CN114298080A - 一种基于摆度数据挖掘的水轮发电机组的监测方法 - Google Patents
一种基于摆度数据挖掘的水轮发电机组的监测方法 Download PDFInfo
- Publication number
- CN114298080A CN114298080A CN202111002505.8A CN202111002505A CN114298080A CN 114298080 A CN114298080 A CN 114298080A CN 202111002505 A CN202111002505 A CN 202111002505A CN 114298080 A CN114298080 A CN 114298080A
- Authority
- CN
- China
- Prior art keywords
- self
- monitoring
- generating set
- hydroelectric generating
- signal
- 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
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于摆度数据挖掘的水轮发电机组的监测方法,包括模型的建立:获取待监测水轮机组的摆度信息;开展信号的多元化分析,获取信号多元量化数据;随后对上述分析结果开展标准化处理;对多元信息熵特征向量进行降维处理;依据正常样本和异常样本的自编码特征进行监测模型的训练;在不同水头范围内建立多组模型;然后根据实际需要应用模型进行监测。本发明对水轮发电机组日常监测的摆度信号进行分析,通过信号处理与分析构建其多元特征集,依托深度学习理论对其开展无监督学习并获取摆度特征集,进而根据稳态数据建立机组的监测模型,最终实现水轮发电机组的监测。
Description
技术领域
本发明属于水利机械状态监测及故障诊断技术领域,具体涉及一种基于摆度数据挖掘的水轮发电机组的监测方法。
背景技术
近年来,以光伏、风电为代表的可再生能源仍将是电力消费的主体增量,而水轮发电机组作为能源转换和电网调节器的核心装备,其监测与维护任务的重要程度不言而喻。
水轮发电机对于水电产业是不可或缺的重要设备,其工作原理是将各种水流能量转化为转子转动的机械能,然后通过电磁感应转换为相应电能的过程。水轮发电机组一旦发生故障将导致严重的灾难性后果,因此日常运行中要求尽早地发现机组异常,以便在故障来临前采取有效预防措施。在水轮发电机组状态监测中存在以下困难:首先,水电机组个体工作环境不同,相互差异较大,很难直接通过某类特征数值建立定量监测模型;同时,水电机组监测数据信息量较大,对其开展深入全面研究具有相当大的计算量和分析难度,仅依赖人工选取难度较大且效率极低;此外,已有机组监测信号的数据分析与特征计算方法种类繁多,但并没有在性能的优劣方面形成共识,具体采用方法的选择仍在很大程度上依赖主观经验,存在盲目性,这些因素都制约水轮发电机组监测技术的发展和提高。为了尽早发现或提前预测水轮发电机组的异常状态,以指导检修工作的科学开展,当前需要强大数据挖掘方法和监测手段来实现水轮机组海量数据的分析和应用,因此目前的水轮发电机组的监测有待进一步提高。
发明内容
本发明的目的是提供一种基于摆度数据挖掘的水轮发电机组的监测方法,解决了目前水轮发电机的数据分析和应用以及监测手段有待进一步提高的问题。
本发明所采用的技术方案是,
一种基于摆度数据挖掘的水轮发电机组的监测方法,包括水轮发电机组监测模型的建立,具体包括以下步骤:
步骤1:获取待监测的水轮发电机组中上导、下导和水导处的摆度信号,其中,每处摆度信号包含从两个相互垂直方向采集到的信号;
步骤2:对摆度信号进行包括平滑滤波和标准化的预处理,得到预处理信号;
步骤3:对摆度信号进行解析,采用自适分析方法获取本征模式分量组,采用短时傅里叶变换获取相应频谱图,采用连续小波变换获取相应频谱图,采用符号化分析方法对原始信号进行符号序列转换,至此,预处理信号被解析为四类新的信息形式,得到四类解析信号;
步骤4:按照如下公式(1),以统一的量化规则对四类解析信号进行量化处理,记经过量化得到符号化序列Si(yi),其中yi表示解析后的分量;
其中,N为解析信号长度,μ为解析分量信号yi的均值,α为条件参数;
