CN113283300A - 一种抽水蓄能机组轴系劣化评估方法及装置 - Google Patents
一种抽水蓄能机组轴系劣化评估方法及装置 Download PDFInfo
- Publication number
- CN113283300A CN113283300A CN202110457485.7A CN202110457485A CN113283300A CN 113283300 A CN113283300 A CN 113283300A CN 202110457485 A CN202110457485 A CN 202110457485A CN 113283300 A CN113283300 A CN 113283300A
- Authority
- CN
- China
- Prior art keywords
- early warning
- sampling point
- health
- degradation
- probability density
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种抽水蓄能机组轴系劣化评估方法及装置,属于机组故障预测与健康管理领域,方法具体为:利用实时运行过程中的状态量信号,结合核密度估计计算过程概率密度函数;结合健康概率密度函数获取劣化度,其并与各采样点的权重相乘后求和,获取机组轴系融合劣化度;支持结合预警劣化度阈值生成不同程度预警信号;获取健康概率密度函数和各采样点的权重方法为:将抽水蓄能机组轴系历史多测点多通道数据,按抽水蓄能机组状态量进行过程划分;根据候选健康样本的均值和标准差进行非支配排序,获取健康样本;结合核密度估计,计算各采样点的健康概率密度函数;将健康样本合成健康样本集,结合主成分分析获取权重。本发明具有很高的应用价值。
Description
技术领域
本发明属于机组故障预测与健康管理领域,更具体地,涉及一种抽水蓄能机组轴系劣化评估方法及装置。
背景技术
随着经济社会发展,电网用电量及峰谷差不断加大,在当前储能技术中,抽水蓄能技术发展成熟、储能量大、存储效率高、抽水蓄能机组在电网中不仅起到调峰调频的作用,更起到紧急事故备用、调相、黑启动等功能。对抽水蓄能机组进行故障预测与健康管理,是机组安全稳定经济运行的重要保证。轴系是抽水蓄能机组的重要部位,其劣化情况严重影响机组健康。因此,通过建模评估机组轴系劣化情况,并在此基础上提出抽水蓄能机组轴系劣化评估及预警方法,对保证机组高效运行、降低安全事故发生率和保证电网稳定具有重要意义。
现有的机组轴系劣化度评估方法中,有的在生成劣化度时没有考虑到样本随机性的影响,对每次过程中仅生成确定性数据评估,具有偶然性;有的采用参数估计方法,假定特征信号服从威布尔分布和高斯分布等,不仅需要先验条件,在样本分布复杂的情况下不能很好反映实际分布特性;在求取轴系劣化度时往往仅考虑单测点单通道数据,存在以点代面的错误;采用离线评估方法,仅仅给出久远历史参考,实际工程应用价值较差。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种抽水蓄能机组轴系劣化评估方法及装置,旨在解决现有的机组轴系劣化度评估方法由于存在以下问题:(1)不考虑样本随机性,每次过程中仅生成确定性数据;(2)采用的采样参数估计方法通常需要先验条件,在样本分布复杂的情况下无法反映实际分布特性;(3)在求取轴系劣化度时往往仅考虑单测点单通道数据,会存在以点代面的错误;因此,现有的机组轴系劣化度评估方法的应用价值不高的问题。
为实现上述目的,一方面,本发明提供了一种抽水蓄能机组轴系劣化评估方法,包括以下步骤:
利用抽水蓄能机组实时运行过程中的状态量信号,结合核密度估计方法,计算各采样点的过程概率密度函数;
计算各采样点的健康概率密度函数和所述过程概率密度函数的Wasserstein距离,作为各采样点的劣化度;
将实时运行过程中各采样点的权重与劣化度相乘后求和,获取机组轴系融合劣化度;
其中,获取所述健康概率密度函数和各采样点的权重的方法为:
结合抽水蓄能机组状态量,将抽水蓄能机组轴系历史多测点多通道数据进行过程划分,获取候选健康样本;
根据各采样点对应候选健康样本的均值和标准差,对采样点中的候选健康样本进行非支配排序,获取各采样点的目标健康样本;
采用非参数估计中的核密度估计方法,结合目标健康样本,计算所述各个采样点的健康概率密度函数;
将各个采样点的目标健康样本构成健康样本集后,对所述健康样本集采用主成分分析方法,获取各个采样点的权重。优选地,抽水蓄能机组轴系劣化评估方法还包括以下步骤:
结合机组资料确定融合预警劣化度阈值;
对比机组轴系融合劣化度与融合预警劣化度阈值的大小,判断是否提供预警信号以及预警信号的类别;
其中,当单一过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供轻度劣化预警信号;
