEST_PATH_IMAGE057
=0.418，满足
Figure 147045DEST_PATH_IMAGE056
>
Figure 844873DEST_PATH_IMAGE057
；
步骤2.3、利用测试集测试步骤2.2所得发电机线棒振动LM_LSTM模型的拟合效果，计算测试集的预测值和MAE（绝对误差），绘制发电机线棒振动LM_LSTM模型在测试集上的拟合效果图；若发电机线棒振动LM_LSTM模型在测试集上的拟合效果比发电机线棒振动LM_LSTM模型在训练集上的拟合效果差，且测试集的MAE>1.5*训练集的MAE，则判定发电机线棒振动LM_LSTM模型不具备鲁棒性，返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型；如图3示，可见预测值和实测值有很好的拟合度，且计算得测试集的MAE=6.32，与训练集的MAE相近，可见模型鲁棒性好，不存在过拟合现象；
步骤3、如图2所示，根据选定的工况获得新的计算工况矩阵，利用新的计算工况矩阵得到发电机线棒振动LM_LSTM模型的预测值序列，进一步绘制三维关系控制图；
步骤3.1、得到新的计算工况矩阵:
根据实时工况下的数据或历史工况下的数据，按照步骤1.2.3中的扩维方法对选定的工况进行扩维，以历史工况中发电机槽内温度平均值和铁芯温度平均值这两个扩维点的最小值和最大值作为端点，在这两端点间通过数据插值形成1*n的数列；其中数据插值为等差插值：
Figure DEST_PATH_IMAGE059
上式中，
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE061
分别为待插值测点的最大值和最小值，
Figure DEST_PATH_IMAGE062
=
Figure DEST_PATH_IMAGE063
；
Figure DEST_PATH_IMAGE064
为插值后数列的长度，
Figure DEST_PATH_IMAGE065
为第
Figure DEST_PATH_IMAGE066
项的值；
以选定的工况为基础，对数据插值形成的数列用网格采样法形成（
Figure DEST_PATH_IMAGE067
×
Figure DEST_PATH_IMAGE068
,2）的矩阵；用（n×n,2）矩阵中的每一行数值替换选定的工况中发电机槽内温度平均值和铁芯温度平均值，每替换一记为一个新的工况，所有新的工况组成的矩阵为新的计算工况矩阵；对新的计算工况矩阵按照步骤1.2中的归一化方法进行归一化处理；
步骤3.2、将新的计算工况矩阵输入步骤2训练得到的发电机线棒振动LM_LSTM模型，得到发电机线棒振动LM_LSTM模型的预测值序列；以发电机槽内温度平均值作为X轴，以发电机铁芯温度平均值作为Y轴，以发电机线棒振动LM_LSTM模型的预测值序列作为Z轴，绘制3D关系图，并在3D关系图上添加当前选定的工况点的位置，形成当前工况或历史工况的发电机槽内温度平均值、铁芯温度平均值与发电机线棒振动的三维关系控制图；
