CN114298131A - 一种基于水电设备状态指标特征值进行状态监测的方法 - Google Patents
一种基于水电设备状态指标特征值进行状态监测的方法 Download PDFInfo
- Publication number
- CN114298131A CN114298131A CN202111335559.6A CN202111335559A CN114298131A CN 114298131 A CN114298131 A CN 114298131A CN 202111335559 A CN202111335559 A CN 202111335559A CN 114298131 A CN114298131 A CN 114298131A
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic value
- value
- equipment
- time
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000012417 linear regression Methods 0.000 claims abstract description 13
- 230000036541 health Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 24
- 238000012423 maintenance Methods 0.000 abstract description 20
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000011418 maintenance treatment Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于水电设备状态指标特征值进行状态监测的方法,基于时间等差权重特征值有效的兼顾了设备状态历史数据以及实时数据随时间变化对特征值的影响;根据水头变化以一年为时间计算节点计算特征值,符合水电厂设备运行规律;另外采用等时间间隔采集历史和实时数据进行运算,有效保证了各个时间点数据权重的分配比例。根据计算的特征值日平均值和每日变化量日平均值,借助计算机采用线性回归预测方法对设备状态进行提前预警,相对其他预测方法的预测准确度更高。实时计算、实时评估预警,可在设备故障发生初期提醒运维人员进行提前干预,更好的做到设备状态评估和预防性检修。
Description
技术领域
本发明涉及一种基于水电设备状态指标特征值进行状态监测的方法,尤其是一种基于采集的水轮发电机组设备非电量监测数据计算设备特征值,根据该设备特征值缓变量进行状态监测的方法,属于水轮发电机运行状态监测技术领域。
背景技术
状态检修是从预防性检修发展而来的更高层次的检修体制,是一种以设备状态为基础、以预测设备状态发展趋势为依据的检修方式,是一种科学、合理、经济的检修模式,对提高设备的可用率,降低设备检修损耗,具有十分重要的作用,但计划检修还是水电站设备的主要检修方式。因此探索如何更好的支撑设备状态检修,并逐步从计划检修向状态检修转变显得尤为重要。基于海量历史生产数据挖掘分析,使数据产生应有的价值,支撑状态评估是电力行业普遍认同的看法,但这又是一个知易行难的方法。
目前水电行业提出了基于设备特征值的设备状态检修,特征是一个客体或一组客体特性的抽象结果,特征值是通过运算抽象提取的能够反应设备性能和健康本质特征的量,因此基于特征值的设备状态评估更能实际反映设备的健康与否。目前特征值的计算更多的是采用抽样平均计算方法或者交由计算机AI自主学习计算,又或者设备特征值计算更多的是纯概念无具体方法的理论。采用抽样平均或者全部平均有可能因一段时间设备指标高、一段时间低,出现采用被平均的方法最终没法真实反映设备状态。计算机AI自主学习是普遍采用的一种方法,但是基于黑匣子的AI自主学习计算多用于通用型大数据运算,在水电领域设备运行数据具有更强的专业性和机理性,在数据处理过程中更多时候需要赋予人的思维和专业知识。由于自身各自专业领域的鸿沟,AI算法设计者往往缺乏实际设备运行维护经验,致使基于AI的常规计算水电设备特征值与实际不符合,最终导致AI人工智能无法在水电设备状态检修普遍推广使用。据此本发明提出一种有效并具有普遍推广价值的设备指标特征值计算,并基于设备特征值变化量进行设备状态预警的方法。
发明内容
为了实时准确监测机组状态指标以及根据状态指标变化及时进行设备劣化预警,支撑水电机组逐步由计划检修向状态检修过渡,本发明提供一种基于水电设备状态指标特征值进行状态监测的方法。状态指标如振动、摆度、脉动、温度、液位、压力、流量等,并基于数据采集处理方法的特点提出基于时间权重的设备特征值计算方法,利用计算机技术,实时计算设备特征值以及特征值变化量,用于实时监测评估机组设备状态,及时发现设备劣化趋势,以提前制定检修处置措施,避免设备故障的进一步扩大,以适应水电行业机组状态检修转变的需要。
本发明通过下列技术方案实现:一种基于水电设备状态指标特征值进行状态监测的方法,其特征在于包括下列步骤:
1)方法所需要的数据均可通过现有水电厂计算机监控系统、机组状态监测系统等获得,根据系统所存储大量的历史数据和实时采集的数据,因监测系统采集的均是秒级的状态数据,为节约运算与存储资源,以n分钟为等时间间隔进行采样,从系统中抽取所需要的数据;
