CN117056764A - 一种发电机组智能保护方法及系统 - Google Patents
一种发电机组智能保护方法及系统 Download PDFInfo
- Publication number
- CN117056764A CN117056764A CN202311310206.XA CN202311310206A CN117056764A CN 117056764 A CN117056764 A CN 117056764A CN 202311310206 A CN202311310206 A CN 202311310206A CN 117056764 A CN117056764 A CN 117056764A
- Authority
- CN
- China
- Prior art keywords
- data
- data point
- generator set
- cluster
- point
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004220 aggregation Methods 0.000 claims abstract description 56
- 230000002776 aggregation Effects 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/06—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric generators; for synchronous capacitors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Eletrric Generators (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及发电机组电数据处理领域，具体涉及一种发电机组智能保护方法及系统，该方法包括：获取发电机组各状态参数数据序列，构建发电机组的运行状态三维坐标图；根据运行状态三维坐标图中各数据点之间距离得到各数据点的局部聚集度及运行状态聚集异常度；根据各聚集区域内数据点的运行状态聚集异常度获取各数据点的运行状态一致性系数；进而自适应得到各初始聚类中心点，结合各初始聚类中心点采用模糊C均值聚类算法获取各聚类簇，提取异常聚类簇，当发电机组运行过程出现异常聚类簇时，停止运行实现智能保护。从而实现发电机组运行异常的精确检测，完成发电机组智能保护。
Description
技术领域
本发明涉及发电机组电数据处理领域，具体涉及一种发电机组智能保护方法及系统。
背景技术
发电机组是一种将水流、气流、燃料等其他形式的能源转换成电能的成套机械设备，由发电机、发动机、传动装置、控制系统和辅助部件组成。发电机组可以提供可靠的电力能源，通常被用于发电站、工厂、建筑、船舶和搭建在户外的用电设施等场景中。发电机组在工作时，会受到各种因素的影响，如负载过重、机器短路、冷却系统故障等，导致发电机组出现异常的运行状态，如果没有相应的保护措施，这些因素可能会对发电机组造成损伤，甚至导致其停机，带来经济损失和安全隐患，因此需要对发电机组进行智能保护。通过实时监测发电机组来诊断设备是否出现异常的运行状态，可以及时发现并解决设备问题和安全隐患，保障设备处于良好的运行状态，提高设备的稳定性和安全性。
模糊C均值聚类算法是一种较为有效的异常数据检测方法，具有较好的可扩展性和鲁棒性，适用于较复杂的数据集的异常数据检测。但是传统的模糊C均值聚类算法中的初始聚类中心点是随机选取的，而初始聚类中心点会影响算法的聚类结果，如果初始聚类中心点选取的不好，会导致聚类结果不理想，进而影响数据异常检测时的检测效果。
因此，本发明提出一种发电机组智能保护方法及系统，获取发电机组的运行状态参数数据，对采集的发电机组的运行状态参数数据进行分析，得到用于检测发电机组异常运行状态的运行状态三维坐标图，并根据运行状态三维坐标图中数据点的分布情况，构建各个数据点的运行状态一致性系数，结合数据点之间的距离得到各个数据点的聚类中心权重，基于聚类中心权重完成对模糊C均值聚类算法中初始聚类中心点的自适应选取，最后使用改进的模糊C均值聚类算法完成发电机组的异常运行状态的检测，并对出现异常运行状态的发电机组进行智能保护。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种发电机组智能保护方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种发电机组智能保护方法，该方法包括以下步骤：
获取发电机组各状态参数数据序列，包括负载功率、转速、转子电压、电流数据序列；