步骤4、操作人员根据步骤3构建的发电机槽内温度平均值、铁芯温度平均值与发电机线棒振动的三维关系控制图来明确发电机槽内温度和铁芯温度的调整方向，在机组运行中通过对发电机定冷水进水温度和冷氢温度进行调整来压制超标的发电机线棒端部振动。
实施例2：
在实施例1训练得到的发电机线棒振动LM_LSTM（长短期记忆神经网络）模型的基础上，发电机线棒振动优化方法具体为：
以该厂所取得的历史数据中的发电机有功功率为横坐标，汽机侧线棒端部B相径向振动为纵坐标绘制散点图得到图4，从图中可看出该发电厂的发电机在机组负荷为420MW至630MW之间、780MW附近时，发电机汽机侧线棒端部B相径向振动容易超过标准值250um。因此本实施例挑选了机组负荷为480MW、520MW、780MW的三个工况的数据作为分析对象，分别记录工况1、工况2、工况3的数据进行优化分析。
对数据进行扩维，求取B相槽内温度平均、B相铁芯温度平均，删除工况内中发电机各槽温度测点和铁芯各槽温度测点，形成待优化工况，记为GK。
求取训练集中的B相槽内温度平均、B相铁芯温度平均这两个扩维点的最小值和最大值，记为[Amin,Amax],[Bmin,Bmax]。
以上述最小值和最大值作为端点，按等差数列方式进行插值，n取值100，完成插值后形成两个100*1的等差向量，记为A、B；
以A为X轴坐标，B为Y轴坐标，形成Oxy平面，按网格采样点形式对平面内坐标进行采样，形成10000*2的矩阵记为XY，该矩阵可以看成由10000个坐标对（x,y）构成。
用10000个坐标对（x,y）一一替换待优化工况GK中B相槽内温度平均、B相铁芯温度平均这两个测点的值，形成10000个新工况矩阵。
将10000个新工况矩阵进行归一化，代入训练好的发电机线棒振动LM_LSTM模型，计算出标签值发电机线棒端部振动的集合记为Z。
以XY中的（x,y）为横纵坐标，以Z中对应的标签值为Z轴坐标，绘制发电机线棒振动与B相槽内温度平均、B相铁芯温度平均的三维优化控制图。
在三维关系控制图形中用黑色圆点标注出待优化工况所在位置，重复上述步骤直至完成3个选定工况的优化分析工作，分别得到如图5、图6、图7中显示的480MW负荷下的B相线棒、520MW负荷下的B相线棒和780MW负荷下的B相线棒的端部振动三维优化控制图和当前工况位置示意图。
从图中操作人员可直观的看出在三个选定工况下B相槽内温度平均、B相铁芯温度平均这两个扩维点与发电机线棒振动的关系，进而明确B相槽内温度、B相铁芯温度在当前工况下的优化控制方向和理想值，从而在运行过程中通过对发电机定冷水进水温度和冷氢温度的调节，使B相槽内温度、B相铁芯温度趋近理想值，达到压制超标的发电机线棒端部振动的目的。通过运用本发明提出的方法，该发电机B相线棒径向振动在未停机检修的情况下，最大值从之前的383um，成功被压制到250um左右，取得了良好的应用效果。
实施例3：
上述实施例1和实施例2中的方法同样可以用于构建发电机A相和C相的线棒端部振动的优化模型，该方法也可以输入实时数据，实时输出发电机线棒端部振动三维优化控制图。