2)根据水电机组的运行特性,水电机组运行水头基本遵循以年为周期的波动变化,不同水头下对应机组状态会有一定差异,且不同工况下也会不一样,因此建立以一年为基本单元的设备状态指标特征值实时滚动计算;
3)按如下方法计算设备状态指标特征值:
3.1)以机组水头、导叶开度为机组稳定区域限制条件,对进入计算的设备状态监视数据进行筛选,确保计算特征值的实时数据为健康样本;
3.2)以当前时间为节点往前一年的历史数据为基础计算设备特征值,开始计算的第一个数据为起点进行标记,首先统计进入计算的数据健康样本个数为N:
3.3)以时间权重为基础,总权重为1,设第一个计算数据开始权重占比为1/N2,按等差数列的方式,所占权重比依次递增,越早时间的数据所占权重越小,越近的数据所占权重比例越大,设每个数据权重占比之差为d,得到如下公式:
3.4)进一步根据公式计算可得每个数据所占权重比之差d为:
则权重占比进一步表示为:
其中N表示进入计算的数据健康样本个数;
3.5)设当前进入计算特征值的数据序列为X1、X2、X3、…XN,设备特征值为Y,则特征值Y计算可表示为如下计算公式:
机组运行在稳定区域,假设在理想情况下,X1=X2=…XN,则特征值等于Y=X1=X2=…XN,但实时数据是一个动态的变化过程,因此以一个等差的权重方式赋予最新数据更多的权重,更能反映实时数据变化对特征值影响量;
3.6)因设备状态变化是一个缓慢渐变的过程,为节约计算资源,以m个小时为时间间隔进行一次统计计算,新的一次计算开始,舍去上一次计算一年最初m个小时的数据,加入新采集的最新m个小时的数据,即以最新时刻为计算节点重复进行3.1)-3.5)步骤计算产生新的特征值,若无最新数据,则本次无需计算,本次特征值等于上一次计算值,以此往复不断产生新的特征值,通过计算可发现,特征值是一个相对比较稳定的范围,变化很小,但实时数据是一个波动的范围;
4)以当前时间点为标记,以m个小时为时间间隔进行一次统计计算,设过去24小时计算的每个特征值为Y1、Y2、Y3…Yk,昨日当前时间点为标记再往前24小时计算的每个特征值为Y1’、Y2’、Y3’、…Yk’,其中k=24/m,分别计算过去24小时特征值的平均值:
同样以m个小时为时间间隔重新计算一次,根据不断产生新的特征值,往复计算24小时特征值平均值;
同样以m个小时为时间间隔重新计算一次,根据不断产生新的特征值平均值,计算特征值变化量;
5)以当前时间点为标记,根据步骤4.1)得到的当日与前一日的特征值变化量Δi,计算特征值每日变化量平均值:
根据计算可发现,设备特征值缓变量是一个较小的值,且每日变化量相差不大,说明设备状态是一个渐变的过程;
其中Z表示目标值,x表示天数;
设机组稳定运行工况下某状态允许的最大或最低特征限值为Z,期望k日到达设定特征限值时进行提前预警,按照线性回归预测的方法进行设备状态预警,则根据线性回归方程当:(如图1)或(如图2)时,进行触发报警条件,推送报警信息,以达到提前预警的功能。
所述设备状态指标为常规设备的监测数据,如振动、摆度、脉动、温度、液位、压力、流量等。
所述3.1的筛选是以水头和导叶开度在稳定运行时的数据区域为标准进行筛选,不在此区域内的数据舍去,在此区域内的数据为健康数据。
本发明具有下列优点和效果:
大数据在商业等领域的应用越来越广泛,但在工业领域更多的还是在探索阶段。水电厂积累了大量的设备运行数据,设备状态检修更多的还是停留在初期探索阶段,如何借助计算机通过对历史数据及实时数据的进一步挖掘利用,是实现水电厂检修模式由计划检修向状态检修转变的重要途径。基于特征值的设备状态评估更能实际反映设备的健康状态,本发明创造性地提出了基于时间权重特征值的计算方法和基于特征值每日变化量计算方法进行设备状态预警。基于时间等差权重特征值有效的兼顾了设备状态历史数据以及实时数据随时间变化对特征值的影响;本发明还提出根据水头变化以一年为时间计算节点计算特征值,符合水电厂设备运行规律;另外本发明还提出采用等时间间隔采集历史和实时数据进行运算,有效保证了各个时间点数据权重的分配比例。根据计算的特征值日平均值和每日变化量日平均值,借助计算机采用线性回归预测方法对设备状态进行提前预警,相对其他预测方法的预测准确度更高。实时计算、实时评估预警,可在设备故障发生初期提醒运维人员进行提前干预,更好的做到设备状态评估和预防性检修。
在数据驱动生产模式变革的今天,如何应用计算机技术使数据产生应有的价值,是水电行业面临亟待解决的问题。在知易行难、理论多于实践的水电数字化转型阶段,本发明给出了一套完整的水电机组设备数据采集、加工处理、应用的方法。通过计算机辅助运算,从大量数据中挖掘设备运行状态本质特征,用于支撑设备状态检修,在水电行业具有很好的普遍推广意义和价值,也为其他工业生产领域的设备状态分析评估提供参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为线性回归预测模型原理图(向上劣化);
图2为线性回归预测模型原理图(向下劣化);
图3为根据本发明实施例的特征值计算及预警方法的示意性流程图;
图4为特征值与实时值趋势示意图;
图5为实施例1摆度特征值劣化趋势。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明做进一步详细说明。
实施例1
本例通过对某水电厂1号机组某水导轴承摆度特征值计算及预警过程进一步详细说明,过程如下:
1)通过现有水电厂机组状态监测系统采集水导轴承摆度历史数据和实时采集的数据,为节约运算与存储资源,以15分钟为等时间间隔进行采样,从机组状态监测系统中抽取所需要的数据,即每15分钟取一个水导摆度数据;
