CN114399003A - 基于进化算法及lstm的发电机线棒振动优化控制系统 - Google Patents
基于进化算法及lstm的发电机线棒振动优化控制系统 Download PDFInfo
- Publication number
- CN114399003A CN114399003A CN202210076608.7A CN202210076608A CN114399003A CN 114399003 A CN114399003 A CN 114399003A CN 202210076608 A CN202210076608 A CN 202210076608A CN 114399003 A CN114399003 A CN 114399003A
- Authority
- CN
- China
- Prior art keywords
- generator
- vibration
- value
- bar
- temperature
- 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
-
- 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
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明属于发电机技术领域,尤其涉及一种基于进化算法及LSTM的发电机线棒振动优化控制系统。包括,数据采集,采集发电机有功功率、发电机无功功率、发电机励磁电流、发电机各槽内温度测点、铁芯各槽温度测点、发电机端部振动测点以及其他与发电机端部振动相关的测点的历史数据.与现有的技术相比,本基于进化算法及LSTM的发电机线棒振动优化控制系统的优点在于:能够保障发电机稳定运行,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。
Description
技术领域
本发明属于发电机技术领域,尤其涉及一种基于进化算法及LSTM的发电机线棒振动优化控制系统。
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。
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。
部分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。部分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。而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,直至超过国标限值。
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,即大修时解体通过对线棒重新绑扎、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机制来调节线棒振动的方法,具备一定效果,但是缺乏历史数据层面的数理支撑,在调节前不能明确调节方向,需要试错,效率低且对于复杂的发电机线棒振动而言易限于局部最优解。
发明内容
本发明的目的是针对上述问题,提供一种设计合理,能够保障发电机稳定运行的一种基于进化算法及LSTM的发电机线棒振动优化控制系统。
为达到上述目的,本发明采用了下列技术方案:本基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,包括以下步骤:
步骤1、数据采集,采集发电机有功功率、发电机无功功率、发电机励磁电流、发电机各槽内温度测点、铁芯各槽温度测点、发电机端部振动测点以及其他与发电机端部振动相关的测点的历史数据;
步骤2、数据预处理及数据集构建,对步骤1采集的历史数据进行数据清洗、优选、扩维、归一化等数据预处理后以特殊数据结构构建训练集、验证集、测试集,数据集按7:2:1比例进行划分;
步骤3、以步骤2中所构建的训练集和验证集两个数据集作为LSTM模型的输入,发电机线棒端部振动作为模型的输出,以平均绝对误差MAE为损失函数,不断优化模型结构和超参数,使模型满足相关精度要求;
步骤4、利用步骤2中所构建的测试集测试步骤3中得到的LSTM模型的鲁棒性,检查其是否有过拟合现象,若模型在测试集的拟合效果远不如训练集,则说明模型存在过拟合现象,返回步骤3,通过降低神经网络层数、神经元个数、降低训练轮数等方法,重新训练模型;
