CN115423158A - 一种水轮发电机组数据趋势的预测分析方法及系统 - Google Patents
一种水轮发电机组数据趋势的预测分析方法及系统 Download PDFInfo
- Publication number
- CN115423158A CN115423158A CN202210986550.XA CN202210986550A CN115423158A CN 115423158 A CN115423158 A CN 115423158A CN 202210986550 A CN202210986550 A CN 202210986550A CN 115423158 A CN115423158 A CN 115423158A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- parameter
- data
- trend
- determining
- 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
- 238000004458 analytical method Methods 0.000 title claims description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 330
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Emergency Management (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种水轮发电机组数据趋势的预测分析方法及系统，涉及机组状态监测管理技术领域，对水轮发电机组的运行监测数据库进行监测数据异常分析，确定参数监测信息，进一步构建参数监测序列表，对其进行参数特征分类确定监测参数分类集合，设定监测策略并进行对应监测参数分类集合提取，进而进行监测参数信息的监测获得参数监测数据，对其进行趋势预测确定趋势预测结果，基于趋势预测结果确定趋势报警等级并进行对应预警，解决了现有技术中水轮发电机组数据趋势的预测分析方法由于智能度不足，分析预测流程不够严谨，使得最终的预测结果不够精准，较之实际存在一定的偏差的技术问题，实现了水轮发电机组运行数据的精准分析预测。
Description
技术领域
本发明涉及机组状态监测管理技术领域，具体涉及一种水轮发电机组数据趋势的预测分析方法及系统。
背景技术
水轮机可将蕴藏在水流中的能量转换为机械能，属于进行能量转换的原动机，进一步基于水轮发电机将机械能转换为电能，随着现代化科技的发展，随着能源需求的剧增，使得对于水轮发电机的设备性能要求越来越高，对于已经投入运行的机组，随着机组的运行时间的递增，设备运行时不可避免的会出现偏差或故障，需对设备的运行状态进行预测，以便保证水轮发电后续的正常运行，现如今，通常基于水轮发电机的历史运行数据进行设备的运行预测，以便及时进行设备运行调整，现今常用的设备运行预测方法通过机组运行为稳定性试验进行不稳定运行状态的预测评估。
现有技术中，对于水轮发电机组数据趋势的预测分析方法由于智能度不足，分析预测流程不够严谨，使得最终的预测结果不够精准，较之实际存在一定的偏差。
发明内容
本申请提供了一种水轮发电机组数据趋势的预测分析方法及系统，用于针对解决现有技术中存在的水轮发电机组数据趋势的预测分析方法由于智能度不足，分析预测流程不够严谨，使得最终的预测结果不够精准，较之实际存在一定的偏差的技术问题。
鉴于上述问题，本申请提供了一种水轮发电机组数据趋势的预测分析方法及系统。
第一方面，本申请提供了一种水轮发电机组数据趋势的预测分析方法，所述方法包括：获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
第二方面，本申请提供了一种水轮发电机组数据趋势的预测分析系统，所述系统包括：信息确定模块，所述信息确定模块用于获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；序列表构建模块，所述序列表构建模块用于基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；策略设定模块，所述策略设定模块用于根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；参数监测模块，所述参数监测模块用于基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；结果预警模块，所述结果预警模块用于通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种水轮发电机组数据趋势的预测分析方法，对水轮发电机组的运行监测数据库进行监测数据异常分析，确定参数监测信息，进一步构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，进而进行对应监测参数分类集合提取，确定监测参数信息，通过进行所述监测参数信息的监测获得参数监测数据，基于趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警，解决了现有技术中存在的水轮发电机组数据趋势的预测分析方法由于智能度不足，分析预测流程不够严谨，使得最终的预测结果不够精准，较之实际存在一定的偏差的技术问题，实现了水轮发电机组运行数据的精准分析预测。
附图说明
图1为本申请提供了一种水轮发电机组数据趋势的预测分析方法流程示意图；
图2为本申请提供了一种水轮发电机组数据趋势的预测分析方法中趋势预测预警流程示意图；
图3为本申请提供了一种水轮发电机组数据趋势的预测分析方法中第一节预测数据获取流程示意图；
图4为本申请提供了一种水轮发电机组数据趋势的预测分析系统结构示意图。
附图标记说明：信息确定模块a，序列表构建模块b，策略设定模块c，参数监测模块d，结果预警模块e。
具体实施方式
本申请通过提供一种水轮发电机组数据趋势的预测分析方法及系统，对水轮发电机组的运行监测数据库进行监测数据异常分析，确定参数监测信息，进一步构建参数监测序列表，对其进行参数特征分类确定监测参数分类集合，设定监测策略并进行对应监测参数分类集合提取，进而进行监测参数信息的监测获得参数监测数据，对其进行趋势预测确定趋势预测结果，基于趋势预测结果确定趋势报警等级并进行对应预警，用于解决现有技术中存在的水轮发电机组数据趋势的预测分析方法由于智能度不足，分析预测流程不够严谨，使得最终的预测结果不够精准，较之实际存在一定的偏差的技术问题。
实施例一
如图1所示，本申请提供了一种水轮发电机组数据趋势的预测分析方法，所述方法包括：
步骤S100：获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；
具体而言，本申请提供的一种水轮发电机组数据趋势的预测分析方法，通过获取参数监测数据并进行趋势预测，获取对应的预测结果并进行预警警示，进而进行所述水轮发电机组的调控，首先，对所述水轮发电机组的运行监测数据库进行采集，所述水轮发电机组的运行监测数据库包括了所述水轮发电机组的多个组件的历史监测数据，例如发电机的功率、电流，主轴密封温度，转轮的转速、流量等，基于时序性对相关联的数据进行整合处理，获取所述水轮发电机组的运行监测数据库，进一步对所述水轮发电机组的运行监测数据库进行数据异常分析，通过对各元件进行运行波动、异常、故障分析获取分析结果，预设数据异常等级，以所述分析结果与所述预设数据异常等级为基准，对监测数据进行数据划分标识，以便后续进行识别区分，进而获取所述参数监测信息，所述参数监测信息的获取为后续进行数据趋势预测提供了参考数据。
步骤S200：基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；
具体而言，以所述参数监测信息为基准，对所述水轮发电机组中各元件的关联数据进行识别提取，进一步进行异常频率分析，获取所述水轮发电机组运行过程中各元件出现异常的频率，以此为基准进行元件监测间隔时间的确定，预设异常频率等级，以所述异常频率等级为基准进行监测间隔时间的设置，对于长期无异常的元件，可将检测间隔时间设置较长，对于异常频率较高的元件，将监测间隔时间设置较短进行短期监控，基于所述异常频率等级的递增进行所述监测间隔时间的同步减短，以进行所述参数监测时间要求的设置，进一步确定所述水轮发电机组中各元件对应参数的监测指标，所述参数监测指标包括了机组震动、机组温度、流量等多个维度，以所述参数检测时间要求与所述参数监测指标为基准，进行所述参数监测序列表的构建，所述参数监测序列表的构建为后续进行监测策略的设定提供了基本依据。
步骤S300：根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；
具体而言，以所述参数监测指标为基准对参数特征进行聚类分析，进一步进行参数信息的归类整合处理获取所述监测分类集合，例如进行机组温度监测时需确定水导油温、水导冷却进出口水温、主轴密封温度等，以所述监测分类集合与所述参数监测时间要求为基准，对两者进行适配性分析，确定所述参数监测时间要求重叠的分类监测参数并对其进行标识，进一步进行所述监测时间要求的匹配，基于此生成监测参数策略，进而确定多个所述监测时间要求相适配的监测参数策略，获取所述监测参数策略集，以所述监测参数策略集为基准进行所述水轮发电机组各元件的针对性监测，通过进行数据分类监测，可有效减少数据计算量。
进一步而言，根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集，本申请步骤S300还包括：
步骤S310：对所述参数监测指标进行参数特征聚类分析，根据聚类结果确定所述监测参数分类集合；
步骤S320：根据所述参数监测时间要求对所述监测参数分类集合进行时间重叠标记；
步骤S330：将具有相同时间重叠标记且属于相同监测参数分类集合的参数监测指标进行汇总，并将对应的参数监测时间要求进行关联，生成监测参数策略，其中，所述监测参数策略集为所有监测参数策略的集合。