2)根据水电机组的运行特性,水电机组运行水头基本遵循以年为周期的波动变化,不同水头下对应机组状态会有一定差异,且不同工况下也会不一样,因此建立以一年为基本单元的设备特征值实时滚动计算;
3)按如下方法计算设备状态指标特征值:
3.1)以机组水头、导叶开度为机组稳定区域限制条件,对进入计算的设备状态监视数据进行筛选,确保计算特征值的实时数据为健康样本;
3.2)以当前时间为节点往前一年的水导摆度历史数据为基础计算设备特征值,开始计算的第一个数据为起点进行标记,首先统计进入计算的数据健康样本个数,1号机组该年度约1/2时间运行在稳定区域,一年以365天计算,则进入计算的样本个数N=365×1/2×24×4=17520:
3.3)以时间权重为基础,总权重为1,设第一个计算数据开始权重占比为1175202,按等差数列的方式,所占权重比依次递增,越早时间的数据所占权重越小,越近的数据所占权重比例越大,设每个数据权重占比之差为d,可得如下公式:
3.4)进一步根据公式计算可得每个数据所占权重比之差d为:
则权重占比进一步表示为:
其中N表示进入计算的健康样本个数17520;
3.5)设当前进入计算特征值的数据序列为X1、X2、X3、…XN,通过在线监测系统实际采集数据序列,该机组稳定区域工况下水导摆度在90-120μm之间,设备特征值为Y,借助计算机进行计算水导摆度特征值Y:
3.6)因水导摆度状态变化是一个缓慢渐变的过程,为节约计算资源,以1个小时为时间隔进行一次统计计算,新的一次计算开始,舍去上一次计算一年最初1个小时的数据,加入新采集的最新1个小时的数据,即以最新时刻为计算节点重复进行3.1)-3.5)步骤计算产生新的特征值,若无最新数据,则本次无需计算,本次特征值等于上一次计算值,以此往复不断产生新的特征值,通过计算可发现,在设备异常前特征值是一个相对比较稳定的范围,基本维持在102±3μm,变化很小,但水导摆度实时数据是一个波动比较大的范围(如图4);
4)以当前时间点为标记,以1个小时为时间隔进行一次统计计算,设过去24小时计算的每个特征值为Y1、Y2、Y3…Y24,昨日当前时间点为标记再往前24小时计算的每个特征值为Y1’、Y2’、Y3’、…Y24’,分别计算过去24小时特征值的平均值,同样以1个小时为时间间隔重新计算一次:
根据不断产生新的特征值,往复计算24小时特征值平均值,当前计算的第一个24小时平均值:
根据不断产生新的特征值平均值,计算特征值变化量:
5)以当前时间点为标记,根据步骤41)得到的过去24小时特征值每日变化量,计算特征值每日变化量平均值:
根据计算可发现,设备特征值缓变量是一个较小的值,且每日变化量相差不大,说明水导摆度是一个渐变的过程。
7)该机组稳定运行工况下水导摆度允许的最大特征限值为250μm,期望提前15日对运维人员预警,按照线性回归预测的方法进行设备状态预警:
根据线性回归预测模型,15日以后,水导摆度将增大值290.5,大于允许的最大限值250,说明设备状态在逐渐劣化。电厂进一步检查发现,为1号机组其中一个导叶拐臂连杆螺栓松动,接力器对该导叶控制失准,导致水力不平衡产生的水导摆度逐渐增大,电厂及时进行了停机处理,避免了事件的进一步扩大。
根据本实施例对某电厂1号机组水导轴承摆度特征值计算,并根据特征值变化量进行水导摆度状态劣化进行精准预测,及时发现了导叶存在的缺陷,提前根据机组状态进行检修处理,达到状态检修的目的,证明本发明方法准确、可行,值得推广。
Claims (3)
1.一种基于水电设备状态指标特征值进行状态监测的方法,其特征在于包括下列步骤:
1)以n分钟为等时间间隔进行采样,从系统中抽取所需要的数据;
2)建立以一年为基本单元的设备状态指标特征值实时滚动计算;
3)按如下方法计算设备状态指标特征值:
3.1)以机组水头、导叶开度为机组稳定区域限制条件,对进入计算的设备状态监视数据进行筛选,确保计算特征值的实时数据为健康样本;
3.2)以当前时间为节点往前一年的历史数据为基础计算设备特征值,开始计算的第一个数据为起点进行标记,首先统计进入计算的数据健康样本个数为N;
3.3)以时间权重为基础,总权重为1,设第一个计算数据开始权重占比为1/N2,按等差数列的方式,所占权重比依次递增,越早时间的数据所占权重越小,越近的数据所占权重比例越大,设每个数据权重占比之差为d,得到如下公式:
3.4)进一步根据公式计算可得每个数据所占权重比之差d为:
则权重占比进一步表示为:
其中N表示进入计算的数据健康样本个数;
3.5)设当前进入计算特征值的数据序列为X1、X2、X3、…XN,设备特征值为Y,则特征值Y计算可表示为如下计算公式:
机组运行在稳定区域,假设在理想情况下,X1=X2=…XN,则特征值等于Y=X1=X2=…XN;
3.6)以m个小时为时间间隔进行一次统计计算,新的一次计算开始,舍去上一次计算一年最初m个小时的数据,加入新采集的最新m个小时的数据,即以最新时刻为计算节点重复进行3.1)-3.5)步骤计算产生新的特征值,若无最新数据,则本次无需计算,本次特征值等于上一次计算值,以此往复不断产生新的特征值;
4)以当前时间点为标记,以m个小时为时间间隔进行一次统计计算,设过去24小时计算的每个特征值为Y1、Y2、Y3…Yk,昨日当前时间点为标记再往前24小时计算的每个特征值为Y1’、Y2’、Y3’、…Yk’,其中k=24/m,分别计算过去24小时特征值的平均值:
同样以m个小时为时间间隔重新计算一次,根据不断产生新的特征值,往复计算24小时特征值平均值;