步骤5、设置发电机线棒端部振动优化控制系统的运行模式,若设备不具备闭环控制的条件,则选择模式一,控制系统进入基于最优偏置的发电机线棒振动优化控制模式,进入步骤6,若设备具备闭环控制的条件,则选择模式二,控制系统会进入基于进化算法与实时值的发电机线棒振动优化实时控制模式,进入步骤7;
步骤6、基于最优偏置的发电机线棒振动优化控制;
步骤6-1、设定系统参数,包括历史基准工况时间段、发电机线棒进水温度偏置遍历边界、遍历精度、发电机线棒端部振动限定值,根据系统参数完成基准工况矩阵的取数工作;
步骤6.2、根据偏置遍历边界、遍历精度,计算出发电机线棒槽内平均温度偏置值的集合,用集合中的某一偏置值给基准工况矩阵中的相关数据加上偏置获取一个偏置后的工况矩阵;
步骤6.3、步骤6.2得到的偏置后的工况矩阵在进行归一化后代入步骤4中训练好的LSTM模型计算得到发电机线棒端部振动的预测值序列,计算预测值序列中发电机线棒振动值超过限定值的占比;
步骤6.4、返回步骤6.2直至完成集合内偏置值的遍历,选取振动值超限占比最小时所对应的偏置值作为发电机运行进水温度的固定偏置值,用以压制发电机线棒端部振动;
步骤7、基于进化算法与实时值的发电机线棒振动优化实时控制;
步骤7.1、设定系统参数,包括系统启动条件、发电机进水温度与发电机冷氢温度的初始偏置值、发电机进水温度与发电机冷氢温度的运行边界、发电机线棒槽内平均温度与发电机铁芯平均温度运行边界、发电机线棒进水温度和冷氢温度的最小差值,系统运行时间间隔、系统控制精度等参数;
步骤7.2、获取计算所需当前工况实时值;若当前发电机线棒振动值满足系统启动条件,则进入步骤7.3;反之,则延时系统运行时间间隔后重新执行本步骤;
步骤7.3、以发电机线棒槽内平均温度与发电机铁芯平均温度为两个待求解的决策变量,求取在满足运行边界条件和设定条件的前提下两个决策变量的边界值;以线棒振动模型输出的振动幅值的倒数为适应度,利用进化算法结合步骤4中已建立的发电机线棒振动模型,求取两个决策变量的最优解,使得在当前工况下LSTM模型输出的发电机线棒振动最小;
步骤7.4、获取发电机线棒槽内平均温度、发电机铁芯平均温度、发电机进水温度偏置、发电机冷氢温度偏置的当前值,结合两个决策变量的最优解,计算出新的发电机进水温度偏置、发电机冷氢温度偏置;
步骤7.5、将步骤7.4计算得到的新的发电机进水温度偏置、发电机冷氢温度偏置送入发电机DCS系统,实时调节发电机进水温度与发电机冷氢温度,用以压制发电机线棒端部振动,然后延时系统运行时间间隔后返回步骤7.2。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤1中其他与发电机端部振动相关的测点为: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、发电机定子负序电流。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤2中的数据清洗,包括数据缺失值处理、离群脏数据的剔除;
所述步骤2中的优选,为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;
所述步骤2中的扩维,指利用清洗后的数据求取各个时间戳的发电机槽内温度平均和铁芯温度平均值,将这两个扩维点加入数据集作为特征向量,删除数据集内发电机各槽温度测点和铁芯各槽温度测点,最终形成的数据集包含的特征向量和标签向量;
所述步骤2中的归一化按照训练集的均值和标准差分别对三个数据集进行标准化处理。
其中mean为训练数据集均值,std为训练数据集标准差,x为需要进行标准化的数据集,x*为标准化后的数据集;
训练集、验证集、测试集的构建是将数据集按照7:2:1的比例划分;
所述步骤2中的特殊数据结构是指带有时间窗口t imestep的符合LSTM输入条件的数据结构。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤3的中绝对误差MAE的计算方法为:
其中h(x)为模型预测值,y为历史实际数据,m为样本个数
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤6.1中的基准工况矩阵需包含有振动超过限定值的工况,时间段长度可为1天到2周。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤6.2中偏置值的集合的计算公式如下
an=a1+(n-1)*d (1)
an<am (2)
其中,an为偏置集集合中的第n项,a1、am为偏置遍历边界的高值和低值,d为遍历精度。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤7.3中所述满足运行边界条件和设定条件的前提是指两个决策变量Xian_M、Tie_M需满足如下五个条件:
Xian_S+Shui_B_L-Shui_S<Xian_M<Xian_S+Shui_B_H-Shui_S;Tie_S+Qing_B_L-Qing_S<Tie_M<Tie_S+Qing_B_H-Qing_S;
Qing_S<Shui_S-D-value;
Xian_B_L<Xian_M<Xian_B_H;
Tie_B_L<Tie_M<Tie_B_H;
其中,Xian_M、Tie_M为发电机线棒槽内平均温度与发电机铁芯平均温度这两个决策变量的最优解,Shui_S、Qing_S为发电机进水温度与发电机冷氢温度的实时值,Xian_S,Tie_S为发电机线棒槽内平均温度、发电机铁芯平均温度实时值,Shui_B_L、Shui_B_H为发电机进水温度边界值的低限和高限,Qing_B_L、Qing_B_H为发电机冷氢温度边界值的低限和高限,Xian_B_L、Xian_B_H为发电机线棒槽内平均温度的边界值的低限和高限,Tie_B_L、Tie_B_H为发电机铁芯平均温度运行边界的的低限和高限。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述步骤7.4中新偏置值的计算方法为,记控制精度为Ac,若Xian_M>Xian_S+Ac,则Shui_P=Shui_P+Ac,若Xian_M<Xian_S-Ac,则Shui_P=Shui_P-Ac;若Tie_M>Tie_S+Ac,则Qing_P=Qing_P+Ac,若Tie_M<Tie_S-Ac,则Qing_P=Qing_P-Ac;若上述两个条件均不满足,则偏置值保持不变。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中,所述的步骤7.1中,系统运行时间间隔默认值为0.5-5分钟。
在上述的基于进化算法及LSTM的发电机线棒振动优化控制系统中:系统运行时间间隔默认值为1分钟。
与现有的技术相比,本基于进化算法及LSTM的发电机线棒振动优化控制系统的优点在于:能够保障发电机稳定运行,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LSTM的发电机线棒振动模型,挖掘出发电机线棒平均温度和发电机铁芯平均温度与发电机线棒振动之间的函数关系,进而结合进化算法建立一套发电机线棒振动优化自动控制系统;该系统具备基于最优偏置的发电机线棒振动优化控制模式、基于进化算法与实时值的发电机线棒振动优化实时控制模式这两种不同的控制模式,可以基于全局找出发电机定冷水进水温度和发电机冷氢温度的最佳偏置值,避免陷入局部最优解,进而在运行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LSTM的发电机线棒端部振动模型建立的流程图。
图2为模式一基于最优偏置的发电机线棒振动优化控制流程图。
图3为模式二基于进化算法与实时值的发电机线棒振动优化实时控制流程图。
图4为实例中LSTM在测试集上的拟合值与实际值对比图。
图5为实例中LSTM模型在不同温升偏置下对振动的压制效果图。
图6为实例中进水温度为46、48摄氏度的实际工况对比1。
图7为实例中进水温度为46、48摄氏度的实际工况对比2。。
图8为实例中遍历温升后得到的振动超限占比结果。
具体实施方式
如图1-3所示,本基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,包括以下步骤:
步骤1、数据采集,采集发电机有功功率、发电机无功功率、发电机励磁电流、发电机各槽内温度测点、铁芯各槽温度测点、发电机端部振动测点以及其他与发电机端部振动相关的测点的历史数据;
步骤2、数据预处理及数据集构建,对步骤1采集的历史数据进行数据清洗、优选、扩维、归一化等数据预处理后以特殊数据结构构建训练集、验证集、测试集,数据集按7:2:1比例进行划分;
步骤3、以步骤2中所构建的训练集和验证集两个数据集作为LSTM模型的输入,发电机线棒端部振动作为模型的输出,以平均绝对误差MAE为损失函数,不断优化模型结构和超参数,使模型满足相关精度要求;
步骤4、利用步骤2中所构建的测试集测试步骤3中得到的LSTM模型的鲁棒性,检查其是否有过拟合现象,若模型在测试集的拟合效果远不如训练集,则说明模型存在过拟合现象,返回步骤3,通过降低神经网络层数、神经元个数、降低训练轮数等方法,重新训练模型;
