CN114863651A - 辅机状态监测智能预警方法 - Google Patents

Abstract

本发明公开了一种辅机状态监测智能预警方法，包括：确定用于监测辅机运行状态的第三监测体系，所述第三监测体系包含至少一个监测指标；获取每一个机组运行工况下的每一个所述监测指标的监测记录文本；根据每一个所述监测指标的监测记录文本，并通过预设的数据趋势检测体系获取每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的检测结果集合进行每一个所述监测指标的趋势预警。本发明能够智能分析不同的水电站设备状态监测数据的变化趋势，且能够有效提高趋势预警的及时性和准确性。

Description

辅机状态监测智能预警方法

技术领域

本发明属于设备监测技术领域，具体是涉及到一种辅机状态监测智能预警方法。

背景技术

水轮发电机组、变压器和辅机是水电站中重要的电气设备，它们直接影响水电站系统的安全运行水平，一旦发生故障，会造成巨大的直接和间接损失。目前，对水电站中的设备(包括水轮发电机组、变压器和辅机等)进行运行状态监测主要采用越限值预警法和基于人工分析的趋势预警法。

(1)越限值报警法。通过设置设备监测点的限值，比如上限值、下限值等，实时检测设备的状态监测数据是否达到设定的限值，若状态监测数据达到设定的限值，则预警输出。例如，针对变压器的运行状态监测，可以通过判断变压器油中的每一种气体含量是否超出标准限值来判断变压器健康状态，这种方法难以发现早期的劣化苗头。由于设备的状态监测数据受到设备运行工况、环境等因素影响会有明显变化，因此用固定限值来进行预警，预警误差大，从而导致了误报警或者异常未报警的问题。

(2)基于人工分析的趋势预警法。在应用于水电站的设备监测系统分析功能中设置监测数据趋势分析，数据分析师通过对设备的状态监测数据进行趋势分析，评估设备的运行状态，当发现设备的状态监测数据出现单调变化趋势时，数据分析师手动推送设备存在异常的结论给运行维护人员进行停机检修。但设备状态的监测数据量大，对数据分析师的工作量以及对数据的敏感性均有较高的要求，且人工参与分析预警的及时性难以保证。

发明内容

本发明实施例的目的在于提供一种机组、变压器以及辅机状态监测智能预警方法，以克服现有技术存在的上述至少一个问题。

基于上述目的，第一方面，本发明实施例提供了一种机组状态监测智能预警方法，包括：

确定用于监测水轮发电机组运行状态的第一监测体系，所述第一监测体系中包含至少一类监测量；

判断当前的机组工况数据是否满足每一类监测量对应的工况判定条件；

在当前的机组工况数据满足每一类所述监测量对应的工况判定条件时，根据获取到的每一类所述监测量的监测记录文本，并通过连续递增趋势检测法获取每一类所述监测量的一类检测结果。

优选地，所述机组状态监测智能预警方法，还包括：

根据每一类所述监测量的监测记录文本，并通过曼-肯德尔趋势检测法获取每一类所述监测量的二类检测结果；

根据每一类所述监测量的一类检测结果和二类检测结果进行每一类所述监测量的趋势预警。

优选地，所述根据每一类所述监测量的监测记录文本，并通过曼-肯德尔趋势检测法获取每一类所述监测量的二类检测结果，包括：

从每一类所述监测量的监测记录文本获取每一类监测量在预设监测周期内的平均测定值；

采用曼-肯德尔趋势校验算法对每一类监测量在预设监测周期内的平均测定值进行处理，以获取每一类所述监测量的趋势变化；

根据每一类所述监测量的趋势变化和预设置信度阈值，获取每一类所述监测量的二类检测结果。

优选地，所述第一监测体系包含一类监测量、二类监测量和三类监测量；所述一类监测量包含导轴承温度和油槽温度；所以二类监测量包含定子铁芯温度、定子线圈温度、空气冷却器出口温度和空气冷却器入口温度；所述三类监测量包含油槽油位和水流量；所述机组工况数据包含机组的发电状态信息和有功功率信息；

所述判断当前的机组工况数据是否满足每一类监测量对应的工况判定条件，包括：

在机组的发电状态信息由“0”变为“1”，且开机运行时长达到预设第一时长之后，机组的有功功率信息达到预设第一功率时，确定满足一类监测量对应的工况判定条件；

在机组的发电状态信息由“0”变为“1”，且开机运行时长达到预设第一时长之后，机组的有功功率信息达到预设第二功率时，确定满足二类监测量对应的工况判定条件；所述预设第二功率设置在预设额定负荷范围内；