根据各状态参数数据序列构建发电机组的运行状态三维坐标图；根据运行状态三维坐标图中各数据点之间距离得到各数据点的局部聚集度；对数据点进行聚类得到各聚集区域，根据聚集区域内各数据点的局部聚集度得到各数据点的运行状态聚集异常度；根据各聚集区域内数据点的运行状态聚集异常度获取各数据点的运行状态一致性系数；将运行状态一致性系数最大的数据点作为第一个初始聚类中心点；根据数据点运行状态一致性系数及与第一个初始聚类中心点之间的距离得到数据点作为第二个初始聚类中心点的聚类中心权重；根据聚类中心权重得到第二个初始聚类中心点，以此类推自适应得到各初始聚类中心点；
结合各初始聚类中心点采用模糊C均值聚类算法获取各聚类簇，获取各聚类簇的三维坐标向量，根据各聚类簇的三维坐标向量与正常三维坐标向量的余弦相似度得到异常聚类簇，当发电机组运行过程出现异常聚类簇时，停止运行实现智能保护。
优选的，所述根据各状态参数数据序列构建发电机组的运行状态三维坐标图包括：
对转子电压、电流数据序列进行PCA主成分分析获取转子特征值数据序列，将负载功率数据序列各数据作为运行状态三维坐标图中各数据点的x轴坐标值，转速数据序列中各数据作为运行状态三维坐标图中各数据点的y轴坐标值，转子特征值数据序列中各数据作为运行状态三维坐标图中各数据点的z轴坐标值。
优选的，所述根据运行状态三维坐标图中各数据点之间距离得到各数据点的局部聚集度，表达式为：
；
；
式中，表示运行状态三维坐标图中数据点的个数；/>表示数据点/>与数据点i之间的距离；/>表示标准距离；/>表示逻辑判断函数。
优选的，所述根据聚集区域内各数据点的局部聚集度得到各数据点的运行状态聚集异常度，包括：
对于各数据点，计算数据点所在聚集区域的局部聚集度均值及方差，将所述方差与均值的比值作为数据点的运行状态聚集异常度。
优选的，所述根据各聚集区域内数据点的运行状态聚集异常度获取各数据点的运行状态一致性系数，包括：
对于各数据点，分别计算数据点所在聚集区域中的所有数据点x轴坐标值、y轴坐标值、z轴坐标值的方差，将三个方差的和值与数据点运行状态聚集异常度乘积的倒数作为数据点的运行状态一致性系数。
优选的，所述根据数据点运行状态一致性系数及与第一个初始聚类中心点之间的距离得到数据点作为第二个初始聚类中心点的聚类中心权重，表达式为：
；
式中，表示数据点/>的运行状态一致性系数；/>表示第/>个初始聚类中心点；/>表示数据点/>与第/>个初始聚类中心点之间的欧式距离；/>为归一化函数。
优选的，所述根据聚类中心权重得到第二个初始聚类中心点，包括：
计算除第一个初始聚类中心点之外的各数据的聚类中心权重，将聚类中心权重最大对应的数据点作为第二个初始聚类中心点。
优选的，所述获取各聚类簇的三维坐标向量，包括：
计算聚类簇内所有数据点的x坐标均值、y坐标均值、z坐标均值，将x坐标均值、y坐标均值、z坐标均值组成聚类簇的三维坐标向量。
优选的，所述根据各聚类簇的三维坐标向量与正常三维坐标向量的余弦相似度得到异常聚类簇包括：
将余弦相似度超过相似度阈值的聚类簇作为异常聚类簇。
第二方面，本发明实施例还提供了一种发电机组智能保护系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明提出一种发电机组智能保护方法及系统，针对传统的模糊C均值聚类算法中初始聚类中心点的随机选取而导致聚类结果不理想，进而影响数据异常检测效果的问题，本发明通过对发电机组的相关运行状态参数数据进行分析，得到发电机组的运行状态三维坐标图，并基于运行状态三维坐标图中的数据点在发电机组正常运行时的分布特点，对运行状态三维坐标图中的数据点的分布情况进行分析，构建各个数据点的运行状态聚集异常度和运行状态分布异常度，提高了正常数据点和异常数据点之间的差异性；
同时，本发明获取各个数据点的运行状态一致性系数，并结合数据点之间的距离得到各个数据点的聚类中心权重，将数据点的聚类中心权重作为模糊C均值聚类算法中初始聚类中心点的选择标准，结合模糊C均值聚类算法对运行状态三维坐标图中的数据点进行后续的异常数据检测，提高了模糊C均值聚类算法的聚类效果以及后续异常数据检测的准确性。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种发电机组智能保护方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种发电机组智能保护方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种发电机组智能保护方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种发电机组智能保护方法的步骤流程图，该方法包括以下步骤：
步骤S001，获取发电机组的运行状态参数数据，并对获取的数据进行预处理。
具体的，本实施例将通过发电机组运行过程中的各参数数据的分析，对发电机组的异常状况进行检测，进而实现对异常情况的发电机组运行进行控制，实现发电机组的智能保护。用于反映发电机组运行状态的相关状态参数有很多，实施者可自行设定所监测的发电机组的运行数据。本发明中监测的发电机组的运行状态参数数据包括负载功率、转速、转子的电压和电流，可使用功率、转速、电压、电流传感器分别进行数据的采集，本发明中的每个传感器采集的数据量记为，相邻两次采集的时间间隔记为/>，具体每个传感器采集的数据量/>以及时间间隔/>由实施者自行定义，本发明中设置为/>，/>。