完成量化计算后,所有不同的信息形式将被归一化到相同的区间内,实现各种解析结果形式上的统一;
步骤5:对多元量化数据开展计算,求解相应的多元信息熵特征向量;对于符号序列Si(yi)构建子串集合Wi,Wi与Si(yi)的关系如下公式(2)所示:
Wi=(Si,Si+1,Si+2) (2),
Wi一共有六十四种类型,随后计算每种类型出现的概率,记为Pj,进而通过如下公式(3)计算其相应信息熵:
步骤6:构建自编码器网络进行多源信息熵特征向量的降维,自编码器网络由一个输入层、四个隐含层、一个输出层组成,其中隐含层1与隐含层 4的节点数相同,其中隐含层2与隐含层3的节点数相同;
步骤7:构建完成后对自编码器网络进行训练,自编码网络的构建判定依据是确保解码后多元信息熵与多元信息熵特征向量保持一致,通过自编码器获取自编码特征;
步骤8:将自编码特征从自编码器网络中抽取出来,包含正常样本和各类异常样本,以完成降维目的,并依靠自编码特征构建监测模型;
步骤9:对稳定运行区的样本数据和各类异常样本数据同时进行降维计算,获得其自编码特征,采取K-Means聚类算法对正常样本和异常样本进行分析,提取二者相应的聚类中心坐标,在模型中设置聚类中心距离判定函数,判断后续输入自编码特征,以完成监测模型的构建;
步骤10:以正常样本的聚类中心坐标为依据,计算正常样本与聚类中心坐标的距离判定值,将其作为判断发电机组正常的判定条件,聚类结果、判定条件、聚类中心坐标构成水轮发电机组的监测模型。
水轮发电机组监测模型的监测方法包括:
在应用水轮发电机组的监测模型进行监测时,将待监测摆度信息的自编码特征导入模型中,计算二者距离判定值,若数值小于正常特征范围,则认为待检测机组处于正常,该距离值越大,则说明待监测信息距离稳态数据范围越远;
进一步判断故障类型时,需要对应的故障类型样本的自编码特征,以形成相应的聚类中心坐标,进而判断故障类型。
本发明的特点还在于,
在步骤9-10中,监测模型具备更新和修正能力,随着机组运行历史样本数据的丰富,可增加正常运行样本的自编码特征,更新聚类中心坐标,以应对机组修理、改建、更换部件等工况条件,但是更新聚类中心坐标时,不改变自编码器网络结构的已有参数,降维过程不重新计算。
在步骤10中,实现具体类型的机组状态异常或故障诊断中,依赖相应的机组状态异常或故障样本,否则该功能无法实现,但是监测机组是否处于异常的功能始终存在。
在步骤8-9中,自编码器网络实现多元信息熵特征向量的降维,从自编码器中间抽取的自编码特征,完成自编码器网络的建立和训练后,保存该网络模型,用于后续对待监测信号的降维工作,其内部参数和结构不再改变。
步骤3,自适应分量是指预处理信号通过EMD、EWT和VMD分解计算后获取的分量,频谱图是指预处理信号完成STFT和连续小波变换后得到的时间-频率图谱,符号化序列是指预处理信号经过重新量化后得到的简约表示形式;针对每一种方法,都将改变参数以获取一系列不同结果,保证信息充分利用。
步骤6中,自编码特征不理想时,自编码网络结构根据编码和解码结果调整,调整指增加或减少隐藏层节点个数。
步骤4中,多元量化数据是指将不同形式的信息以相同的方式进行量化,由于不同形式的信息需要先经过标准化和归一化处理,能够消除数据差异,以实现量化规则的统一应用。
步骤1-10中,针对具体水轮发电机组而言,在建立模型阶段需要考虑水头的变化,即对水头的变化区间进行划分,划分为3-5个不同的区间,在每个区间内重复步骤1-10,最终获取3-5个监测模型,以用于不同的水头范围,待分析数据必须要与模型建立时的水头区间保持一致。
本发明的有益效果是,本发明一种基于摆度数据挖掘的水轮发电机组的监测方法,(1)实现摆度信息的无监督分析,实现自主特征获取,在计算特征过程中摆脱人工经验的指导和束缚;
(2)为摆度信号的特征计算提供新的方法,实现水轮发电机组的个性化监测方法,针对机组个体不同获取不同特征;
(3)通过信号多元特征集的构建,融合多种信号处理与变换手段,从多个角度充分挖掘摆度数据;
(4)引入机器学习方法建立模型,提高模型的泛化能力和非线性学习能力,提升水轮机监测自动化水平;
(5)最终根据获取摆度特征实现水轮发电机组的状态监测;
(6)在获取特征值的过程中应用深度学习方法,以提高数据挖掘和特征表征能力;
