CN115859092A - 一种基于主成分分解的发电机绕组温度预警方法及装置 - Google Patents

一种基于主成分分解的发电机绕组温度预警方法及装置 Download PDF

Info

Publication number
CN115859092A
CN115859092A CN202211525551.0A CN202211525551A CN115859092A CN 115859092 A CN115859092 A CN 115859092A CN 202211525551 A CN202211525551 A CN 202211525551A CN 115859092 A CN115859092 A CN 115859092A
Authority
CN
China
Prior art keywords
data
sample
historical
time
winding
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.)
Granted
Application number
CN202211525551.0A
Other languages
English (en)
Other versions
CN115859092B (zh
Inventor
张儒
孙自飞
金云峰
甘雨
郭震
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.)
Nanjing Tianfu Software Co ltd
Original Assignee
Nanjing Tianfu Software 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 Nanjing Tianfu Software Co ltd filed Critical Nanjing Tianfu Software Co ltd
Priority to CN202211525551.0A priority Critical patent/CN115859092B/zh
Publication of CN115859092A publication Critical patent/CN115859092A/zh
Application granted granted Critical
Publication of CN115859092B publication Critical patent/CN115859092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本发明实施例公开了一种基于主成分分解的发电机绕组温度预警方法及装置，首先，获取发电机的多组历史数据，并基于历史数据建立样本数据集。然后，基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量。最后，获取发电机的实时数据，利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果。比较绕组在当前时刻的测量温度与重构结果，确定绕组的温度是否发生异常。本发明实施例为发电机的绕组温度提供了一种基于数据驱动的预警方案，相当于建立了一条动态的预警带，对绕组温度异常状态的响应更加灵敏与及时。

