CN114091792A - 基于稳定工况的水轮发电机劣化预警方法、设备及介质 - Google Patents

基于稳定工况的水轮发电机劣化预警方法、设备及介质 Download PDF

Info

Publication number
CN114091792A
CN114091792A CN202210073150.XA CN202210073150A CN114091792A CN 114091792 A CN114091792 A CN 114091792A CN 202210073150 A CN202210073150 A CN 202210073150A CN 114091792 A CN114091792 A CN 114091792A
Authority
CN
China
Prior art keywords
data
time
early warning
sequence data
working condition
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
Application number
CN202210073150.XA
Other languages
English (en)
Other versions
CN114091792B (zh
Inventor
曹威
王磊
向书荣
白光辉
张太衡
许永强
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.)
Yilihe Power Generation Factory Of Huadian Yunnan Power Generation Co ltd
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Yilihe Power Generation Factory Of Huadian Yunnan Power Generation Co ltd
Huadian Electric Power 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 Yilihe Power Generation Factory Of Huadian Yunnan Power Generation Co ltd, Huadian Electric Power Research Institute Co Ltd filed Critical Yilihe Power Generation Factory Of Huadian Yunnan Power Generation Co ltd
Priority to CN202210073150.XA priority Critical patent/CN114091792B/zh
Publication of CN114091792A publication Critical patent/CN114091792A/zh
Application granted granted Critical
Publication of CN114091792B publication Critical patent/CN114091792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于稳定工况的水轮发电机劣化预警方法，包括：实时获取水轮发电机的运行数据，运行数据包括运行参数和状态量的状态量；对运行数据进行分析，得到历史序列数据；通过预先建立的ARⅠMA模型得到预测序列数据；将历史序列数据和预测序列数据进行拼接，得到分析序列数据；通过逻辑回归模型对分析序列数据进行拟合，并根据拟合结果提取趋势特征参数；判断趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息。本发明针对水轮发电机频繁调整运行工况的情况，对运行数据进行分析处理获取预测数据，通过预测数据能够判断机组未来运行时是否触发劣化预警，以便对设备实行超前管理，及时调整运行方式和检修计划，提高设备的效率。

Description

基于稳定工况的水轮发电机劣化预警方法、设备及介质
技术领域
本发明涉及水轮发电机监测技术领域，特别是涉及基于稳定工况的水轮发电机劣化预警方法、设备及介质。
背景技术
随着自动化、信息化技术在电力行业的推广，水电站积累了大量的设备运行、监测、检修以及事故数据等，在这些海量数据的背后隐含的信息，对提高电站设备运行的经济性、安全性和可靠性有着积极的指导意义。对于电站的运行人员，不仅需要了解发电设备当前的运行状态，更希望了解设备状态的发展趋势以及变化速度，以便对设备实行超前管理，及时调整运行方式和检修计划，最大限度地提高设备的效率和可用率。
并且在实际运行过程中，通常要求水电站水轮发电机的运行调度灵活，因此其运行工况被频繁改动。但是，运行工况的变化对设备状态量有着显著的影响，同时非稳态数据和稳态数据的差异较大，这给机组状态量历史数据趋势分析带来难度。