(7)在监测模型中则采用了计算效率较高的均值聚类方法,提高计算效率和计算速度,在应用中易于实现。
附图说明
图1是本发明一种基于摆度数据挖掘的水轮发电机组的监测方法的模型示意图;
图2是本发明一种基于摆度数据挖掘的水轮发电机组的监测方法中自编码网络构建的原理示意图;
图3是本发明一种基于摆度数据挖掘的水轮发电机组的监测方法中监测模型的原理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明一种基于摆度数据挖掘的水轮发电机组的监测方法进行详细说明。
如图1、图2以及图3所示,本发明提供一种基于摆度数据挖掘的水轮发电机组的监测方法,包括待监测机组、摆度信息、预处理信号、自适应分量、STFT频谱图、小波分析频谱图、符号化序列、多元量化数据、多元信息熵特征向量、自编码器网络、自编码特征、监测模型、输入层、隐藏层、输出层、解码后多元信息熵、不同水头下机组摆度数据、K均值聚类模型、正常样本聚类中心、异常样本聚类中心。
具体为:明确待检测机组,获取机组稳态运行时的摆度信号;针对摆度信号开展数据挖掘研究,进行预处理以获取预处理信号;这里的解析方法包含四类,即对预处理信号进行自适应分析、进行时频分析、进行符号化序列分析,分别获取自适应分量、STFT频谱图、小波分析频谱图、符号化序列;随后通过统一量化规则,将以上结果共同构成多元量化数据,进而计算器相应的多元信息熵特征向量;建立自编码器网络,包括输入层、隐藏层、输出层,利用深度学习方法获取摆度信号的自编码特征,并通过自编码器解码获取的解码后多元信息熵以验证自编码特征的有效性;依靠所建立的自编码器网络模型抽取多元信息熵特征向量的自编码特征;利用正常样本和异常样本两类数据的自编码特征进行聚类分析,形成监测模型,它包括K均值聚类模型、正常样本聚类中心;完成以上步骤后,利用自编码器网络获取监测摆度信号的自编码特征,利用正常样本聚类中心判断输入信号是否处于正常范围;细化故障数据类型,可以获取各类故障模式下的异常样本聚类中心,从而实现故障分类,但此功能必须需要拥有待检测机组的已知类别故障数据样本;在不同水头范围内获取不同水头下机组摆度数据,进而建立多组模型,在监测和诊断中,根据未知信号的水头输入对应的判别模型。
本发明一种基于摆度数据挖掘的水轮发电机组的监测方法的步骤为:
取待监测水轮机组的摆度信息,主要指上导、下导和水导处的摆度信息,每处信号应该包含相互垂直的两个方向,包括不同水头下的稳态数据和异常数据,对数据进行预处理,实现摆度信号的滤波降噪,并对样本进行划分,按照水头不同整理样本,形成预处理信号;
开展信号的多元化分析,获取信号多元量化数据,从多个角度较为全面地进行预处理信号分析,具体包括时域的自适应分析、频域的频谱图分析、连续小波变换图谱、信号符号化序列等;
随后对上述分析结果开展标准化处理,再按照统一量化规则将其转化为多元量化数据,按照统一方法计算信息熵值,形成多元信息熵特征向量,将其作为表征机组状态的原始特征集;
对多元信息熵特征向量进行降维处理,降维方法采用了自编码器方法,构建的自编码器网络包括输入层、隐藏层和输出层,多元信息熵特征向量经过输入层和隐藏层,被降维成为自编码特征;
自编码特征通过隐藏层和输出层,成为解码后多元信息熵,通过解码后多元信息熵和多元信息熵特征向量的差异程度为准则,判断自编码器网络是否建立成功,成功后将自编码器网络保留,利用其进行新输入信号的自编码特征计算,实现多元信息熵特征向量的降维工作;
依据正常样本和异常样本的自编码特征进行监测模型的训练,这里采取 K均值聚类方法建立监测模型,完成聚类分析后,从模型中提取正常样本聚类中心坐标,作为监测模型的核心判断依据;
在不同水头范围内建立多组模型,以适应不同水头范围内的,即针对一台水轮机在不同水头范围内建立监测模型,监测状态包括:稳定运行状态和各类异常工况,每一台机组再使用本发明时,均需要重新建立新的监测模型;
使用监测模型时,将未知的待检测摆度信息进行处理,获取其自编码特征,根据其水头不同输入已经完成训练的模型中,根据其自编码特征与正常样本聚类中心坐标的距离,判断其是否处于稳态,根据距离大小可判断机组异常程度,从而认定机组是否存在潜在危险或异常现象,提示监测人员及时停机排查;
也可根据异常样本的聚类中心坐标,判断故障或异常类型,但是由于异常样本在实际中数量较少,需要根据实际情况甄选本发明使用方法。