在机组的发电状态信息由“0”变为“1”，且机组的有功功率信息达到预设第三功率时，确定满足三类监测量对应的工况判定条件。

优选地，所述根据获取到的每一类所述监测量的监测记录文本，并通过连续递增趋势检测法获取每一类所述监测量的一类检测结果，包括：

获取每一类所述监测量的测定值，并通过预设的均值模型获得每一类所述监测量的平均测定值，并将所述平均测定值存储于监测记录文本。

从每一类所述监测量的监测记录文本中，获取预设第一数量的平均测定值；

对所述预设第一数量的平均测定值进行拟合，获取每一类所述监测量的拟合曲线；

根据每一类所述监测量的拟合曲线，获取用于表征每一类所述监测量变化趋势的第一特征值；

根据各所述第一特征值和预设预警阈值确定每一类所述监测量的一类检测结果。

本发明实施例提供的机组状态智能预警方法，基于用于监测机组运行状态的第一监测体系，利用连续递增趋势检测法对第一监测体系中的每一类监测量的监测数值变化趋势进行实时追踪以及分析，从而实现机组状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对机组的多维度监测量趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

第二方面，本发明实施例提供了一种变压器状态监测智能预警方法，包括：

确定用于监测变压器运行状态的第二监测体系；

从所述第二监测体系中获取Ⅰ类监测参数，在当前的机组工况数据满足所述Ⅰ类监测参数对应的工况判定条件时，根据获取到的所述Ⅰ类监测参数的监测记录文本，并通过连续递增趋势检测法获取一类预警结果；该Ⅰ类监测参数是指，与机组工况数据存在相关关系的数据；

从所述第二监测体系中获取Ⅱ类监测参数，根据获取到的所述Ⅱ类监测参数的监测记录文本，并通过所述连续递增趋势检测法获取二类预警结果集合；该Ⅱ类监测参数是指，与所述机组工况数据不存在相关关系的数据。

优选地，所述Ⅰ类监测参数为变压器温度；所述Ⅰ类监测参数的监测记录文本为温度记录文本；所述机组工况数据包括机组的发电状态信息和有功功率信息；

所述在当前的机组工况数据满足工况判定条件时，根据获取到的所述Ⅰ类监测参数的监测记录文本，并通过连续递增趋势检测法获取一类预警结果，包括：

若机组的发电状态信息由“0”变为“1”，且在机组运行时长达到预设第二时长之后，机组的有功功率信息达到预设第四功率，则确定满足变压器温度对应的工况判定条件；

获取所述变压器温度的测量值，通过预设的均值模型计算温度平均值，并存储至温度记录文本中；

从所述温度记录文本中获取预设第二数量的所述温度平均值，对所述预设第二数量的所述温度平均值进行拟合，获取变压器温度曲线；

根据所述变压器温度曲线获取用于表征变压器温度趋势变化的第二特征值，并根据所述第二特征值和预设预警阈值获得一类预警结果。

优选地，所述Ⅱ类监测参数为变压器油中每一种气体的含量和绝对产气速率；所述Ⅱ类监测参数的监测记录文本为气体记录文本；

所述根据获取到的所述Ⅱ类监测参数的监测记录文本，并通过所述连续递增趋势检测法获取二类预警结果集合，包括：

通过安装在变压器上的油色谱在线监测装置获取各运行日每一种气体的含量，计算每一种所述气体的含量平均值和绝对产气速率，并将每一种所述气体的所述含量平均值和所述绝对产气速率关联存储至气体记录文本中；

从所述气体记录文本中获取预设第三数量的所述含量平均值和所述绝对产气速率，对所述预设第三数量的所述含量平均值和所述绝对产气速率进行拟合，获取气体含量曲线和产气速率曲线；

根据所述气体含量曲线和产气速率曲线获取用于表征气体含量趋势变化和气体产气速率趋势变化的特征值集合，并根据所述特征值集合和预设预警阈值获得二类预警结果集合。

本发明实施例提供的变压器状态智能预警方法，基于用于监测变压器运行状态的第二监测体系，利用连续递增趋势检测法对第二监测体系中的Ⅰ类监测参数和Ⅱ类监测参数的监测数值变化趋势进行实时跟踪以及分析，从而实现变压器状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对变压器的多维度监测参数趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

第三方面，本发明实施例提供了一种辅机状态监测智能预警方法，包括：

确定用于监测辅机运行状态的第三监测体系，所述第三监测体系包含至少一个监测指标；

获取每一个机组运行工况下的每一个所述监测指标的监测记录文本；

根据每一个所述监测指标的监测记录文本，并通过预设的数据趋势检测体系获取每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的检测结果集合进行每一个所述监测指标的趋势预警。

优选地，所述第三监测体系包括辅机运行加载时间、辅机启停间隔时间；所述数据趋势检测体系包含连续递增趋势检测法和曼-肯德尔趋势检测法。

优选地，所述辅机状态监测智能预警方法，还包括：

获取与辅机关联的水轮发电机组的启停状态数据；

将所述启停状态数据输入至预设的工况划分模型，以获得机组运行工况。

优选地，所述启停状态数据包括发电状态信息和停机状态信息；所述机组运行工况包括发电工况、停机工况和开停机工况；所述工况划分模型为：

其中，condition 1为发电工况，condition 2为停机工况，condition 3为开停机工况，power state为发电状态信息，down state为停机状态信息。

本发明实施例提供的辅机状态智能预警方法，基于用于监测辅机运行状态的第三监测体系，利用数据趋势检测体系对不同机组运行工况下的第三监测体系中的每一个监测指标的监测数值变化趋势进行实时跟踪以及分析，从而实现辅机状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对辅机的多维度监测指标趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例中机组状态监测智能预警方法的流程图；

图2为本发明一实施例中机组状态监测智能预警方法中的步骤S103的流程图；

图3为本发明另一实施例中机组状态监测智能预警方法的流程图；

图4为本发明一实施例中变压器状态监测智能预警方法的流程图；

图5为本发明一实施例中变压器状态监测智能预警方法中的步骤S202的流程图；

图6为本发明一实施例中变压器状态监测智能预警方法中的步骤S203的流程图；

图7为本发明一实施例中辅机状态监测智能预警方法的流程图；

图8为本发明另一实施例中辅机状态监测智能预警方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明实施例提供了一种机组状态监测智能预警方法，该方法包括以下步骤：

步骤S101，确定用于监测水轮发电机组运行状态的第一监测体系，第一监测体系中包含至少一类监测量。

在本实施例中，第一监测体系包括但不限于与温度参数相关的一类监测量和二类监测量，以及与液位参数相关的三类监测量；一类监测量包括但不限于导轴承温度和油槽温度，二类监测量包括定子铁芯温度、定子线圈温度、空气冷却器出口温度和空气冷却器入口温度，三类监测量包括但不限于油槽油位和水流量。

步骤S102，判断当前的机组工况数据是否满足每一类监测量对应的工况判定条件。

在本实施例中，每一类监测量对应一种工况判定条件。机组工况数据包括机组的发电状态信息(发电状态信息为启停状态数据中的一种)和有功功率信息。

水轮发电机组的导轴承温度、油槽温度与机组是否处于开机运行状态和开机运行时长存在相关关系，故可以将一类监测量的工况判定条件设置为机组的发电状态信息由“0”变为“1”，此时机组处于开机运行状态下。

定子铁芯温度、定子线圈温度、空气冷却器出口温度、空气冷却器入口温度与开机运行时长和机组带负荷量存在相关关系，故可以将第二类型对应的工况判定条件设置为机组的有功功率信息在70％～100％额定负荷范围内，此时机组处于大功率运行状态下。

油槽油位、水流量与机组是否开始运行存在相关关系，故可以将第三类型对应的工况判定条件设置为机组有功功率超出(大于)带负荷限值，带负荷限值为5兆瓦(MW)，此时机组处于带负荷发电状态下。

作为优选，步骤S102具体包括以下步骤：

步骤一，在机组的发电状态信息由“0”变为“1”，且开机运行时长达到预设第一时长之后，机组的有功功率信息达到预设第一功率时，确定满足一类监测量对应的工况判定条件。其中，预设第一时长、预设第一功率可以根据需求进行设置，例如预设第一时长为2小时，预设第一功率为5兆瓦。

在满足一类测量对应的工况判定条件之后，可以根据预设采集频率开始采集一类监测量的测定值，并在采集时长达到预设刷新时长时，获取刷新后的机组工况数据，并再次判断刷新后的机组工况数据是否满足一类监测量对应的工况判定条件，在检测到机组的发电状态信息由“1”变为“0”时，停止数据采集。其中，预设刷新时长可以根据需求进行设置，例如预设刷新时长为2分钟。

步骤二，在机组的发电状态信息由“0”变为“1”，且开机运行时长达到预设第一时长之后，机组的有功功率信息达到预设第二功率时，确定满足二类监测量对应的工况判定条件。其中，预设第二功率设置在70％～100％额定负荷范围内。