Claims (5)

1.基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于，包括以下步骤：
步骤1、历史数据获取和处理；
步骤1.1、获取历史数据；通过机理分析，选择与发电机线棒振动相关性强的测点作为特征向量，将发电机端部振动幅值作为标签向量；与发电机线棒振动相关性强的测点包括：发电机A相电流、发电机B相电流、发电机C相电流、发电机零序电压、发电机励磁电流、汽机侧线棒端部A相径向振动、汽机侧线棒端部C相径向振动、发电机定子负序电流，发电机槽内温度、发电机有功功率、发电机无功功率、发电机线棒温度和铁芯温度；
步骤1.2、对历史数据进行数据清洗、精选、扩维和归一化；
步骤1.3、将数据集转换为特定数据结构：设置时间窗口timestep，将标准化处理后的包含特征向量和标签向量的数据集转换成形状为（n,timestep,m）的数据结构，其中n为数据集中数据的条数，m为所采用测点的个数；
步骤2、将特征向量和标签向量作为发电机线棒振动LM_LSTM模型的输入，利用训练集和验证集中的数据来训练发电机线棒振动LM_LSTM模型；
步骤2.1、将平均绝对误差MAE作为发电机线棒振动LM_LSTM模型的损失函数：
Figure 643957DEST_PATH_IMAGE001
上式中，其中
Figure 219295DEST_PATH_IMAGE002
为第
Figure 945811DEST_PATH_IMAGE003
个模型预测值，
Figure 202480DEST_PATH_IMAGE004
是输入发电机线棒振动LM_LSTM模型的数据集，
Figure 573419DEST_PATH_IMAGE005
是模型；
Figure 709871DEST_PATH_IMAGE006
为第
Figure 533470DEST_PATH_IMAGE007
个历史实际数据值，
Figure 797092DEST_PATH_IMAGE008
为样本个数；
Figure 756958DEST_PATH_IMAGE009
计算模型
Figure 64312DEST_PATH_IMAGE010
在数据集
Figure 640786DEST_PATH_IMAGE011
中的运算结果与实际值
Figure 442520DEST_PATH_IMAGE012
之间的平均绝对误差；
当验证集中的平均绝对误差MAE出现向上拐点时，结束对当前发电机线棒振动LM_LSTM模型的训练，调整发电机线棒振动LM_LSTM模型的模型结构和超参数，选取在验证集中平均绝对误差MAE最小的发电机线棒振动LM_LSTM模型作为最终的发电机线棒振动LM_LSTM模型；否则继续训练当前发电机线棒振动LM_LSTM模型；
步骤2.2、利用训练集每个时间窗口中第一个工况对应的标签值，对发电机线棒振动LM_LSTM模型的输出结果进行线性修正：
Figure 522472DEST_PATH_IMAGE013
上式中，
Figure 898981DEST_PATH_IMAGE014
为训练集作为发电机线棒振动LM_LSTM模型的输入时，得到的发电机线棒振动LM_LSTM模型预测值序列；
Figure 572539DEST_PATH_IMAGE015
为训练集中每个时间窗口中第一个工况所对应的标签值；
Figure 37018DEST_PATH_IMAGE016
、
Figure 96110DEST_PATH_IMAGE017
为线性修正系数，
Figure 886212DEST_PATH_IMAGE018
为线性修正的发电机线棒振动LM_LSTM模型的输出结果，记训练集对应的实际标签值序列为
Figure 843803DEST_PATH_IMAGE019
；
求解使得训练集对应的实际标签值序列
Figure 236607DEST_PATH_IMAGE019
、线性修正的发电机线棒振动LM_LSTM模型的输出结果
Figure 291151DEST_PATH_IMAGE018
之间的平均绝对误差MAE最小的线性修正系数
Figure 127520DEST_PATH_IMAGE016
和
Figure 634725DEST_PATH_IMAGE020
；若
Figure 831220DEST_PATH_IMAGE021
>
Figure 740270DEST_PATH_IMAGE017
，则返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型，若
Figure 481961DEST_PATH_IMAGE021
≤
Figure 742041DEST_PATH_IMAGE020
，则得到发电机线棒振动LM_LSTM模型；
步骤2.3、利用测试集测试步骤2.2所得发电机线棒振动LM_LSTM模型的拟合效果，计算测试集的预测值和MAE，绘制发电机线棒振动LM_LSTM模型在测试集上的拟合效果图；若发电机线棒振动LM_LSTM模型在测试集上的拟合效果比发电机线棒振动LM_LSTM模型在训练集上的拟合效果差，且测试集的MAE>1.5*训练集的MAE，则判定发电机线棒振动LM_LSTM模型不具备鲁棒性，返回执行步骤2.1，重新训练发电机线棒振动LM_LSTM模型；