当连续两个过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供严重劣化预警信号。
优选地,过程样本集的过程概率密度函数的获取方法,包括以下步骤:
利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水或发电过程的各采样点数据;
将抽水或发电过程的各采样点数据进行异常值和缺失值处理,获取各个采样点的过程样本;
利用核密度估计方法,基于各采样点的过程样本,计算各采样点的过程概率密度函数。
优选地,候选健康样本的获取方法为:
去除轴系历史多测点多通道数据中的缺失值和异常值,筛选后的数据为候选数据;
按照状态量将所述候选数据进行过程划分,获取候选健康样本;
其中,轴系历史多测点多通道数据包括上导轴承、下导轴承和水导轴承的振动摆度。
优选地,采样点的权重获取方法,包括如下步骤:
利用各采样点的目标健康样本生成健康样本集;
采用健康样本集生成协方差矩阵后,计算协方差矩阵的特征向量;
将特征向量中各个分量归一化后,获取各个采样点的权重。
优选地,各过程的融合预警劣化度阈值的获取方法,包括如下步骤:
结合机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,对预警过程中的数据进行缺失异常值处理后,获取采样点的预警阈值样本;
对各采样点预警阈值样本采用核密度估计获得各采样点的预警样本概率密度函数;
利用各采样点预警样本概率密度函数和健康样本概率密度函数,获取各个采样点的预警劣化度;
将各个采样点的预警劣化度与权重相乘,计算出各过程的预警劣化度阈值。
另一方面,本发明提供了一种抽水蓄能机组轴系劣化评估装置,包括过程概率密度函数获取模块、劣化度计算模块、机组轴系融合劣化度计算模块、健康概率密度函数传输模块、候选健康样本获取模块、健康样本集获取模块和健康样本集处理模块;
过程概率密度函数获取模块用于利用抽水蓄能机组实时运行过程中的状态量信号,结合核密度估计方法,计算各采样点的过程概率密度函数;
劣化度计算模块用于计算各采样点的健康概率密度函数和过程概率密度函数的Wasserstein距离,作为各采样点的劣化度;
机组轴系融合劣化度计算模块用于将实时运行过程中各采样点的权重与劣化度相乘后求和,获取机组轴系融合劣化度;
健康概率密度函数传输模块用于为所述劣化度计算模块传输健康概率密度函数;
候选健康样本获取模块用于结合抽水蓄能机组状态量,将抽水蓄能机组轴系历史多测点多通道数据进行过程划分,获取候选健康样本;
健康样本集获取模块用于根据各采样点对应候选健康样本的均值和标准差,对采样点中的候选健康样本进行非支配排序,获取各采样点的目标健康样本;
健康样本集处理模块用于采用非参数估计中的核密度估计方法,结合目标健康样本,计算各个采样点的健康概率密度函数;且将各个采样点的目标健康样本构成健康样本集后,对所述健康样本集采用主成分分析方法,获取各个采样点的权重。
优选地,抽水蓄能机组轴系劣化评估装置还包括融合预警劣化度阈值获取模块和预警信号指示器;
融合预警劣化度阈值获取模块用于结合机组资料确定融合预警劣化度阈值;
预警信号指示器用于对比机组轴系融合劣化度与融合预警劣化度阈值的大小,判断是否提供预警信号以及预警信号的类别;
其中,当单一过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供轻度劣化预警信号;
当连续两个过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供严重劣化预警信号。
优选地,过程概率密度函数获取模块包括采样点数据采集单元、数据处理单元和过程概率密度函数计算单元;
采样点数据采集单元用于利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水或发电过程的各采样点数据;
数据处理单元用于将抽水或发电过程的各采样点数据进行异常值和缺失值处理,获取各个采样点的过程样本集;
过程概率密度函数计算单元用于利用核密度估计方法,基于各采样点的过程样本,计算各采样点的过程概率密度函数。
优选地,融合预警劣化度阈值获取模块包括预警阈值样本获取单元、预警样本概括密度函数计算单元、预警劣化度计算单元和预警劣化度阈值计算单元;
预警阈值样本获取单元用于结合机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,对预警过程中的数据进行缺失异常值处理后,获取采样点的预警阈值样本;
预警样本概括密度函数计算单元用于对各采样点预警阈值样本采用核密度估计获得预警样本概率密度函数;
预警劣化度计算单元用于利用各采样点预警样本概率密度函数和健康样本概率密度函数,获取各个采样点的预警劣化度;
