CN115573845B - 一种融合机组在离线数据的振摆趋势预警方法和系统 - Google Patents

一种融合机组在离线数据的振摆趋势预警方法和系统 Download PDF

Info

Publication number
CN115573845B
CN115573845B CN202211117383.1A CN202211117383A CN115573845B CN 115573845 B CN115573845 B CN 115573845B CN 202211117383 A CN202211117383 A CN 202211117383A CN 115573845 B CN115573845 B CN 115573845B
Authority
CN
China
Prior art keywords
data
early warning
unit
time
sample
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.)
Active
Application number
CN202211117383.1A
Other languages
English (en)
Other versions
CN115573845A (zh
Inventor
许永强
王磊
潘利坦
李林伟
曹威
张恒
吴耀
刘阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202211117383.1A priority Critical patent/CN115573845B/zh
Publication of CN115573845A publication Critical patent/CN115573845A/zh
Application granted granted Critical
Publication of CN115573845B publication Critical patent/CN115573845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F03B11/008—Measuring or testing arrangements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B13/00—Adaptations of machines or engines for special use; Combinations of machines or engines with driving or driven apparatus; Power stations or aggregates
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B3/00—Machines or engines of reaction type; Parts or details peculiar thereto
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种融合机组在离线数据的振摆趋势预警方法和系统，其中，该方法包括：实时获取水轮发电机组的运行数据，对运行数据进行工况划分及稳态值计算；获取及处理水轮发电机组的离线数据；融合运行数据和离线数据形成原始数据样本，并对原始数据样本进行归一化处理；对归一化后的样本进行主成分分析得到主成分，基于主成分构建预警模型，进行趋势预警分析给出预测预警结果。通过本申请，解决了水轮机组的振摆趋势预警模型所基于的训练数据杂乱不全面的问题，实现了基于规则全面的训练数据，提高预警模型对水轮机组的振摆趋势预测的准确度。

Description

一种融合机组在离线数据的振摆趋势预警方法和系统
技术领域
本申请涉及水电机组监测技术领域，特别是涉及一种融合机组在离线数据的振摆趋势预警方法和系统。
背景技术
水轮发电机组是水电站的核心设备，其安全、稳定运行至关重要。电站工作人员需实时了解机组运行状况，保证安全生产。除此之外，对机组的运行趋势也迫切需要了解，提前了解机组运行状态的变化趋势，便于减少甚至避免机组故障的发生，及时调整运行方式和检修计划，最大限度地提高水电设备的生产效率和安全水平。
目前，我国水电站已普遍装备了计算机监控、水情水调、继电保护等系统，机组状态监测、大坝监测计量等自动化系统也初具规模，水电站积累了大量的机组运行、检修、试验以及故障等数据。但由于水电机组运行工况的频繁调整，且未对机组进行数据有效的梳理使得机组运行数据“全而杂”，以致对趋势预警分析的模型建立及学习样本带来不利影响；除此之外，大多电站在做趋势预警分析时仅利用机组运行数据作为数据样本，忽略了机组离线数据(机组检修、试验、设备老化等)包含的机组状态信息，以致在进行趋势分析时学习样本所包含的信息不全。这均可能对趋势分析模型的建立带来不利影响，从而导致趋势预警分析效果不佳。
目前针对相关技术中水轮机组的振摆趋势预警模型所基于的训练数据杂乱不全面的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种融合机组在离线数据的振摆趋势预警方法和系统，以至少解决相关技术中水轮机组的振摆趋势预警模型所基于的训练数据杂乱不全面的问题。
第一方面，本申请实施例提供了一种融合机组在离线数据的振摆趋势预警方法，所述方法包括：
实时获取水轮发电机组的运行数据，对所述运行数据进行工况划分及稳态值计算；
获取及处理所述水轮发电机组的离线数据；
融合所述运行数据和所述离线数据形成原始数据样本，并对所述原始数据样本进行归一化处理；
对归一化后的样本进行主成分分析得到主成分，基于所述主成分构建预警模型，进行趋势预警分析给出预测预警结果。
在其中一些实施例中，实时获取水轮发电机组的运行数据，对所述运行数据进行工况划分包括：
A、当前时刻t1机组有功功率＝0，机组转速＝0，机组停机；以t1时刻为起点，寻找机组运行时刻点，进入B；
B、机组有功功率＞0，机组运行，记所述时刻点为t2时刻，对机组是否处于稳定运行进行工况识别：
B.1、以所述t2时刻为起点，取前1分钟时间点为t3时刻，取所述t3时刻下机组运行数据，判断机组有功功率是否大于0，机组有功功率大于0进入B.2，否则返回A；
B.2、设P额定为机组的额定功率，Pt2为时刻t2下机组的有功功率功率，取所述t2时刻前5分钟的时间段内的机组运行数据，设所述时间段内数据点个数为n；
当所述时间段内的机组运行数据满足式(1)时，则所述时间段内机组处于稳定运行状态，机组负荷为P，计算方法为式(2)；若不满足(1)时，则为不稳定工况；
B.3、在选定时间段内，重复B.1，并依次叠加判断，对于工况相同且运行时间连续的工况拼接为同一工况，记为一个工况点和时间段，并记录所述时间段内机组稳定工况、机组不稳定工况、对应起止时间和累计稳定运行时间。
在其中一些实施例中，获取及处理所述水轮发电机组的离线数据包括：
将新机组投产或大修复产时刻机组性能试验数据，整理形成离线数据样本x0，并记新机组投产或大修复产时刻为t0，试验样本累计运行时间记为0。
在其中一些实施例中，对所述运行数据进行稳态值计算包括：
根据对所述运行数据工况划分得到的稳定工况，计算对应时间段内各技术参数的稳态值；
稳态值计算公式如下：
其中，为所述时间段内技术参数稳态值，n为所述时间段内稳定工况点个数，i为所述时间段内第i个稳定工况点，i为整数且0≤i≤n，ai为所述时间段内第i个稳定工况点技术参数实测值，Δti为所述时间段内第i个稳定工况点持续运行时间，m为新机组投产或大修复产时间至工况结束时刻内稳定工况点个数；Δtj为新机组投产或大修复产时间至工况结束时刻内第j个稳定工况累计运行时间，α为机组衰老系数，T为机组大修周期，|a|max为技术参数上个大修周期绝对值最大值，a初始为技术参数上个大修周期复产时刻初始值；
将各技术参数稳态值及累计运行时间处理成一向量，由全部稳定工况下的向量形成在线数据样本x1。
在其中一些实施例中，融合所述运行数据和所述离线数据形成原始数据样本包括：
将离线数据样本x0和在线数据样本x1合并为原始数据样本x，其中，机组有功功率、机组上游水位、机组下游水位、机组流量、机组无功功率、机组功率因数、导叶开度和对应稳定工况累计运行时间Δt为自变量，机组振动和摆度各测点为因变量。
在其中一些实施例中，并对所述原始数据样本进行归一化处理包括：
通过公式对所述原始数据样本进行归一化处理，其中x为原始数据样本，mi为归一化处理后得到的数据，xi为第i项运行参数，xmin为对应运行参数的最小值，xmax为对应运行参数的最大值。
在其中一些实施例中，对归一化后的样本进行主成分分析包括：
对归一化后的原始数据样本进行主成分分析，得到包含85％以上样本数据信息的主成分。
在其中一些实施例中，基于所述主成分构建预警模型包括：
将所述主成分作为BP神经网络输入层的输入，将振动和摆度各测点作为所述BP神经网络输出层的输出，构建预警模型。
在其中一些实施例中，进行趋势预警分析给出预测预警结果包括：
将所述预警模型输出预测值通过进行反归一化处理，得到预警值；
将所述预警值与预设安全阈值进行比对，给出预测预警结果。
第二方面，本申请实施例提供了一种融合机组在离线数据的振摆趋势预警系统，所述系统用于执行上述第一方面所述的方法，所述系统包括在线数据获取模块、离线数据获取模块、数据样本处理模块和分析预警模块；
所述在线数据获取模块，用于实时获取水轮发电机组的运行数据，对所述运行数据进行工况划分及稳态值计算；
所述离线数据获取模块，用于获取及处理所述水轮发电机组的离线数据；
所述数据样本处理模块，用于融合所述运行数据和所述离线数据形成原始数据样本，并对所述原始数据样本进行归一化处理；
所述分析预警模块，用于对归一化后的样本进行主成分分析得到主成分，基于所述主成分构建预警模型，进行趋势预警分析给出预测预警结果。
相比于相关技术，本申请实施例提供的一种融合机组在离线数据的振摆趋势预警方法和系统，该方法通过实时获取水轮发电机组的运行数据，对运行数据进行工况划分及稳态值计算；获取及处理水轮发电机组的离线数据；融合运行数据和离线数据形成原始数据样本，并对原始数据样本进行归一化处理；对归一化后的样本进行主成分分析得到主成分，基于主成分构建预警模型，进行趋势预警分析给出预测预警结果，解决了水轮机组的振摆趋势预警模型所基于的训练数据杂乱不全面的问题，实现了基于规则全面的训练数据，提高预警模型对水轮机组的振摆趋势预测的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的融合机组在离线数据的振摆趋势预警方法的步骤流程图；
图2是根据本申请实施例的融合机组在离线数据的振摆趋势预警系统的结构框图；
图3是根据本申请实施例的电子设备的内部结构示意图。
附图说明：21、在线数据获取模块；22、离线数据获取模块；23、数据样本处理模块；24、分析预警模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本发明的目的在于克服现有技术中存在的不足，提供一种融合机组在离线数据的振摆趋势预警分析方法。该方法首先对机组运行数据进行工况划分及计算各工况各技术参数稳态值建立机组运行数据，然后与机组离线数据进行融合，形成趋势分析数据样本(原始数据样本)；最后，基于数据样本依次进行数据预处理及趋势分析模型建立，对机组各振摆技术参数进行趋势预警分析。
本申请实施例提供了一种融合机组在离线数据的振摆趋势预警方法，图1是根据本申请实施例的融合机组在离线数据的振摆趋势预警方法的步骤流程图，如图1所示，该方法包括以下步骤：
步骤S102，实时获取水轮发电机组的运行数据，对运行数据进行工况划分及稳态值计算；
步骤S104，获取及处理水轮发电机组的离线数据；
步骤S106，融合运行数据和离线数据形成原始数据样本，并对原始数据样本进行归一化处理；
步骤S108，对归一化后的样本进行主成分分析得到主成分，基于主成分构建预警模型，进行趋势预警分析给出预测预警结果。
通过本申请实施例中的步骤S102至步骤S108，解决了水轮机组的振摆趋势预警模型所基于的训练数据杂乱不全面的问题，实现了基于规则全面的训练数据，提高预警模型对水轮机组的振摆趋势预测的准确度。
本申请具体实施例提供了一种融合机组在离线数据的振摆趋势预警方法，本具体实施例包括以下步骤：
步骤一：获取机组在线运行数据，包括：机组有功、上下游水位、流量、无功、功率因数、导叶开度、振摆等。首先对该时间段内机组运行工况识别做如下处理：
A、当前时刻t1机组有功＝0，机组转速＝0，机组停机；以t1时刻为起点，寻找机组运行(即机组有功>0)时刻点，进入B。
B、机组有功＞0，机组运行，记该时刻为t2，对机组是否处于稳定运行进行工况识别：
B.1设P额定为机组额定功率，Pt2为该时刻t2机组的有功功率；取当前时刻t2前5分钟机组运行数据，设该时间段内数据点个数为n。
当满足式(1)时，则该时间段机组处于稳定运行状态，机组负荷为P，计算方法为式(2)；若不满足(1)时，则为不稳定工况。
B.2、以t2时刻为起点，取前1分钟时间点为时刻点t3，取时刻点t3机组运行数据，判断机组有功是否大于0，机组有功大于0进入B.1，否则返回A；
B.3、在选定时间段内，重复B.2，并依次叠加判断。对于工况相同(机组有功、上下游水位一致)且运行时间连续的工况进行拼接，为同一工况，记为一个工况点、时间段，并记录该时间段机组工况及起止时间、累计稳定运行时间。
步骤二：对新机组投产或大修复产时刻机组性能试验数据整理形成数据样本x0，并记新机组投产或大修复产时刻为t0，试验样本累计运行时间记为0。
步骤三：数据的整理与预处理：
A、在线数据的整理与预处理
机组稳定，获取机组有功、上下游水位、流量、有无功、功率因数、导叶开度、振摆等参数稳态值及该工况点累计稳定运行时间Δt，稳定运行时间内各技术参数取稳态值，稳态值计算方式如下：(为考虑机组随运行时间、负荷和故障等因素的影响，在计算机组各技术参数时引入衰老系数α，充分考虑了机组的状态信息)
式中：—该时间段内技术参数稳态值；
n—该时间段内稳定工况点个数；
i—该时间段内第i个稳定工况点，i为整数且0≤i≤n；
ai—该时间段内第i个稳定工况点技术参数实测值；
Δti—该时间段内第i个稳定工况点持续运行时间；
m—新机组投产或大修复产时间至该工况结束时刻这一时间段内稳定工况点个数(包括停机状态)；
Δtj—新机组投产或大修复产时间至该工况结束时刻这一时间段内第j个稳定工况点累计运行时间；
α—机组/设备“衰老”系数；
T—机组/设备大修周期；
|a|max—该技术参数上个大修周期绝对值最大值；
a初始—该技术参数上个大修周期复产时刻初始值；
各稳定工况下各技术参数稳态值及累计运行时间形成一向量，由全部稳定工况下的向量形成样本矩阵x1。
B、由数据样本x0及x1合并为数据样本X，其中机组有功、上、下游水位、流量、无功、功率因数、导叶开度及对应工况稳定累计运行时间Δt为自变量(因变量个数为8)，机组振动和摆度各测点为因变量。
C、数据预处理包括以下步骤：
C.1、因机组各项运行参数数据的量纲不同，所述数据预处理为先进行数据样本的归一化处理，对数据矩阵X进行数据归一化：
其中x为原始数据样本，mi为归一化处理后得到的数据。
C.2、对归一化后的9个自变量构成的数据表进行主成分分析，得到主成分F1、F2...F9。根据选定的累计贡献率，选取主成分F1、F2...Fn(包含了样本数据＞85％的信息)，n小于9，对归一化后的自变量进行主成分分析，简化BP神经网络结构，提高神经网络的计算速率及准确率。
步骤四：趋势分析模型的建立与分析：将提取的主成分作为BP神经网络输入层单元，振动和摆度各测点分别做为输出单元，分别建立神经网络模型，对未来时刻进行预测；将各项技术参数预测值与各安全阈值进行比较，做出预警，。
包括以下步骤：
4.1反归一化：将预测值进行反归一化。
xnew＝xnew·(xmax-xmin)+xmin
4.2对标安全阈值，进行预警。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供了一种融合机组在离线数据的振摆趋势预警系统，图2是根据本申请实施例的融合机组在离线数据的振摆趋势预警系统的结构框图，如图2所示，该系统包括在线数据获取模块21、离线数据获取模块22、数据样本处理模块23和分析预警模块24；
在线数据获取模块21，用于实时获取水轮发电机组的运行数据，对运行数据进行工况划分及稳态值计算；
离线数据获取模块22，用于获取及处理水轮发电机组的离线数据；
数据样本处理模块23，用于融合运行数据和离线数据形成原始数据样本，并对原始数据样本进行归一化处理；
分析预警模块24，用于对归一化后的样本进行主成分分析得到主成分，基于主成分构建预警模型，进行趋势预警分析给出预测预警结果。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的融合机组在离线数据的振摆趋势预警方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种融合机组在离线数据的振摆趋势预警方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种融合机组在离线数据的振摆趋势预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图3是根据本申请实施例的电子设备的内部结构示意图，如图3所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图3所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种融合机组在离线数据的振摆趋势预警方法，数据库用于存储数据。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种融合机组在离线数据的振摆趋势预警方法，其特征在于，所述方法包括：
实时获取水轮发电机组的运行数据；
根据对所述运行数据工况划分得到的稳定工况，计算对应时间段内各技术参数的稳态值；同时，为考虑机组随运行时间、负荷和故障因素的影响，在计算机组各技术参数时引入衰老系数α；
稳态值计算公式如下：
其中，为所述时间段内技术参数稳态值，n为所述时间段内稳定工况点个数，i为所述时间段内第i个稳定工况点，i为整数且0≤i≤n，ai为所述时间段内第i个稳定工况点技术参数实测值，Δti为所述时间段内第i个稳定工况点持续运行时间，m为新机组投产或大修复产时间至工况结束时刻内稳定工况点个数；Δtj为新机组投产或大修复产时间至工况结束时刻内第j个稳定工况累计运行时间，α为机组衰老系数，T为机组大修周期，|a|max为技术参数上个大修周期绝对值最大值，a初始为技术参数上个大修周期复产时刻初始值；
将各技术参数稳态值及累计运行时间处理成一向量，由全部稳定工况下的向量形成在线数据样本x1；
获取及处理所述水轮发电机组的离线数据；
融合所述运行数据和所述离线数据形成原始数据样本，并对所述原始数据样本进行归一化处理；
对归一化后的样本进行主成分分析得到主成分，基于所述主成分构建预警模型，进行趋势预警分析给出预测预警结果。
2.根据权利要求1所述方法，其特征在于，获取及处理所述水轮发电机组的离线数据包括：
将新机组投产或大修复产时刻机组性能试验数据，整理形成离线数据样本x0，并记新机组投产或大修复产时刻为t0，试验样本累计运行时间记为0。
3.根据权利要求2所述方法，其特征在于，融合所述运行数据和所述离线数据形成原始数据样本包括：
将离线数据样本x0和在线数据样本x1合并为原始数据样本x，其中，机组有功功率、机组上游水位、机组下游水位、机组流量、机组无功功率、机组功率因数、导叶开度和对应稳定工况累计运行时间Δt为自变量，机组振动和摆度各测点为因变量。
4.根据权利要求3所述方法，其特征在于，并对所述原始数据样本进行归一化处理包括：
通过公式对所述原始数据样本进行归一化处理，其中x为原始数据样本，mi为归一化处理后得到的数据，xi为第i项运行参数，xmin为对应运行参数的最小值，xmax为对应运行参数的最大值。
5.根据权利要求1所述方法，其特征在于，对归一化后的样本进行主成分分析包括：
对归一化后的原始数据样本进行主成分分析，得到包含85％以上样本数据信息的主成分。
6.根据权利要求5所述方法，其特征在于，基于所述主成分构建预警模型包括：
将所述主成分作为BP神经网络输入层的输入，将振动和摆度各测点作为所述BP神经网络输出层的输出，构建预警模型。
7.根据权利要求1所述方法，其特征在于，进行趋势预警分析给出预测预警结果包括：
将所述预警模型输出预测值通过进行反归一化处理，得到预警值；
将所述预警值与预设安全阈值进行比对，给出预测预警结果。
8.一种融合机组在离线数据的振摆趋势预警系统，其特征在于，所述系统用于执行权利要求1至7任一项所述的方法，所述系统包括在线数据获取模块、离线数据获取模块、数据样本处理模块和分析预警模块；
所述在线数据获取模块，用于实时获取水轮发电机组的运行数据，对所述运行数据进行工况划分及稳态值计算；
所述离线数据获取模块，用于获取及处理所述水轮发电机组的离线数据；
所述数据样本处理模块，用于融合所述运行数据和所述离线数据形成原始数据样本，并对所述原始数据样本进行归一化处理；
所述分析预警模块，用于对归一化后的样本进行主成分分析得到主成分，基于所述主成分构建预警模型，进行趋势预警分析给出预测预警结果。
CN202211117383.1A 2022-09-14 2022-09-14 一种融合机组在离线数据的振摆趋势预警方法和系统 Active CN115573845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211117383.1A CN115573845B (zh) 2022-09-14 2022-09-14 一种融合机组在离线数据的振摆趋势预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211117383.1A CN115573845B (zh) 2022-09-14 2022-09-14 一种融合机组在离线数据的振摆趋势预警方法和系统

Publications (2)

Publication Number Publication Date
CN115573845A CN115573845A (zh) 2023-01-06
CN115573845B true CN115573845B (zh) 2023-07-25

Family

ID=84581635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211117383.1A Active CN115573845B (zh) 2022-09-14 2022-09-14 一种融合机组在离线数据的振摆趋势预警方法和系统

Country Status (1)

Country Link
CN (1) CN115573845B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453310B (zh) * 2023-06-14 2023-09-05 昆山工业大数据创新中心有限公司 一种铜排的温度异常报警方法及装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864183A (en) * 1996-08-28 1999-01-26 Voith Hydro, Inc. Method and apparatus for optimizing performance of a pump-turbine
EP2801879A1 (en) * 2013-05-07 2014-11-12 Power Vision Engineering Sarl Hydroelectric power plant real-time monitoring system and method
CN106762343A (zh) * 2016-12-29 2017-05-31 北京中元瑞讯科技有限公司 基于在线数据的水轮发电机组推力轴承故障的诊断方法
CN107035602A (zh) * 2017-06-14 2017-08-11 衢州市江氏电子科技有限公司 一种水轮机状态监测及故障诊断系统
CN111060844A (zh) * 2019-12-09 2020-04-24 南京航空航天大学 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置
CN111222205A (zh) * 2019-12-19 2020-06-02 四川华能嘉陵江水电有限责任公司 一种桨叶开度监测管理系统及方法
CN111504449A (zh) * 2020-04-23 2020-08-07 华能四川水电有限公司 机组不稳定工况监测方法和系统
CN112502896A (zh) * 2020-11-30 2021-03-16 中国长江电力股份有限公司 一种水轮机调速器接力器动作速率偏离度预警方法及系统
CN112855408A (zh) * 2021-01-15 2021-05-28 湖南五凌电力科技有限公司 水轮发电机组预警方法以及预警装置
CN113217256A (zh) * 2021-05-24 2021-08-06 华能澜沧江水电股份有限公司 一种优化水轮发电机组开机顺序的操作方法
CN113239613A (zh) * 2021-04-09 2021-08-10 国网新源控股有限公司 一种水轮机组摆度报警判断方法
CN114398584A (zh) * 2021-12-03 2022-04-26 华电电力科学研究院有限公司 水轮发电机组远程试验方法、系统、电子设备和存储介质
CN114412685A (zh) * 2021-12-23 2022-04-29 黄河水利水电开发集团有限公司 一种水轮发电机组轴承温度分析与异常监测方法
CN217358742U (zh) * 2022-05-18 2022-09-02 国家电投集团江西水电检修安装工程有限公司 水轮机空化状态监测系统
CN115034483A (zh) * 2022-06-16 2022-09-09 西安热工研究院有限公司 一种水轮发电机组运行故障监测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2483188A1 (en) * 2002-04-22 2003-10-30 The Tokyo Electric Power Company, Incorporated Method and system for on-line dynamical screening of electric power system

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5864183A (en) * 1996-08-28 1999-01-26 Voith Hydro, Inc. Method and apparatus for optimizing performance of a pump-turbine
EP2801879A1 (en) * 2013-05-07 2014-11-12 Power Vision Engineering Sarl Hydroelectric power plant real-time monitoring system and method
CN106762343A (zh) * 2016-12-29 2017-05-31 北京中元瑞讯科技有限公司 基于在线数据的水轮发电机组推力轴承故障的诊断方法
CN107035602A (zh) * 2017-06-14 2017-08-11 衢州市江氏电子科技有限公司 一种水轮机状态监测及故障诊断系统
CN111060844A (zh) * 2019-12-09 2020-04-24 南京航空航天大学 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置
CN111222205A (zh) * 2019-12-19 2020-06-02 四川华能嘉陵江水电有限责任公司 一种桨叶开度监测管理系统及方法
CN111504449A (zh) * 2020-04-23 2020-08-07 华能四川水电有限公司 机组不稳定工况监测方法和系统
CN112502896A (zh) * 2020-11-30 2021-03-16 中国长江电力股份有限公司 一种水轮机调速器接力器动作速率偏离度预警方法及系统
CN112855408A (zh) * 2021-01-15 2021-05-28 湖南五凌电力科技有限公司 水轮发电机组预警方法以及预警装置
CN113239613A (zh) * 2021-04-09 2021-08-10 国网新源控股有限公司 一种水轮机组摆度报警判断方法
CN113217256A (zh) * 2021-05-24 2021-08-06 华能澜沧江水电股份有限公司 一种优化水轮发电机组开机顺序的操作方法
CN114398584A (zh) * 2021-12-03 2022-04-26 华电电力科学研究院有限公司 水轮发电机组远程试验方法、系统、电子设备和存储介质
CN114412685A (zh) * 2021-12-23 2022-04-29 黄河水利水电开发集团有限公司 一种水轮发电机组轴承温度分析与异常监测方法
CN217358742U (zh) * 2022-05-18 2022-09-02 国家电投集团江西水电检修安装工程有限公司 水轮机空化状态监测系统
CN115034483A (zh) * 2022-06-16 2022-09-09 西安热工研究院有限公司 一种水轮发电机组运行故障监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
优化的BP神经网络在水轮机调节系统中的应用研究;谭联;许永强;杨沛源;杨超杰;刘万康;;中国农村水利水电(第11期);全文 *
基于稳定性试验数据的水轮发电机组运行区域划分;王利杰;王鸿腾;孙波;;华电技术(第06期);全文 *

Also Published As

Publication number Publication date
CN115573845A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN114863651A (zh) 辅机状态监测智能预警方法
CN115573845B (zh) 一种融合机组在离线数据的振摆趋势预警方法和系统
CN102684224A (zh) 一种求解考虑风电波动性的机组组合方法
CN111597223A (zh) 故障预警处理方法、装置及系统
CN112686515B (zh) 变压器运行状态评估方法、装置、计算机设备和存储介质
CN113505525B (zh) 基于微分神经网络的电力系统动态元件建模方法及装置
CN116306798A (zh) 一种超短时风速预测方法及系统
CN109783873B (zh) 轴温异常状态的预测方法和装置
CN108448566B (zh) 一种电力系统在线混合仿真方法和系统
Liu et al. Online short-term reliability evaluation using a fast sorting technique
CN110994589A (zh) 电力电子接入电力系统调频能力在线评价方法及系统
CN112734201B (zh) 基于预期故障概率的多台设备整体质量评价方法
CN116956203B (zh) 一种变压器分接开关动作特性测量方法及系统
CN117932236A (zh) 一种电压互感器计量误差预测方法、介质及终端
CN117723878A (zh) 一种配电网干式变压器故障预警装置及方法
CN117350093A (zh) 一种基于温度的故障预警方法、系统、装置和介质
CN115858218A (zh) 适用于继电保护装置cpu单元的失效率评估方法及装置
Wang et al. An approach for Condition Based Maintenance strategy optimization oriented to multi-source data
US20220317646A1 (en) Self-adaptive test method for intelligent prediction algorithm of analog measured values
Agarwal et al. Implementation of remaining useful lifetime transformer models in the fleet-wide prognostic and health management suite
CN114781286B (zh) 一种船用柴油机滑油系统低压故障分析方法
Andrianto et al. Analysis of maintenance scheduling transformer oil using Markov method
Hongbin et al. Study on condition pre-warning method of power transformer based on load time series model
Balasubramaniam et al. CNN based power system transient stability margin and voltage stability index prediction
Deng et al. A Novel EEMD-LSTM Combined Model for Transformer Top-Oil Temperature Prediction

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
GR01 Patent grant
GR01 Patent grant