步骤5、设置发电机线棒端部振动优化控制系统的运行模式,若设备不具备闭环控制的条件,则选择模式一,控制系统进入基于最优偏置的发电机线棒振动优化控制模式,进入步骤6,若设备具备闭环控制的条件,则选择模式二,控制系统会进入基于进化算法与实时值的发电机线棒振动优化实时控制模式,进入步骤7;
步骤6、基于最优偏置的发电机线棒振动优化控制;
步骤6-1、设定系统参数,包括历史基准工况时间段、发电机线棒进水温度偏置遍历边界、遍历精度、发电机线棒端部振动限定值,根据系统参数完成基准工况矩阵的取数工作;
步骤6.2、根据偏置遍历边界、遍历精度,计算出发电机线棒槽内平均温度偏置值的集合,用集合中的某一偏置值给基准工况矩阵中的相关数据加上偏置获取一个偏置后的工况矩阵;
步骤6.3、步骤6.2得到的偏置后的工况矩阵在进行归一化后代入步骤4中训练好的LSTM模型计算得到发电机线棒端部振动的预测值序列,计算预测值序列中发电机线棒振动值超过限定值的占比;
步骤6.4、返回步骤6.2直至完成集合内偏置值的遍历,选取振动值超限占比最小时所对应的偏置值作为发电机运行进水温度的固定偏置值,用以压制发电机线棒端部振动;
步骤7、基于进化算法与实时值的发电机线棒振动优化实时控制;
步骤7.1、设定系统参数,包括系统启动条件、发电机进水温度与发电机冷氢温度的初始偏置值、发电机进水温度与发电机冷氢温度的运行边界、发电机线棒槽内平均温度与发电机铁芯平均温度运行边界、发电机线棒进水温度和冷氢温度的最小差值,系统运行时间间隔、系统控制精度等参数;
步骤7.2、获取计算所需当前工况实时值;若当前发电机线棒振动值满足系统启动条件,则进入步骤7.3;反之,则延时系统运行时间间隔后重新执行本步骤;
步骤7.3、以发电机线棒槽内平均温度与发电机铁芯平均温度为两个待求解的决策变量,求取在满足运行边界条件和设定条件的前提下两个决策变量的边界值;以线棒振动模型输出的振动幅值的倒数为适应度,利用进化算法结合步骤4中已建立的发电机线棒振动模型,求取两个决策变量的最优解,使得在当前工况下LSTM模型输出的发电机线棒振动最小;
步骤7.4、获取发电机线棒槽内平均温度、发电机铁芯平均温度、发电机进水温度偏置、发电机冷氢温度偏置的当前值,结合两个决策变量的最优解,计算出新的发电机进水温度偏置、发电机冷氢温度偏置;
步骤7.5、将步骤7.4计算得到的新的发电机进水温度偏置、发电机冷氢温度偏置送入发电机DCS系统,实时调节发电机进水温度与发电机冷氢温度,用以压制发电机线棒端部振动,然后延时系统运行时间间隔后返回步骤7.2。
所述步骤1中其他与发电机端部振动相关的测点为: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、发电机定子负序电流。
所述步骤2中的数据清洗,包括数据缺失值处理、离群脏数据的剔除;
所述步骤2中的优选,为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;
所述步骤2中的扩维,指利用清洗后的数据求取各个时间戳的发电机槽内温度平均和铁芯温度平均值,将这两个扩维点加入数据集作为特征向量,删除数据集内发电机各槽温度测点和铁芯各槽温度测点,最终形成的数据集包含的特征向量和标签向量;
所述步骤2中的归一化按照训练集的均值和标准差分别对三个数据集进行标准化处理。
其中mean为训练数据集均值,std为训练数据集标准差,x为需要进行标准化的数据集,x*为标准化后的数据集;
训练集、验证集、测试集的构建是将数据集按照7:2:1的比例划分;
所述步骤2中的特殊数据结构是指带有时间窗口t imestep的符合LSTM输入条件的数据结构。
所述步骤3的中绝对误差MAE的计算方法为:
其中h(x)为模型预测值,y为历史实际数据,m为样本个数
所述步骤6.1中的基准工况矩阵需包含有振动超过限定值的工况,时间段长度可为1天到2周。
所述步骤6.2中偏置值的集合的计算公式如下
an=a1+(n-1)*d (1)
an<am (2)
其中,an为偏置集集合中的第n项,a1、am为偏置遍历边界的高值和低值,d为遍历精度。
所述步骤7.3中所述满足运行边界条件和设定条件的前提是指两个决策变量Xian_M、Tie_M需满足如下五个条件:
Xian_S+Shui_B_L-Shui_S<Xian_M<Xian_S+Shui_B_H-Shui_S;Tie_S+Qing_B_L-Qing_S<Tie_M<Tie_S+Qing_B_H-Qing_S;
Qing_S<Shui_S-D-value;
Xian_B_L<Xian_M<Xian_B_H;