步骤3、根据选定的工况获得新的计算工况矩阵，利用新的计算工况矩阵得到发电机线棒振动LM_LSTM模型的预测值序列，进一步绘制三维关系控制图；
步骤3.1、得到新的计算工况矩阵:
对选定的工况进行扩维，分别以历史工况中发电机槽内温度平均值和铁芯温度平均值这两个扩维点的最小值和最大值作为端点，在这两端点间通过数据插值形成1*n的数列；其中数据插值为等差插值：
Figure 476648DEST_PATH_IMAGE022
上式中，
Figure 177887DEST_PATH_IMAGE023
、
Figure 215114DEST_PATH_IMAGE024
分别为待插值测点的最大值和最小值，
Figure 87123DEST_PATH_IMAGE025
=
Figure 500787DEST_PATH_IMAGE026
；
Figure 259796DEST_PATH_IMAGE027
为插值后数列的长度，
Figure 733503DEST_PATH_IMAGE028
为第
Figure 827229DEST_PATH_IMAGE027
项的值；
以选定的工况为基础，对数据插值形成的两个数列用网格采样法形成（
Figure 779005DEST_PATH_IMAGE027
×
Figure 658099DEST_PATH_IMAGE027
,2）的矩阵；用（n×n,2）矩阵中的每一行数值替换选定的工况中发电机槽内温度平均值和铁芯温度平均值，每替换一记为一个新的工况，所有新的工况组成的矩阵为新的计算工况矩阵；对新的计算工况矩阵进行归一化处理；
步骤3.2、将新的计算工况矩阵输入步骤2训练得到的发电机线棒振动LM_LSTM模型，得到发电机线棒振动LM_LSTM模型的预测值序列；以发电机槽内温度平均值作为X轴，以发电机铁芯温度平均值作为Y轴，以发电机线棒振动LM_LSTM模型的预测值序列作为Z轴，绘制3D关系图，并在3D关系图上添加当前选定的工况点的位置，形成发电机槽内温度平均值、铁芯温度平均值与发电机线棒振动的三维关系控制图；
步骤4、操作人员根据步骤3构建的三维关系控制图来明确发电机槽内温度和铁芯温度的调整方向，在机组运行中通过对发电机定冷水进水温度和冷氢温度进行调整来压制超标的发电机线棒端部振动。
2.根据权利要求1所述基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于，步骤1.2具体包括以下步骤：
步骤1.2.1、数据清洗：对历史数据进行缺失值处理并剔除离群脏数据；
步骤1.2.2、数据精选：计算各特征向量和标签向量之间的皮尔森相关系数，删除相关度低的特征向量，保留相关度高的特征向量；
步骤1.2.3、对历史数据进行扩维：利用清洗后的历史数据求取各个时间戳的发电机槽内温度平均值和铁芯温度平均值，将发电机槽内温度平均值和铁芯温度平均值作为扩维点，将发电机槽内温度平均值和铁芯温度平均值两个扩维点作为特征向量，删除各个发电机槽内温度测点和各个铁芯温度测点，最终形成包含特征向量和标签向量的数据集；
步骤1.2.4、对步骤1.2.3所得包含特征向量和标签向量的数据集进行归一化和划分：将包含特征向量和标签向量的数据集按照设定比例划分成训练集、验证集和测试集；按照训练集的均值和标准差分别对训练集、验证集和测试集进行标准化处理：
Figure 37128DEST_PATH_IMAGE029
上式中，
Figure 618151DEST_PATH_IMAGE030
为待进行标准化处理的数据集，为训练集、验证集或测试集；
Figure 373617DEST_PATH_IMAGE031
为待进行标准化处理的数据集的均值；
Figure 107218DEST_PATH_IMAGE032
为待进行标准化处理的数据集的标准差；
Figure 922727DEST_PATH_IMAGE033
为对
Figure 725467DEST_PATH_IMAGE030
进行标准化处理后的数据集。
3.根据权利要求2所述基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于：步骤1.2.4中训练集、验证集和测试集的比例为7:2:1。
4.根据权利要求1所述基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于：步骤1.1中获取历史数据的取数间隔为15秒。
5.根据权利要求1所述基于修正长短时记忆神经网络的发电机线棒振动优化方法，其特征在于：步骤1.3中时间窗口timestep设为40，所采用测点的个数m为10。
CN202110589322.4A 2021-05-28 2021-05-28 基于修正长短时记忆神经网络的发电机线棒振动优化方法 Active CN113255219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589322.4A CN113255219B (zh) 2021-05-28 2021-05-28 基于修正长短时记忆神经网络的发电机线棒振动优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589322.4A CN113255219B (zh) 2021-05-28 2021-05-28 基于修正长短时记忆神经网络的发电机线棒振动优化方法