预警劣化度阈值计算单元用于将各个采样点的预警劣化度与权重相乘,计算出各过程的预警劣化度阈值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供的抽水蓄能机组轴系劣化评估方法及装置,采用非参数估计中核密度估计手段,充分衡量样本不确定性,无需先验条件且能准确描述样本复杂分布情况;采用非支配排序方法筛选健康样本,采用非支配排序方法,综合考虑过程均值和标准差双目标,相比于仅考虑均值、标准差等单目标筛选,更加全面协调均衡的考虑实际样本情况;结合机组轴系多测点多通道数据分析,结合主成分分析手段确定各个采样点权重,充分合理利用多通道数据生成机组轴系融合劣化度,并可将该方法运用于机组轴系劣化动态评估中,不仅及时准确反映机组轴系劣化情况,更能根据预警样本及时发出预警信号,提醒机组轴系检修。基于上述几方面,本发明提供的抽水蓄能机组轴系劣化评估方法及装置具有很高的实际应用价值。
附图说明
图1是本发明实施例提供的抽水蓄能机组轴系劣化动态评估与预警方法流程图;
图2是本发明实施例提供的上导轴承X向摆度候选健康样本均值和标准差分布情况;
图3是本发明实施例提供的上导轴承X向摆度候选健康样本非支配排序结果示意图;
图4是本发明实施例提供的上导轴承X向摆度健康样本的核密度估计结果示意图;
图5是本发明实施例提供的419个过程机组轴系融合劣化度结果示意图;
图6是本发明实施例提供的上导轴承X向摆度预警样本核密度估计结果示意图;
图7是本发明实施例提供的劣化预警效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,一方面,本发明提供了一种抽水蓄能机组轴系劣化评估预警方法,包括以下步骤:
步骤1:抽水蓄能机组轴系历史健康数据清洗与处理
获取检修后初期轴系传感器轴系历史多测点多通道数据,包括上导轴承、下导轴承和水导轴承的振动摆度的原始特征数据;
去除轴系历史多测点多通道数据中的缺失值和异常值,记第i采样点筛选后的数据为候选数据Fi(t),i=1,...,n,t=1,...,T;其中,n表示选取的采样点总数;t表示候选数据时间,T为研究时段总时长;异常值包括负值和极大值;
将候选数据按机组发电、抽水态等状态量进行过程划分,划分为候选健康样本Fi(j),j=1,...,N;其中,Fi(j)表示第i个采样点对应的候选健康样本,N表示划分的过程数;
对n个采样点以此类推,生成健康样本集H={hi};i=1,...,n。
优选地,获取目标健康样本的具体方法为:
对第i个采样点,获取候选健康样本:Fi(j)={Sj(t)},i=1,...,n,j=1,...,N;其中,Sj(t)={sj(1),...,sj(m1)},表示实际一次抽水或发电过程的摆度信号;
对候选健康样本,计算每个过程均值μi(j)和标准差σi(j):
其中,m1为历史实测数据长度;l表示历史实测数据的编号;
通过非支配排序保留均值和标准差较小的过程;具体如下:
非支配排序的介绍:
μi(p)≤μi(q),σi(p)≤σi(q)and(μi(p)<μi(q)orσi(p)<σi(q))
则称Fi(p)支配Fi(q);p和q是两个待评估的候选样本;
取非支配等级order=1,p=1;对于所有的q∈[1,N],p≠q比较Fi(p)与Fi(q)的支配关系,若不存在Fi(q)能够支配Fi(p),则称Fi(p)为非支配解;对剩余N-1个样本也进行上述同样操作,获得第1级非支配解;
将第1级非支配解从对应过程中去除;
令order=order+1;对剔除后剩余的候选健康样本继续求解非支配解,获取第order级非支配解;重复该步骤直至所有候选的抽水或发电过程样本都分配了不同的非支配解;
对n个采样点分别进行上述操作,获取对应目标健康样本。
步骤2:利用非参数估计中的核密度估计,计算对第i个采样点目标健康样本对应的健康概率密度函数,对n个采样点均进行此操作,生成健康样本概率密度函数集,记为FH={fi(h)};i=1,...,n;获取健康样本集H={hi},i=1,...,n;并对健康样本集采用主成分分析方法,获取n个采样点的权重{wi},i=1,...,n;
具体地,获取健康概率密度函数的方法如下:
采用核密度估计方法对有m2个历史实测数据的第i个采样点的健康样本hi={hi(j)}={x(l)},l=1,…,m2进行非参数估计,在x处获取的概率密度函数fi(h)=fi(x)如下:
其中,m2为历史实测数据数,B表示带宽与σ相关;hi表示第i个采样点中包含的健康样本;x(l)为第i个采样点每个过程中第l个历史实测数据;x为概率密度函数中的某一位置;
σ为hi中N个过程的标准差,具体表达式如下:
K()表示核函数,本发明选用Epanechnikov核函数,具体如下:
对n个采样点均进行上述核密度估计,获得健康样本概率密度函数集FH={fi(h)},i=1,…,n。
采样点的权重的获取方法如下:
将步骤1获取的n个采样点的健康样本集按采样点数生成协方差矩阵,计算协方差矩阵的特征向量及对应的特征值{λi},i=1,…,n;
将特征值从大到小排序,保留最大的特征值λmax及对应的特征向量pλmax=[v1,v2,…,vn];
将特征向量的各个分量归一化后,分别对应n个采样点的权重{wi},i=1,…,n;
并计算最大特征值的方差贡献率Cmax:
最大特征值的方差贡献率用于验证原始数据融合后信息保留情况。
步骤3:利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水/发电过程的各采样点数据;
将每次抽水/发电过程的各采样点数据进行异常值和缺失值处理后的数据集作为过程样本集,记作X(k)={xi k(t)},i=1,…,n,t=1,...,m3,其中,k表示该过程的编号,m3为过程样本集各样本长度;xi k(t)为第i个采样点的过程样本;
利用核密度估计方法,计算过程样本集的过程概率密度Fs(k)={fi k(x)},i=1,...,n;
步骤4;对第k个过程、第i个采样点,结合健康样本hi的健康概率密度函数fi(h)以及当前对应过程样本xi k(t)的样本概率密度函数fi k(x),计算当前采样点劣化度Di(k);对n个采样点均进行上述操作;
利用权重生成第k个过程的机组轴系融合劣化度D(k)=∑wiDi(k);
对于n个采样点中的第i个采样点,由健康样本概率密度函数fi(h)和过程样本概率密度函数fi k(x)计算第i个采样点的过程劣化度Di(k):
Di(k)=W(fi(h),fi k(x))
其中,W()表示Wasserstein距离,计算原理如下:
健康样本概率密度函数为fi(h)={(H,P)}={(h1,p1),(h2,p2),…,(hl,pl)},过程样本概率密度函数为fi k(x)={(X,Q)}={(x1,q1),(x2,q2),…,(xl,ql)},其中,二元组(hi,pi)/(xi,qi)表示取值与对应概率密度,则两者的Wasserstein距离为:
其中,∏(P,Q)表示所有可能的联合分布集,计算联合分布集中联合分布γ中样本(h,x)距离差的期望E(h,x)∈γ(||h-x||),Wasserstein距离即为所有期望中的下界对n个采样点均计算过程劣化度Di(k)。
结合步骤2中获得的n个采样点的权重,计算第k个过程机组轴系融合劣化度D(k):
D(k)=∑wiDi(k)
步骤5:根据机组信息确定预警劣化度阈值DAL;当某过程的劣化度Di(k)>DAL,发出轻度劣化预警信号;若连续两个过程劣化度大于预警劣化度阈值,即D(k)>DAL和D(k-1)>DAL时发出严重劣化预警信号;
令k=k+1,重复步骤3至步骤5,直至遍历完所有过程的劣化度结束重复。
确定n个采样点的预警阈值样本XAL:
根据机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,经过缺失异常值处理后,获取n个采样点的预警阈值样本XAL={xALi},i=1,…,n;
对预警阈值样本XAL采用核密度估计获得预警样本概率密度函数fi(AL),结合对应的健康样本概率密度函数fi(h),获取预警阈值样本中各个采样点的预警劣化度Di(AL);
将各个采样点的预警劣化度与权重{wi},i=1,…,n相乘,计算出融合预警劣化度计算出各过程的预警劣化度阈值DAL;
DAL=∑wiDi(AL)
另一方面,本发明提供了一种抽水蓄能机组轴系劣化评估装置,包括过程概率密度函数获取模块、劣化度计算模块、机组轴系融合劣化度计算模块、健康概率密度函数传输模块、候选健康样本获取模块、健康样本集获取模块和健康样本集处理模块;
过程概率密度函数获取模块用于利用抽水蓄能机组实时运行过程中的状态量信号,结合核密度估计方法,计算各采样点的过程概率密度函数;
劣化度计算模块用于计算各采样点的健康概率密度函数和过程概率密度函数的Wasserstein距离,作为各采样点的劣化度;
机组轴系融合劣化度计算模块用于将实时运行过程中各采样点的权重与劣化度相乘后求和,获取机组轴系融合劣化度;
健康概率密度函数传输模块用于为所述劣化度计算模块传输健康概率密度函数;
候选健康样本获取模块用于结合抽水蓄能机组状态量,将抽水蓄能机组轴系历史多测点多通道数据进行过程划分,获取候选健康样本;
健康样本集获取模块用于根据各采样点对应候选健康样本的均值和标准差,对采样点中的候选健康样本进行非支配排序,获取各采样点的目标健康样本;
健康样本集处理模块用于采用非参数估计中的核密度估计方法,结合目标健康样本,计算各个采样点的健康概率密度函数;且将各个采样点的目标健康样本构成健康样本集后,对所述健康样本集采用主成分分析方法,获取各个采样点的权重。
优选地,抽水蓄能机组轴系劣化评估装置还包括融合预警劣化度阈值获取模块和预警信号指示器;
融合预警劣化度阈值获取模块用于结合机组资料确定融合预警劣化度阈值;
预警信号指示器用于对比机组轴系融合劣化度与融合预警劣化度阈值的大小,判断是否提供预警信号以及预警信号的类别;
其中,当单一过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供轻度劣化预警信号;
当连续两个过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供严重劣化预警信号。