下面通过具体的实施例对本发明一种基于摆度数据挖掘的水轮发电机组的监测方法进行进一步详细说明。
一种基于摆度数据挖掘的水轮发电机组监测方法,信号采集和预处理的方案如下:明确待检测机组,获取机组稳态运行时的摆度信号,获取待监测机组上导、下导和水导处的摆度信号,每处信号需要包含从两个相互垂直方向采集到的信号,这里需要明确所获取信息对应的水头,以便于根据水头范围不同建立不同的模型;对摆度信号进行预处理,这里主要包含平滑滤波和标准化,平滑过程以滑动平均法和Savitzky-Golay平滑滤波法为主,旨在在较大窗长的前提下实现平滑;进行标准化是为了放置信号中的特殊点和极值点对数据产生不利影响,这里采用零-均值规范化:
一种基于摆度数据挖掘的水轮发电机组的监测方法,信号解析方案如下:对标准化后的信号进行分析,主要从自适应分析、时频分析、符号化序列分析三方面入手;自适应分析采用的方法为经验模式分解,将每一个预处理信号解析为一组本征模式分量,选取1-3节分量;
时频分析采用的方法为短时傅里叶变换与连续小波变换两种方法。短时傅里叶变换通过对标准化后的信号s(τ)乘以一个以t为中心的窗函数 g(τ-t)所做的傅里叶变换,从而获得信号局部时变频谱特征图像;
其中t为时间,f为振动频率,s(τ)表示原始信号,g(τ-t)代表窗口函数,e-j2πfτ为标准化后的信号分解而成的频率分量。
连续小波变换是对标准化后的信号进行小波基函数的平移和缩放等运算功能获取相应小波时间信息和频率特征的时频图像;
其中,w(a,b)代表小波变换系数;ψa,b(t)为经过尺度因子a、伸缩因子 b变换的小波基函数。
为了令两种时频分析方法获取的时频图像特征更加突出,采用图像处理算法将时频图像的三原色像素经平均法处理转化为相应的8级灰度图像,转化规则如下:
I(x,y)=1/3*I_R(x,y)+1/3*I_G(x,y)+1/3*I_B(x,y) (5),
其中:I(x,y)为得到的灰度级图像,I_R(x,y)为时频图像中红通道的像素点,I_G(x,y)为时频图像中绿通道的像素点,I_B(x,y)为时频图像中蓝通道的像素点。
符号化序列分析将采用极值分隔的方法,获取信号的极值序列,将原始信号X(i)的局部极大值和局部极小值提取出来组成极值序列Y(i),对其进行二进制转换,以预处理信号的均值P0为界,转化规则为:
随后,连续遍历Y(i),以连续三个数据点为一个单元,将其转化为十进制,即对于第i个Y(i),将Y(i),Y(i+1),Y(i+2)组成一个3位的二进制数,将其转化为一个十进制的数,采用同样的方式转化Y(i)中所有数,得到一个十进制序列,其长度为N-2;完成以上研究,将获得一系列解析后结果,用于后续特征集计算。
一种基于摆度数据挖掘的水轮发电机组的监测方法,解析信号的统一量化与特征计算过程为:若记经过量化得到符号化序列Si(yi),其中yi表示解析后的分量,它代表本征模式分量、时频图的灰度值序列、符号化后十进制序列等。
其中,解析信号长度为N,其中1≤i≤N,式中μ代表解析分量信号yi的均值,α为条件参数,初始为0.1,完成量化计算后,所有不同的信息形式将被归一化到相同的区间内,实现各种解析结果形式上的统一;对多元量化数据开展计算,求解相应的多元信息熵特征向量;对于符号序列Si(yi)构建其长度为3的子串集合Wi,Wi与Si(yi)的关系如下,Wi序列的长度为N-2:
Wi=(Si,Si+1,Si+2) (8),
可见Wi一共有64种类型,随后计算每种类型出现的概率,记为Pj,其中 1≤j≤64,进而计算其相应信息熵
一种基于摆度数据挖掘的水轮发电机组监测方法,其自编码器网络构建与特征降维过程为:构建自编码器网络进行多源信息熵特征向量的降维,自编码器网络由1个输入层、4个隐含层1-4、1个输出层组成,其中隐含层1 与隐含层4的节点数相同,其中隐含层2与隐含层3的节点数相同;构建完成后对自编码器网络进行训练,自编码网络的构建判定依据是确保解码后多元信息熵与多元信息熵特征向量保持一致,通过自编码器获取自编码特征;将自编码特征从自编码器网络中抽取出来,应当包含正常样本和各类异常样本,以完成降维目的,存储完成训练的自编码网络结构的输入层、隐藏层1 和隐藏层2,用于随时计算新采集信号的相关特征;自编码器网络各层节点数可以根据实际情况增减,但其对称结构不变,基本框架不变。