Tie_B_L<Tie_M<Tie_B_H;
其中,Xian_M、Tie_M为发电机线棒槽内平均温度与发电机铁芯平均温度这两个决策变量的最优解,Shui_S、Qing_S为发电机进水温度与发电机冷氢温度的实时值,Xian_S,Tie_S为发电机线棒槽内平均温度、发电机铁芯平均温度实时值,Shui_B_L、Shui_B_H为发电机进水温度边界值的低限和高限,Qing_B_L、Qing_B_H为发电机冷氢温度边界值的低限和高限,Xian_B_L、Xian_B_H为发电机线棒槽内平均温度的边界值的低限和高限,Tie_B_L、Tie_B_H为发电机铁芯平均温度运行边界的的低限和高限。
所述步骤7.4中新偏置值的计算方法为,记控制精度为Ac,若Xian_M>Xian_S+Ac,则Shui_P=Shui_P+Ac,若Xian_M<Xian_S-Ac,则Shui_P=Shui_P-Ac;若Tie_M>Tie_S+Ac,则Qing_P=Qing_P+Ac,若Tie_M<Tie_S-Ac,则Qing_P=Qing_P-Ac;若上述两个条件均不满足,则偏置值保持不变。
所述的步骤7.1中,系统运行时间间隔默认值为0.5-5分钟。
作为优选地,系统运行时间间隔默认值为1分钟。
例如:采用来自某电厂1050MW发电机的数据对本发明所提方法的有效性进行验证,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。基于实际需求该实施例运行在模式一,即系统会根据历史数据求出发电机进水温度最优的固定偏置值,具体过程如下:
1.建立基于LSTM的发电机线棒端部振动模型
1.1.通过机理分析,选择与发电机线棒振动相关性强的测点如发电机有功功率、发电机无功功率、发电机电流、发电机线棒和铁芯温度等作为特征向量,选取发电机端部振动幅值作为标签向量,采集3个月的历史数据,取数间隔为15秒。
1.2.进行数据清洗,包括数据缺失值处理、离群脏数据的剔除。
1.3.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。
1.4.对数据进行扩维,利用清洗后的数据求取各个时间戳的发电机槽内温度平均和铁芯温度平均值,将这两个扩维点加入数据集作为特征向量,删除数据集内发电机各槽温度测点和铁芯各槽温度测点,最终形成的数据集包含的特征向量和标签向量名。
1.5.将数据集按照7:2:1的比例划分成训练集、验证集和测试集。
1.6.按照训练集的均值和标准差分别对三个数据集进行标准化处理。
1.7.设置时间窗口t imestep为40,将标准化后的数据集转换成特定数据结构,训练集形状为(n,40,10),n为数据集的条数。
1.8.利用训练集和验证集数据训练发电机线棒振动LSTM模型,调整模型结构和超参数,根据其在验证集上的表现选取最优的模型结构和超参数。
1.9.利用测试集测试LSTM模型的拟合效果,如图4示,可见预测值和实测值有很好的拟合度,可见模型鲁棒性好,不存在过拟合现象。
基于最优偏置的发电机线棒振动优化控制模式
设定系统参数,基准工况时间段Time_period为期4天、发电机线棒进水温度偏置遍历边界Boundary设定为±3摄氏度、遍历精度Accuracy设为0.5摄氏度、发电机线棒端部振动限定值Limit设为250um。
根据基准工况时间段Time_period的设定值完成历史基准工况矩阵T的取数工作。
根据设定值遍历边界Boundary、遍历精度Accuracy,计算出发电机线棒槽内平均温度偏置值的集合记为P,P={-3,-2.5,-2,-1.5,-1,-0.5,0,0.5,1,1.5,2,2.5,3}。
给历史基准工况矩阵T中的发电机线棒槽内平均温度的整列数据整体加上一个固定的偏置值,比如-3,获得工况矩阵T1。
对工况矩阵T1进行归一化处理。
将得到的归一化工况矩阵代入训练好的发电机线棒振动LSTM模型得到发电机线棒端部振动的预测值。
计算预测值中发电机线棒振动值超过限定值Limit的时长占总时长的比例。
以集合P中的元素为偏置值,重复步骤2.1.1-2.1.8,直至完成集合P中所有元素的遍历。
完成遍历后得到的结果如表1示,为清楚展示效果,仅将模型的部分计算结果展示如图5所示。
从表1可以看出,温升2摄氏度时发电机线棒振动值超限占比首次降为0,将其作为近期发电机进水温度的最佳固定偏置值。
在进水温度加偏置前后找了两段相似的运行情况,如图6、图7所示,从图中可以看到在发电机有功功率和无功功率基本相同的前提下,发电机进水温度在设定了+2摄氏度偏置后,发电机线棒端部振动得到了明显的压制,取得了良好的效果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,包括以下步骤:
步骤1、数据采集,采集发电机有功功率、发电机无功功率、发电机励磁电流、发电机各槽内温度测点、铁芯各槽温度测点、发电机端部振动测点以及其他与发电机端部振动相关的测点的历史数据;
步骤2、数据预处理及数据集构建,对步骤1采集的历史数据进行数据清洗、优选、扩维、归一化等数据预处理后以特殊数据结构构建训练集、验证集、测试集,数据集按7:2:1比例进行划分;
步骤3、以步骤2中所构建的训练集和验证集两个数据集作为LSTM模型的输入,发电机线棒端部振动作为模型的输出,以平均绝对误差MAE为损失函数,不断优化模型结构和超参数,使模型满足相关精度要求;
步骤4、利用步骤2中所构建的测试集测试步骤3中得到的LSTM模型的鲁棒性,检查其是否有过拟合现象,若模型在测试集的拟合效果远不如训练集,则说明模型存在过拟合现象,返回步骤3,通过降低神经网络层数、神经元个数、降低训练轮数等方法,重新训练模型;
步骤5、设置发电机线棒端部振动优化控制系统的运行模式,若设备不具备闭环控制的条件,则选择模式一,控制系统进入基于最优偏置的发电机线棒振动优化控制模式,进入步骤6,若设备具备闭环控制的条件,则选择模式二,控制系统会进入基于进化算法与实时值的发电机线棒振动优化实时控制模式,进入步骤7;
步骤6、基于最优偏置的发电机线棒振动优化控制;
步骤6-1、设定系统参数,包括历史基准工况时间段、发电机线棒进水温度偏置遍历边界、遍历精度、发电机线棒端部振动限定值,根据系统参数完成基准工况矩阵的取数工作;
步骤6.2、根据偏置遍历边界、遍历精度,计算出发电机线棒槽内平均温度偏置值的集合,用集合中的某一偏置值给基准工况矩阵中的相关数据加上偏置获取一个偏置后的工况矩阵;
步骤6.3、步骤6.2得到的偏置后的工况矩阵在进行归一化后代入步骤4中训练好的LSTM模型计算得到发电机线棒端部振动的预测值序列,计算预测值序列中发电机线棒振动值超过限定值的占比;
步骤6.4、返回步骤6.2直至完成集合内偏置值的遍历,选取振动值超限占比最小时所对应的偏置值作为发电机运行进水温度的固定偏置值,用以压制发电机线棒端部振动;
步骤7、基于进化算法与实时值的发电机线棒振动优化实时控制;
步骤7.1、设定系统参数,包括系统启动条件、发电机进水温度与发电机冷氢温度的初始偏置值、发电机进水温度与发电机冷氢温度的运行边界、发电机线棒槽内平均温度与发电机铁芯平均温度运行边界、发电机线棒进水温度和冷氢温度的最小差值,系统运行时间间隔、系统控制精度等参数;
步骤7.2、获取计算所需当前工况实时值;若当前发电机线棒振动值满足系统启动条件,则进入步骤7.3;反之,则延时系统运行时间间隔后重新执行本步骤;
步骤7.3、以发电机线棒槽内平均温度与发电机铁芯平均温度为两个待求解的决策变量,求取在满足运行边界条件和设定条件的前提下两个决策变量的边界值;以线棒振动模型输出的振动幅值的倒数为适应度,利用进化算法结合步骤4中已建立的发电机线棒振动模型,求取两个决策变量的最优解,使得在当前工况下LSTM模型输出的发电机线棒振动最小;
步骤7.4、获取发电机线棒槽内平均温度、发电机铁芯平均温度、发电机进水温度偏置、发电机冷氢温度偏置的当前值,结合两个决策变量的最优解,计算出新的发电机进水温度偏置、发电机冷氢温度偏置;
步骤7.5、将步骤7.4计算得到的新的发电机进水温度偏置、发电机冷氢温度偏置送入发电机DCS系统,实时调节发电机进水温度与发电机冷氢温度,用以压制发电机线棒端部振动,然后延时系统运行时间间隔后返回步骤7.2。
2.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤1中其他与发电机端部振动相关的测点为: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、发电机定子负序电流。
3.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤2中的数据清洗,包括数据缺失值处理、离群脏数据的剔除;
所述步骤2中的优选,为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;
所述步骤2中的扩维,指利用清洗后的数据求取各个时间戳的发电机槽内温度平均和铁芯温度平均值,将这两个扩维点加入数据集作为特征向量,删除数据集内发电机各槽温度测点和铁芯各槽温度测点,最终形成的数据集包含的特征向量和标签向量;