优选地,过程概率密度函数获取模块包括采样点数据采集单元、数据处理单元和过程概率密度函数计算单元;
采样点数据采集单元用于利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水或发电过程的各采样点数据;
数据处理单元用于将抽水或发电过程的各采样点数据进行异常值和缺失值处理,获取各个采样点的过程样本集;
过程概率密度函数计算单元用于利用核密度估计方法,基于各采样点的过程样本,计算各采样点的过程概率密度函数。
优选地,融合预警劣化度阈值获取模块包括预警阈值样本获取单元、预警样本概括密度函数计算单元、预警劣化度计算单元和预警劣化度阈值计算单元;
预警阈值样本获取单元用于结合机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,对预警过程中的数据进行缺失异常值处理后,获取采样点的预警阈值样本;
预警样本概括密度函数计算单元用于对各采样点预警阈值样本采用核密度估计获得预警样本概率密度函数;
预警劣化度计算单元用于利用各采样点预警样本概率密度函数和健康样本概率密度函数,获取各个采样点的预警劣化度;
预警劣化度阈值计算单元用于将各个采样点的预警劣化度与权重相乘,计算出各过程的预警劣化度阈值。
实施例
为了更加清楚说明本发明,突出本发明的优势,以某抽水蓄能电站1号机组实测数据对本发明进一步说明。
Step1:根据电站检修表,选取机组检修期后初期3个月数据,即2018年01月01日至2018年03月01日之间的数据,以机组轴系中上导轴承X向摆度、上导轴承Y向摆度、下导轴承X向摆度、下导轴承Y向摆度、水导轴承X向摆度、水导轴承Y向摆度为研究采样点;
对某采样点,清洗数据中的缺失值和异常值,进行过程划分后共有60个候选健康样本,共计145640条数据;
计算每个过程的均值与标准差,图2为上导轴承X向摆度各候选健康样本均值和标准差分布情况,从图2可知存在均值大而标准差小或均值小而标准差大的情况,因此需要结合非支配排序权衡两目标;非支配排序的结果如图3所示,可见非支配排序方法能较好权衡两个目标,图中标记点越小表示非支配解等级越高;
从第一级(最高)非支配解选起,选择30个过程的数据,将各个过程数据混合,构成健康样本,将所有采样点均进行上述操作,获得健康样本集,共计69333条数据;
结合主成分分析手段,计算协方差矩阵的特征值和特征向量,获得最大特征值为24.46,对应的方差贡献率为76.44%,可见信息融合损失较小,在可接受范围内;对应的特征向量为:[0.113,0.166,0.587,0.568,0.1659,0.109];归一化后获得各采样点的权重:[0.066,0.097,0.34,0.33,0.095,0.072];
Step2:对健康样本集中各采样点健康样本进行核密度估计,获取6个采样点的健康概率密度函数;图4为上导轴承X向摆度健康样本的核密度估计,可见采用核密度估计能有效衡量样本分布的不确定性;比较下方的直方图与核密度估计,可见核密度估计在无需先验知识的情况下,能够精确反映样本分布细节;
Step3:为验证实际机组轴系劣化动态评估及预警实际效果,结合历史过程样本模拟实际过程,选用2019年1月1日至2020年6月30日期间各研究采样点过程数据模拟实际运行过程,结合状态量,共划分出419个过程样本集,X(k)={xi(t)},i=1,…,6,k=1,2,…,419;
结合419个过程样本集,完成步骤3~步骤5:
首先获得419个过程样本集的过程样本概率密度Fs={fi(x)},i=1,…,6;结合健康样本hi的概率密度函数fi(h)以及当前对应过程样本xi(t)的概率密度函数fi(x),计算当前采样点劣化度Di(k),对n个采样点均进行上述操作;
采样点劣化度Di(k)结合Step1中权重[0.066,0.097,0.34,0.33,0.095,0.072],生成第k个过程的机组轴系融合劣化度D(k)=∑wiDi(k),k=1,2,…,419;2019年1月1日至2020年6月30日期间419个过程的机组轴系融合劣化度变化如图5所示。
在2019年10月10日至2019年11月18日期间进行了机组C检修,C检修后的第1次过程对应第271次过程;图5中可知,从该过程起,机组轴系融合劣化度有明显下降,与检修过程对应,可见所提方法能够精确反映机组轴系劣化情况。
根据机组资料,选定达到抽水蓄能机组保护条件的过程作为预警过程,采集6个采样点数据,经数据清洗,得到报警阈值样本XAL={xALi},i=1,…,6;经过核密度估计,获得预警样本概率密度函数fi(AL);图6提供了上导轴承X向摆度预警样本核密度估计结果;
利用各个采样点的预警样本概率密度函数fi(AL)与对应的健康样本概率密度函数fi(h),计算给出各个采样点的预警劣化度Di(AL);
采样点的预警劣化度Di(AL)结合采样点的权重([0.066,0.097,0.34,0.33,0.095,0.072]),计算获取融合预警劣化度D(AL)为10.188;