Publications (2)

Publication Number Publication Date
CN113255219A CN113255219A (zh) 2021-08-13
CN113255219B true CN113255219B (zh) 2021-10-12

Family

ID=77185053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589322.4A Active CN113255219B (zh) 2021-05-28 2021-05-28 基于修正长短时记忆神经网络的发电机线棒振动优化方法

Country Status (1)

Country Link
CN (1) CN113255219B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792940A (zh) * 2021-09-30 2021-12-14 湖南五凌电力科技有限公司 基于深度学习的水轮发电机组振摆数据预测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2549245A1 (de) * 2011-07-20 2013-01-23 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Überwachung von Wickelkopfschwingungen eines Generators
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN111260024B (zh) * 2020-01-08 2023-11-24 中南大学 基于长短期记忆和典型相关结合的故障检测方法及系统
CN111582392B (zh) * 2020-05-12 2021-03-02 河北工业大学 一种风电机组关键部件多工况健康状态在线监测方法

Also Published As

Publication number Publication date
CN113255219A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN109670400B (zh) 一种水电机组开机过程稳定性状态评价方法
CN113255219B (zh) 基于修正长短时记忆神经网络的发电机线棒振动优化方法
CN109742788B (zh) 一种新能源电站并网性能评价指标修正方法
CN111931331B (zh) 一种适用于配电网机组组合的分布鲁棒优化方法
CN114935688B (zh) 基于功率分段的电弧炉供电系统谐波评估方法与系统
CN109061297A (zh) 一种次/超同步振荡在线监测方法和装置
CN112505407B (zh) 电网宽频振荡监测方法、系统、设备及可读存储介质
CN111784030B (zh) 一种基于空间相关性的分布式光伏功率预测方法及装置
CN108319131A (zh) 基于数据挖掘的机组调峰能力评估方法
CN107844670A (zh) 一种谐波统计所需样本数量的计算方法
CN109390972B (zh) 水电为主电网异步互联后调速器参数调整方法及系统
CN113156358B (zh) 一种架空输电线路异常线损分析方法及系统
CN109255541A (zh) 一种基于最小二乘和一乘之和的配电网抗差状态估计方法
CN111585276B (zh) 一种pss参数在线整定方法、装置及可读存储介质
Liu et al. A dynamic response recovery framework using ambient synchrophasor data
CN106251028A (zh) 一种火电厂汽轮机大修周期的预测方法
CN112782503A (zh) 电能质量评估方法、装置、控制设备和存储介质
CN113113908A (zh) 适用于现代大电网频率响应的时域解析方法与系统
Tavakoli et al. A robust PI based LFC design using BF-NM algorithm
CN110763940A (zh) 一种相量图法电力系统振荡中心估计方法
CN114399003A (zh) 基于进化算法及lstm的发电机线棒振动优化控制系统
CN117039891B (zh) 基于余弦相似度的风电机组Crowbar动作辨识方法
Arenas Sarmiento et al. Energy Evaluation of Pumping Systems in a Clean Water Plant: A Study Case
CN113990057B (zh) 一种宽频振荡厂站端预警方法、系统、存储介质及服务器
Feng et al. Analysis and application of hydropower real-time performance calculation

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220818

Address after: Room 307, No. 32, Gaoji Street, Xihu District, Hangzhou City, Zhejiang Province, 310002

Patentee after: Zhejiang Zheneng Digital Technology Co., Ltd.

Patentee after: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd.

Address before: 5 / F, building 1, No. 2159-1, yuhangtang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd.