CN117151691A - 抽水蓄能机组数字管理方法、装置、设备及可读存储介质 - Google Patents

抽水蓄能机组数字管理方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN117151691A
CN117151691A CN202311126204.5A CN202311126204A CN117151691A CN 117151691 A CN117151691 A CN 117151691A CN 202311126204 A CN202311126204 A CN 202311126204A CN 117151691 A CN117151691 A CN 117151691A
Authority
CN
China
Prior art keywords
storage unit
information
pumped storage
parameters
pumped
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
Application number
CN202311126204.5A
Other languages
English (en)
Inventor
倪晋兵
赵毅锋
唐拥军
周攀
孙慧芳
于姗
李珊珊
徐亚鹏
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.)
Pumped Storage Technology And Economy Research Institute Of State Grid Xinyuan Holding Co ltd
State Grid Xinyuan Group Co ltd
Original Assignee
Pumped Storage Technology And Economy Research Institute Of State Grid Xinyuan Holding Co ltd
State Grid Xinyuan Group 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 Pumped Storage Technology And Economy Research Institute Of State Grid Xinyuan Holding Co ltd, State Grid Xinyuan Group Co ltd filed Critical Pumped Storage Technology And Economy Research Institute Of State Grid Xinyuan Holding Co ltd
Priority to CN202311126204.5A priority Critical patent/CN117151691A/zh
Publication of CN117151691A publication Critical patent/CN117151691A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种抽水蓄能机组数字管理方法、装置、设备及可读存储介质，涉及抽水蓄能数字管理技术领域，包括将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。本发明实现了抽水蓄能机组的故障预警，以保证对机组进行及时检修。

Description

抽水蓄能机组数字管理方法、装置、设备及可读存储介质
技术领域
本发明涉及抽水蓄能数字管理技术领域，具体而言，涉及抽水蓄能机组数字管理方法、装置、设备及可读存储介质。
背景技术
目前抽水蓄能机组的状态监测是通过比较实时监测参数的测量值与预设的参数阈值来实现报警功能。然而，当报警发生时，抽水蓄能机组的设备可能已经严重恶化，而状态监测系统的监测值尚未达到报警级别的情况。
发明内容
本发明的目的在于提供一种抽水蓄能机组数字管理方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
第二方面，本申请还提供了一种抽水蓄能机组数字管理装置，包括：
第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
第二获取模块，所述第二获取模块用于获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
第一训练与测试模块，所述第一训练与测试模块用于将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
第一输入输出模块，所述第一输入输出模块用于将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
预警模块，所述预警模块用于将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
第三方面，本申请还提供了一种抽水蓄能机组数字管理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述抽水蓄能机组数字管理方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于抽水蓄能机组数字管理方法的步骤。