得到用于监测发电机组状态的状态参数数据序列，即负载功率数据序列、转速数据序列/>、转子电压数据序列/>、转子电流数据序列/>。由于数据在采集和传输的过程中会出现数据缺失的问题，因此本发明采用均值填充法对得到的各个状态参数数据序列分别进行处理，其中均值填充法为公知技术，不再赘述。并对进行均值填充后的各个状态参数数据序列分别进行归一化的去量纲处理，得到负载功率数据序列/>、转速数据序列/>、转子电压数据序列/>、转子电流数据序列/>，其中归一化的去量纲方法为现有公知技术，不再赘述。
至此，即可根据本实施例上述方法获取发电机组运行过程中的相关状态参数的数据，作为发电机组运行状况检测分析的基础数据。
步骤S002，对采集的发电机组的运行状态参数数据进行分析，构建检测发电机组异常运行状态的运行状态三维坐标图，根据运行状态三维坐标图中数据点的分布情况构建各个数据点的运行状态一致性系数，并结合数据点之间的距离得到各个数据点的聚类中心权重，基于聚类中心权重完成对模糊C均值聚类算法中初始聚类中心点的自适应选取。
发电机组的不同运行状态通常指的是发电机在不同负载水平下的运行状态，在发电机组正常运行时，发电机组的负载会随着用电负载的变化而发生变化。由于发电机组是通过旋转磁场相对于定子产生感应电动势来将机械能转化为电能的，负载的增加会对发电机组的电磁性质产生影响，因此发电机组的负载功率、转速、转子的电压和电流通常会随着负载的变化而变化，并且在同一负荷下，负载功率、转速、转子的电压和电流等数据的变化都是相对平稳的，若电机出现故障，则这些数据将会出现异常的波动以及骤降。例如当发电机组的励磁出现异常时，会影响发电机的电磁感应，导致转子的电压和电流稳定性较差，使得电压和电流数据出现较大的波动；发电机转子出现短路故障时，负载功率会迅速骤降，甚至降至为零，同时发电机组的转速也会出现忽高忽低的不稳定状况。因此，可根据发电机组的负载功率、转速、转子的电压和电流等数据的分布情况来判断发电机组是否出现异常的运行状态。
发电机组的转子的电压和电流通常会同时变化，在发电机组正常运行时，转子的电压和电流是通过励磁系统来稳定控制的，当外部负载或其他因素导致负载功率发生变化时，转子的电流和电压也会随之变化，以保持发电机组的稳定输出。因此转子的电压和电流具有较强的相关性，本实施例使用PCA主成分分析法对转子的电压数据序列和电流数据序列/>进行降维处理，得到数据序列记为转子特征值数据序列/>，以消除转子的电压和电流数据中的噪声以及冗余信息，提高后续对发电机组进行异常状态检测时的效率和准确性，其中PCA主成分分析法为公知技术，不再赘述。
根据负载功率数据序列、转速数据序列/>、转子特征值数据序列/>，得到用于表示发电机组在各个时刻的运行状态特征向量/>，其中/>、/>、/>分别表示数据序列/>、/>、/>在同一时刻的数据点的值。基于发电机组的运行状态特征向量/>，构建一个三维坐标图，记为发电机组的运行状态三维坐标图，其中以负载功率/>为/>轴坐标的值，转速/>为/>轴坐标的值，转子特征值/>为/>轴坐标的值，则运行状态三维坐标图中的每个数据点/>均可用来反映发电机组在某一采集时刻的运行状态，并且运行状态三维坐标图中的数据点在发电机组的不同的负载状态下会呈现出不同的分布情况，即运行状态三维坐标图中的数据点会呈现出多个聚集区域，每个区域各表示发电机组的一个运行状态。则数据点所在的区域越密集，并且该数据点与其所在的区域内的数据点的分布情况越相似，说明发电机组在该数据点所在的时刻越不可能出现异常的运行状态，则该数据点越应该被选择为初始聚类中心点。
利用k-means算法对运行状态三维坐标图中的数据点进行划分，得到个聚集区域，聚类的个数/>取经验值为/>的向下取整值，其中/>为运行状态三维坐标图中数据点的个数，k-means算法为公知技术，不再赘述。计算运行状态三维坐标图中各个数据点之间的欧氏距离，作为数据点之间的距离/>，对运行状态三维坐标图中各个数据点的局部密集程度进行检测，以数据点/>为例，其局部聚集度/>的计算方法为：
上式中，表示运行状态三维坐标图中数据点的个数；/>表示数据点/>与数据点i之间的距离；/>表示逻辑判断函数；/>表示标准距离，其中/>取经验值为5。
数据点的局部聚集度越大，表示该数据点与其周围数据点之间的距离越小，即该数据点与其周围数据点之间的差异越小，说明发电机组在该数据点所在时刻的运行状态与其周围数据点所在时刻的运行状态越接近。
进一步的，得到运行状态三维坐标图中各个聚集区域中数据点的运行状态聚集异常度，以第/>个聚集区域中的第/>个数据点为例，该数据点的运行状态聚集异常度的计算方法为：
上式中：表示数据点i的所在聚集区域的局部聚集度均值；/>表示数据点i所在聚集区域的局部聚集度方差；/>为调参因子，为了防止分母为0，/>取经验值为1。