在满足二类测量对应的工况判定条件之后，可以根据预设采集频率开始采集二类监测量的测定值，并在采集时长达到预设刷新时长时，获取刷新后的机组工况数据，并再次判断刷新后的机组工况数据是否满足二类监测量对应的工况判定条件，在检测到机组的发电状态信息由“1”变为“0”时，停止数据采集。

步骤三，机组的发电状态信息由“0”变为“1”，且机组的有功功率信息达到预设第三功率时，确定满足三类监测量对应的工况判定条件。其中，预设第三功率可以根据需求进行设置，例如预设第三功率为5兆瓦(MW)。

在满足三类测量对应的工况判定条件之后，可以根据预设采集频率开始采集三类监测量的测定值，并在采集时长达到预设刷新时长时，获取刷新后的机组工况数据，并再次判断刷新后的机组工况数据是否满足二类监测量对应的工况判定条件，在检测到机组的有功功率信息未达到预设第三功率时，停止数据采集。

需要说明的是，步骤一、步骤二和步骤三可以同时执行，也可以是某一步骤优于其他步骤执行。

步骤S103，在当前的机组工况数据满足每一类监测量对应的工况判定条件时，根据获取到的每一类监测量的监测记录文本，并通过连续递增趋势检测法获得每一类监测量的一类检测结果。

在本实施例中，监测记录文本用于存储监测量的监测数量，且监测记录文本中的数据是按照数据获取的先后顺序进行存储的，且监测记录文本中的数据具有数据有效期，也即当监测记录文本中的数据超出数据有效期时，该数据将会被清除。作为优选，如图2所示，步骤S103具体包括以下步骤：

步骤S1031，获取每一类监测量的测定值，并通过预设的均值模型获得每一类监测量的平均测定值，并将测定均值存储于监测记录文本。其中，均值模型具体表示为：

公式(1)中，μ为平均测定值，X_i为第i个测定值，N为参与计算的测定值数量。

步骤S1032，从每一类监测量的监测记录文本中，获取预设第一数量的平均测定值。其中，预设第一数量可以根据需求进行设置，例如预设第一数量为15个。

步骤S1033，对预设第一数量的平均测定值进行拟合，获得每一类监测量的拟合曲线。

步骤S1034，根据每一类所述监测量的拟合曲线，获取用于表征每一类监测量变化趋势的第一特征值。其中，第一特征值是指，根据拟合曲线中反算得到的最后一个拟合值与第一个拟合值的比值，且拟合曲线中的拟合值的数量与预设第一数量相关。

步骤S1035，根据各第一特征值和预设预警阈值确定每一类监测量的一类检测结果。其中，预设预警阈值可以根据预警等级进行设置，且预警等级越高对应的预警阈值越大。

在本实施例中，每一类监测量均对应一个监测记录文本，且均对应一条拟合曲线。以一类监测量包含水轮发电机组的导轴承温度、油槽温度进行举例说明：在分别获取到导轴承温度、油槽温度的温度值之后，首先将导轴承温度、油槽温度的测定值输入至均值模型中，以得到导轴承温度、油槽温度的温度平均值，并将导轴承温度、油槽温度的温度平均值存储至监测记录文本中，然后从该监测记录文本获取最近的预设第一数量的导轴承温度和油槽温度的温度平均值进行线性回归拟合，得到导轴承温度曲线和油槽温度曲线，然后基于导轴承温度曲线和油槽温度曲线反算得到各条曲线中最后一个温度值和第一个温度值，并将最后一个温度值与第一个温度值的比值作为第一特征值，最后将各第一特征值与各预警等级对应的预警阈值进行比较，并将各第一特征值满足的预警阈值所对应的预警等级作为一类检测结果输出，从而完成导轴承温度、油槽温度趋势预警。

需要说明的是，二类监测量和三类监测量的趋势预警过程与一类监测量的趋势预警过程类似，再次不再赘述，

由此可知，上述实施例的机组状态监测智能预警方法，基于用于监测机组运行状态的第一监测体系，利用连续递增趋势检测法对第一监测体系中的每一类监测量的监测数值变化趋势进行实时追踪以及分析，从而实现机组状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对机组的多维度监测量趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

在一实施例中，如图3所示，该机组状态智能预警方法，还包括以下步骤：

步骤S104，根据每一类监测量的所述监测记录文本，并通过曼-肯德尔趋势检测法获取每一类监测量的二类检测结果。

在本实施例中，对于与温度参数相关的监测量，受环境温度的影响较大，通过连续递增趋势检测法获得的一类检测结果可能会存在结果不稳定的风险，为了降低这种风险，可以通过曼-肯德尔趋势检测法获取一个二类检测结果，以将二类检测结果作为预警结果的判定条件之一。