所述步骤2中的归一化按照训练集的均值和标准差分别对三个数据集进行标准化处理。
其中mean为训练数据集均值,std为训练数据集标准差,x为需要进行标准化的数据集,x*为标准化后的数据集;
训练集、验证集、测试集的构建是将数据集按照7:2:1的比例划分;
所述步骤2中的特殊数据结构是指带有时间窗口timestep的符合LSTM输入条件的数据结构。
5.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤6.1中的基准工况矩阵需包含有振动超过限定值的工况,时间段长度可为1天到2周。
6.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤6.2中偏置值的集合的计算公式如下
an=a1+(n-1)*d (1)
an<am (2)
其中,an为偏置集集合中的第n项,a1、am为偏置遍历边界的高值和低值,d为遍历精度。
7.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤7.3中所述满足运行边界条件和设定条件的前提是指两个决策变量Xian_M、Tie_M需满足如下五个条件:
Xian_S+Shui_B_L-Shui_S<Xian_M<Xian_S+Shui_B_H-Shui_S;Tie_S+Qing_B_L-Qing_S<Tie_M<Tie_S+Qing_B_H-Qing_S;
Qing_S<Shui_S-D-value;
Xian_B_L<Xian_M<Xian_B_H;
Tie_B_L<Tie_M<Tie_B_H;
其中,Xian_M、Tie_M为发电机线棒槽内平均温度与发电机铁芯平均温度这两个决策变量的最优解,Shui_S、Qing_S为发电机进水温度与发电机冷氢温度的实时值,Xian_S,Tie_S为发电机线棒槽内平均温度、发电机铁芯平均温度实时值,Shui_B_L、Shui_B_H为发电机进水温度边界值的低限和高限,Qing_B_L、Qing_B_H为发电机冷氢温度边界值的低限和高限,Xian_B_L、Xian_B_H为发电机线棒槽内平均温度的边界值的低限和高限,Tie_B_L、Tie_B_H为发电机铁芯平均温度运行边界的的低限和高限。
8.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述步骤7.4中新偏置值的计算方法为,记控制精度为Ac,若Xian_M>Xian_S+Ac,则Shui_P=Shui_P+Ac,若Xian_M<Xian_S-Ac,则Shui_P=Shui_P-Ac;若Tie_M>Tie_S+Ac,则Qing_P=Qing_P+Ac,若Tie_M<Tie_S-Ac,则Qing_P=Qing_P-Ac;若上述两个条件均不满足,则偏置值保持不变。
9.根据权利要求1所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,所述的步骤7.1中,系统运行时间间隔默认值为0.5-5分钟。
10.根据权利要求9所述基于进化算法及LSTM的发电机线棒振动优化控制系统,其特征在于,系统运行时间间隔默认值为1分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076608.7A CN114399003A (zh) | 2022-01-24 | 2022-01-24 | 基于进化算法及lstm的发电机线棒振动优化控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076608.7A CN114399003A (zh) | 2022-01-24 | 2022-01-24 | 基于进化算法及lstm的发电机线棒振动优化控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399003A true CN114399003A (zh) | 2022-04-26 |
Family
ID=81232886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210076608.7A Pending CN114399003A (zh) | 2022-01-24 | 2022-01-24 | 基于进化算法及lstm的发电机线棒振动优化控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399003A (zh) |
-
2022