该数据点与其所在聚集区域内其余数据点的局部密集程度之间的差异越大，也即局部聚集度方差越大，表示该数据点与其所在聚集区域内的数据点越不可能处于同一个运行状态，则该数据点越可能为异常数据点，即的值越大，说明发电机组在该数据点所在的时刻越可能出现异常运行状态。该数据点的局部聚集度/>的值越大，并且该数据所在的聚集区域中数据点的局部密集程度的值越大，表示该数据点所在聚集区域内的数据点之间的分布越密集，即该数据点所在聚集区域内数据点的密集程度越大，/>的值越大，说明该数据点所在的聚集区域内出现异常数据点的可能性越小，即数据点的运行状态聚集异常度越小，则发电机组越不可能在该聚集区域内出现异常的运行状态；数据点的运行状态聚集异常度越大，说明该数据点越疑似为异常数据点，则该数据点越不应该被选择为初始聚类中心点。
进一步的，对各聚集区域内数据点的运行状态聚集异常度进行分析，得到运行状态三维坐标图中各个聚集区域中数据点的运行状态一致性系数，以第个聚集区域中的第/>个数据点为例，该数据点的运行状态一致性系数/>的计算方法为：
上式中：表示该数据点的运行状态聚集异常度；/>为调参因子，为了防止分母为0，/>取经验值为1。/>、/>、/>分别表示该数据点与其所在聚集区域中的所有数据点在x轴、y轴、z轴上的方差。
该数据点与其所在聚集区域内的其余数据点之间的负载功率、转速、转子特征值上的分布差异越小，并且该数据点的运行状态分布异常度运行状态聚集异常度的值越小，表示该数据点的运行状态与该聚集区域内其余数据点的运行状态越接近，即该数据点的运行状态一致性系数的值越大，说明该数据点越疑似为正常数据点，并且该数据点越能代表其所在聚集区域的数据点的运行状态，则该数据点越应该被选择为初始聚类中心点。
根据运行状态三维坐标图中各个数据点的运行状态一致性系数，将运行状态一致性系数最大对应的数据点作为第一个初始聚类中心点。
其次，初始聚类中心点在运行状态三维坐标图中的分布应该是比较分散的，如果聚类中心点的初始位置集中在数据点的某个区域，则会使得该区域内的数据点更有可能被分配到该聚类中心，从而导致该聚类中心所代表的聚类簇过度拥挤，而其余的聚类簇过于稀疏，导致最终的聚类效果不佳。计算运行状态三维坐标图中各个数据点的运行状态一致性系数，然后以数据点为例，则数据点/>被选择为第/>个初始聚类中心点/>的聚类中心权重/>的计算方法为：
上式中：表示数据点/>的运行状态一致性系数；/>表示数据点/>与第个初始聚类中心点/>之间的欧式距离，其中/>，/>为初始聚类中心点的个数；/>为归一化函数，表示对/>内的数值进行归一化处理。
则该数据点对应的运行状态一致性系数的值越大，表示该数据点与其所在的聚集区域内的数据点的运行状态的分布越一致，则在选择初始聚类中心点时应给予更高的权重；该数据点与上一个初始聚类中心点之间的距离越大，则在选择初始聚类中心点时也应给予更高的权重。
步骤S003，根据各数据聚类中心权重提取初始聚类中心点，使用模糊C均值聚类算法完成后续对发电机组的异常运行状态的检测，并对出现异常运行状态的发电机组进行智能保护。
根据各数据的聚类中心权重，本实施例将对初始聚类中心点进行自适应选取，其中初始聚类中心点的选取方法为：获取第一个初始聚类中心点后，计算除第一个初始聚类中心点之外的各数据的聚类中心权重，将聚类中心权重最大对应的数据点作为第个初始聚类中心点，以此类推选出/>个初始聚类中心点。
结合提取的各初始聚类中心点采用模糊C均值聚类算法对运行状态三维坐标图中的数据点进行聚类，获取各聚类簇，模糊C均值聚类算法为公知技术，不在本实施例保护范围内，具体过程不再赘述。模糊C均值聚类算法中的距离度量方式为欧式距离，并且聚类数目，即初始聚类中心点的个数/>，模糊加权指数/>，迭代次数/>，阈值/>，分别取经验值为。需要说明的是对于聚类数目、模糊加权指数、迭代次数以及阈值的设定实施者可自行设定，本实施例对此不做限制。
对于各聚类簇，将聚类簇内所有数据点的对应三维坐标均值作为聚类簇的三维坐标向量，聚类簇q的三维坐标向量记为，其中/>分别为聚类簇q内所有数据点的x坐标均值、y坐标均值、z坐标均值。根据本实施例所述方法获取各聚类簇的三维坐标向量，并获取发电机组正常工作状态下数据点的三维坐标/>，记为正常三维坐标向量，需要说明的是，实施者可自行选取发电机组正常工作状态所对应的数据点。
根据各聚类簇三维坐标向量与正常三维坐标向量之间的余弦相似度，并设定相似度阈值，将所述余弦相似度小于相似度阈值的聚类簇作为异常聚类簇，当发电机组运行过程中存在异常聚类簇时，则表示发电机组出现了异常的运行状态，则停止发电机组的运行，并发出警报提醒相关人员对发电机组进行检查，进而实现对发电机组的智能保护，避免发电机组长时间异常运行导致故障的发生。需要说明的是，所述相似度阈值实施者可自行设定，本实施例设定为0.5。
基于与上述方法相同的发明构思，本发明实施例还提供了一种发电机组智能保护系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种发电机组智能保护方法中任意一项所述方法的步骤。
综上所述，本发明实施例提出一种发电机组智能保护方法及系统，针对传统的模糊C均值聚类算法中初始聚类中心点的随机选取而导致聚类结果不理想，进而影响数据异常检测效果的问题，本发明实施例通过对发电机组的相关运行状态参数数据进行分析，得到发电机组的运行状态三维坐标图，并基于运行状态三维坐标图中的数据点在发电机组正常运行时的分布特点，对运行状态三维坐标图中的数据点的分布情况进行分析，构建各个数据点的运行状态聚集异常度和运行状态分布异常度，提高了正常数据点和异常数据点之间的差异性；
同时，本发明实施例获取各个数据点的运行状态一致性系数，并结合数据点之间的距离得到各个数据点的聚类中心权重，将数据点的聚类中心权重作为模糊C均值聚类算法中初始聚类中心点的选择标准，结合模糊C均值聚类算法对运行状态三维坐标图中的数据点进行后续的异常数据检测，提高了模糊C均值聚类算法的聚类效果以及后续异常数据检测的准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种发电机组智能保护方法，其特征在于，该方法包括以下步骤：
获取发电机组各状态参数数据序列，包括负载功率、转速、转子电压、电流数据序列；
根据各状态参数数据序列构建发电机组的运行状态三维坐标图；根据运行状态三维坐标图中各数据点之间距离得到各数据点的局部聚集度；对数据点进行聚类得到各聚集区域，根据聚集区域内各数据点的局部聚集度得到各数据点的运行状态聚集异常度；根据各聚集区域内数据点的运行状态聚集异常度获取各数据点的运行状态一致性系数；将运行状态一致性系数最大的数据点作为第一个初始聚类中心点；根据数据点运行状态一致性系数及与第一个初始聚类中心点之间的距离得到数据点作为第二个初始聚类中心点的聚类中心权重；根据聚类中心权重得到第二个初始聚类中心点，以此类推自适应得到各初始聚类中心点；
结合各初始聚类中心点采用模糊C均值聚类算法获取各聚类簇，获取各聚类簇的三维坐标向量，根据各聚类簇的三维坐标向量与正常三维坐标向量的余弦相似度得到异常聚类簇，当发电机组运行过程出现异常聚类簇时，停止运行实现智能保护。
2.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据各状态参数数据序列构建发电机组的运行状态三维坐标图包括：
对转子电压、电流数据序列进行PCA主成分分析获取转子特征值数据序列，将负载功率数据序列各数据作为运行状态三维坐标图中各数据点的x轴坐标值，转速数据序列中各数据作为运行状态三维坐标图中各数据点的y轴坐标值，转子特征值数据序列中各数据作为运行状态三维坐标图中各数据点的z轴坐标值。
3.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据运行状态三维坐标图中各数据点之间距离得到各数据点的局部聚集度，表达式为：
；
；
式中，表示运行状态三维坐标图中数据点的个数；/>表示数据点/>与数据点i之间的距离；/>表示标准距离；/>表示逻辑判断函数。
4.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据聚集区域内各数据点的局部聚集度得到各数据点的运行状态聚集异常度，包括：
对于各数据点，计算数据点所在聚集区域的局部聚集度均值及方差，将所述方差与均值的比值作为数据点的运行状态聚集异常度。
5.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据各聚集区域内数据点的运行状态聚集异常度获取各数据点的运行状态一致性系数，包括：
对于各数据点，分别计算数据点所在聚集区域中的所有数据点x轴坐标值、y轴坐标值、z轴坐标值的方差，将三个方差的和值与数据点运行状态聚集异常度乘积的倒数作为数据点的运行状态一致性系数。
6.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据数据点运行状态一致性系数及与第一个初始聚类中心点之间的距离得到数据点作为第二个初始聚类中心点的聚类中心权重，表达式为：
；
式中，表示数据点/>的运行状态一致性系数；/>表示第/>个初始聚类中心点；表示数据点/>与第/>个初始聚类中心点之间的欧式距离；/>为归一化函数。
7.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据聚类中心权重得到第二个初始聚类中心点，包括：
计算除第一个初始聚类中心点之外的各数据的聚类中心权重，将聚类中心权重最大对应的数据点作为第二个初始聚类中心点。
8.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述获取各聚类簇的三维坐标向量，包括：
计算聚类簇内所有数据点的x坐标均值、y坐标均值、z坐标均值，将x坐标均值、y坐标均值、z坐标均值组成聚类簇的三维坐标向量。
9.如权利要求1所述的一种发电机组智能保护方法，其特征在于，所述根据各聚类簇的三维坐标向量与正常三维坐标向量的余弦相似度得到异常聚类簇包括：
将余弦相似度超过相似度阈值的聚类簇作为异常聚类簇。