一种基于摆度数据挖掘的水轮发电机组的监测方法,其模型建立过程为:对稳定运行区的样本数据和各类异常样本数据同时进行降维计算,获得其自编码特征,采取K-Means聚类算法对正常样本和异常样本进行分析,提取二者相应的聚类中心坐标,在模型中设置聚类中心距离判定函数,判断后续输入自编码特征,以完成监测模型构建;以正常样本的聚类中心坐标为依据,计算正常样本与聚类中心坐标的距离判定值,将其作为判断机组正常的判定条件,聚类结果、判定条件、聚类中心坐标构成监测模型;应用监测模型,将待监测摆度信息的自编码特征导入模型中,计算二者距离判定值,若数值小于正常特征范围,则认为待检测机组处于正常,该距离值越大,则说明待监测信息距离稳态数据范围越远;进一步判断故障类型时,需要对应的故障类型样本的自编码特征,以形成相应的聚类中心坐标,进而判断故障类型;上述内容中涉及的正常样本,指机组处于稳定运行区域的摆度信号,上述内容中涉及的异常样本,指机组进入强振运行区或限制运行区域时的信号,还包括机械主轴出现碰摩、不对中、不平衡等故障,包括过尾水管低频涡带异常工况。
一种基于摆度数据挖掘的水轮发电机组的监测方法,其模型使用方法为:对待检测机组工作水头变化范围划分3-5个区间,所利用数据与建立模型需要在相应区间范围内,待监测信号也必须输入到对应区间的模型才具有意义;针对某个诊断模型而言,可以将所有异常样本设定为一类,正常样本设定为一类,此时模型用于判断机组是否处于异常状态;也可以将正常样本设为一类,将每种异常状态各自设定为多类,此时模型除了可以监测,还具有一定异常类型识别诊断能力。
本发明以摆度数据为基础,提出了一种基于摆度数据挖掘的水轮发电机组的监测方法。本发明之所以选取摆度数据,是因为其作为当前水电站的常规监测手段被广泛应用,摆度数据对于机组机械结构有着较强表征能力,且该类数据易于获取;本发明结合深度学习方法构建了水轮发电机组的监测模型,在一定程度上摆脱了人工经验对特征选取工作的制约;
本发明通过摆度信息的信息扩展和分析,建立丰富的特征表现形式,依托深度学习理论中的自编码器方法实现维度的约简,从而实现摆度信息的高度简约表征,建立监测模型实现水轮机组的异常状态监测任务;
本发明对水轮发电机组日常监测的摆度信号进行分析,通过信号处理与分析构建其多元特征集,依托深度学习理论对其开展无监督学习并获取摆度特征集,进而根据稳态数据建立机组监测模型,最终实现水轮发电机组的监测。
Claims (8)
1.一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,包括水轮发电机组监测模型的建立,具体包括以下步骤:
步骤1:获取待监测的水轮发电机组中上导、下导和水导处的摆度信号,其中,每处摆度信号包含从两个相互垂直方向采集到的信号;
步骤2:对摆度信号进行包括平滑滤波和标准化的预处理,得到预处理信号;
步骤3:对摆度信号进行解析,采用自适分析方法获取本征模式分量组,采用短时傅里叶变换获取相应频谱图,采用连续小波变换获取相应频谱图,采用符号化分析方法对原始信号进行符号序列转换,至此,预处理信号被解析为四类新的信息形式,得到四类解析信号;
步骤4:按照如下公式(7),以统一的量化规则对四类解析信号进行量化处理,若记经过量化得到符号化序列Si(yi),其中yi表示解析后的分量;
其中,N为解析信号长度,其中1≤i≤N,μ为解析分量信号yi的均值,α为条件参数,初始为0.1;
完成量化计算后,所有不同的信息形式将被归一化到相同的区间内,实现各种解析结果形式上的统一;
步骤5:对多元量化数据开展计算,求解相应的多元信息熵特征向量;对于符号序列Si(yi)构建子串集合Wi,Wi与Si(yi)的关系如下公式(8)所示:
Wi=(Si,Si+1,Si+2) (8),
确定Wi一共有的类型数量,随后计算每种类型出现的概率,记为Pj,进而通过如下公式(9)计算其相应信息熵:
步骤6:构建自编码器网络进行多源信息熵特征向量的降维,自编码器网络由一个输入层、四个隐含层、一个输出层组成,其中隐含层1与隐含层4的节点数相同,其中隐含层2与隐含层3的节点数相同;
步骤7:构建完成后对自编码器网络进行训练,自编码网络的构建判定依据是确保解码后多元信息熵与多元信息熵特征向量保持一致,通过自编码器获取自编码特征;