作为优选，首先从监测记录文本获取每一类监测量在预设监测周期内的平均测定值；然后采用曼-肯德尔趋势校验算法对每一类监测量在预设监测周期内的平均测定值进行处理，以获取每一类所述监测量的趋势变化；最后根据每一类监测量的趋势变化和预设置信度阈值，获取每一类监测量的二类检测结果。其中，二类检测结果包括趋势正常变化和趋势异常变化两种。其中，预设监测周期内、预设置信度阈值均可以根据需求进行设置，例如预设监测周期为30天，预设置信度阈值为2。可理解的，若趋势变化超出(大于)预设置信度阈值，则确定二类检测结果为趋势异常变化，而若趋势变化未超出(小于等于)预设置信度阈值，则确定二类检测结果为趋势正常变化。

步骤S105，根据每一类监测量的一类检测结果和二类检测结果进行每一类监测量的趋势预警。

具体的，对于某一类监测量，若通过连续递增趋势检测法获取的一类检测结果为无预警，以及通过曼-肯德尔趋势检测法获取的二类检测结果为趋势正常变化时，则确定该类监测量的趋势预警状态为正常。而若通过连续递增趋势检测法获取的一类检测结果为任意一种预警等级，或者通过曼-肯德尔趋势检测法获取的二类检测结果为趋势异常变化，则确定该类监测量的趋势预警状态为异常，进一步的将机组告警信息自动推动给设备维护人员。

可理解的，本实施例的机组状态监测智能预警方法，通过每一类监测量的一类检测结果和二类检测结果进行每一类监测量的趋势预警，进一步提高了趋势预警的准确度。

此外，如图4所示，本发明实施例还提供了一种变压器状态监测智能预警方法，该方法包括以下步骤：

步骤S201，确定用于监测变压器运行状态的第二监测体系。

在本实施例中，第二监测体系包括但不限于变压器温度、变压器油中每一种气体(例如总烃、乙炔、氢气、一氧化碳、二氧化碳等)的含量和绝对产气速率等监测参数。在水电站中，水轮发电机组输出的发电量通过变压器升压之后，再输送至电网，故变压器温度与水轮发电机组带负荷、开机运行时间存在相关关系，也即，变压器温度与水轮发电机组的有功功率信息和发电状态信息存在相关关系。

变压器油中每一种气体含量是通过安装在变压器上的油色谱在线监测装置获得，进而计算出每一种气体每日的绝对产气速率。

步骤S202，从第二监测体系中获取Ⅰ类监测参数，且在当前的机组工况数据满足Ⅰ类监测参数对应的预设机组工况时，根据获取到的Ⅰ类监测参数的监测记录文本，并通过连续递增趋势检测法获取一类预警结果；该Ⅰ类监测参数是指，与机组工况数据存在相关关系的数据。

在本实施例中，首先检测第二监测体系中每一个监测参数是否机组工况数据存在相关关系，将与机组工况数据存在相关关系的监测参数标记为Ⅰ类监测参数，而将其他的监测参数标记为Ⅱ类监测参数，进而完成监测参数的分类。

在其他实施例，在步骤S202之后，可以根据Ⅰ类监测参数的监测记录文本，并通过曼-肯德尔趋势检测法获得参考预警结果，进而结合通过连续递增趋势检测法获取的一类预警结果，以及通过曼-肯德尔趋势检测法获取的参考预警结果进行Ⅰ类监测参数的趋势预警。需要说明的是，该Ⅰ类监测参数的趋势预警过程与上述机组状态监测智能预警方法实施例中的监测量的趋势预警过程相似，再次不再赘述。

作为优选，如图5所示，在Ⅰ类监测参数为变压器温度，Ⅰ类监测参数的监测记录文本为温度记录文本，机组工况数据包括机组的有功功率信息和发电状态信息时，步骤S202中在当前的机组工况数据满足与Ⅰ类监测参数对应的工况判定条件时，根据获取到的Ⅰ类监测参数的监测记录文本，并通过连续递增趋势检测法获取一类预警结果，具体包括以下步骤：

步骤S2021，若机组的发电状态信息由“0”变为“1”，且在机组运行时长达到预设第二时长之后，机组的有功功率信息达到预设第四功率，则确定满足变压器温度对应的工况判定条件。其中，预设第二时长、预设第四功率根据需求进行设置，例如预设第二时长设置为2小时，预设第四功率设置在90％～100％额定负荷范围内。