本发明的有益效果为：本发明通过构建的健康运行标准模型，能够对健康运行标准参数进行预测，通过预测到的健康运行标准参数与预设的预警阈值对所述抽水蓄能机组的故障进行预警，实现了抽水蓄能机组的故障预警，以保证对机组进行及时检修。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例中所述的抽水蓄能机组数字管理方法流程示意图；
图2为本发明实施例中所述的抽水蓄能机组数字管理装置结构示意图；
图3为本发明实施例中所述的抽水蓄能机组数字管理设备结构示意图。
图4为模型输出的最小气隙特征值分析图。
图5为发电工况下上机架水平振动劣化预警结果。
图6为抽水工况下上机架水平振动劣化预警结果。
图7为上导支撑松动故障预测结果示意图。
图中标记：800、抽水蓄能机组数字管理设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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中的附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种抽水蓄能机组数字管理方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500。
步骤S100：获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
其中，反映抽水蓄能机组运行状态的运行状态参数包括发电机的运行状态数据和水轮机的运行状态数据，所述发电机的运行状态数据包括上导轴承、转子、空冷器、下导轴承的运行状态数据，所述水轮机的运行状态数据包括水导轴承的运行状态数据，所述上导轴承的运行状态数据包括上导摆度、上机架水平振动、上导瓦温、上导油温和上导油位，所述转子的运行状态数据包括最小气隙、转子离心力影响量、定转子中心偏移、转子不圆度和定子铁芯温度，所述空冷器的运行状态数据包括空冷器温差，所述下导轴承的运行状态数据包括下导摆度、下机架水平振动、下导瓦温和下导油温，所述水轮机的运行状态数据包括水导轴承的顶盖水平振动、顶盖垂直振动、水导摆度、水导瓦温、水导油温和水导油位。
对所述运行状态参数具有重要影响的状态监测数据根据相应的运行状态参数进行具体选定。
步骤S200：获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
步骤S300：将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
步骤S400：将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
步骤S500：将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
本发明的方法还包括：
获取第三信息，所述第三信息包括抽水蓄能机组劣化运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
将所述第三信息中的状态监测数据作为输入，将所述第三信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到抽水蓄能机组的劣化运行标准模型；
将所述第二信息中的状态监测数据输入到所述劣化运行标准模型中，输出抽水蓄能机组的劣化运行标准参数；
计算所述第二信息中的运行状态参数与当前时刻之前的健康运行标准参数的最小值之差，得到第一差值；
计算上一时刻的劣化运行标准参数与当前时刻之前的健康运行标准参数的最小值之差，得到第二差值；
根据所述第一差值与所述第二差值之间的比值计算劣化度，并根据所述劣化度分析所述抽水蓄能机组在未来时间的劣化趋势。
所述劣化运行标准模型能够对劣化运行标准参数进行预测，本发明通过预测当前时刻之前的健康运行标准参数的最小值作为故障发生之前运行状态参数的下限阈值，将故障发生前一刻劣化运行标准参数作为故障发生之前劣化运行的上限阈值，由此计算出的劣化度能够更加准确地反映出抽水蓄能机组的劣化情况，通过收集一段时间内的劣化度的时序数据可以反映出抽水蓄能机组的劣化趋势。
所述第二信息中的运行状态参数设为X(t)，当前时刻之前的健康运行标准参数设为X(ts)，上一时刻的劣化运行标准参数设为X(t-1)，当前时刻之前的健康运行标准参数的最小值设为X(min)，劣化度L的计算公式如下：
本发明的方法还包括：
获取第四信息，所述第四信息包括所述抽水蓄能机组的历史故障信息；
所述历史故障信息包括故障时间、故障原因、故障风险等级。
根据所述第四信息基于故障树分析法构建故障树；
对各项所述故障预警和劣化度进行逻辑运算，得到逻辑运算结果；
根据所述逻辑运算结果和所述故障树对故障原因进行预测分析。
其中故障预警的组合逻辑自定义设置，能够根据不同的组合逻辑实现不同类型故障的诊断，
使用直观的拖放式图形界面构建故障推理组合逻辑，逻辑组合支持常用的“if...else”语句以及“与、或、非”等进行逻辑组态。
本发明的方法还包括：
所述获取第一信息，包括：
收集所述抽水蓄能机组健康运行状态下的预设数据采集与监视控制系统输出的数据，得到收集数据；
基于关联分析模型对所述收集数据进行关联分析，得到反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据；
所述关联分析模型可以采用Apriori算法关联分析模型。