发明内容
本发明针对本发明针对水电站水轮发电机运行工况经常进行频繁的调整，难以科学合理分析状态趋势变化的问题，提出一种基于稳定工况的水轮发电机劣化预警方法、设备及介质，能够以更加科学、合理地分析并预测机组状态趋势变化，并生成劣化预警信息以便进行维修。
第一方面，本发明实施例提供了一种基于稳定工况的水轮发电机劣化预警方法。包括：
实时获取水轮发电机的运行数据，其中，所述运行数据包括运行参数和状态量的状态量；
对所述运行数据进行分析，得到历史序列数据；
通过预先建立的ARⅠMA模型得到预测序列数据；
将所述历史序列数据和所述预测序列数据进行拼接，得到分析序列数据；
通过逻辑回归模型对所述分析序列数据进行拟合，并根据拟合结果提取趋势特征参数；
判断所述趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息。
在其中一些实施例中，所述运行参数包括以下参数的一种或者多种：开始时间、结束时间、持续时间、有功功率、平均负荷、实时负荷、额定功率、平均转速、上游水位、下游水位或平均水头；所述状态量为能够表征水轮发电机状态性能的监测量。
进一步，所述对所述运行数据进行分析，得到历史序列数据包括：
对所述运行参数通过预先构建的机组稳定工况识别模型进行处理，得到稳定工况记录；
对指定时间段内的所述状态量和所述稳定工况记录进行提取，生成多组历史时序数据；
对所述多组历史时序数据按照时序进行拼接，得到历史序列数据。
进一步，所述对所述运行参数通过预先构建的机组稳定工况识别模型进行处理，得到稳定工况记录，包括：
A1、获取水轮发电机当前分析时刻的实时负荷，判断当前分析时刻的实时负荷是否大于零：
判断结果为是，则执行步骤A5；判断结果为否，则执行步骤A2；
A2、获取时间上最接近所述当前分析时刻的一条稳定工况记录，判断该稳定工况记录是否完结：
判断结果为是，则执行步骤A4；判断结果为否，则执行步骤A3；
A3、获取稳定工况记录中的平均负荷、额定功率，判断所述实时负荷与平均负荷的差值是否大于设定标准：
判断结果为是，生成一条完结的稳定工况记录，执行步骤A5；
判断结果为否，将当前分析时刻的运行数据更新到未完结的稳定工况记录中，执行步骤A5；
A4、获取上一分析时刻的实时负荷、额定功率，判断当前分析时刻的实时负荷与上一分析时刻的实时负荷的差值是否大于设定标准：
判断结果为是，执行步骤A5；判断结果为否，开始生成一条新的稳定工况记录，执行步骤A5；
A5、退出本次运行工况识别。
进一步，所述对指定时间段内的所述状态量参数和所述稳定工况记录进行提取，生成历史时序数据，包括：
确定预设时间范围和目标工况，所述目标工况包括有功功率、平均水头、平均转速和平均负荷中的一个或者多个；所述预设时间范围根据用户的需求设定；
在所述预设时间范围内，按照等间隔插值方式从所述稳定工况记录中提取满足目标工况的目标数据；
从所述状态量中提取与所述目标数据时间对应的数据生成历史时序数据。
进一步，所述ARⅠMA模型的建立方式如下：
将历史时序数据按照时间的顺序进行数据拼接，形成连续的历史序列数据；
对所述历史序列数据进行平稳性检验，通过差分进行平稳化处理，确定差分阶数d；通过ACF自相关函数和PACF偏自相关函数确定自回归项数p和滑动平均项数q；
根据差分阶数d、自回归项数p和滑动平均项数q确定ARⅠMA模型。
进一步，所述通过逻辑回归模型对所述分析序列数据进行拟合，并根据拟合结果提取趋势特征参数，包括：
通过LR线性回归模型对所述分析序列数据进行一次线性拟合，得到趋势特征拟合线；
根据趋势拟合曲线的斜率和截距计算趋势特征参数，所述趋势特征参数为状态量的变化幅度。
进一步，所述判断所述趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息，包括：
获取预先设定的预警规则；
根据趋势特征参数、状态量和预警规则，判断触发的预警等级，并发出相应的预警数据；
所述预警数据包括：预警触发时间、触发预警的状态量名称、趋势特征参数值或预警等级。
第二方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行以上所述的基于稳定工况的水轮发电机劣化预警方法。
第三方面，本发明实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行以上所述的基于稳定工况的水轮发电机劣化预警方法。