利用获得的419个过程的机组轴系融合劣化度,获得在此过程期间劣化预警信号与严重劣化预警信号,如图7所示,严重劣化预警信号的值为1时表示发出预警信号,严重劣化预警信号的值为0时表示不发出预警信号;可见在419个过程期间发出劣化预警信号9次,严重劣化预警信号140次,且严重预警信号所对应的机组轴系融合劣化度持续高水平,可见所提预警方法能结合劣化度变化情况区分劣化程度,并精确预警。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种抽水蓄能机组轴系劣化评估方法,其特征在于,包括以下步骤:
利用抽水蓄能机组实时运行过程中的状态量信号,结合核密度估计方法,计算各采样点的过程概率密度函数;
计算各采样点的健康概率密度函数和所述过程概率密度函数的Wasserstein距离,作为各采样点的劣化度;
将实时运行过程中各采样点的权重与劣化度相乘后求和,获取机组轴系融合劣化度;
其中,获取所述健康概率密度函数和各采样点的权重的方法为:
结合抽水蓄能机组状态量,将抽水蓄能机组轴系历史多测点多通道数据进行过程划分,获取候选健康样本;
根据各采样点对应候选健康样本的均值和标准差,对采样点中的候选健康样本进行非支配排序,获取各采样点的目标健康样本;
采用非参数估计中的核密度估计方法,结合目标健康样本,计算所述各个采样点的健康概率密度函数;
将各个采样点的目标健康样本构成健康样本集后,对所述健康样本集采用主成分分析方法,获取各个采样点的权重。
2.根据权利要求1所述的抽水蓄能机组轴系劣化评估方法,其特征在于,还包括以下步骤:
结合机组资料确定融合预警劣化度阈值;
对比机组轴系融合劣化度与融合预警劣化度阈值的大小,判断是否提供预警信号以及预警信号的类别;
其中,当单一过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供轻度劣化预警信号;
当连续两个过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供严重劣化预警信号。
3.根据权利要求1所述的抽水蓄能机组轴系劣化评估方法,其特征在于,所述过程概率密度函数的获取方法,包括以下步骤:
利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水或发电过程的各采样点数据;
将抽水或发电过程的各采样点数据进行异常值和缺失值处理,获取各个采样点的过程样本;
利用核密度估计方法,基于各采样点的过程样本,计算各采样点的过程概率密度函数。
4.根据权利要求1所述的抽水蓄能机组轴系劣化评估方法,其特征在于,所述候选健康样本的获取方法为:
去除轴系历史多测点多通道数据中的缺失值和异常值,筛选后的数据为候选数据;
按照状态量将所述候选数据进行过程划分,获取候选健康样本;
其中,轴系历史多测点多通道数据包括上导轴承、下导轴承和水导轴承的振动摆度。
5.根据权利要求1或4所述的抽水蓄能机组轴系劣化评估方法,其特征在于,所述采样点的权重获取方法,包括如下步骤:
利用各采样点的目标健康样本生成健康样本集;
采用健康样本集生成协方差矩阵后,计算协方差矩阵的特征向量;
将特征向量中各个分量归一化后,获取各个采样点的权重。
6.根据权利要求2所述的抽水蓄能机组轴系劣化评估方法,其特征在于,各过程的融合预警劣化度阈值的获取方法,包括如下步骤:
结合机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,对预警过程中的数据进行缺失异常值处理后,获取采样点的预警阈值样本;
对各采样点预警阈值样本采用核密度估计获得各采样点的预警样本概率密度函数;
利用各采样点预警样本概率密度函数和健康样本概率密度函数,获取各个采样点的预警劣化度;
将各个采样点的预警劣化度与权重相乘,计算出各过程的预警劣化度阈值。
7.一种抽水蓄能机组轴系劣化评估装置,其特征在于,包括过程概率密度函数获取模块、劣化度计算模块、机组轴系融合劣化度计算模块、健康概率密度函数传输模块、候选健康样本获取模块、健康样本集获取模块和健康样本集处理模块;
所述过程概率密度函数获取模块用于利用抽水蓄能机组实时运行过程中的状态量信号,结合核密度估计方法,计算各采样点的过程概率密度函数;
所述劣化度计算模块用于计算各采样点的健康概率密度函数和过程概率密度函数的Wasserstein距离,作为各采样点的劣化度;
所述机组轴系融合劣化度计算模块用于将实时运行过程中各采样点的权重与劣化度相乘后求和,获取机组轴系融合劣化度;
所述健康概率密度函数传输模块用于为所述劣化度计算模块传输健康概率密度函数;
所述候选健康样本获取模块用于结合抽水蓄能机组状态量,将抽水蓄能机组轴系历史多测点多通道数据进行过程划分,获取候选健康样本;
所述健康样本集获取模块用于根据各采样点对应候选健康样本的均值和标准差,对采样点中的候选健康样本进行非支配排序,获取各采样点的目标健康样本;