对所述反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据进行软测量，将所述对所述运行状态参数具有重要影响的状态监测数据设为所述软测量的辅助变量，得到所述第一信息。
其中，对所述反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据进行软测量，包括：
对所述反映抽水蓄能机组运行状态的运行状态参数以及辅助变量进行归一化处理，得到第二归一化数据，所述运行状态参数包括上导摆度、上机架水平振动、上导瓦温、上导油温、上导油位、最小气隙、转子离心力影响量、定转子中心偏移、转子不圆度、定子铁芯温度、空冷器温差、下导摆度、下机架水平振动、下导瓦温、下导油温、顶盖水平振动、顶盖垂直振动、水导摆度、水导瓦温、水导油温和水导油位；
基于降噪自编码器对所述第二归一化数据进行降噪，得到第一信息。
上述对收集数据的处理能够提取出反映抽水蓄能机组运行状态关联的数据，并且能够对数据进行归一化和降噪，去除量纲影响，提取有效数据，减小后续处理的误差。降噪自编码器是一种用于数据去噪的无监督学习算法。它是自编码器的一种扩展形式。降噪自编码器和自编码器的主要区别在于输入数据是否受到噪声的干扰。为了训练降噪自编码器，我们需要在输入数据中添加一些噪声，例如高斯噪声或均匀噪声。这样，网络就需要学会从噪声中提取干净的特征，从而产生更加鲁棒的表征。相比于自编码器，降噪自编码器可以产生更加稳健的特征表征，这些表征对于输入数据中存在的干扰更加具有抵抗力。
本发明的方法还包括：
获取第五信息，所述第五信息包括各项所述故障预警的信息记录，所述信息记录包括预警事件的时间戳、预警事件的预设风险等级和预警事件的数据增量；
对所述第五信息进行归一化处理，得到第一归一化数据；
根据归一化数据以及各项所述故障预警对应的预设故障修复方案构建层次分析模型，所述层次分析模型包括目标层、准则层和方案层，所述目标层为根据权重排序后的故障修复方案，所述准则层包括各项故障预警的归一化数据，所述方案层包括各项所述故障预警对应的预设故障修复方案，故障修复方案用于针对判定出来的故障提供具体的检修处理建议；
对所述层次分析模型中同一层的各个元素的重要性进行两两比较,构建判断矩阵；
根据所述判断矩阵基于方根算法计算出各个故障修复方案的权重；
对各个故障修复方案按照所述权重进行排序，得到权重排序后的故障修复方案。
通过各项故障预警的归一化数据作为准则层由此可以更加准确地根据权重选出最优的故障修复顺序。
实施例2：
如图2所示，本实施例提供了一种抽水蓄能机组数字管理装置，所述装置包括：
第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
第二获取模块，所述第二获取模块用于获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
第一训练与测试模块，所述第一训练与测试模块用于将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
第一输入输出模块，所述第一输入输出模块用于将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
预警模块，所述预警模块用于将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
所述装置还包括:
第三获取模块，所述第三获取模块用于获取第三信息，所述第三信息包括抽水蓄能机组劣化运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
第二训练与测试模块，所述第二训练与测试模块用于将所述第三信息中的状态监测数据作为输入，将所述第三信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到抽水蓄能机组的劣化运行标准模型；
第二输入输出模块，所述第二输入输出模块用于将所述第二信息中的状态监测数据输入到所述劣化运行标准模型中，输出抽水蓄能机组的劣化运行标准参数；
第一计算模块，所述第一计算模块用于计算所述第二信息中的运行状态参数与当前时刻之前的健康运行标准参数的最小值之差，得到第一差值；
第二计算模块，所述第二计算模块用于计算上一时刻的劣化运行标准参数与当前时刻之前的健康运行标准参数的最小值之差，得到第二差值；
劣化分析模块，所述劣化分析模块用于根据所述第一差值与所述第二差值之间的比值计算劣化度，并根据所述劣化度分析所述抽水蓄能机组在未来时间的劣化趋势。
所述装置还包括：
第四获取模块，所述第四获取模块用于获取第四信息，所述第四信息包括所述抽水蓄能机组的历史故障信息；
构建模块，所述构建模块用于根据所述第四信息基于故障树分析法构建故障树；
逻辑运算模块，所述逻辑运算模块用于对各项所述故障预警和劣化度进行逻辑运算，得到逻辑运算结果；
预测分析模块，所述预测分析模块用于根据所述逻辑运算结果和所述故障树对故障原因进行预测分析。
所述第一获取模块，包括：
收集模块，所述收集模块用于收集所述抽水蓄能机组健康运行状态下的预设数据采集与监视控制系统输出的数据，得到收集数据；
关联分析模块，所述关联分析模块用于基于关联分析模型对所述收集数据进行关联分析，得到反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据；
软测量模块，所述软测量模块用于对所述反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据进行软测量，将所述对所述运行状态参数具有重要影响的状态监测数据设为所述软测量的辅助变量，得到所述第一信息。