相比于相关技术，本发明实施例提供的本发明通过采集运行数据，并建立稳定工况识别模型对运行数据进行分析和提取，获取稳定工况记录；然后通过预先建立的数据预测模型预测机组未来时运行的运行数据；再将历史序列数据和预测序列数据拼接，并通过逻辑回归模型拟合，根据拟合结果提取的趋势特征参数；最后根据趋势特征参数对机组的运行状况进行分析和预警。本发明的劣化预警方法不仅能够了解机组当前的运行状态，还能够根据现有的数据预测机组状态的发展趋势和变化速度，用户通过本发明的预警信息能够提前掌握机组的状态变化，实现超前管理并及时调整运行方式或检修计划。因此，本发明不仅实现自动化预测和预警，最大限度的提高了设备的效率和利用率；而且，通过对运行数据的分析提取，还提高了预测结果的准确性，从而根据任一时间点的趋势特征参数获取的预警信息更精准。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明一实施例基于稳定工况的水轮发电机劣化预警方法的流程图；
图2是根据图1步骤S200中历史序列数据生成的流程图；
图3是根据图2步骤S210中机组稳定工况识别模型识别和稳定工况记录生成的流程图。
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，对本发明进行描述和说明。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。基于本发明提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本发明揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本发明公开的内容不充分。
在本发明中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本发明所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本发明实施例提供的基于稳定工况的水轮发电机劣化预警方法，其实现过程如图1所示，包括以下步骤。
步骤S100，实时获取水轮发电机的运行数据，其中，运行数据包括运行参数和状态量。
具体地，运行数据是在水轮发电机运行时，通过不同的实时监测装置（如传感器）采集的数据，在本发明实施例中，运行数据包括运行参数和状态量。其中，运行参数是水轮发电机机组的运行工况，比如包括以下参数的一种或者多种：开始时间、结束时间、持续时间、有功功率、平均负荷、实时负荷、额定功率、平均转速、上游水位、下游水位或平均水头。本发明中的状态量为能够表征水轮发电机状态性能的监测量，其中，可以将机组的状态量分为稳定性状态量（如振动和摆渡等）和温度状态量（即机组的温度）。本发明实施例为了保证数据的准确性，温度状态量的获取需要满足以下条件：水轮发电机机组稳定运行两小时以上。
步骤S200，对运行数据进行分析，得到历史序列数据。在本发明实施例中，需要对采集到的运行数据进行分析筛选，提取出符合标准的数据，以提高劣化预警的准确度。具体地，需要在数据采集前根据用户的需求建立机组稳定工况识别模型，在获取运行数据的同时，实时分析水轮发电机的运行参数，通过识别机组的运行工况来提取符合标准的运行参数并形成多组稳定工况记录，然后将多组稳定工况记录进行拼接处理，得到历史序列数据。其中，建立机组稳定工况识别模型和数据拼接按照以下步骤实现。
步骤S210，对运行参数通过预先构建的机组稳定工况识别模型进行处理，得到稳定工况记录。实时接入水轮发电机的运行数据，通过机组稳定工况识别模型提取出稳定工况时的运行数据，其中，将多条时间连续的运行数据放在一个集合中作为一组稳定工况记录。
如图3所示，机组稳定工况识别模型根据以下步骤A1~A5建立，具体地：
A1、获取水轮发电机当前分析时刻的实时负荷，判断当前分析时刻的实时负荷是否大于零：
判断结果为是，则执行步骤A5；判断结果为否，则执行步骤A2；
A2、获取时间上最接近所述当前分析时刻的一条稳定工况记录，判断该稳定工况记录是否完结：
判断结果为是，则执行步骤A4；判断结果为否，则执行步骤A3；
A3、获取稳定工况记录中的平均负荷、额定功率，判断所述实时负荷与平均负荷的差值是否大于设定标准：
判断结果为是，生成一条完结的稳定工况记录，执行步骤A5；
判断结果为否，将当前分析时刻的运行数据更新到未完结的稳定工况记录中，执行步骤A5；
A4、获取上一个分析时刻的实时负荷、额定功率，判断当前分析时刻的实时负荷与上一分析时刻的实时负荷的差值是否大于设定标准：
判断结果为是，执行步骤A5；判断结果为否，开始生成一条新的稳定工况记录，执行步骤A5；
A5、结束本次运行工况识别。
具体地如图3所示，本发明的劣化预警方法在实时获取运行数据的同时，机组稳定工况识别模型提取运行数据中的部分参数进行分析，如机组稳定工况识别模型获取机组的实时负荷Ps（即当前分析时刻的实时负荷），判断该实时负荷Ps是否大于零：如果是，则本轮识别流程结束；如果否，则进行下一步骤。
在实时负荷Ps小于或等于零的情况下，获取水轮发电机最近一条稳定工况记录（即在时间上与当前分析时刻最接近的稳定工况记录），并判断这最近一条稳定工况记录是否完结，最近一条稳定工况记录是指该条数据中的时间与当前分析时刻最接近。
如果最近一条稳定工况记录是处于未完结状态，则获取该记录中机组的平均负荷Pav和额定功率Pe，然后判断当前分析时刻的实时负荷Ps与记录中的平均负荷Pav的差值绝对值是否大于用户设定的标准，本发明实施例的设定标准为：
Figure 721152DEST_PATH_IMAGE001
（1）
如果上述的差值绝对值大于设定标准，则认为机组的工况发生了变化，即这一时间段的稳定工况记录以当前时刻结束，生成一组完结的稳定工况记录并结束本轮工况识别流程；如果上述的差值绝对值小于设定标准，则认为机组工况未发生变化，将当前时刻采集到的运行参数更新到未完结的稳定工况记录中，并结束本轮工况识别流程。
如果最近一条稳定工况记录是已完结状态，获取上一分析时刻的机组的实时负荷Ps ′、额定功率Pe，判断机组当前分析时刻的实时负荷Ps与上一个分析时刻的机组的实时负荷Ps ′的差值绝对值是否大于设定标准（设定标准参照公式1）。如果该差值绝对值大于设定标准，则认为机组工况持续发生变化，不进行任何处理并结束本轮工况识别流程；如果该差值绝对值小于设定标准，则认为机组当前分析时刻相对上一分析时刻是运行稳定的，生成一组完结的稳定工况记录并结束本轮工况识别流程。
本实施例的机组稳定工况识别模型通过机组的有功实时数据的变化幅度判断机组是处于否稳定运行状态，然后提取稳定运行状态的运行参数形成包含机组工况特征的稳定工况记录，其中，本实施例的每一组稳定工况记录可以包括开始时间、结束时间、持续时间、平均有功、平均转速、上游水位、下游水位和平均水头，稳定工况记录的内容也可以由用户确定，且不一定要记载所有的运行参数。在本实施例中，每一组稳定工况记录为一个时间段多个时间点的运行参数，每一时间点的运行参数为一条稳定工况记录，且可以将每一组稳定工况记录中第一条稳定工况记录对应的分析时刻为开始时间、最后一条稳定工况记录对应的分析时刻为结束时间。
在获取多组稳定工况记录后，需要对稳定工况记录和与之对应的状态量进行提取分析，获取时间范围内满足目标工况要求的机组状态量形成多段历史时序数据，具体的实现过程如下步骤所述。
步骤S220，对指定时间段内的状态量和稳定工况记录进行提取，生成多段历史时序数据。具体地，确定预设时间范围和目标工况，其中，本实施例的目标工况包括有功功率、平均水头、平均转速和平均负荷中的一个或者多个；预设时间范围根据用户的需求设定。然后在预设时间范围内，按照等间隔插值方式从稳定工况记录中提取满足目标工况的目标数据，然后从状态量数据集中提取出与目标数据时间对应的状态量形成多段历史时序数据。
在本发明实施例中，预设时间范围和目标工况可以由用户设定、获取通过数据分析获得，如，预设时间范围设定为从分析时刻往前推30天；目标工况包括机组运行有功（有功功率或平均负荷等）、工作水头（平均水头），等间隔插值提取的步长设定为3min。特别的是，温度状态量数据获取需要满足机组开机后稳定运行2小时以上，从温度状态量中提取的数据称为热稳态历史时序数据。
步骤S230，对多段历史时序数据按照时序进行拼接，得到历史序列数据。由于提取生成的历史时序数据不是连续的，因此需要对获取的多段历史时序数据按照时间的顺序进行数据拼接，形成连续的历史序列数据，从而保证数据的连续性。
在本发明实施例中，在数据的分析提取过程中，每一种状态量的历史序列数据分开提取，如本实施例有三种状态量：温度、振动和摆渡，通过上述方法的分析提取，分别获得：温度历史序列数据、振动历史序列数据和摆渡历史序列数据。
由于历史序列数据包含的信息是已知的、有限的，因此在获得连续的历史时序数据后，需要通过预先建立的状态量的ARⅠMA时序数据预测模型，获取每一状态量的预测数据。
步骤S300，通过预先建立的ARⅠMA模型得到预测序列数据。具体地，在历史时序数据按照时间的顺序进行数据拼接形成连续的历史序列数据后，对连续的历史序列数据进行平稳性检验，通过差分进行平稳化处理，确定差分阶数d；然后通过ACF自相关函数和PACF偏自相关函数确定自回归项数p和滑动平均项数q；最后根据差分阶数d、自回归项数p和滑动平均项数q确定ARⅠMA模型。对于确定参数的ARⅠMA模型，可以输入任一状态量的历史序列数据和预测步长，就可以获得该状态量的预测序列数据，在本实施例中将预测步长设定为100，该预测序列数据包含水轮发电机在未来时刻运行时的信息，如未来任一时刻运行工况或状态量的值。
步骤S400，将历史序列数据和所述预测序列数据进行拼接，得到分析序列数据。具体地，将相同状态量的历史序列数据和预测序列数据进行数据拼接，形成包含历史和未来信息的分析序列数据。
分析序列数据是离散的数据，通过逻辑回归模型（LR线性回归模型）分析序列数据进行趋势拟合获取拟合线，才能准确地从拟合线中提取数据的趋势特征的特征值。
具体地：
步骤S500，通过逻辑回归模型对分析序列数据进行拟合，并可以根据拟合结果提取任一时间点的趋势特征参数。本发明实施例以逻辑回归模型为LR线性回归模型为例进行说明，本实施例通过LR线性回归模型对步骤S400获取的分析序列数据进行一次线性拟合，得到趋势特征拟合线，该拟合线为直线，该拟合线的公式如下：