同样以m个小时为时间间隔重新计算一次,根据不断产生新的特征值平均值,计算特征值变化量;
5)以当前时间点为标记,根据步骤4.1)得到的当日与前一日的特征值变化量Δi,计算特征值每日变化量平均值:
其中Z表示目标值,x表示天数;
2.根据权利要求1所述的基于水电设备状态指标特征值进行状态监测的方法,其特征在于:所述设备状态指标为常规设备的监测数据。
3.根据权利要求1所述的基于水电设备状态指标特征值进行状态监测的方法,其特征在于:所述步骤3.1的筛选是以水头和导叶开度在稳定运行时的数据区域为标准进行筛选,不在此区域内的数据舍去,在此区域内的数据为健康数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335559.6A CN114298131A (zh) | 2021-11-11 | 2021-11-11 | 一种基于水电设备状态指标特征值进行状态监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111335559.6A CN114298131A (zh) | 2021-11-11 | 2021-11-11 | 一种基于水电设备状态指标特征值进行状态监测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298131A true CN114298131A (zh) | 2022-04-08 |
Family
ID=80964287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111335559.6A Withdrawn CN114298131A (zh) | 2021-11-11 | 2021-11-11 | 一种基于水电设备状态指标特征值进行状态监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270416A (zh) * | 2022-06-28 | 2022-11-01 | 中国电建集团江西省电力设计院有限公司 | 电站燃气轮机运行状态的在线判断方法、装置和设备 |
-
2021
- 2021-11-11 CN CN202111335559.6A patent/CN114298131A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115270416A (zh) * | 2022-06-28 | 2022-11-01 | 中国电建集团江西省电力设计院有限公司 | 电站燃气轮机运行状态的在线判断方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dutta et al. | Load and renewable energy forecasting for a microgrid using persistence technique | |
CN110471024A (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
CN106600447B (zh) | 一种变电站巡检机器人集中监控系统大数据云分析方法 | |
CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
CN108319131A (zh) | 基于数据挖掘的机组调峰能力评估方法 | |
CN114252103A (zh) | 融合电站运行故障预测方法 | |
CN114298131A (zh) | 一种基于水电设备状态指标特征值进行状态监测的方法 | |
CN114819385A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
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 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
Jing et al. | Reliability analysis of distribution network operation based on short-term future big data technology | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach | |
CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
CN114358382A (zh) | 电力系统等效惯量概率预测方法、装置、产品及存储介质 | |
Liu et al. | A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine | |
CN118228897B (zh) | 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法 | |
Jin et al. | Overview of Research on Health Assessment and Fault Prediction of Complex Equipment Driven by Big Data |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220408 |