所述软测量模块具体用于：
对所述反映抽水蓄能机组运行状态的运行状态参数以及辅助变量进行归一化处理，得到第二归一化数据，所述运行状态参数包括上导摆度、上机架水平振动、上导瓦温、上导油温、上导油位、最小气隙、转子离心力影响量、定转子中心偏移、转子不圆度、定子铁芯温度、空冷器温差、下导摆度、下机架水平振动、下导瓦温、下导油温、顶盖水平振动、顶盖垂直振动、水导摆度、水导瓦温、水导油温和水导油位；
基于降噪自编码器对所述第二归一化数据进行降噪，得到第一信息。
本发明的装置还包括：
第五获取模块，所述第五获取模块用于获取第五信息，所述第五信息包括各项所述故障预警的信息记录，所述信息记录包括预警事件的时间戳、预警事件的预设风险等级和预警事件的数据增量；
归一化模块，所述归一化模块用于对所述第五信息进行归一化处理，得到第一归一化数据；
层次分析模块，所述层次分析模块用于根据归一化数据以及各项所述故障预警对应的预设故障修复方案构建层次分析模型，所述层次分析模型包括目标层、准则层和方案层，所述目标层为根据权重排序后的故障修复方案，所述准则层包括各项故障预警的归一化数据，所述方案层包括各项所述故障预警对应的预设故障修复方案；
判断矩阵模块，所述判断矩阵模块用于对所述层次分析模型中同一层的各个元素的重要性进行两两比较,构建判断矩阵；
权重计算模块，所述权重计算模块用于根据所述判断矩阵基于方根算法计算出各个故障修复方案的权重；
排序模块，所述排序模块用于对各个故障修复方案按照所述权重进行排序，得到权重排序后的故障修复方案。
其中，预设数据采集与监视控制系统包括端子箱、数据采集箱、信号隔离模块、安装附件包、前置算法机、通信机、网络安全隔离装置和交换机，所述数据采集箱采用SPU2100数据采集箱。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种抽水蓄能机组数字管理设备，下文描述的一种抽水蓄能机组数字管理设备与上文描述的一种抽水蓄能机组数字管理方法可相互对应参照。
图3是根据示例性实施例示出的一种抽水蓄能机组数字管理设备800的框图。如图3所示，该抽水蓄能机组数字管理设备800可以包括：处理器801，存储器802。该抽水蓄能机组数字管理设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该抽水蓄能机组数字管理设备800的整体操作，以完成上述的抽水蓄能机组数字管理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该抽水蓄能机组数字管理设备800的操作，这些数据例如可以包括用于在该抽水蓄能机组数字管理设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该抽水蓄能机组数字管理设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，抽水蓄能机组数字管理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的抽水蓄能机组数字管理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的抽水蓄能机组数字管理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由抽水蓄能机组数字管理设备800的处理器801执行以完成上述的抽水蓄能机组数字管理方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种抽水蓄能机组数字管理方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的抽水蓄能机组数字管理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
实施例5
以最小气隙状态为例说明抽水蓄能机组的故障预警，图4为模型输出的最小气隙特征值分析图。本文中的特征值均指代健康运行标准模型输出的各个运行状态参数值。通过图4可以看出所述特征值在一个时间段的变化情况。根据设定的预警阈值，来评估和判别抽水蓄能机组的运行状态。
以上机架水平振动劣化预警为例说明抽水蓄能机组的劣化预警，如图5和图6所示，分别为发电工况和抽水工况下上机架水平振动劣化预警运算结果在3个月内的趋势，横坐标为时间，单位为天，左边纵坐标为上机架水平振动缓变量，坐标为μm/日，右边纵坐标为上机架水平振动特征值，单位为μm。从展示结果可以看出，特征值未超过规定阈值，缓变量趋势平稳，无明显劣化。上机架水平振动处于健康状态，设备短期(30天)内无劣化趋势。实际验证计算数据包括大约五年的数据，数据量较大，为方便展示，图中显示了三个月内的样例数据，并非平台所能处理的数据量。图5和图6中的所说的缓变量即为所述劣化度。
以转子变形故障为例说明抽水蓄能机组的故障诊断。
根据故障历史信息分析可知，当机组开停机时，由于存在离心力的作用，如果转子磁极出现松动等情况，随着转速的变化，转子变形程度会不断变化，可利用发电机定子内壁安装的气隙传感器对定子变形故障进行判定。因此可以通过该机理基于故障树分析法构建故障树。
诊断过程如下：
首先计算转子不圆度及定转子间平均气隙，根据机组转速、励磁电流、发电机出口开关对机组状况进行判断，确定出机组的状态，根据计算出的平均气隙和判断出来的机组状况，计算高转速和低转速时平均气隙的变化量；
利用本发明对转子不圆度进行健康运行标准模型建模和劣化运行标准模型，提取转子不圆度特征值和转子不圆度的劣化度；
对计算出的平均气隙变化量和转子不圆度特征值以及转子不圆度缓变量进行逻辑判断，可以判断出是否存在开停机过程转子变形故障。
以上导支撑松动故障诊断结果为例，进一步说明说明抽水蓄能机组的故障诊断。如图7所示，经过逻辑运算后的上导支撑松动故障预测结果，可以看到，经过相关联指标的逻辑运算分析可知，上导轴承支撑部件状态良好，不存在松动故障。实际验证计算数据包括大约五年的数据，数据量较大，为方便展示，图7中显示了三个月内的样例数据，并非平台所能处理的数据量。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种抽水蓄能机组数字管理方法，其特征在于，包括：
获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
2.根据权利要求1所述的抽水蓄能机组数字管理方法，其特征在于,所述方法还包括:
获取第三信息，所述第三信息包括抽水蓄能机组劣化运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
将所述第三信息中的状态监测数据作为输入，将所述第三信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到抽水蓄能机组的劣化运行标准模型；
将所述第二信息中的状态监测数据输入到所述劣化运行标准模型中，输出抽水蓄能机组的劣化运行标准参数；
计算所述第二信息中的运行状态参数与当前时刻之前的健康运行标准参数的最小值之差，得到第一差值；
计算上一时刻的劣化运行标准参数与当前时刻之前的健康运行标准参数的最小值之差，得到第二差值；
根据所述第一差值与所述第二差值之间的比值计算劣化度，并根据所述劣化度分析所述抽水蓄能机组在未来时间的劣化趋势。
3.根据权利要求2所述的抽水蓄能机组数字管理方法，其特征在于,所述方法还包括：
获取第四信息，所述第四信息包括所述抽水蓄能机组的历史故障信息；
根据所述第四信息基于故障树分析法构建故障树；
对各项所述故障预警和劣化度进行逻辑运算，得到逻辑运算结果；
根据所述逻辑运算结果和所述故障树对故障原因进行预测分析。
4.根据权利要求1所述的抽水蓄能机组数字管理方法，其特征在于,所述获取第一信息，包括：
收集所述抽水蓄能机组健康运行状态下的预设数据采集与监视控制系统输出的数据，得到收集数据；
基于关联分析模型对所述收集数据进行关联分析，得到反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据；
对所述反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据进行软测量，将所述对所述运行状态参数具有重要影响的状态监测数据设为所述软测量的辅助变量，得到所述第一信息。
5.一种抽水蓄能机组数字管理装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括抽水蓄能机组健康运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
第二获取模块，所述第二获取模块用于获取第二信息，所述第二信息包括所述抽水蓄能机组当前时刻监测的所述运行状态参数和所述状态监测数据；
第一训练与测试模块，所述第一训练与测试模块用于将所述第一信息中的状态监测数据作为输入，将所述第一信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到健康运行标准模型；
第一输入输出模块，所述第一输入输出模块用于将所述第二信息中的状态监测数据输入到所述健康运行标准模型中，输出抽水蓄能机组的健康运行标准参数；
预警模块，所述预警模块用于将所述健康运行标准参数与第二信息中的运行状态参数进行对比，根据对比结果以及预设的预警阈值对所述抽水蓄能机组的故障进行预警，输出故障预警。
6.根据权利要求5所述的抽水蓄能机组数字管理装置，其特征在于，所述装置还包括:
第三获取模块，所述第三获取模块用于获取第三信息，所述第三信息包括抽水蓄能机组劣化运行状态下监测的反映抽水蓄能机组运行状态的运行状态参数和对所述运行状态参数具有重要影响的状态监测数据；
第二训练与测试模块，所述第二训练与测试模块用于将所述第三信息中的状态监测数据作为输入，将所述第三信息中的运行状态参数作为输出，对基于长短期记忆人工神经网络的预设模型进行训练与测试，得到抽水蓄能机组的劣化运行标准模型；
第二输入输出模块，所述第二输入输出模块用于将所述第二信息中的状态监测数据输入到所述劣化运行标准模型中，输出抽水蓄能机组的劣化运行标准参数；
第一计算模块，所述第一计算模块用于计算所述第二信息中的运行状态参数与当前时刻之前的健康运行标准参数的最小值之差，得到第一差值；
第二计算模块，所述第二计算模块用于计算上一时刻的劣化运行标准参数与当前时刻之前的健康运行标准参数的最小值之差，得到第二差值；
劣化分析模块，所述劣化分析模块用于根据所述第一差值与所述第二差值之间的比值计算劣化度，并根据所述劣化度分析所述抽水蓄能机组在未来时间的劣化趋势。
7.根据权利要求6所述的抽水蓄能机组数字管理装置，其特征在于，所述装置还包括：
第四获取模块，所述第四获取模块用于获取第四信息，所述第四信息包括所述抽水蓄能机组的历史故障信息；
构建模块，所述构建模块用于根据所述第四信息基于故障树分析法构建故障树；