所述健康样本集处理模块用于采用非参数估计中的核密度估计方法,结合目标健康样本,计算各个采样点的健康概率密度函数;且将各个采样点的目标健康样本构成健康样本集后,对所述健康样本集采用主成分分析方法,获取各个采样点的权重。
8.根据权利要求7所述的抽水蓄能机组轴系劣化评估装置,其特征在于,还包括融合预警劣化度阈值获取模块和预警信号指示器;
所述融合预警劣化度阈值获取模块用于结合机组资料确定融合预警劣化度阈值;
所述预警信号指示器用于对比机组轴系融合劣化度与融合预警劣化度阈值的大小,判断是否提供预警信号以及预警信号的类别;
其中,当单一过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供轻度劣化预警信号;
当连续两个过程的机组轴系融合劣化度大于融合预警劣化度阈值,将提供严重劣化预警信号。
9.根据权利要求7所述的抽水蓄能机组轴系劣化评估装置,其特征在于,所述过程概率密度函数获取模块包括采样点数据采集单元、数据处理单元和过程概率密度函数计算单元;
所述采样点数据采集单元用于利用抽水蓄能机组实时运行过程中的状态量信号,采集每次抽水或发电过程的各采样点数据;
所述数据处理单元用于将抽水或发电过程的各采样点数据进行异常值和缺失值处理,获取各个采样点的过程样本集;
所述过程概率密度函数计算单元用于利用核密度估计方法,基于各采样点的过程样本,计算各采样点的过程概率密度函数。
10.根据权利要求8所述的抽水蓄能机组轴系劣化评估装置,其特征在于,所述融合预警劣化度阈值获取模块包括预警阈值样本获取单元、预警样本概括密度函数计算单元、预警劣化度计算单元和预警劣化度阈值计算单元;
所述预警阈值样本获取单元用于结合机组资料,将达到抽水蓄能机组保护条件的过程作为预警过程,对预警过程中的数据进行缺失异常值处理后,获取采样点的预警阈值样本;
所述预警样本概括密度函数计算单元用于对各采样点预警阈值样本采用核密度估计获得预警样本概率密度函数;
所述预警劣化度计算单元用于利用各采样点预警样本概率密度函数和健康样本概率密度函数,获取各个采样点的预警劣化度;
所述预警劣化度阈值计算单元用于将各个采样点的预警劣化度与权重相乘,计算出各过程的预警劣化度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457485.7A CN113283300B (zh) | 2021-04-27 | 2021-04-27 | 一种抽水蓄能机组轴系劣化评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457485.7A CN113283300B (zh) | 2021-04-27 | 2021-04-27 | 一种抽水蓄能机组轴系劣化评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283300A true CN113283300A (zh) | 2021-08-20 |
CN113283300B CN113283300B (zh) | 2022-04-08 |
Family
ID=77275874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110457485.7A Active CN113283300B (zh) | 2021-04-27 | 2021-04-27 | 一种抽水蓄能机组轴系劣化评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283300B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896024A (zh) * | 2022-03-28 | 2022-08-12 | 同方威视技术股份有限公司 | 基于核密度估计的虚拟机运行状态检测方法和装置 |
CN115081304A (zh) * | 2022-02-21 | 2022-09-20 | 中国船舶重工集团公司第七一九研究所 | 抽水蓄能机组轴系健康性能趋势区间预测的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105356518A (zh) * | 2015-12-04 | 2016-02-24 | 华中科技大学 | 一种混合新能源电力系统机组组合优化方法 |
CN111522858A (zh) * | 2020-03-16 | 2020-08-11 | 国家电网有限公司 | 一种基于多维状态向量的抽蓄机组性能劣化预警方法 |
CN112633534A (zh) * | 2020-12-31 | 2021-04-09 | 华中科技大学 | 一种抽水蓄能机组检修效果综合评估方法与系统 |
-
2021