Figure 29030DEST_PATH_IMAGE002
（2）
其中，a为趋势特征拟合线的斜率，b为趋势特征拟合线的截距，x可以表示时间，yx=n表示在n点处状态量的值，n为分析序列数据的点，在本发明中，n为正整数。在确定公式（2）的情况下，本实施例可以根据趋势特征拟合线的斜率a和截距b计算出任一时间点的趋势特征参数，即趋势特征参数为状态量的变化幅度，趋势特征参数的计算公式为：
Figure 845676DEST_PATH_IMAGE003
（3）
其中，Δ为趋势特征参数，代表状态量的变化幅度。
在本发明的其他实施例中，n可以为正整数以外的值，因此也可以通过公式（2）和公式（3）计算其他时间点的趋势特征参数。
步骤S600，判断所述趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息。在本实施例中，可以根据用户经验、设备参数和国家行业标准来制定水轮发电机的劣化预警规则，从而可以根据该规则判断趋势特征参数是否触发劣化趋势预警。
在本实施例中，将劣化预警分为三个不同的等级，包括：Ⅰ级（快速变化）、Ⅱ级（缓慢变化）、NULL级（趋势稳定）。不同的等级代表不同的变化速度，其中Ⅰ级表示该状态量变化比较快，存在着一定的安全风险，需要进行维修或其他操作；Ⅱ级该状态量有缓慢变化的趋势，需要用户提前注意；NULL级表示该状态量处于一个比较稳定的状态，水轮发电机可以继续运行，本实施例的三个劣化预警等级的判断标准如下所述。
Ⅰ级（快速变化）的判定逻辑为满足以下条件任何一条：
条件一、
Figure 113847DEST_PATH_IMAGE004
且yn处于该状态量的非正常阈值区间；条件二、
Figure 919123DEST_PATH_IMAGE005
。
Ⅱ级（缓慢变化）的判定逻辑为满足以下条件任何一条：
条件一、
Figure 145705DEST_PATH_IMAGE006
且yn处于该状态量的正常阈值区间；条件二、
Figure 964494DEST_PATH_IMAGE007
。
NULL级（趋势稳定）的判定逻辑为：
Figure 301934DEST_PATH_IMAGE008
。
其中，yn表示在n点（即x=n）处状态量的值；Δ为趋势特征参数；本发明的状态量的正常阈值区间、非正常阈值区间是根据设备运行的国家及行业标准规范、或者设备实际运行经验确定。
具体地，本发明的方法可以根据趋势特征参数、状态量和预设预警规则判断触发的预警等级，并发出相应的给出相应的趋势预警信息。在本实施例中，预警信息包括：预警触发时间点、预警状态量名称、趋势特征参数值和预警等级等，预警信息还可以包括多个运行参数，如平均负荷、平均水头、平均转速等。例如，假设在n=1000这个时间点上，通过本发明的方法计算到振动状态量的趋势特征参数的值为0.01、摆渡状态量的趋势特征参数的值为0.015、温度状态量的趋势特征参数的值为0.2，且该温度状态量的值处于非正常阈值区间，则将劣化预警等级判定为I级（快速变化）。在判定结果出来后，会向用户发送相关预警信息：n=1000，温度状态量，Δ=0.2，I级，P（平均负荷），D（平均水头），N（平均转速）等。
另外，结合上述实施例中的基于稳定工况的水轮发电机劣化预警方法，本发明实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的基于稳定工况的水轮发电机劣化预警方法。
本发明的一个实施例中还提供了一种电子设备，该电子设备可以是终端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于稳定工况的水轮发电机劣化预警方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于稳定工况的水轮发电机劣化预警方法，其特征在于，所述方法包括：
实时获取水轮发电机的运行数据，其中，所述运行数据包括运行参数和状态量；
对所述运行数据进行分析，得到历史序列数据；
通过预先建立的ARⅠMA模型得到预测序列数据；
将所述历史序列数据和所述预测序列数据进行拼接，得到分析序列数据；
通过逻辑回归模型对所述分析序列数据进行拟合，并根据拟合结果提取趋势特征参数；
判断所述趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息。
2.根据权利要求1所述的方法，其特征在于，所述运行参数包括以下参数的一种或者多种：开始时间、结束时间、持续时间、有功功率、平均负荷、实时负荷、额定功率、平均转速、上游水位、下游水位和平均水头；所述状态量为能够表征水轮发电机状态性能的监测量。
3.根据权利要求2所述的方法，其特征在于，所述对所述运行数据进行分析，得到历史序列数据包括：
对所述运行参数通过预先构建的机组稳定工况识别模型进行处理，得到稳定工况记录；
对指定时间段内的所述状态量和所述稳定工况记录进行提取，生成多组历史时序数据；