步骤8:将自编码特征从自编码器网络中抽取出来,包含正常样本和各类异常样本,以完成降维目的,并依靠自编码特征构建监测模型;
步骤9:对稳定运行区的样本数据和各类异常样本数据同时进行降维计算,获得其自编码特征,采取K-Means聚类算法对正常样本和异常样本进行分析,提取二者相应的聚类中心坐标,在模型中设置聚类中心距离判定函数,判断后续输入自编码特征,以完成监测模型的构建;
步骤10:以正常样本的聚类中心坐标为依据,计算正常样本与聚类中心坐标的距离判定值,将其作为判断发电机组正常的判定条件,聚类结果、判定条件、聚类中心坐标构成水轮发电机组监测模型;
水轮发电机组监测模型的监测方法包括:
在应用水轮发电机组监测模型进行监测时,将待监测摆度信息的自编码特征导入模型中,计算二者距离判定值,若数值小于正常特征范围,则认为待检测机组处于正常,该距离值越大,则说明待监测信息距离稳态数据范围越远;
进一步判断故障类型时,需要对应的故障类型样本的自编码特征,以形成相应的聚类中心坐标,进而判断故障类型。
2.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤9-10中,监测模型具备更新和修正能力,随着机组运行历史样本数据的丰富,增加正常运行样本的自编码特征,更新聚类中心坐标,以应对机组修理、改建、更换部件工况条件,但是更新聚类中心坐标时,不改变自编码器网络结构的已有参数,降维过程不重新计算。
3.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤10中,实现具体类型的机组状态异常或故障诊断中,依赖相应的机组状态异常或故障样本,否则该功能无法实现,但是监测机组是否处于异常的功能始终存在。
4.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤8-9中,自编码器网络实现多元信息熵特征向量的降维,从自编码器中间抽取的自编码特征,完成自编码器网络的建立和训练后,保存该网络模型,用于后续对待监测信号的降维工作,其内部参数和结构不再改变。
5.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤3中,自适应分量是指预处理信号通过EMD、EWT和VMD分解计算后获取的分量,频谱图是指预处理信号完成STFT和连续小波变换后得到的时间-频率图谱,符号化序列是指预处理信号经过重新量化后得到的表示形式;针对每一种方法,都将改变参数以获取一系列不同结果。
6.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤6中,自编码特征不理想时,自编码网络结构根据编码和解码结果调整,调整指增加或减少隐藏层节点个数。
7.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤4中,多元量化数据是指将不同形式的信息以相同的方式进行量化,由于不同形式的信息需要先经过标准化处理,这样以来数据差异会被消除,以实现量化规则的统一应用。
8.根据权利要求1所述的一种基于摆度数据挖掘的水轮发电机组的监测方法,其特征在于,在步骤1-10中,针对具体水轮发电机组而言,在建立模型阶段需要考虑水头的变化,即对水头的变化区间进行划分,划分为3-5个不同的区间,在每个区间内重复步骤1-10,最终获取3-5个监测模型,以用于不同的水头范围,待分析数据必须要与模型建立时的水头区间保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002505.8A CN114298080A (zh) | 2021-08-30 | 2021-08-30 | 一种基于摆度数据挖掘的水轮发电机组的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002505.8A CN114298080A (zh) | 2021-08-30 | 2021-08-30 | 一种基于摆度数据挖掘的水轮发电机组的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298080A true CN114298080A (zh) | 2022-04-08 |
Family