10.一种发电机组智能保护系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310206.XA CN117056764B (zh) | 2023-10-11 | 2023-10-11 | 一种发电机组智能保护方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310206.XA CN117056764B (zh) | 2023-10-11 | 2023-10-11 | 一种发电机组智能保护方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056764A true CN117056764A (zh) | 2023-11-14 |
| CN117056764B CN117056764B (zh) | 2024-01-09 |
Family
ID=88659411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310206.XA Active CN117056764B (zh) | 2023-10-11 | 2023-10-11 | 一种发电机组智能保护方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056764B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及系统 |
| CN117421620A (zh) * | 2023-12-18 | 2024-01-19 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
| CN117453447A (zh) * | 2023-12-21 | 2024-01-26 | 临沂大学 | 一种汽车电驱动系统的模拟测试方法 |
| CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
| CN117786582A (zh) * | 2024-02-23 | 2024-03-29 | 江苏斐能软件科技有限公司 | 基于数据驱动的用电异常状态智能监测方法及系统 |
| CN117851815A (zh) * | 2024-03-07 | 2024-04-09 | 哈能(浙江)电力科技有限公司 | 一种开关柜安全状态实时预警方法及系统 |
| CN117892231A (zh) * | 2024-03-18 | 2024-04-16 | 天津戎军航空科技发展有限公司 | 一种碳纤维弹匣生产数据智能管理方法 |
| CN118521589A (zh) * | 2024-07-24 | 2024-08-20 | 江苏雷博微电子设备有限公司 | 基于数据驱动的全自动去边机异常检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110401391A (zh) * | 2019-07-31 | 2019-11-01 | 青岛大学 | 异步电动机随机系统模糊自适应动态面控制方法 |
| CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
| CN114266304A (zh) * | 2021-12-20 | 2022-04-01 | 上海应用技术大学 | 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法 |
| CN114298080A (zh) * | 2021-08-30 | 2022-04-08 | 西安理工大学 | 一种基于摆度数据挖掘的水轮发电机组的监测方法 |
| CN115600119A (zh) * | 2022-12-13 | 2023-01-13 | 青岛左岸数据科技有限公司（Cn） | 适用于风力发电的数据处理方法及系统 |
| CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
| CN116702080A (zh) * | 2023-08-04 | 2023-09-05 | 山东荣信集团有限公司 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
| CN116823826A (zh) * | 2023-08-29 | 2023-09-29 | 无锡康贝电子设备有限公司 | 一种数控机床刀具崩刃异常检测方法 |
-
2023
- 2023-10-11 CN CN202311310206.XA patent/CN117056764B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110401391A (zh) * | 2019-07-31 | 2019-11-01 | 青岛大学 | 异步电动机随机系统模糊自适应动态面控制方法 |
| CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
| CN114298080A (zh) * | 2021-08-30 | 2022-04-08 | 西安理工大学 | 一种基于摆度数据挖掘的水轮发电机组的监测方法 |