对所述多组历史时序数据按照时序进行拼接，得到历史序列数据。
4.根据权利要求3所述的方法，其特征在于，所述对所述运行参数通过预先构建的机组稳定工况识别模型进行处理，得到稳定工况记录，包括：
A1、获取水轮发电机当前分析时刻的实时负荷，判断当前分析时刻的实时负荷是否大于零：
判断结果为是，则执行步骤A5；判断结果为否，则执行步骤A2；
A2、获取时间上最接近所述当前分析时刻的一条稳定工况记录，判断该稳定工况记录是否完结：
判断结果为是，则执行步骤A4；判断结果为否，则执行步骤A3；
A3、获取稳定工况记录中的平均负荷、额定功率，判断所述实时负荷与平均负荷的差值是否大于设定标准：
判断结果为是，生成一条完结的稳定工况记录，执行步骤A5；
判断结果为否，将当前分析时刻的运行数据更新到未完结的稳定工况记录中，执行步骤A5；
A4、获取上一分析时刻的实时负荷、额定功率，判断当前分析时刻的实时负荷与上一分析时刻的实时负荷的差值是否大于设定标准：
判断结果为是，执行步骤A5；判断结果为否，开始生成一条新的稳定工况记录，执行步骤A5；
A5、退出本次运行工况识别。
5.根据权利要求4所述的方法，其特征在于，所述对指定时间段内的所述状态量参数和所述稳定工况记录进行提取，生成历史时序数据，包括：
确定预设时间范围和目标工况，所述目标工况包括有功功率、平均水头、平均转速和平均负荷中的一个或者多个；所述预设时间范围根据用户的需求设定；
在所述预设时间范围内，按照等间隔插值方式从所述稳定工况记录中提取满足目标工况的目标数据；
从所述状态量中提取与所述目标数据时间对应的数据生成历史时序数据。
6.根据权利要求2所述的方法，其特征在于，所述ARⅠMA模型的建立方式如下：
将历史时序数据按照时间的顺序进行数据拼接，形成连续的历史序列数据；
对所述历史序列数据进行平稳性检验，通过差分进行平稳化处理，确定差分阶数d；通过ACF自相关函数和PACF偏自相关函数确定自回归项数p和滑动平均项数q；
根据差分阶数d、自回归项数p和滑动平均项数q确定ARⅠMA模型。
7.根据权利要求2所述的方法，其特征在于，所述通过逻辑回归模型对所述分析序列数据进行拟合，并根据拟合结果提取趋势特征参数，包括：
通过LR线性回归模型对所述分析序列数据进行一次线性拟合，得到趋势特征拟合线；
根据趋势拟合曲线的斜率和截距计算趋势特征参数，所述趋势特征参数为状态量的变化幅度。
8.根据权利要求7所述的方法，其特征在于，所述判断所述趋势特征参数是否触发劣化预警，并根据判断结果发出相应的预警信息，包括：
获取预先设定的预警规则；
根据趋势特征参数、状态量和预警规则，判断触发的预警等级，并发出相应的预警数据；
所述预警数据包括：预警触发时间、触发预警的状态量名称、趋势特征参数值或预警等级。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的基于稳定工况的水轮发电机劣化预警方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至8中任一项所述的基于稳定工况的水轮发电机劣化预警方法。
CN202210073150.XA 2022-01-21 2022-01-21 基于稳定工况的水轮发电机劣化预警方法、设备及介质 Active CN114091792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210073150.XA CN114091792B (zh) 2022-01-21 2022-01-21 基于稳定工况的水轮发电机劣化预警方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210073150.XA CN114091792B (zh) 2022-01-21 2022-01-21 基于稳定工况的水轮发电机劣化预警方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114091792A true CN114091792A (zh) 2022-02-25
CN114091792B CN114091792B (zh) 2022-06-03

Family

ID=80309046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210073150.XA Active CN114091792B (zh) 2022-01-21 2022-01-21 基于稳定工况的水轮发电机劣化预警方法、设备及介质

Country Status (1)

Country Link
CN (1) CN114091792B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881335A (zh) * 2022-05-12 2022-08-09 华能澜沧江水电股份有限公司 基于大数据的水电机组运行数据趋势分析预警方法及系统