逻辑运算模块，所述逻辑运算模块用于对各项所述故障预警和劣化度进行逻辑运算，得到逻辑运算结果；
预测分析模块，所述预测分析模块用于根据所述逻辑运算结果和所述故障树对故障原因进行预测分析。
8.根据权利要求5所述的抽水蓄能机组数字管理装置，其特征在于，所述第一获取模块，包括：
收集模块，所述收集模块用于收集所述抽水蓄能机组健康运行状态下的预设数据采集与监视控制系统输出的数据，得到收集数据；
关联分析模块，所述关联分析模块用于基于关联分析模型对所述收集数据进行关联分析，得到反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据；
软测量模块，所述软测量模块用于对所述反映抽水蓄能机组运行状态的运行状态参数以及对所述运行状态参数具有重要影响的状态监测数据进行软测量，将所述对所述运行状态参数具有重要影响的状态监测数据设为所述软测量的辅助变量，得到所述第一信息。
9.一种抽水蓄能机组数字管理设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述抽水蓄能机组数字管理方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述抽水蓄能机组数字管理方法的步骤。
CN202311126204.5A 2023-09-01 2023-09-01 抽水蓄能机组数字管理方法、装置、设备及可读存储介质 Pending CN117151691A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311126204.5A CN117151691A (zh) 2023-09-01 2023-09-01 抽水蓄能机组数字管理方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311126204.5A CN117151691A (zh) 2023-09-01 2023-09-01 抽水蓄能机组数字管理方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN117151691A true CN117151691A (zh) 2023-12-01

Family

ID=88898363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311126204.5A Pending CN117151691A (zh) 2023-09-01 2023-09-01 抽水蓄能机组数字管理方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117151691A (zh)

Similar Documents

Publication Publication Date Title
CN110674842A (zh) 一种风电机组主轴轴承故障预测方法
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统
CN110763997A (zh) 一种同步电机定子早期故障预警方法
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN114841580A (zh) 基于混合注意力机制的发电机故障检测方法
CN114912640A (zh) 基于深度学习的发电机组的异常模式检测方法及系统
EP4078315A1 (en) Device and method for monitoring a system
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN114528942A (zh) 工程机械的数据样本库的构建、故障预测方法及工程机械
CN112257224B (zh) 汽轮发电机状态检修方法、系统以及终端
CN112016193B (zh) 一种盾构机系统的润滑失效在线预测方法及系统
CN113742993A (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
CN117151691A (zh) 抽水蓄能机组数字管理方法、装置、设备及可读存储介质
CN115795999B (zh) 一种长期服役抽水蓄能机组性能异常预警方法
CN117033930A (zh) 一种基于浴盆曲线的风电机组故障预测方法
CN116702597A (zh) 一种机械设备运行寿命预测与健康管理方法、系统及介质
CN116596120A (zh) 一种抽水蓄能机组变工况劣化趋势预测方法及装置
CN111611117B (zh) 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
CN114004059A (zh) 一种水轮发电机组健康画像方法
CN111878323A (zh) 一种基于频谱自相关函数的风力发电机组故障预警方法
CN110738400A (zh) 系统健康评估方法、装置、电子设备和存储介质
CN115750304B (zh) 绿能抽油机智慧管控系统
CN117391459B (zh) 基于深度学习的电力运行风险预警方法及系统
CN114565192A (zh) 旋转机械设备的主轴轴承寿命预测方法、设备和介质

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