- 2022-01-24 CN CN202210076608.7A patent/CN114399003A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6569014B2 (ja) | 電力系統の運転予備力の安全マージンに対するオンライン評価方法 | |
Ko et al. | Assessment of achievable PI control performance for linear processes with dead time | |
Jain et al. | Power system tracking and dynamic state estimation | |
Mao et al. | An effective subgradient method for scheduling a steelmaking-continuous casting process | |
CN114649814A (zh) | 一种柔性互联配电系统两阶段鲁棒优化方法 | |
Ding et al. | Time series method for short-term load forecasting using smart metering in distribution systems | |
CN111881583A (zh) | 一种基于声源贡献分析的变电站降噪方案设计方法 | |
CN114399003A (zh) | 基于进化算法及lstm的发电机线棒振动优化控制系统 | |
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 | |
张旭刚 et al. | Remanufacturing scheme decision model and application based on remaining useful life estimation | |
CN112531736B (zh) | 一种电力系统区域间振荡抑制的广域阻尼控制器设计方法 | |
CN104953914B (zh) | 一种异步电机无传感器预测转矩控制系统及方法 | |
CN110707693A (zh) | 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法 | |
CN111327052B (zh) | 一种电力系统机组组合加速优化方法及装置 | |
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 | |
CN113922395B (zh) | 一种三相不平衡的治理方法及系统 | |
Tabachnikova et al. | Analytical studies of transformers operating modes in supply and distribution electric network of a field substation | |
CN105186541B (zh) | 一种基于极限潮流的地区电网无功优化方法 | |
CN113852123B (zh) | 一种电力系统自动电压控制方法、装置、电子设备和存储介质 | |
Barazane et al. | A sliding mode control associated to the field-oriented control of asynchronous motor supplied by photovoltaic solar energy | |
CN114336686B (zh) | 一种基于自适应预测控制系统的电网区域振荡抑制方法 | |
Akbal et al. | PSO and CSA to Estimate of Parameter in Power Line | |
CN111262279B (zh) | 基于松弛邻域搜索的电力系统机组组合优化方法及装置 | |
RU212318U1 (ru) | Станция управления группой штанговых глубинных насосных установок | |
Lee et al. | Power quality monitoring-based distribution network characteristic analysis using machine learning |
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 |