CN115423158A (zh) * 2022-08-17 2022-12-02 贵州北盘江电力股份有限公司光照分公司 一种水轮发电机组数据趋势的预测分析方法及系统
CN115639470A (zh) * 2022-09-23 2023-01-24 贵州北盘江电力股份有限公司光照分公司 一种基于数据趋势分析的发电机监测方法及系统
CN116911450A (zh) * 2023-07-04 2023-10-20 五凌电力有限公司 水电站辅助设备的劣化趋势预警方法、装置及电子设备
CN116910474A (zh) * 2023-07-04 2023-10-20 五凌电力有限公司 水电机组的稳定性状态劣化趋势预警方法、装置及设备
CN117249036A (zh) * 2023-11-20 2023-12-19 南方电网调峰调频发电有限公司检修试验分公司 一种抽水蓄能系统、水轮发电机组状态评估方法及装置
CN117933827A (zh) * 2024-03-13 2024-04-26 深圳市吉方工控有限公司 计算机终端工控信息数据处理方法、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2549415A1 (en) * 2011-07-22 2013-01-23 General Electric Company Forecasting engine degradation of gas turbines using a personalized model
CN105787606A (zh) * 2016-03-24 2016-07-20 国网辽宁省电力有限公司电力科学研究院 一种基于超短期负荷预测的电力调度在线趋势预警系统
CN110928248A (zh) * 2018-09-19 2020-03-27 上海明华电力技术工程有限公司 一种确定燃气轮机性能劣化程度的方法
CN111273174A (zh) * 2020-03-31 2020-06-12 浙江江宇电机有限公司 电机群组故障预警方法及装置
CN111461450A (zh) * 2020-04-10 2020-07-28 河海大学 基于eemd和lstm的水电机组劣化度预测方法
CN112946469A (zh) * 2020-11-26 2021-06-11 华能澜沧江水电股份有限公司 一种用于水轮发电机的自适应动态告警阈值的监测方法
CN113077172A (zh) * 2021-04-19 2021-07-06 瑞湖智科数据(苏州)有限公司 一种设备状态趋势分析及故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2549415A1 (en) * 2011-07-22 2013-01-23 General Electric Company Forecasting engine degradation of gas turbines using a personalized model
CN105787606A (zh) * 2016-03-24 2016-07-20 国网辽宁省电力有限公司电力科学研究院 一种基于超短期负荷预测的电力调度在线趋势预警系统
CN110928248A (zh) * 2018-09-19 2020-03-27 上海明华电力技术工程有限公司 一种确定燃气轮机性能劣化程度的方法
CN111273174A (zh) * 2020-03-31 2020-06-12 浙江江宇电机有限公司 电机群组故障预警方法及装置
CN111461450A (zh) * 2020-04-10 2020-07-28 河海大学 基于eemd和lstm的水电机组劣化度预测方法
CN112946469A (zh) * 2020-11-26 2021-06-11 华能澜沧江水电股份有限公司 一种用于水轮发电机的自适应动态告警阈值的监测方法
CN113077172A (zh) * 2021-04-19 2021-07-06 瑞湖智科数据(苏州)有限公司 一种设备状态趋势分析及故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹威 等: ""基于模糊综合评判的水轮发电机健康状态在线评价方法"", 《水电能源科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881335A (zh) * 2022-05-12 2022-08-09 华能澜沧江水电股份有限公司 基于大数据的水电机组运行数据趋势分析预警方法及系统
CN115423158A (zh) * 2022-08-17 2022-12-02 贵州北盘江电力股份有限公司光照分公司 一种水轮发电机组数据趋势的预测分析方法及系统