Description

一种基于主成分分解的发电机绕组温度预警方法及装置
技术领域
本发明属于发电机技术领域，具体涉及一种基于主成分分解的发电机绕组温度预警方法及装置。
背景技术
定子是发电机的核心部件之一，由铁芯、绕组和机座三部分构成。定子故障约占发电机组故障的40％，可导致整个发电机组停机，严重影响电网的安全稳定运行。其中，绕组的结构较为复杂，电流在通过绕组时会积蓄热量，而热量的累积易导致绕组绝缘层老化，使绝缘层随时可能被电流击穿，造成发电机的严重损坏。
目前，基于节约成本和运行需求的考量，大多数电厂并未装备完善的温度监测系统，通常采用国标规定的温度监测和报警方式监测发电机的运行状态，在温度超过上限阈值时报警，超过上上限阈值时紧急停机。但是，发动机的冷却系统和绝缘层会在一定程度上掩饰绕组温升的现象，导致对绕组温度的测量并不准确。例如，当测量得到的绕组温度达到阈值时，其实际温度可能已经远远超出阈值。
因此，为提前识别绕组温度异常的现象，对绕组温度的准确预警是非常有必要的。
发明内容
本发明实施例中提供了一种基于主成分分解的发电机绕组温度预警方法及装置，以解决现有技术中不能准确预警发电机绕组温度异常的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
本发明的一个方面提供一种基于主成分分解的发电机绕组温度预警方法，包括：
获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，所述时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成，所述差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成；相邻的每两个所述连续时刻之间均具有预设时间间隔；
基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量；
获取发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果；
比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常。
可选地，所述获取发电机的多组历史数据，包括：
获取发电机在过去预设时间段内的多组历史数据，由下式表示：
T＝[T1,T2,…，Tn]
Figure BDA0003974806940000021
其中，n为历史数据的组数；T为历史测量温度的集合，Ti为绕组在过去预设时间段内第i个时刻的历史测量温度；fj为第j种历史运行数据构成的向量，
Figure BDA0003974806940000031
为第j种历史运行数据在过去预设时间段内第i个时刻的数值；m为历史运行数据种类的数量；
利用异常点识别方法判断是否存在异常的历史数据，
如果是，将异常的历史数据去除。
可选地，所述基于历史数据建立样本数据集，包括：
样本数据集中的每个样本均由下式表示：
sample(Ti)＝[TS(Ti)，Δ(Ti),Ti]T
其中，Ti为过去预设时间段内第i个时刻的历史测量温度；TS(Ti)为对应Ti的时序特征数据；Δ(Ti)为对应Ti的差分特征数据；sample(Ti)为样本集中对应Ti的样本；
按照以下方式构建样本sample(Ti)中的时序特征数据TS(Ti)：
Figure BDA0003974806940000032
按照以下方式构建样本sample(Ti)中的差分特征数据Δ(Ti)；
Figure BDA0003974806940000033
其中，
Figure BDA0003974806940000034
为第j种历史运行数据在过去预设时间段内第i个时刻的数值；w为时序窗口长度，是一个预设的数值；τ为差分特征数据的预设阶数；n≥i>max(w,τ)；
按照下式构建样本数据集：
Figure BDA0003974806940000035
其中，idx＝max(w,τ)+1；M为样本数据集SL×M的样本数量，N为每个样本的维度；s(1)为样本数据集中对应sample(Tidx)的样本，以此类推，s(M)为样本数据集中对应sample(Tn)的样本；s11为样本s(1)中的第一个元素，sL1为样本s(1)中第N个元素，以此类推，s1M为样本s(M)中第一个元素，sLM为样本s(M)中第N个元素。
可选地，所述基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量，包括：
按照下式对样本数据集中的每个样本进行中心化：
Figure BDA0003974806940000041
其中，s′(r)为将样本s(r)中心化后得到的样本；
按照下式构建中心化后的样本数据集X：
X＝[s′(1) s′(2)…s′(M)]
利用中心化后的每个样本计算协方差矩阵；
按照下式对协方差矩阵进行特征值分解：
XXT＝Q∑Q-1