步骤S2022，获取变压器温度的测量值，通过预设的均值模型计算温度平均值，并存储至温度记录文本中。

也即，在确定满足变压器温度对应的工况判定条件之后，根据预设采样频率开始采集变压器温度的温度值，并在采集时长达到预设刷新时长时，通过预设的均值模型计算温度平均值，同时获取刷新后的机组工况数据，再次判断刷新后的机组工况数据是否满足变压器温度对应的工况判定条件，在检测到机组的发电状态信息由“1”变为“0”时，停止变压器温度采集。

步骤S2023，从所述温度记录文本中获取预设第二数量的温度平均值，对预设第二数量的温度平均值进行拟合，获取变压器温度曲线。其中，预设第二数量可以根据需求设置，例如预设第二数量设置为15个。

步骤S2024，根据变压器温度曲线获取用于表征变压器温度趋势变化的第二特征值，并根据第二特征值和预设预警阈值获得一类预警结果。

在本实施例中，根据变压器温度曲线反算得到的第一个温度值和最后一个温度值(最后一个温度值与第一数量相关)，并将最后一个温度值和第一个温度值的比值作为第二特征值，然后将第二特征值与各预警等级对应的预警阈值按照预设检测规则(例如预设检测规则为由大到小，或者由小到大)进行比较，确定第二特征值满足的预警阈值，进而将其满足的预警阈值所对应的预警等级作为一类预警结果输出，进而完成采用连续递增趋势检测法进行变压器温度趋势预警。

步骤S203，从第二监测体系中获取Ⅱ类监测参数，根据获取到的Ⅱ类监测参数的监测记录文本，并通过连续递增趋势检测法获取二类预警结果集合；该Ⅱ类监测参数是指，与机组工况数据不存在相关关系的数据。

在其他实施例，在步骤S203之后，可以根据Ⅱ类监测参数的监测记录文本，并通过曼-肯德尔趋势检测法获得参考预警结果，进而结合通过连续递增趋势检测法获取的二类预警结果集合，以及通过曼-肯德尔趋势检测法获取的参考预警结果进行Ⅱ类监测参数的趋势预警。需要说明的是，该Ⅱ类监测参数的趋势预警过程与上述机组状态监测智能预警方法实施例中的监测量的趋势预警过程相似，再次不再赘述。

作为优选，如图6所示，在Ⅱ类监测参数为变压器油中每一种气体的含量和绝对产气速率，Ⅱ类监测参数的监测记录文本为气体记录文本时，步骤S203中根据获取到的Ⅱ类监测参数的监测记录文本，并通过连续递增趋势检测法获取二类预警结果集合，可以包括以下步骤：

步骤S2031，通过安装在变压器上的油色谱在线监测装置获取各运行日每一种气体的含量，计算每一种气体的含量平均值和绝对产气速率，并将每一种气体的含量平均值和绝对产气速率关联存储至气体记录文本中。

具体的，在获取到各运行日每一种气体的含量之后，以每一个运行日为监测周期通过预设的均值模型计算含量平均值，同时通过预设的产气速率模型计算绝对产气速率，进而将每一种气体的含量平均值和绝对产气速率关联存储至气体记录文本中。其中，产气速率模型为：

公式(2)中，γ为绝对产气速率，C_i2为第二次采样测得变压器油中某气体浓度，C_i1为第一次采样测得变压器油中某气体浓度，Δt为两次采样时间间隔中的实际运行时间，G为变压器中总油量，ρ为变压器油的密度。

步骤S2032，从气体记录文本中获取预设第三数量的含量平均值和绝对产气速率，分别对第三数量的气体含量平均值和绝对产气速率进行拟合，获取气体含量曲线和产气速率曲线。其中，预设第三数量可以根据需求设置，例如预设第三数量设置为15个。

步骤S2033，根据气体含量曲线和产气速率曲线获取用于表征气体含量趋势变化和气体产气速率趋势变化的特征值集合，并根据特征值集合和预设预警阈值获得二类预警结果集合。

在本实施例中，变压器油中的每一种气体均对应一个气体记录文本，且均对应一条气体含量曲线和一条产气速率曲线。特征值集合中包含用于表征气体含量趋势变化的第三特征值和用于表征气体产气速率趋势变化的第四特征值，第三特征值为根据气体含量曲线反算得到的最后一个气体含量与第一个气体含量的比值，第四特征值为根据产气速率曲线反算得到的最后一个产气速率和第一个产气速率的比值。

分别将特征值集合的各个特征值(也即第三特征值和第四特征值)与各预警等级对应的预警阈值按照预设检测规则进行比较，分别确定不同特征值分别满足的预警阈值，进而将不同特征值分别满足的预警阈值所对应的预警等级作为二类预警结果集合输出，进而完成采用连续递增趋势检测法进行气体含量趋势预警和绝对产气速率趋势预警。可理解的，通过设置不同的预警等级来反映设备异常状态的严重程度，便于及时发现设备异常并进行异常处理。