CN115639470A (zh) * 2022-09-23 2023-01-24 贵州北盘江电力股份有限公司光照分公司 一种基于数据趋势分析的发电机监测方法及系统
CN115639470B (zh) * 2022-09-23 2024-01-30 贵州北盘江电力股份有限公司光照分公司 一种基于数据趋势分析的发电机监测方法及系统
CN116911450A (zh) * 2023-07-04 2023-10-20 五凌电力有限公司 水电站辅助设备的劣化趋势预警方法、装置及电子设备
CN116910474A (zh) * 2023-07-04 2023-10-20 五凌电力有限公司 水电机组的稳定性状态劣化趋势预警方法、装置及设备
CN116911450B (zh) * 2023-07-04 2024-06-21 五凌电力有限公司 水电站辅助设备的劣化趋势预警方法、装置及电子设备
CN117249036A (zh) * 2023-11-20 2023-12-19 南方电网调峰调频发电有限公司检修试验分公司 一种抽水蓄能系统、水轮发电机组状态评估方法及装置
CN117249036B (zh) * 2023-11-20 2024-02-20 南方电网调峰调频发电有限公司检修试验分公司 一种抽水蓄能系统、水轮发电机组状态评估方法及装置
CN117933827A (zh) * 2024-03-13 2024-04-26 深圳市吉方工控有限公司 计算机终端工控信息数据处理方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN114091792B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN114091792B (zh) 基于稳定工况的水轮发电机劣化预警方法、设备及介质
CN110442833B (zh) 一种基于多维度scada数据评估风电机组健康状态评估方法
Guo et al. Remaining useful life prediction for rolling bearings using EMD-RISI-LSTM
Zhang et al. Few-shot bearing fault diagnosis based on model-agnostic meta-learning
CN110388315B (zh) 基于多源信息融合的输油泵故障识别方法、装置及系统
CN111046532B (zh) 一种基于肘形判据的同调机群聚类识别方法
Barbieri et al. Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN112588836B (zh) 一种基于热轧带钢轧制力的轧辊偏心自动识别方法及系统
CN118183216A (zh) 带式输送机的故障诊断方法以及系统
CN112434961B (zh) 一种铁钢界面铁水温降预测方法、装置和终端设备
CN115573845A (zh) 一种融合机组在、离线数据的振摆趋势预警方法和系统
CN117591839A (zh) 燃气轮机的故障预警方法、系统、电子设备和存储介质
Nemani et al. Health index construction with feature fusion optimization for predictive maintenance of physical systems
CN116538092B (zh) 一种压缩机在线监测及诊断方法、装置、设备及存储介质
CN115469585B (zh) 一种基于大数据的水电机组状态监测方法及系统
CN111258866A (zh) 计算机性能预测方法、装置、设备及可读存储介质
CN107870848A (zh) Cpu性能冲突的检测方法、装置和系统
Lv et al. General log‐linear Weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings
CN109783876A (zh) 时间序列模型建立方法、装置、计算机设备和存储介质
CN113536042B (zh) 一种时间序列异常检测方法、装置及设备
CN109657285A (zh) 汽轮机转子瞬态应力的检测方法
CN112132329A (zh) 一种曲柄连杆机构磨损量的预测方法、系统、设备和介质
Zheng et al. Adaptive Two-Stage Model for Bearing Remaining Useful Life Prediction Using Gaussian Process Regression With Matched Kernels
CN118642922B (zh) 一种计算机运行状态监测管理系统

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