| CN114266304A (zh) * | 2021-12-20 | 2022-04-01 | 上海应用技术大学 | 一种牵引供电系统电能质量分类管理的PCA—Kmeans聚类方法 |
| CN115600119A (zh) * | 2022-12-13 | 2023-01-13 | 青岛左岸数据科技有限公司（Cn） | 适用于风力发电的数据处理方法及系统 |
| CN115840924A (zh) * | 2023-02-15 | 2023-03-24 | 深圳市特安电子有限公司 | 一种压力变送器测量数据智慧处理系统 |
| CN116702080A (zh) * | 2023-08-04 | 2023-09-05 | 山东荣信集团有限公司 | 一种基于多维传感器的煤气制甲醇过程在线监测系统 |
| CN116701973A (zh) * | 2023-08-09 | 2023-09-05 | 无锡市明通动力工业有限公司 | 基于大数据的电机异常振动检测预警方法 |
| CN116823826A (zh) * | 2023-08-29 | 2023-09-29 | 无锡康贝电子设备有限公司 | 一种数控机床刀具崩刃异常检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 佘云峰 等: "涡轴发动机自适应混合诊断模型高斯加权聚类方法", 航空动力学报, vol. 26, no. 5, pages 1178 - 1184 * |
| 常鲜戎;孙景文;: "基于改进的模糊C均值聚类的负荷预处理", 华北电力大学学报(自然科学版), no. 01, pages 27 - 32 * |
| 武小红;周建江;: "可能性模糊C-均值聚类新算法", 电子学报, no. 10, pages 1996 - 2000 * |
| 金健 等: "一种含影响力因子的自适应C 均值算法", 计算机科学, vol. 36, no. 1, pages 222 - 226 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及系统 |
| CN117349220B (zh) * | 2023-12-04 | 2024-02-02 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及系统 |
| CN117421620A (zh) * | 2023-12-18 | 2024-01-19 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
| CN117421620B (zh) * | 2023-12-18 | 2024-02-27 | 北京云摩科技股份有限公司 | 一种张力状态数据的交互方法 |
| CN117453447A (zh) * | 2023-12-21 | 2024-01-26 | 临沂大学 | 一种汽车电驱动系统的模拟测试方法 |
| CN117453447B (zh) * | 2023-12-21 | 2024-03-22 | 临沂大学 | 一种汽车电驱动系统的模拟测试方法 |
| CN117498735B (zh) * | 2024-01-02 | 2024-03-19 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
| CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
| CN117786582A (zh) * | 2024-02-23 | 2024-03-29 | 江苏斐能软件科技有限公司 | 基于数据驱动的用电异常状态智能监测方法及系统 |
| CN117786582B (zh) * | 2024-02-23 | 2024-05-07 | 江苏斐能软件科技有限公司 | 基于数据驱动的用电异常状态智能监测方法及系统 |
| CN117851815A (zh) * | 2024-03-07 | 2024-04-09 | 哈能(浙江)电力科技有限公司 | 一种开关柜安全状态实时预警方法及系统 |
| CN117851815B (zh) * | 2024-03-07 | 2024-05-10 | 哈能(浙江)电力科技有限公司 | 一种开关柜安全状态实时预警方法及系统 |
| CN117892231A (zh) * | 2024-03-18 | 2024-04-16 | 天津戎军航空科技发展有限公司 | 一种碳纤维弹匣生产数据智能管理方法 |
| CN117892231B (zh) * | 2024-03-18 | 2024-05-28 | 天津戎军航空科技发展有限公司 | 一种碳纤维弹匣生产数据智能管理方法 |
| CN118521589A (zh) * | 2024-07-24 | 2024-08-20 | 江苏雷博微电子设备有限公司 | 基于数据驱动的全自动去边机异常检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056764B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117056764B (zh) | 一种发电机组智能保护方法及系统 | |
| Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
| Strangas et al. | Time–frequency analysis for efficient fault diagnosis and failure prognosis for interior permanent-magnet AC motors | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN113608119B (zh) | 电机运行状态监测方法、装置、设备和存储介质 | |
| CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
| Karaköse et al. | The intelligent fault diagnosis frameworks based on fuzzy integral | |
| Kumar et al. | A topological neural-based scheme for classification of faults in induction machines | |
| CN113553927A (zh) | 干式变压器的运行状态分析方法、系统、服务器及介质 | |
| Kerboua et al. | Fault diagnosis in induction motor using pattern recognition and neural networks | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| Rahman et al. | Motor fault detection using vibration patterns | |
| Mustafa et al. | Faults classification scheme for three phase induction motor | |
| CN113009337A (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| Jiang et al. | [Retracted] Research on Motor Bearing Fault Diagnosis Based on the AdaBoost Algorithm and the Ensemble Learning with Bayesian Optimization in the Industrial Internet of Things | |
| ÖZGÖNENEL et al. | A complete motor protection algorithm based on PCA and ANN: a real time study | |
| Mahmoud et al. | Fault diagnosis of low-severity demagnetization in permanent magnet synchronous motors using numerical data | |
| Bouchareb et al. | Advanced diagnosis strategy for incipient stator faults in synchronous reluctance motor | |
| CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
| Green et al. | Energy disaggregation of stochastic power behavior | |
| CN109192340A (zh) | 百万千瓦级压水堆核电站发电机测量点监测的方法及装置 | |
| CN108919041A (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
| Chang et al. | Fuzzy theory-based hybrid decision-making system for rotating electrical machinery fault diagnosis | |
| Yang et al. | Classification of Voltage Sag Sources Based on PCA-CNN-LVQ Method | |
| Haroun et al. | Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis |
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 |