由此可知，上述实施例提供的变压器状态智能预警方法，基于用于监测变压器运行状态的第二监测体系，利用连续递增趋势检测法对第二监测体系中的Ⅰ类监测参数和Ⅱ类监测参数的监测数值变化趋势进行实时跟踪以及分析，从而实现变压器状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对变压器的多维度监测参数趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

另外，如图7所示，本发明实施例还提供了一种辅机状态监测智能预警方法，该方法包括以下步骤：

步骤S301，确定用于监测辅机运行状态的第三监测体系，该第三监测体系包含至少一个监测指标。

在本实施例中，在水电站中，一台水轮发电机组可以关联多台相同类型的辅机，且辅机装置包含但不限于排水泵、调速器油泵。第三监测体系包含但不限于辅机运行加载时间和辅机启停间隔时间等监测指标。

步骤S302，获取每一种机组运行工况下的每一个监测指标的监测记录文本。

以调速器油泵为例，分别在每一种机组运行工况下，根据调速器油泵的启停状态数据，自动计算油泵运行加载时间和油泵启停间隔时间，并将油泵运行加载时间的数值和油泵启停间隔时间的数值分别存储至对应的监测记录文本中。

步骤S303，根据每一个监测指标的监测记录文本，并通过预设的数据趋势检测体系获取每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的检测结果集合进行每一个所述监测指标的趋势预警。

其中，检测结果集合包含通过数据趋势检测体系中每一种数据趋势检测方法获得的检测结果。该数据趋势检测体系包含连续递增趋势检测法和曼-肯德尔趋势检测法。作为优选，步骤S303具体包括：

第一步，根据每一个监测指标的监测记录文本，并通过连续递增趋势检测法获得每一个监测指标的第一检测结果。

作为优选，首先从监测记录文本中获取最近的N个监测值，对N个监测值进行线性回归拟合，获得拟合曲线l；然后根据拟合曲线l确定用于表征监测指标变化趋势的特征值λ；最后根据特征值λ和预设预警阈值T_yi确定第一检测结果。其中，特征值λ是指根据拟合曲线l反算得到的第1个拟合值y₁和第N个拟合值y_N的比值y_N/y₁，也即λ＝y_N/y₁。监测记录文本存储的数据量大于监测值数量N，且监测值数量N可以根据需求进行设置，例如，监测值数量N预先设置为15个。

在根据拟合曲线l反算得到第1个拟合值y₁和第N个拟合值y_N，并计算得到第N个拟合值y_N与第1个拟合值y₁的比值λ(也即特征值λ)之后，将比值λ与各预警等级对应的预警阈值T_yi进行比较，确定比值λ满足的预警阈值T_yi，进而将比值满足的预警阈值T_yi所对应的预警等级作为第一检测结果输出。示例性的，若预警等级设置Ⅰ级预警和Ⅱ级预警，Ⅰ级预警对应的预警阈值T_y1设置为1.25，Ⅱ级预警对应的预警阈值T_y2设置的1.5，则可以根据特征值λ、预警阈值T_y1、预警阈值T_y2按照由大到小的检测规则进行比较，也即首先判断特征值λ是否大于预警阈值T_y2，若λ＞T_y2，则确定第一检测结果为Ⅱ级预警；而若λ≤T_y2，则进一步判断特征值λ是否大于预警阈值T_y1，若λ＞T_y1，则确定为确定第一检测结果为Ⅰ级预警；而若λ≤T_y1，则确定确定第一检测结果为无预警。

第二步，根据每一个监测指标的监测记录文本，并通过曼-肯德尔趋势检测法获得每一个监测指标的第二检测结果。

作为优选，首先从监测记录文本中获取一个监测周期T内的监测值；采用曼-肯德尔趋势校验算法(Mann-Kendall趋势校验算法)对一个监测周期T内的监测值进行处理；然后判断是趋势变化是否超出预设置信度阈值，若趋势变化超出(大于)预设置信度阈值，则输出趋势异常变化；而若趋势变化超出(小于等于)预设的置信度阈值Z，则输出趋势正常变化。其中，置信度阈值Z、监测周期T可以根据需求进行设置，例如置信度阈值Z为2，监测周期T为30天。一个监测周期T小于监测记录文本中数据的有效期。

曼-肯德尔趋势校验算法是一种非参数检验，它不需要数据服从特定的分布(例如高斯分布等)，允许数据有缺失，是一种非常常用且实用的趋势检验方法。采用曼-肯德尔趋势校验算法对一个监测周期的监测值进行处理，可以实现单调趋势校验。当趋势变化超出置信度阈值时，可以表征一个监测周期的监测值呈现明显的上升趋势。