其中：XXT为协方差矩阵；Q＝[p′1 p′2…p′N]是由协方差矩阵的特征向量组成的矩阵，p′1为协方差矩阵中的第一个特征向量；Σ为对角矩阵，Σ对角线上的元素为协方差矩阵的特征值λ1,λ2,…,λN；
在协方差矩阵的特征值中选取出最大的K个；
分别获取所述K个特征值各自对应的特征向量，作为主成分特征向量。
可选地，所述获取发电机的实时数据，包括：
按照下式构建实时数据rt_data：
Figure BDA0003974806940000042
Figure BDA0003974806940000043
Figure BDA0003974806940000044
其中：t0为当前时刻；
Figure BDA0003974806940000045
为对应/>
Figure BDA0003974806940000046
的时序特征数据；
Figure BDA0003974806940000047
为对应/>
Figure BDA0003974806940000048
的差分特征数据；/>
Figure BDA0003974806940000049
为当前时刻测量得到的绕组温度；/>
Figure BDA00039748069400000410
为第j种历史运行数据在当前时刻的数值；w为时序窗口长度，是一个预先设定的数值；τ为差分特征数据的预设阶数。
可选地，所述利用主成分特征向量对实时数据进行降维和重构，得到在当前时刻下绕组温度的重构结果，包括：
按照下式对实时数据进行中心化：
Figure BDA0003974806940000051
其中，s(r)为样本数据集中的样本；rt_data′为中心化后的实时数据；
按照下式分别计算中心化后的实时数据在每个主成分特征向量下的坐标：
wq＝re_data′·pq q＝1,2,…,k
其中，pq为主成分特征向量；wq为中心化后的实时数据在主成分特征向量pq下的坐标；
按照下式，利用中心化后实时数据在每个主成分特征向量下的坐标，重构实时数据：
Figure BDA0003974806940000052
其中，datareconstruct为重构后的实时数据，d′i为重构后实时数据的第i个元素，
Figure BDA0003974806940000053
为重构实时数据中，当前时刻下绕组温度的重构结果。
可选地，比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常：
按照下式计算当前时刻下，绕组温度的重构结果与绕组测量温度之间的相对偏差：
Figure BDA0003974806940000054
其中，ε为相对偏差；
Figure BDA0003974806940000055
为当前时刻下绕组温度的重构结果；/>
Figure BDA0003974806940000056
为当前时刻下绕组的测量温度；
判断所述相对偏差是否大于预设阈值，
如果是，确定绕组温度发生异常；
如果否，确定绕组温度正常。
可选地，所述利用异常点识别方法判断是否存在异常的历史数据，包括：
采用一类支持向量机判断是否存在异常的历史数据。
本发明的另一方面提供一种基于主成分分解的发电机绕组温度预警装置，包括：
历史数据获取模块，用于获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
样本数据集建立模块，用于基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，所述时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成，所述差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成；相邻的每两个所述连续时刻之间均具有预设时间间隔；
主成分特征向量获取模块，用于基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量；
实时数据获取模块，用于获取发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
重构结果获取模块，用于利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果；
异常判定模块，用于比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常。
本发明实施例提供的一种基于主成分分解的发电机绕组温度预警方法及装置，首先，获取发电机的多组历史数据，并基于历史数据建立样本数据集。然后，基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量。最后，获取发电机的实时数据，利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果。比较绕组在当前时刻的测量温度与重构结果，确定绕组的温度是否发生异常。
本发明实施例为发电机组的绕组温度提供了一种基于数据驱动的预警方案，采用主成分分解和数据重构的方法进行发电机的绕组温度预警，有效提升预警的可靠性。相对现有方式而言，本发明实施例的技术方案相当于建立了一条动态的预警带，对绕组温度异常状态的响应更加灵敏与及时。
附图说明
图1为本发明实施例提供的一种基于主成分分解的发电机绕组温度预警方法的流程示意图；
图2为本发明实施例提供的一种基于主成分分解的发电机绕组温度预警装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
图1为本发明实施例公开的一种基于主成分分解的发电机绕组温度预警方法的流程示意图。该方法可实现发电机绕组温度的预警，避免发生安全事故，如图1所示，包括以下步骤：
步骤S101：获取发电机的多组历史数据。
获取发电机在过去一段时间内的历史数据。例如，持续采集并存储发电机的各项数据，采集数据的频率为10分钟/次。获取其中2018年8月至2019年8月，共计12个月的历史数据，每组历史数据均包含这段时间内某一个时刻所采集的多种历史运行数据，以及，绕组的历史测量温度。不同组历史数据对应的时刻不相同。
在本发明公开的一个具体实施例中，历史数据中的历史运行数据包括线圈电压、A相电流、B相电流、C相电流、环境温度和风速这六种类型。
在本发明公开的一个实施例中，获取发电机在过去预设时间段内的多组历史数据，可由下式表示：
T＝[T1,T2,…，Tn]
Figure BDA0003974806940000081
其中，n为历史数据的组数；T为历史测量温度的集合，Ti为绕组在过去预设时间段内第i个时刻的历史测量温度；fj为第j种历史运行数据构成的向量，
Figure BDA0003974806940000082
为第j种历史运行数据在过去预设时间段内第i个时刻的数值，例如，T1为绕组在过去预设时间段内第1个时刻的历史测量温度，即，在过去预设时间段内获取到的第一个测量温度。/>
Figure BDA0003974806940000083
为第一种历史运行数据，例如，线圈电压，在过去预设时间段内第1个时刻的数值；m为历史运行数据种类的数量。
获取发电机在过去预设时间段内的多组历史数据之后，利用异常点识别方法判断是否存在异常的历史数据，如果是，将异常的历史数据去除。在本发明公开的一个具体实施例中，可采用一类支持向量机判断是否存在异常的历史数据。
步骤S102：基于历史数据建立样本数据集。
样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成。差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成。相邻的每两个连续时刻之间均具有预设时间间隔，预设时间间隔即为采集数据的时间间隔，例如，10分钟。
在本发明公开的一个实施例中，可采用以下方法，基于历史数据建立样本数据集。
样本数据集中的每个样本均由下式表示：
sample(Ti)＝[TS(Ti),Δ(Ti),Ti]T
其中，Ti为过去预设时间段内第i个时刻的历史测量温度；TS(Ti)为对应Ti的时序特征数据；Δ(Ti)为对应Ti的差分特征数据；sample(Ti)为样本集中对应Ti的样本。
(1)按照以下方式构建样本sample(Ti)中的时序特征数据TS(Ti)：
Figure BDA0003974806940000091
(2)按照以下方式构建样本sample(Ti)中的差分特征数据Δ(Ti)；
Figure BDA0003974806940000092
其中，
Figure BDA0003974806940000093
为第j种历史运行数据在过去预设时间段内第i个时刻的数值；w为时序窗口长度，是一个预设的数值；τ为差分特征数据的预设阶数；n≥i>max(w,τ)
(3)按照下式构建样本数据集：
Figure BDA0003974806940000094
其中，idx＝max(w,τ)+1；M为样本数据集SN×M的样本数量，N为每个样本的维度；s(1)为样本数据集中对应sample(Tidx)的样本，以此类推，s(M)为样本数据集中对应sample(Tn)的样本；s11为样本s(1)中的第一个元素，sN1为样本s(1)中第N个元素，即最后一个元素，以此类推，s1M为样本s(M)中第一个元素，sNM为样本s(M)中第N个元素。
步骤S103：基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量。
在本发明公开的一个实施例中，根据以下步骤获得主成分特征向量：
(1)按照下式对样本数据集中的每个样本进行中心化：
Figure BDA0003974806940000101
其中，s′(r)为将样本s(r)中心化后得到的样本。
(2)按照下式构建中心化后的样本数据集X：
X＝[s′(1) s′(2)…s′(M)]
(3)利用中心化后的每个样本计算协方差矩阵。
(4)按照下式对协方差矩阵进行特征值分解：
XXT＝QΣQ-1
其中：XXT为协方差矩阵；Q＝[p′1 p′2…p′N]是由协方差矩阵的特征向量组成的矩阵，p′1为协方差矩阵中的第一个特征向量；Σ为对角矩阵，Σ对角线上的元素为协方差矩阵的特征值λ1,λ2,…,λN。
(5)在协方差矩阵的特征值中选取出最大的K个。
将协方差矩阵的特征值由大至小排列后，选取出前K个特征值，该K个特征值即为协方差矩阵特征值中最大的K个，K为预设的数值。
(6)分别获取K个特征值各自对应的特征向量，作为主成分特征向量。
每个特征值均对应有一个独立的特征向量，将选取出的K个特征值各自对应的特征向量作为主成分特征向量，主成分特征向量的数量也同样为K个。
步骤S104：获取发电机的实时数据。
实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度。
在本发明公开的一个实施例中，按照下式构建实时数据rt_data：
Figure BDA0003974806940000102
Figure BDA0003974806940000103
Figure BDA0003974806940000111
其中：t0为当前时刻；
Figure BDA0003974806940000112
为对应/>
Figure BDA0003974806940000113
的时序特征数据；
Figure BDA0003974806940000114
为对应/>
Figure BDA0003974806940000115
的差分特征数据；/>
Figure BDA0003974806940000116
为当前时刻测量得到的绕组温度；/>
Figure BDA0003974806940000117
为第j种历史运行数据在当前时刻的数值；w为时序窗口长度，是一个预设的数值；τ为差分特征数据的预设阶数。
步骤S105：利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果。
在本发明公开的一个实施例中，采用以下方法的到当前时刻下绕组温度的重构结果：
(1)按照下式对实时数据进行中心化：
Figure BDA0003974806940000118
其中，s(r)为样本数据集中的样本；rt_data′为中心化后的实时数据。
(2)按照下式分别计算中心化后的实时数据在每个主成分特征向量下的坐标：
wq＝rt_data′·pq q＝1,2,…,k
其中，pq为主成分特征向量；wq为中心化后的实时数据在主成分特征向量pq下的坐标；
(3)按照下式，利用中心化后实时数据在每个主成分特征向量下的坐标，重构实时数据：
Figure BDA0003974806940000119
其中，datareconstruct为重构后的实时数据，d′1为重构后实时数据的第i个元素，
Figure BDA00039748069400001110
为重构实时数据中，当前时刻下绕组温度的重构结果。
步骤S106：比较绕组在当前时刻的测量温度与重构结果，确定绕组的温度是否发生异常。
在本发明公开的一个实施例中，按照下式计算当前时刻下，绕组温度的重构结果与绕组测量温度之间的相对偏差：
Figure BDA0003974806940000121
其中，ε为相对偏差；
Figure BDA0003974806940000122
为当前时刻下绕组温度的重构结果；/>
Figure BDA0003974806940000123
为当前时刻下绕组的测量温度；
判断相对偏差是否大于预设阈值，
如果相对偏差大于预设阈值，确定绕组温度发生异常，表示绕组当前的温度处于异常状态，需要及时对发电机进行相应的维护或者降温处理。
如果相对偏差不大于预设阈值，确定绕组温度正常。
图2为本发明实施例公开的一种基于主成分分解的发电机绕组温度预警装置的结构示意图，如图2所示，该装置包括：
历史数据获取模块11，被配置为获取发电机的多组历史数据，每组历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
样本数据集建立模块12，被配置为基于历史数据建立样本数据集，样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成，差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成；相邻的每两个连续时刻之间均具有预设时间间隔；
主成分特征向量获取模块13，被配置为基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量；
实时数据获取模块14，被配置为获取发电机的实时数据，实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
重构结果获取模块15，被配置为利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果；
异常判定模块16，被配置为比较绕组在当前时刻的测量温度与重构结果，确定绕组的温度是否发生异常。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (9)

1.一种基于主成分分解的发电机绕组温度预警方法，其特征在于，包括：
获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，所述时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成，所述差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成；相邻的每两个所述连续时刻之间均具有预设时间间隔；
基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量；
获取发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果；
比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常。
2.根据权利要求1所述的方法，其特征在于，所述获取发电机的多组历史数据，包括：
获取发电机在过去预设时间段内的多组历史数据，由下式表示：
T＝[T1,T2,…,Tn]
Figure FDA0003974806930000021
其中，n为历史数据的组数；T为历史测量温度的集合，Ti为绕组在过去预设时间段内第i个时刻的历史测量温度；fj为第j种历史运行数据构成的向量，
Figure FDA0003974806930000026
为第j种历史运行数据在过去预设时间段内第i个时刻的数值；m为历史运行数据种类的数量；
利用异常点识别方法判断是否存在异常的历史数据，
如果是，将异常的历史数据去除。
3.根据权利要求2所述的方法，其特征在于，所述基于历史数据建立样本数据集，包括：
样本数据集中的每个样本均由下式表示：
sample(Ti)＝[TS(Ti)，Δ(Ti)，Ti]T
其中，Ti为过去预设时间段内第i个时刻的历史测量温度；TS(Ti)为对应Ti的时序特征数据；Δ(Ti)为对应Ti的差分特征数据；sample(Ti)为样本集中对应Ti的样本；
按照以下方式构建样本sample(Ti)中的时序特征数据TS(Ti)：
Figure FDA0003974806930000022
按照以下方式构建样本sample(Ti)中的差分特征数据Δ(Ti)；
Figure FDA0003974806930000023
/>
其中，
Figure FDA0003974806930000024
为第j种历史运行数据在过去预设时间段内第i个时刻的数值；w为时序窗口长度，是一个预设的数值；τ为差分特征数据的预设阶数；n≥i＞max(w，τ)；
按照下式构建样本数据集：
Figure FDA0003974806930000025
其中，idx＝max(w，τ)+1；M为样本数据集SN×M的样本数量，N为每个样本的维度；s(1)为样本数据集中对应sample(Tidx)的样本，以此类推，s(M)为样本数据集中对应sample(Tn)的样本；s11为样本s(1)中的第一个元素，sN1为样本s(1)中第N个元素，以此类推，s1M为样本s(M)中第一个元素，sNM为样本s(M)中第N个元素。
4.根据权利要求3所述的方法，其特征在于，所述基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量，包括：
按照下式对样本数据集中的每个样本进行中心化：
Figure FDA0003974806930000031
其中，s′(r)为将样本s(r)中心化后得到的样本；
按照下式构建中心化后的样本数据集X：
X＝[s′(1) s′(2)…s′(M)]
利用中心化后的每个样本计算协方差矩阵；
按照下式对协方差矩阵进行特征值分解：
XXT＝Q∑Q-1
其中：XXT为协方差矩阵；Q＝[p′1 p′2…p′N]是由协方差矩阵的特征向量组成的矩阵，p′1为协方差矩阵中的第一个特征向量；∑为对角矩阵，∑对角线上的元素为协方差矩阵的特征值λ1，λ2，…，λN；
在协方差矩阵的特征值中选取出最大的K个；
分别获取所述K个特征值各自对应的特征向量，作为主成分特征向量。
5.根据权利要求4所述的方法，其特征在于，所述获取发电机的实时数据，包括：
按照下式构建实时数据rt_data：
Figure FDA0003974806930000032
Figure FDA0003974806930000033
Figure FDA0003974806930000041
/>
其中：t0为当前时刻；
Figure FDA0003974806930000042
为对应/>
Figure FDA0003974806930000043
的时序特征数据；
Figure FDA0003974806930000044
为对应/>
Figure FDA0003974806930000045
的差分特征数据；/>
Figure FDA0003974806930000046
为当前时刻测量得到的绕组温度；/>
Figure FDA0003974806930000047
为第j种历史运行数据在当前时刻的数值；w为时序窗口长度，是一个预先设定的数值；τ为差分特征数据的预设阶数。
6.根据权利要求5所述的方法，其特征在于，所述利用主成分特征向量对实时数据进行降维和重构，得到在当前时刻下绕组温度的重构结果，包括：
按照下式对实时数据进行中心化：
Figure FDA0003974806930000048
其中，s(r)为样本数据集中的样本；rt_data′为中心化后的实时数据；
按照下式分别计算中心化后的实时数据在每个主成分特征向量下的坐标：
wq＝rt_data′·pq q＝1，2，…，k
其中，pq为主成分特征向量；wq为中心化后的实时数据在主成分特征向量pa下的坐标；
按照下式，利用中心化后实时数据在每个主成分特征向量下的坐标，重构实时数据：
Figure FDA0003974806930000049
其中，datareconstruct为重构后的实时数据，d′i为重构后实时数据的第i个元素，
Figure FDA00039748069300000410
为重构实时数据中，当前时刻下绕组温度的重构结果。
7.根据权利要求6所述的方法，其特征在于，所述比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常，包括：
按照下式计算当前时刻下，绕组温度的重构结果与绕组测量温度之间的相对偏差：
Figure FDA0003974806930000051
其中，ε为相对偏差；
Figure FDA0003974806930000052
为当前时刻下绕组温度的重构结果；/>
Figure FDA0003974806930000053
为当前时刻下绕组的测量温度；
判断所述相对偏差是否大于预设阈值，
如果是，确定绕组温度发生异常；
如果否，确定绕组温度正常。
8.根据权利要求2所述的方法，其特征在于，所述利用异常点识别方法判断是否存在异常的历史数据，包括：
采用一类支持向量机判断是否存在异常的历史数据。
9.一种基于主成分分解的发电机绕组温度预警装置，其特征在于，包括：
历史数据获取模块，用于获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
样本数据集建立模块，用于基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由时序特征数据、差分特征数据和历史测量温度构成，其中，所述时序特征数据由多个连续时刻的历史运行数据和对应时刻的历史测量温度组成，所述差分特征数据由多个连续时刻中，相邻连续时刻的历史运行数据之差组成；相邻的每两个所述连续时刻之间均具有预设时间间隔；
主成分特征向量获取模块，用于基于主成分分解方法，计算样本数据集中所有样本的协方差矩阵，并获得协方差矩阵最大的预设数量个特征值所对应的特征向量，作为主成分特征向量；
实时数据获取模块，用于获取发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
重构结果获取模块，用于利用主成分特征向量对实时数据进行降维和重构，得到当前时刻下绕组温度的重构结果；
异常判定模块，用于比较绕组在当前时刻的测量温度与所述重构结果，确定绕组的温度是否发生异常。
CN202211525551.0A 2022-12-01 2022-12-01 一种基于主成分分解的发电机绕组温度预警方法及装置 Active CN115859092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211525551.0A CN115859092B (zh) 2022-12-01 2022-12-01 一种基于主成分分解的发电机绕组温度预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211525551.0A CN115859092B (zh) 2022-12-01 2022-12-01 一种基于主成分分解的发电机绕组温度预警方法及装置

Publications (2)

Publication Number Publication Date
CN115859092A true CN115859092A (zh) 2023-03-28
CN115859092B CN115859092B (zh) 2023-11-17

Family

ID=85668602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211525551.0A Active CN115859092B (zh) 2022-12-01 2022-12-01 一种基于主成分分解的发电机绕组温度预警方法及装置

Country Status (1)

Country Link
CN (1) CN115859092B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699839A (zh) * 2016-01-28 2016-06-22 云南电网有限责任公司电力科学研究院 一种变压器绕组工作状态检测方法及系统
US20170061305A1 (en) * 2015-08-28 2017-03-02 Jiangnan University Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN108562854A (zh) * 2018-04-08 2018-09-21 华中科技大学 一种电机异常状态在线预警方法
CN109546659A (zh) * 2018-10-19 2019-03-29 北京交通大学 基于随机矩阵和智能场景匹配的配电网无功优化方法
US20190236456A1 (en) * 2018-01-30 2019-08-01 Utopus Insights, Inc. System and method for predicting failure of components using temporal scoping of sensor data
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN113408548A (zh) * 2021-07-14 2021-09-17 贵州电网有限责任公司电力科学研究院 变压器异常数据检测方法、装置、计算机设备和存储介质
CN113591604A (zh) * 2021-07-09 2021-11-02 浙江工业大学 基于噪声标签重构的风力发电机电能质量扰动状态监测方法
WO2022050863A1 (ru) * 2020-09-01 2022-03-10 Акционерное Общество "Российский Концерн По Производству Электрической И Тепловой Энергии На Атомных Станциях" Способ контроля технического состояния дизель-генератора при эксплуатации
CN114510869A (zh) * 2021-12-09 2022-05-17 中广核(北京)新能源科技有限公司 主成分分析法和Resnet网络的光伏设备发电量损耗预测方法
CN114722923A (zh) * 2022-03-22 2022-07-08 西北工业大学 一种轻量型的机电设备故障诊断方法
US20220291654A1 (en) * 2021-03-11 2022-09-15 Harbin Engineering University Online monitoring method of nuclear power plant system based on isolation forest method and sliding window method
CN115144807A (zh) * 2022-09-05 2022-10-04 武汉格蓝若智能技术有限公司 差分滤噪和载流分级的电流互感器在线评估方法、装置
US20220326211A1 (en) * 2021-03-15 2022-10-13 Harbin Engineering University Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061305A1 (en) * 2015-08-28 2017-03-02 Jiangnan University Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression
CN105699839A (zh) * 2016-01-28 2016-06-22 云南电网有限责任公司电力科学研究院 一种变压器绕组工作状态检测方法及系统
US20190236456A1 (en) * 2018-01-30 2019-08-01 Utopus Insights, Inc. System and method for predicting failure of components using temporal scoping of sensor data
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN108562854A (zh) * 2018-04-08 2018-09-21 华中科技大学 一种电机异常状态在线预警方法
CN109546659A (zh) * 2018-10-19 2019-03-29 北京交通大学 基于随机矩阵和智能场景匹配的配电网无功优化方法
WO2022050863A1 (ru) * 2020-09-01 2022-03-10 Акционерное Общество "Российский Концерн По Производству Электрической И Тепловой Энергии На Атомных Станциях" Способ контроля технического состояния дизель-генератора при эксплуатации
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112861350A (zh) * 2021-02-08 2021-05-28 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
US20220291654A1 (en) * 2021-03-11 2022-09-15 Harbin Engineering University Online monitoring method of nuclear power plant system based on isolation forest method and sliding window method
US20220326211A1 (en) * 2021-03-15 2022-10-13 Harbin Engineering University Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field
CN113591604A (zh) * 2021-07-09 2021-11-02 浙江工业大学 基于噪声标签重构的风力发电机电能质量扰动状态监测方法
CN113408548A (zh) * 2021-07-14 2021-09-17 贵州电网有限责任公司电力科学研究院 变压器异常数据检测方法、装置、计算机设备和存储介质
CN114510869A (zh) * 2021-12-09 2022-05-17 中广核(北京)新能源科技有限公司 主成分分析法和Resnet网络的光伏设备发电量损耗预测方法
CN114722923A (zh) * 2022-03-22 2022-07-08 西北工业大学 一种轻量型的机电设备故障诊断方法
CN115144807A (zh) * 2022-09-05 2022-10-04 武汉格蓝若智能技术有限公司 差分滤噪和载流分级的电流互感器在线评估方法、装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾子文: ""风电机组运行状态监测与健康维护系统的研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 06 *

Also Published As

Publication number Publication date
CN115859092B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
Guo et al. Wind turbine generator condition-monitoring using temperature trend analysis
CN110414154B (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN101930047A (zh) 一种变压器绕组状态在线监测装置及其监测方法
CN112711832B (zh) 同步发电机定子绕组温度预警与故障识别的方法与系统
CN112861350B (zh) 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN111929579B (zh) 发电机在线故障诊断方法、设备及计算机设备
CN111797533B (zh) 一种核动力装置运行参数异常检测方法及系统
CN108681319B (zh) 一种基于传递函数的变压器绕组故障识别方法
CN110969185A (zh) 基于数据重构的设备异常状态检测方法
CN111340367B (zh) 基于多维度关联性数据分析的少油设备状态评估方法及系统
CN115313930A (zh) 一种大型汽轮发电机励磁电流实时预测方法
CN112327218B (zh) 一种变压器在线监测与故障诊断方法
CN115859092B (zh) 一种基于主成分分解的发电机绕组温度预警方法及装置
CN111914426A (zh) 一种基于关联分析的变压器智能维护方法
CN116961226A (zh) 一种变电站中变压器的监控方法和系统
CN115719006B (zh) 一种发电机绕组温度预警方法及装置
CN115929569A (zh) 一种风电机组变桨系统故障诊断方法
CN114518536A (zh) 一种高压电动机状态监测方法
CN116429292A (zh) 一种温度传感器故障诊断方法、存储介质以及牵引系统
Yun et al. Fault diagnosis of wind turbine pitch system based on multiblock KPCA algorithm
CN113740764A (zh) 一种发电机转子绕组匝间短路缺陷在线检测方法和装置
CN114199505B (zh) 一种基于相关性分析的发电机定子线棒流通性评价方法
US20220317646A1 (en) Self-adaptive test method for intelligent prediction algorithm of analog measured values
CN114062943B (zh) 一种锂离子电池系统极化异常预警方法及系统
CN110927488B (zh) 一种基于隶属度函数的变压器运行状态监测方法

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
GR01 Patent grant
GR01 Patent grant