- 2021-04-27 CN CN202110457485.7A patent/CN113283300B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105356518A (zh) * | 2015-12-04 | 2016-02-24 | 华中科技大学 | 一种混合新能源电力系统机组组合优化方法 |
CN111522858A (zh) * | 2020-03-16 | 2020-08-11 | 国家电网有限公司 | 一种基于多维状态向量的抽蓄机组性能劣化预警方法 |
CN112633534A (zh) * | 2020-12-31 | 2021-04-09 | 华中科技大学 | 一种抽水蓄能机组检修效果综合评估方法与系统 |
Non-Patent Citations (3)
Title |
---|
LIUYANG SONG 等: "Intelligent Condition Diagnosis Method for Rotating Machinery Based on Probability Density and Discriminant Analyses", 《IEEE SIGNAL PROCESSING LETTERS》 * |
许红义: "基于高斯阈值法的水电机组状态评估方法研究", 《水电与抽水蓄能》 * |
谢加荣等: "抽水蓄能机组调速系统健康状态评估", 《水电能源科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081304A (zh) * | 2022-02-21 | 2022-09-20 | 中国船舶重工集团公司第七一九研究所 | 抽水蓄能机组轴系健康性能趋势区间预测的方法及装置 |
CN114896024A (zh) * | 2022-03-28 | 2022-08-12 | 同方威视技术股份有限公司 | 基于核密度估计的虚拟机运行状态检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113283300B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210056647A1 (en) | Method for multi-dimensional identification of flexible load demand response effect | |
CN113283300B (zh) | 一种抽水蓄能机组轴系劣化评估方法及装置 | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN103886518A (zh) | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 | |
CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN116593896B (zh) | 一种电池储能系统的状态检测方法、系统及电子设备 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN100428276C (zh) | 基于最小信息损失的综合负荷预测方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
CN117391357B (zh) | 一种基于大数据的电网调度运行管理的调度自查系统 | |
CN112365053B (zh) | 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质 | |
CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
CN117435988A (zh) | 一种基于EEMD-GRU-Transformer的蓄能电站水电机组振动劣化预测方法 | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN117056815A (zh) | 基于对比预测编码与支持向量数据的窃电用户检测方法 | |
CN109728607B (zh) | 一种风电消纳评估方法及装置 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 | |
CN115619247A (zh) | 一种配电网低电压的评价方法、装置、设备及介质 | |
CN114841576A (zh) | 基于模糊层次分析的雷达设备健康状态评估方法 | |
CN112713585A (zh) | 一种新能源发电功率预测偏差量化评估方法和系统 | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及系统 | |
CN118071168B (zh) | 一种综合能源管理系统 |
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 |