具体而言，以所述参数监测指标为基准，对相关联的多个参数特征进行聚类分析，以所述参数特征的相似度为判定依据进行参数分类，以获取所述聚类结果，所述聚类结果类别越多表明参数分类越精准，基于所述聚类结果确定所述监测参数分类集合，进一步基于所述参数检测时间要求进行所述监测参数分类集合的时间重叠标记，确当同等监测间隔时间对应的所述监测参数分类集合中的多个类别参数，基于一定序列号对其进行标识便于后续进行监测识别区分，进一步对具有相同时间重叠标记且属于相同监测参数分类集合的参数监测指标进行汇总，进而进行相关联参数的所述参数监测时间要求的匹配对应，基于此生成所述监测参数策略，初次实施所述监测参数策略集合时具有同时性，进一步以所述监测参数策略对应的所述参数监测时间要求为基准进行后续策略实施的依次递进，通过进行参数分类以确定监测策略进行针对性监测，对相关数据按需进行监测以减少数据分析量。
步骤S400：基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；
步骤S500：通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
具体而言，以所述监测参数策略集为基准，对所述参数监测时间要求对应的参数分类集合进行提取，获取所述监测参数信息，所述监测参数信息、所述监测时间要求与所述监测参数策略集一一对应，以所述监测时间要求与所述监测参数策略为基准，对所述监测参数信息进行监测，获取所述参数监测数据，进一步的，对所述参数监测数据进行预处理，以保证数据的完备性，避免影响后续数据预测结果，以所述预处理后的监测参数信息为基准进行走势拟合，获取走势拟合曲线，基于所述走势拟合曲线进行后续两天的走势预测，获取对应的预测数据，进一步对预测数据与所述预处理后的监测参数数据进行数据整合处理，进而进行线性拟合获取线性方程，确定最后一点相较于第一点的变化幅度并将其作为趋势报警条件，预设预警等级，基于所述趋势报警条件确当适配的预警等级，进而进行预警警示，基于接收的警示等级对所述水轮发电机作针对性调控。
进一步而言，如图2所示，所述通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警，本申请步骤S500还包括：
步骤S510：按照预设时间要求对所述参数监测数据进行数据提取和预处理；
步骤S520：对预处理后的参数监测数据进行第一节预测，获得第一节预测数据；
步骤S530：将所述预处理后的参数监测数据与所述第一节预测数据进行组合，获得一次性分析数据；
步骤S540：对所述一次性分析数据利用最小二乘法进行线性拟合，将拟合得到的线性方程的最后一点相较于第一点的变化幅度作为趋势报警条件；
步骤S550：根据所述趋势报警条件进行对应的预警。
具体而言，确定单次数据分析时间，以此为所述预设时间要求对所述参数监测数据进行提取，进一步对提取的数据进行连续性分析，确定缺失数据并进行数据补充完善，通过进行数据预处理以提升数据完备性，进一步以所述预处理后的参数监测数据为基准进行走势拟合，获取走势拟合曲线，基于所述走势拟合曲线进行后续两天的走势预测，进一步确定对应的预测数据作为所述第一预测数据，基于时间序列将所述预处理后的参数检测数据与所述第一节预测数据进行组合，获取所述一次性分析数据，进一步的，基于最小二乘法对所述一次性分析数据进行线性拟合，获取对应的线性方程，进而进行所述线性方程最后一点相较于第一点的变化幅度计算，基于所述变化幅度进行预警条件设置，以此为基准进行预警等级的设定，所述预警等级与所述预警条件一一对应，以此为基准进行预警警示，进而对所述水轮发电机组进行针对性调控，以位置后续机组的正常运行。
进一步而言，所述按照预设时间要求对所述参数监测数据进行数据提取和预处理，本申请步骤S510还包括：
步骤S511：按照预设时间要求从所述参数监测数据中取预设时间的稳定工况数据；
步骤S512：对所述稳定工况数据进行连续性分析，对于存在缺失的数据利用缺失数据算法进行线性插值补充。
具体而言，以所述监测时间要求与所述监测参数策略为基准，对所述监测参数信息进行监测，获取所述参数监测数据，设定所述预设时间要求，所述预设时间要求为单次进行数据分析的预定时间，从所述参数监测数据中提取与所述预设时间要求相对应的稳定工况数据，所述稳定工况数据包括了多个元件的完整监测数据，进一步对所述稳定工况数据进行连续性分析，对数据进行完备性检测，确定缺失数据，进而基于所述缺失数据算法对所述缺失数据进行线性插值补充，示例性的，可基于K近邻填补法或多重插补法进行数据完善，以提高检测数据的完备性，保证后续预测分析的准确性。
进一步而言，如图3所示，所述对预处理后的参数监测数据进行第一节预测，获得第一节预测数据，本申请步骤S520还包括：
步骤S521：对所述预处理后的参数监测数据进行置信区间计算，确定参数监测数据置信区间；
步骤S522：基于所述参数监测数据置信区间对所述预处理后的参数监测数据进行筛选，确定置信区间参数监测数据；
步骤S523：将所述置信区间参数监测数据进行走势拟合，获得走势曲线，基于所述走势曲线进行未来两天预测，获得第一节预测数据。
具体而言，所述预处理后的参数监测数据分别进行置信区间计算，所述置信区间指参数数据的估计区间，属于概率性指标，通过计算获取所述参数监测数据置信区间，示例性的，可通过采集样本，求取样本均值并加、减抽样误差确定所述置信区间的两个端点，以所述参数监测数据置信区间为筛选条件对所述预处理后的所述参数监测数据进行数据筛选，确定与所述置信区间相适配的所述参数监测数据，进一步以所述置信区间参数监测数据为基准进行数据的走势拟合，获取所述走势曲线，基于所述走势曲线进行数据的可视化表述，进而以所述置信区间参数监测数据对应的所述走势曲线为预测依据，对未来两天的走势进行预测，获取预测结果并进行数据的等值解析，获取未来两天的预测数据作为所述第一节预测数据，通过设置置信区间进行对应数据的走势曲线构建，基于此进行分析使得分析过程更加明朗。
进一步而言，所述对所述一次性分析数据利用最小二乘法进行线性拟合，将拟合得到的线性方程的最后一点相较于第一点的变化幅度作为趋势报警条件，本申请步骤S540还包括：
步骤S541：对所述一次性分析数据利用最小二乘法进行线性拟合，获得Y＝ax+b线性方程；
步骤S542：基于所述Y＝ax+b线性方程，确定最后一点Yx＝n第一点Yx＝1的变化幅度
作为所述趋势报警条件，其中，a数据线性拟合后的斜率，x为处理后数据序列点数，Y为处理后的数据序列某点的值。
进一步而言，根据所述趋势报警条件进行对应的预警，本申请步骤S550还包括：
步骤S551：当所述趋势报警条件中变化幅度Δ>0.15或Δ<-0.15时，为预警等级I；
步骤S552：当所述趋势报警条件中变化幅度0.1<Δ≤0.15或-0.15≤Δ<-0.1时，为预警等级II；
步骤S553：当所述趋势报警条件中变化幅度大于0.15或小于-0.15时，为预警等级NULL。
具体而言，对获取的所述一次性分析数据基于最小二乘法进行线性拟合，以x为处理后数据序列点数，Y为处理后的数据序列某点的值，构建所述一次性分析数据的点阵排布坐标系，确定反应所述一次性分析数据波动的线性方程，即Y＝ax+b，其中，a为数据线性拟合后的斜率，进一步基于所述Y＝ax+b线性方程，对最后一点Yx＝n相对于第一点Yx＝1的变化幅度进行计算，基于公式
确定幅度变化结果，进一步对所述幅度变化结果进行分析，基于分析结果进行预警条件的设置，当所述趋势报警条件中变化幅度Δ>0.15或Δ<-0.15时，设定所述预警等级为I；当所述趋势报警条件中变化幅度0.1<Δ≤0.15或-0.15≤Δ<-0.1时，设定预警等级为II；当所述趋势报警条件中变化幅度大于0.15或小于-0.15时，设定预警等级为NULL，根据所述趋势报警条件进行对应的预警等级设置，进而基于所述预警等级对所述水轮发电机组进行针对性的调控处理，以保证所述水轮发电机组后续的正常运行。
实施例二
基于与前述实施例中一种水轮发电机组数据趋势的预测分析方法相同的发明构思，如图4所示，本申请提供了一种水轮发电机组数据趋势的预测分析系统，所述系统包括：
信息确定模块a，所述信息确定模块a用于获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；
序列表构建模块b，所述序列表构建模块b用于基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；
策略设定模块c，所述策略设定模块c用于根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；
参数监测模块d，所述参数监测模块d用于基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；
结果预警模块e，所述结果预警模块e用于通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
进一步而言，所述系统还包括：
数据处理模块，所述数据处理模块用于按照预设时间要求对所述参数监测数据进行数据提取和预处理；
数据预测模块，所述数据预测模块用于对预处理后的参数监测数据进行第一节预测，获得第一节预测数据；
数据组合模块，所述数据组合模块用于将所述预处理后的参数监测数据与所述第一节预测数据进行组合，获得一次性分析数据；
预警条件获取模块，所述预警条件获取模块用于对所述一次性分析数据利用最小二乘法进行线性拟合，将拟合得到的线性方程的最后一点相较于第一点的变化幅度作为趋势报警条件；
条件预警模块，所述条件预警模块用于根据所述趋势报警条件进行对应的预警。
进一步而言，所述系统还包括：
数据提取模块，所述数据提取模块用于按照预设时间要求从所述参数监测数据中取预设时间的稳定工况数据；
数据补充模块，所述数据补充模块用于对所述稳定工况数据进行连续性分析，对于存在缺失的数据利用缺失数据算法进行线性插值补充。
进一步而言，所述系统还包括：
区间计算模块，所述区间计算模块用于对所述预处理后的参数监测数据进行置信区间计算，确定参数监测数据置信区间；
数据筛选模块，所述数据筛选模块用于基于所述参数监测数据置信区间对所述预处理后的参数监测数据进行筛选，确定置信区间参数监测数据；
曲线预测模块，所述曲线预测模块用于将所述置信区间参数监测数据进行走势拟合，获得走势曲线，基于所述走势曲线进行未来两天预测，获得第一节预测数据。
进一步而言，所述系统还包括：
方程获取模块，所述方程获取模块用于对所述一次性分析数据利用最小二乘法进行线性拟合，获得Y＝ax+b线性方程；
预警条件计算模块，所述预警条件计算模块用于基于所述Y＝ax+b线性方程，确定最后一点Yx＝n第一点Yx＝1的变化幅度
作为所述趋势报警条件，其中，a数据线性拟合后的斜率，x为处理后数据序列点数，Y为处理后的数据序列某点的值。
进一步而言，所述系统还包括：
等级I设定模块，所述等级I设定模块用于当所述趋势报警条件中变化幅度Δ>0.15或Δ<-0.15时，为预警等级I；
等级II设定模块，所述等级II设定模块用于当所述趋势报警条件中变化幅度0.1<Δ≤0.15或-0.15≤Δ<-0.1时，为预警等级II；
等级NULL设定模块，所述等级NULL设定模块用于当所述趋势报警条件中变化幅度大于0.15或小于-0.15时，为预警等级NULL。
进一步而言，所述系统还包括：
参数分类模块，所述参数分类模块用于对所述参数监测指标进行参数特征聚类分析，根据聚类结果确定所述监测参数分类集合；
参数标记模块，所述参数标记模块用于根据所述参数监测时间要求对所述监测参数分类集合进行时间重叠标记；
监测策略生成模块，所述监测策略生成模块用于将具有相同时间重叠标记且属于相同监测参数分类集合的参数监测指标进行汇总，并将对应的参数监测时间要求进行关联，生成监测参数策略，其中，所述监测参数策略集为所有监测参数策略的集合。
本说明书通过前述对一种水轮发电机组数据趋势的预测分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种水轮发电机组数据趋势的预测分析方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种水轮发电机组数据趋势的预测分析方法，其特征在于，包括：
获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；
基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；
根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；
基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；
通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
2.如权利要求1所述的方法，其特征在于，所述通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警，包括：
按照预设时间要求对所述参数监测数据进行数据提取和预处理；
对预处理后的参数监测数据进行第一节预测，获得第一节预测数据；
将所述预处理后的参数监测数据与所述第一节预测数据进行组合，获得一次性分析数据；
对所述一次性分析数据利用最小二乘法进行线性拟合，将拟合得到的线性方程的最后一点相较于第一点的变化幅度作为趋势报警条件；
根据所述趋势报警条件进行对应的预警。
3.如权利要求2所述的方法，其特征在于，所述按照预设时间要求对所述参数监测数据进行数据提取和预处理，包括：
按照预设时间要求从所述参数监测数据中取预设时间的稳定工况数据；
对所述稳定工况数据进行连续性分析，对于存在缺失的数据利用缺失数据算法进行线性插值补充。
4.如权利要求2所述的方法，其特征在于，所述对预处理后的参数监测数据进行第一节预测，获得第一节预测数据，包括：
对所述预处理后的参数监测数据进行置信区间计算，确定参数监测数据置信区间；
基于所述参数监测数据置信区间对所述预处理后的参数监测数据进行筛选，确定置信区间参数监测数据；
将所述置信区间参数监测数据进行走势拟合，获得走势曲线，基于所述走势曲线进行未来两天预测，获得第一节预测数据。
5.如权利要求2所述的方法，其特征在于，所述对所述一次性分析数据利用最小二乘法进行线性拟合，将拟合得到的线性方程的最后一点相较于第一点的变化幅度作为趋势报警条件，包括：
对所述一次性分析数据利用最小二乘法进行线性拟合，获得Y＝ax+b线性方程；
基于所述Y＝ax+b线性方程，确定最后一点Yx＝n第一点Yx＝1的变化幅度
作为所述趋势报警条件，其中，a数据线性拟合后的斜率，x为处理后数据序列点数，Y为处理后的数据序列某点的值。
6.如权利要求2所述的方法，其特征在于，根据所述趋势报警条件进行对应的预警，包括：
当所述趋势报警条件中变化幅度Δ>0.15或Δ<-0.15时，为预警等级I；
当所述趋势报警条件中变化幅度0.1<Δ≤0.15或-0.15≤Δ<-0.1时，为预警等级II；
当所述趋势报警条件中变化幅度大于0.15或小于-0.15时，为预警等级NULL。
7.如权利要求1所述的方法，其特征在于，根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集，包括：
对所述参数监测指标进行参数特征聚类分析，根据聚类结果确定所述监测参数分类集合；
根据所述参数监测时间要求对所述监测参数分类集合进行时间重叠标记；
将具有相同时间重叠标记且属于相同监测参数分类集合的参数监测指标进行汇总，并将对应的参数监测时间要求进行关联，生成监测参数策略，其中，所述监测参数策略集为所有监测参数策略的集合。
8.一种水轮发电机组数据趋势的预测分析系统，其特征在于，包括：
信息确定模块，所述信息确定模块用于获得水轮发电机组的运行监测数据库，根据所述运行监测数据库进行监测数据异常分析，确定参数监测信息；
序列表构建模块，所述序列表构建模块用于基于所述参数监测信息构建参数监测序列表，其中，所述参数监测序列表包括参数监测时间要求、参数监测指标；
策略设定模块，所述策略设定模块用于根据所述参数监测指标进行参数特征分类，确定监测参数分类集合，基于所述监测参数分类集合根据所述参数监测时间要求进行监测策略设定，获得监测参数策略集；
参数监测模块，所述参数监测模块用于基于所述监测参数策略集按照参数监测时间要求进行对应监测参数分类集合提取，确定监测参数信息，对所述监测参数信息进行监测，获得参数监测数据；
结果预警模块，所述结果预警模块用于通过趋势预测算法对所述参数监测数据进行趋势预测，确定趋势预测结果，并根据所述趋势预测结果确定趋势报警等级进行对应预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210986550.XA CN115423158A (zh) | 2022-08-17 | 2022-08-17 | 一种水轮发电机组数据趋势的预测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210986550.XA CN115423158A (zh) | 2022-08-17 | 2022-08-17 | 一种水轮发电机组数据趋势的预测分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115423158A true CN115423158A (zh) | 2022-12-02 |
Family
ID=84197575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210986550.XA Pending CN115423158A (zh) | 2022-08-17 | 2022-08-17 | 一种水轮发电机组数据趋势的预测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115423158A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
| CN116701731A (zh) * | 2023-06-08 | 2023-09-05 | 费莱(浙江)科技有限公司 | 一种电机生命周期内运行稳定性的动态监测预警方法 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161275A1 (en) * | 2008-12-18 | 2010-06-24 | Abb Research Ltd. | Trend Analysis Methods and System for Incipient Fault Prediction |
| CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
| CN114091792A (zh) * | 2022-01-21 | 2022-02-25 | 华电电力科学研究院有限公司 | 基于稳定工况的水轮发电机劣化预警方法、设备及介质 |
| CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
| CN114912640A (zh) * | 2022-05-30 | 2022-08-16 | 华能大理风力发电有限公司洱源分公司 | 基于深度学习的发电机组的异常模式检测方法及系统 |
-
2022
- 2022-08-17 CN CN202210986550.XA patent/CN115423158A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161275A1 (en) * | 2008-12-18 | 2010-06-24 | Abb Research Ltd. | Trend Analysis Methods and System for Incipient Fault Prediction |
| CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
| CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
| CN114091792A (zh) * | 2022-01-21 | 2022-02-25 | 华电电力科学研究院有限公司 | 基于稳定工况的水轮发电机劣化预警方法、设备及介质 |
| CN114912640A (zh) * | 2022-05-30 | 2022-08-16 | 华能大理风力发电有限公司洱源分公司 | 基于深度学习的发电机组的异常模式检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵树平: "《海洋渔业3S系统研究与应用》", 西安电子科技大学出版社, pages: 63 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
| CN116701731A (zh) * | 2023-06-08 | 2023-09-05 | 费莱(浙江)科技有限公司 | 一种电机生命周期内运行稳定性的动态监测预警方法 |
| CN116701731B (zh) * | 2023-06-08 | 2024-04-05 | 费莱(浙江)科技有限公司 | 一种电机生命周期内运行稳定性的动态监测预警方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115423158A (zh) | 一种水轮发电机组数据趋势的预测分析方法及系统 | |
| CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
| CN109814527B (zh) | 基于lstm循环神经网络工业设备故障预测方法及装置 | |
| CN115861011B (zh) | 一种基于多源数据融合的智慧城市优化管理方法和系统 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
| CN111931834B (zh) | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 | |
| CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
| CN116335925B (zh) | 基于数据增强的煤矿井下乳化泵站智能调控系统 | |
| CN115800552B (zh) | 一种超级电容运行电力调频用智能调控系统及方法 | |
| Tang et al. | Applications of K-nearest neighbor algorithm in intelligent diagnosis of wind turbine blades damage | |
| CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
| CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
| CN117289168A (zh) | 基于传感器数据和智能算法的产品质量监测系统 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
| Yang et al. | Similarity-based information fusion grey model for remaining useful life prediction of aircraft engines | |
| CN117200241B (zh) | 一种新能源并网智能调压系统 | |
| CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
| 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 | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
| JP7458183B2 (ja) | エネルギー需要変動パターンの分類方法及びシステム | |
| Walker et al. | Development of Short-Term Forecasting Models Using Plant Asset Data and Feature Selection | |
| CN113065766B (zh) | 一种基于历史数据挖掘分析的汽机运行工况寻优方法 | |
| Weng et al. | A Correlation Analysis-Based Multivariate Alarm Method With Maximum Likelihood Evidential Reasoning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221202 |