ID=80964487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002505.8A Pending CN114298080A (zh) | 2021-08-30 | 2021-08-30 | 一种基于摆度数据挖掘的水轮发电机组的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298080A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010191A (zh) * | 2023-08-04 | 2023-11-07 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
-
2021
- 2021-08-30 CN CN202111002505.8A patent/CN114298080A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010191A (zh) * | 2023-08-04 | 2023-11-07 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
CN117010191B (zh) * | 2023-08-04 | 2024-03-19 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
CN117056764A (zh) * | 2023-10-11 | 2023-11-14 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
CN117056764B (zh) * | 2023-10-11 | 2024-01-09 | 唐山市南堡经济开发区航天万源新能源有限公司 | 一种发电机组智能保护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109187025B (zh) | 一种集成kelm的滚动轴承剩余使用寿命预测方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109376801B (zh) | 基于集成深度神经网络的风力发电机叶片结冰诊断方法 | |
CN114298080A (zh) | 一种基于摆度数据挖掘的水轮发电机组的监测方法 | |
CN111426950B (zh) | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN110808580B (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN110516742A (zh) | 一种基于组合神经网络模型的配电终端故障判别方法及系统 | |
CN110595778A (zh) | 一种基于mmf与igra风电机组轴承故障诊断方法 | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
Huang et al. | Decoupling identification method of continuous working conditions of diesel engines based on a graph self-attention network | |
CN116306302A (zh) | 一种风力发电机关键部件多工况剩余寿命预测方法 | |
CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN114384377A (zh) | 一种基于qga-vmd的电缆绝缘状况监测方法和系统 | |
CN114186739A (zh) | 基于深度学习的台区短期负荷预测方法 | |
Zan et al. | Pattern recognition for control charts using AR spectrum and fuzzy ARTMAP neural network |
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 |