第三步，根据每一个监测指标的第一检测结果和第二检测结果生成每一个监测指标的检测结果集合，以根据每一个监测指标的检测结果集合进行每一个监测指标的趋势预警。

在本实施例中，检测结果集合包含通过连续递增趋势检测法获得的第一检测结果以及通过连续递增趋势检测法获得的第二检测结果。第一检测结果包含无预警和任意一种预警等级。所述第二检测结果包含趋势异常变化和趋势正常变化。

对于每一个监测指标，若第一检测结果为无预警和第二检测结果为趋势正常变化时，则确定该监测指标的趋势预警状态为正常。而若第一检测结果为任意一种预警等级，或者第二检测结果为趋势异常变化，则确定该监测指标的趋势预警状态为异常，进一步的将辅机告警信息自动推动给设备维护人员。

在一实施例中，如图8所示，该机组状态智能预警方法，还包括以下步骤：

步骤S304，获取与辅机关联的水轮发电机组的启停状态数据。其中，水轮发电机组的启停状态数据包括发电状态信息和停机状态信息。

步骤S305，将启停状态数据输入至预设的工况划分模型，以获得机组运行工况。其中，机组运行工况包括发电工况、停机工况以及开停机工况。该工况划分模型，具体表示为：

公式(3)中，condition 1为发电工况，condition 2为停机工况，condition 3为开停机工况，power state为发电状态信息，down state为停机状态信息。由公式(3)可知，当发电状态信息为“1”，且停机状态信息为“0”时，机组运行工况为“发电工况”；当发电状态信息为“0”，且停机状态信息为“1”时，机组运行工况为“停机工况”；当发电状态信息为“0”，且停机状态信息为“0”时，机组运行工况为“开停机工况”。

需要说明的是，在图8中步骤S304和步骤S305执行于步骤S301之前，但在其他实施例中，步骤S304和步骤S305也可以执行于步骤S302之前，因此步骤S304和步骤S305执行于步骤S301、步骤S302中的任意一个步骤之前即可。

由此可知，上述实施例提供的辅机状态智能预警方法，基于用于监测辅机运行状态的第三监测体系，利用数据趋势检测体系对不同机组运行工况下的第三监测体系中的每一个监测指标的监测数值变化趋势进行实时跟踪以及分析，从而实现辅机状态监测智能预警，相较于现有的越限值法和基于人工分析的趋势预警方法，对辅机的多维度监测指标趋势预警更为准确，进而有效地提高趋势预警的及时性和准确性。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种辅机状态监测智能预警方法，其特征在于，该方法包括：

确定用于监测辅机运行状态的第三监测体系，所述第三监测体系包含至少一个监测指标；

获取每一个机组运行工况下的每一个所述监测指标的监测记录文本；

根据每一个所述监测指标的监测记录文本，并通过预设的数据趋势检测体系获取每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的检测结果集合进行每一个所述监测指标的趋势预警；

其中，所述第三监测体系包括辅机运行加载时间、辅机启停间隔时间；所述数据趋势检测体系包含连续递增趋势检测法和曼-肯德尔趋势检测法。

2.根据权利要求1所述的辅机状态监测智能预警方法，其特征在于，所述根据每一个所述监测指标的监测记录文本，并通过预设的数据趋势检测体系获取每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的检测结果集合进行每一个所述监测指标的趋势预警包括：

根据每一个所述监测指标的监测记录文本，并通过所述连续递增趋势检测法获得每一个所述监测指标的第一检测结果；

根据每一个所述监测指标的监测记录文本，并通过所述曼-肯德尔趋势检测法获得每一个所述监测指标的第二检测结果；

根据每一个所述监测指标的所述第一检测结果和所述第二检测结果生成每一个所述监测指标的检测结果集合，以根据每一个所述监测指标的所述检测结果集合进行每一个所述监测指标的趋势预警。

3.根据权利要求1所述的辅机状态监测智能预警方法，其特征在于，所述方法还包括：

获取与辅机关联的水轮发电机组的启停状态数据；

将所述启停状态数据输入至预设的工况划分模型，以获得机组运行工况。

4.根据权利要求1所述的辅机状态监测智能预警方法，其特征在于，所述启停状态数据包括发电状态信息和停机状态信息；所述机组运行工况包括发电工况、停机工况和开停机工况；所述工况划分模型为：

其中，condition 1为发电工况，condition 2为停机工况，condition 3为开停机工况，power state为发电状态信息，down state为停机状态信息。

Images