CN115313930A - 一种大型汽轮发电机励磁电流实时预测方法 - Google Patents
一种大型汽轮发电机励磁电流实时预测方法 Download PDFInfo
- Publication number
- CN115313930A CN115313930A CN202210711068.5A CN202210711068A CN115313930A CN 115313930 A CN115313930 A CN 115313930A CN 202210711068 A CN202210711068 A CN 202210711068A CN 115313930 A CN115313930 A CN 115313930A
- Authority
- CN
- China
- Prior art keywords
- excitation current
- model
- nset
- steam turbine
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000005284 excitation Effects 0.000 title claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000001052 transient effect Effects 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 11
- 238000009413 insulation Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006993 memory improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
- H02P9/14—Arrangements for controlling electric generators for the purpose of obtaining a desired output by variation of field
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2101/00—Special adaptation of control arrangements for generators
- H02P2101/20—Special adaptation of control arrangements for generators for steam-driven turbines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种大型汽轮发电机励磁电流实时预测方法,所述方法以NSET模型为预测模型,包括以下步骤:通过灰色关联度分析方法,计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度,筛选出能够表征故障的关键状态变量;构建记忆矩阵,并且将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建;将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,以曼哈顿距离作为该模型的非线性算子,完成对于励磁电流的预测;本发明的优点在于:预测精度高。
Description
技术领域
本发明涉及发电机转子匝间绝缘故障诊断领域,更具体涉及一种大型汽轮发电机励磁电流实时预测方法。
背景技术
大型汽轮发电机转子匝间绝缘故障是一种常见故障,并且近年来故障频率呈现出上升趋势。转子绕组工作在恶劣的环境之中,尤其是在大容量汽轮发电机正常运行时,其需要承受强电场、强磁场和强机械力的叠加作用,致使转子相互摩擦和挤压,易出现结构变形,进而发生匝间短路故障。实践证明,匝间绝缘故障伴随着励磁电流明显增大、无功功率下降、绕组温度上升、发电机剧烈振动等不良现象,严重时甚至会酿成转子一点或两点接地、大轴磁化等更严重的事故。若发生转子匝间绝缘故障,将导致发电机组非计划性停机,给发电厂的正常运行带来巨大压力,造成严重的经济损失。因此,对大型汽轮发电机励磁电流进行高精度预测,可以准确判断转子绕组当前健康状况,对于提高汽轮发电机运行可靠性,合理安排发电机停机检修,保证发电厂运行的安全性与经济性有着重要的现实意义。
在现有的大型汽轮发电机励磁电流预测方法中,基于物理建模的诊断方法应用较为广泛,例如中国专利公布号CN105004962A,公开了一种改进的汽轮发电机励磁绕组短路故障的检测方法,获取发电机参数和特性曲线,建立发电机二维数值仿真模型,求解励磁电流值,将所得励磁电流值与实测值进行比较,判断是否发生故障。该专利申请能够改进现有技术不足,提高了励磁电流法诊断的灵敏度,但是预测精度较低且需要获取的发电机参数较多,实现难度较大。基于数据驱动的励磁电流预测方法是一种有效的预测方法,例如中国专利公布号CN103926506A,公开的基于构建函数的汽轮发电机转子绕组短路故障诊断方法,该方法是基于历史运行数据建立转子匝间绝缘正常状态时各关键状态变量的预测模型,并利用该模型对转子的励磁电流进行预测,由于其原理清晰、建模难度低,因此得到了广泛的运用。数据驱动方法虽然获得了较为良好的预测结果,但是在实际应用中,模型的训练过程可能出现过拟合和欠拟合,进而影响预测精度。
燕山大学2016年5月硕士学位论文《基于NSET模型的风电机组故障诊断研究》,其公开了基于NSET模型进行风电机组故障诊断的过程,首先选取训练数据,进行数据归一化处理,然后基于马氏距离优化的方法构造过程记忆矩阵,测试数据归一化得到观测向量,最后进行故障预测并判定故障类型。但是其NSET模型中采用欧式距离作为非线性算子,预测精度不高且其采用等距采样构建记忆矩阵,在样本数量较少时,模型预测精度不够。
发明内容
本发明所要解决的技术问题在于现有技术发电机励磁电流预测方法预测精度不高的问题。
本发明通过以下技术手段实现解决上述技术问题的:一种大型汽轮发电机励磁电流实时预测方法,所述方法以NSET模型为预测模型,包括以下步骤:
步骤1:通过灰色关联度分析方法,计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度,筛选出能够表征故障的关键状态变量;
步骤2:使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵,并且将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建;
步骤3:将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,以曼哈顿距离作为该模型的非线性算子,完成对于励磁电流的预测。
本发明通过将传统NSET模型中的非线性算子由欧式距离替换为曼哈顿距离,提高模型的预测精度,在传统NSET模型的记忆矩阵构建采用等距采样的基础上,加入了分区间采样方法,能够在样本数量较少时提高模型精度,且不影响模型的计算效率。
进一步地,所述步骤1之前还包括对DCS系统监测的各状态变量进行归一化处理的过程。
更进一步地,所述归一化处理的过程为:
更进一步地,所述状态变量包括时间戳、定子电流、定子电压、励磁电流、励磁电压、有功功率、无功功率、振动位移。
进一步地,所述步骤1包括:
筛选灰色关联度超过预设值的状态量序列作为关键状态量。
进一步地,所述步骤2中使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵,包括:
1)获取正常状态下历史运行数据构建训练矩阵
一台发电机中有n个不同的状态变量,在任意时刻k,对其的观测表示为观测向量矩阵
X(k)=[x1k x2k … xnk]T
训练矩阵K为发电机在正常状态下所收集到的各个状态变量运行数据,必须保证训练矩阵能完整表示整台发电机的正常工作空间,因此训练矩阵K表示为K=[X(1),X(2),…,X(n)]
2)构建记忆矩阵
在训练矩阵K内抽取发电机不同的运行状态下的m个不同的历史观测向量,构建记忆矩阵D,其中,
更进一步地,所述不同的运行状态包括高负荷、低负荷、启停机。
更进一步地,所述步骤2中将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建,包括:
以励磁电流归一化值的升序排列为参考对历史运行数据进行排列,并将其均分为五个区间;
根据关键状态量筛选结果,在各区间内以励磁电流为参考序列进行等距采样,计算公式如下:
|If(i)-A|<δ
其中,If(i)为第i组数据的励磁电流,A为步长,δ为采样点间隔;
将满足上述公式的采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建。
更进一步地,所述步骤3中曼哈顿距离公式为d(i,j)=|Xi-Xj|+|Yi-Yj|,其中,d(i,j)为两点间的横向纵向位移之和,|Xi-Xj|为两点间横向位移,|Yi-Yj|为两点间纵向位移。
更进一步地,所述步骤3中励磁电流的预测包括:
通过汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,n个不同的状态量所采集到的观测向量矩阵保存为Xobs;输入NSET模型的输出向量为在同一时刻的预测向量矩阵Xest,计算公式为:
W=(DT·D)-1·(DT·Xobs)
Xest=D·W=D·(DT·D)-1·(DT·Xobs)
其中,W为权重向量矩阵。
本发明的优点在于:本发明通过将传统NSET模型中的非线性算子由欧式距离替换为曼哈顿距离,提高模型的预测精度,在传统NSET模型的记忆矩阵构建采用等距采样的基础上,加入了分区间采样方法,能够在样本数量较少时提高模型精度,且不影响模型的计算效率。
附图说明
图1为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法的流程图;
图2为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法在急剧波动工况下励磁电流实际值与预测值曲线;
图3为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法在急剧波动工况下励磁电流预测残差曲线;
图4为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法在平稳运行工况下励磁电流实际值与预测值曲线;
图5为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法在平稳运行工况下励磁电流预测残差曲线;
图6为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法中基于不同非线性算子的励磁电流预测残差示意图;
图7为本发明实施例所提供的一种大型汽轮发电机励磁电流实时预测方法中基于不同记忆矩阵构建方法的励磁电流预测残差示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动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。
如图1所示,一种大型汽轮发电机励磁电流实时预测方法,所述方法以NSET模型为预测模型,包括以下步骤:
步骤1:通过灰色关联度分析方法,计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度,筛选出能够表征故障的关键状态变量;本实施例中,所采用的发电机为湖北大别山发电厂的50WT23E-138型汽轮发电机,其运行参数如表1所示。
表1发电机参数
汽轮发电机自身的DCS系统每5min记录一次各传感器测得的各状态量实时运行数据,并已确认采集正常历史运行数据时间段内发电机处于正常运行状态;重要状态量包括但不限于,时间戳、定子电流、定子电压、励磁电流、励磁电压、有功功率、无功功率、振动位移等参数,并对采集的各状态量数据作归一化处理,归一化处理公式为其中,x为实际状态量数据,xmax为该组状态变量的最大值,xmin为该组状态变量的最小值,x′为归一化后的数据。
最后,筛选灰色关联度超过预设值的状态量序列作为关键状态量。
本实施例中,计算了励磁电流If与定子电流I、定子电压U、励磁电压Uf、有功功率P、无功功率Q、转子x方向振动位移Vx和转子y方向振动位移Vy的灰色关联度,计算结果如表2所示;
表2灰色关联度
筛选关联度∈[0.75,1]的状态量作为关键状态量,故选取If、Uf、U、I、P、和Q作为关键状态量。
步骤2:使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵,并且将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建;具体过程为:
1)获取正常状态下历史运行数据构建训练矩阵
一台发电机中有n个不同的状态变量,在任意时刻i,对其的观测表示为观测向量矩阵
X(k)=[x1k x2k … xnk]T
训练矩阵K为发电机在正常状态下所收集到的各个状态变量运行数据,必须保证训练矩阵能完整表示整台发电机的正常工作空间,因此训练矩阵K表示为K=[X(1),X(2),…,X(n)]
2)构建记忆矩阵
在训练矩阵K内抽取发电机不同的运行状态下(包括高负荷、低负荷、启停机等)的m个不同的历史观测向量,构建记忆矩阵D,其中,
以励磁电流归一化值的升序排列为参考对历史运行数据进行排列,并将其均分为五个区间;
根据关键状态量筛选结果,在各区间内以励磁电流为参考序列进行等距采样,计算公式如下:
|If(i)-A|<δ
其中,If(i)为第i组数据的励磁电流,A为步长,δ为采样点间隔;
将满足上述公式的采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建。
步骤3:将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,以曼哈顿距离作为该模型的非线性算子,完成对于励磁电流的预测,具体过程为:
曼哈顿距离也称为城市街区距离,其表示两点间的横向纵向位移之和,不涉及对角线方向的位移,曼哈顿距离公式为d(i,j)=|Xi-Xj|+|Yi-Yj|,其中,d(i,j)为两点间的横向纵向位移之和,|Xi-Xj|为两点间横向位移,|Yi-Yj|为两点间纵向位移。
通过汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,n个不同的状态量所采集到的观测向量矩阵保存为Xobs;输入NSET模型的输出向量为在同一时刻的预测向量矩阵Xest,计算公式为:
W=(DT·D)-1·(DT·Xobs)
Xest=D·W=D·(DT·D)-1·(DT·Xobs)
其中,W为权重向量矩阵。
本发明实施例仿真验证了模型在急剧波动工况下和在平稳运行工况下的预测效果,并选取了励磁电流解析预测模型和BP神经网络励磁电流预测模型进行对比,以进一步证明本发明的有效性。如附图2所示,为急剧波动工况下的测试集输入各模型所得到的预测值;如附图3所示,为该工况下各模型的励磁电流预测残差。由于励磁电流解析预测模型的预测值与励磁电流实际值差距过大,远远无法达到励磁电流精确预测的标准,已不具有可比性,故在图3中未予以体现。选择RMSE、MAPE和MAE作为模型的评价指标,其评价结果如表3所示:
表3急剧波动工况下各预测模型评价结果
如附图4所示,为平稳运行工况下的测试集输入各模型所得到的预测值,图2和图4中实际值对应的曲线和改进的NSET模型的对应的曲线高度重合,所以图2和图4中实际值的曲线没有显现出来;如附图5所示,为该工况下各模型的励磁电流预测残差。由于励磁电流解析预测模型的预测值与励磁电流实际值差距过大,远远无法达到励磁电流精确预测的标准,已不具有可比性,故在图5中未予以体现。其评价结果分别为:
表4平稳运行工况下各预测模型评价结果
由上述两种不同工况下的励磁电流预测结果可以看出,本发明所提出的基于NSET模型的大型汽轮发电机励磁电流预测方法具有良好的预测精度,从而说明了本发明的可行性。由表也可知,本发明预测效果优于励磁电流解析预测模型和BP神经网络。
本发明中,由于涉及多维变量,每个变量的单位都不相同,采用欧式距离时不能考虑各变量单位的差异,导致度量可能失真;而曼哈顿距离计算过程经过了标准化流程,因而与各变量的单位无关,且能够充分考虑各变量之间的联系,因此,曼哈顿距离可以理解为对欧式距离的修正。基于该理论分析,发明人还进行了对比研究,详情如下:
(1)非线性算子优选
随机抽取2015年3月某日的单日历史运行时序数据,分别选择三种不同的非线性算子进行励磁电流预测,将预测结果进行对比,各非线性算子的预测残差如图6所示。
基于不同非线性算子的模型评价结果如表5所示,由评价结果可以看出,基于曼哈顿距离的励磁电流预测模型均方根误差为0.9676A,最大绝对误差为5.9514A,平均绝对百分比误差为2.22%,均低于其它两种非线性算子所得到的预测结果。综上所述,优选曼哈顿距离作为励磁电流预测模型的非线性算子。
表5基于不同非线性算子的励磁电流预测模型评价结果
(2)记忆矩阵构建方法改进
通过对非线性算子的优选,使用曼哈顿距离建立的预测模型,其均方根误差、最大绝对误差相较于传统的使用欧氏距离作为非线性算子的NSET模型已有较大进步,但要实现转子匝间绝缘故障的早期预警,预测模型的预测精度仍需进一步提高。因此,本发明提出了一种分段采集记忆矩阵数据的方法,使样本数量提升的同时,不影响模型全局的计算效率。其具体实施方式为,以励磁电流为参考序列,将记忆矩阵的采样区间进行等分,对每个子采样区间进行等距采样,即每个记忆矩阵将拥有2000条正常运行工况下的历史数据记录,通过对不同的记忆矩阵分段方法所构建的励磁电流预测模型进行效果对比,从而决定该模型所采用的记忆矩阵分段数目。
发明人比较了记忆矩阵不分段(D1)、分两段(D2)、分四段(D4)、分五段(D5)、分八段(D8)和分十段(D10)的预测效果,非线性算子采用曼哈顿距离,进行预测的数据与前文进行非线性算子寻优时所选取的数据相同,其预测残差如图7所示。
基于不同记忆矩阵构建方法的模型评价结果如表6所示,由评价结果可以看出,将NSET的记忆矩阵分成五段进行采集时,模型RMSE为0.0372A,MAE为0.4248A,MAPE为0.08%,相较于其它分段形式的构建方法精度更高,并且分八段与分十段的记忆矩阵构建方法并没有因分段数增加而展现出更高的精确度。因此,选择分五段构建励磁电流的记忆矩阵较为合适。
表6基于不同记忆矩阵构建方法的励磁电流预测模型评价结果
通过以上技术方案,本发明通过将传统NSET模型中的非线性算子由欧式距离替换为曼哈顿距离,提高模型的预测精度,在传统NSET模型的记忆矩阵构建采用等距采样的基础上,加入了分区间采样方法,能够在样本数量较少时提高模型精度,且不影响模型的计算效率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述方法以NSET模型为预测模型,包括以下步骤:
步骤1:通过灰色关联度分析方法,计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度,筛选出能够表征故障的关键状态变量;
步骤2:使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵,并且将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建;
步骤3:将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,以曼哈顿距离作为该模型的非线性算子,完成对于励磁电流的预测。
2.根据权利要求1所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述步骤1之前还包括对DCS系统监测的各状态变量进行归一化处理的过程。
4.根据权利要求3所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述状态变量包括时间戳、定子电流、定子电压、励磁电流、励磁电压、有功功率、无功功率、振动位移。
6.根据权利要求1所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述步骤2中使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵,包括:
1)获取正常状态下历史运行数据构建训练矩阵
一台发电机中有n个不同的状态变量,在任意时刻k,对其的观测表示为观测向量矩阵
X(k)=[x1k x2k…xnk]T
训练矩阵K为发电机在正常状态下所收集到的各个状态变量运行数据,必须保证训练矩阵能完整表示整台发电机的正常工作空间,因此训练矩阵K表示为K=[X(1),X(2),…,X(n)]
2)构建记忆矩阵
在训练矩阵K内抽取发电机不同的运行状态下的m个不同的历史观测向量,构建记忆矩阵D,其中,
7.根据权利要求6所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述不同的运行状态包括高负荷、低负荷、启停机。
8.根据权利要求6所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述步骤2中将历史运行数据均分为多个区间,在各区间内以励磁电流为参考序列进行等距采样,采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建,包括:
以励磁电流归一化值的升序排列为参考对历史运行数据进行排列,并将其均分为五个区间;
根据关键状态量筛选结果,在各区间内以励磁电流为参考序列进行等距采样,计算公式如下:
|If(i)-A|<δ
其中,If(i)为第i组数据的励磁电流,A为步长,δ为采样点间隔;
将满足上述公式的采样结果添加到记忆矩阵中,从而完成NSET模型的记忆矩阵构建。
9.根据权利要求8所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述步骤3中曼哈顿距离公式为d(i,j)=|Xi-Xj|+|Yi-Yj|,其中,d(i,j)为两点间的横向纵向位移之和,|Xi-Xj|为两点间横向位移,|Yi-Yj|为两点间纵向位移。
10.根据权利要求9所述的一种大型汽轮发电机励磁电流实时预测方法,其特征在于,所述步骤3中励磁电流的预测包括:
通过汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中,n个不同的状态量所采集到的观测向量矩阵保存为Xobs;输入NSET模型的输出向量为在同一时刻的预测向量矩阵Xest,计算公式为:
W=(DT·D)-1·(DT·Xobs)
Xest=D·W=D·(DT·D)-1·(DT·Xobs)
其中,W为权重向量矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711068.5A CN115313930A (zh) | 2022-06-22 | 2022-06-22 | 一种大型汽轮发电机励磁电流实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210711068.5A CN115313930A (zh) | 2022-06-22 | 2022-06-22 | 一种大型汽轮发电机励磁电流实时预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115313930A true CN115313930A (zh) | 2022-11-08 |
Family
ID=83855526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210711068.5A Pending CN115313930A (zh) | 2022-06-22 | 2022-06-22 | 一种大型汽轮发电机励磁电流实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115313930A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577573A (zh) * | 2022-12-07 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 同步发电机输出电流的预测方法、装置、设备和存储介质 |
CN116111891A (zh) * | 2023-04-17 | 2023-05-12 | 国网天津市电力公司电力科学研究院 | 同步调相机调速方法、调速装置、电子设备、存储介质 |
-
2022
- 2022-06-22 CN CN202210711068.5A patent/CN115313930A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577573A (zh) * | 2022-12-07 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 同步发电机输出电流的预测方法、装置、设备和存储介质 |
CN115577573B (zh) * | 2022-12-07 | 2023-03-10 | 南方电网数字电网研究院有限公司 | 同步发电机输出电流的预测方法、装置、设备和存储介质 |
CN116111891A (zh) * | 2023-04-17 | 2023-05-12 | 国网天津市电力公司电力科学研究院 | 同步调相机调速方法、调速装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
CN112784373A (zh) | 一种风电机组齿轮箱的故障预警方法 | |
CN110994604A (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN115329986A (zh) | 基于可解释性图神经网络的风电机组异常检测与定位方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN116169675A (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN113435228A (zh) | 一种基于振动信号建模的电动机轴承寿命预测与分析方法 | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN114123971B (zh) | 一种基于VaDE的光伏组串异常检测方法及系统 | |
CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 | |
Yun et al. | Fault diagnosis of wind turbine pitch system based on multiblock KPCA algorithm | |
CN114758483A (zh) | 一种基于余弦相似性的电力设备动态智能预警方法 | |
CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 | |
CN114048767A (zh) | 一种风电主控系统故障监测及预警方法 | |
Tingting et al. | Early warning method for power station auxiliary failure considering large-scale operating conditions | |
Wang et al. | State prediction of power transformer based on grey-lagrange method with weighted coefficient of variation | |
CN112682269A (zh) | 一种基于oc-rkelm的风电机组状态监测方法 |
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 |