CN117555947A - 一种抽水蓄能电站瓦温特征提取方法及系统 - Google Patents
一种抽水蓄能电站瓦温特征提取方法及系统 Download PDFInfo
- Publication number
- CN117555947A CN117555947A CN202311584058.0A CN202311584058A CN117555947A CN 117555947 A CN117555947 A CN 117555947A CN 202311584058 A CN202311584058 A CN 202311584058A CN 117555947 A CN117555947 A CN 117555947A
- Authority
- CN
- China
- Prior art keywords
- data
- state
- steady
- temperature
- tile
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000005086 pumping Methods 0.000 claims abstract description 40
- 238000010248 power generation Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000010977 unit operation Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 7
- 241000728173 Sarima Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000036626 alertness Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种抽水蓄能电站瓦温特征提取方法及系统,涉及抽水蓄能技术领域,包括:选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间;根据所述稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗;根据所述清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值;根据所述瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。本发明提供的抽水蓄能电站瓦温特征提取方法减少噪声和误导性数据的影响,确保了数据分析的精确度和可靠性,实现了对瓦温监控的动态适应性,有效地识别正常运行范围和潜在的异常状态。
Description
技术领域
本发明涉及抽水蓄能技术领域,具体为一种抽水蓄能电站瓦温特征提取方法及系统。
背景技术
抽水蓄能电站水轮发电机组轴瓦温度是直接反映机组轴承是否安全运行的重要参量,如果轴瓦温度由于某种原因异常波动,轴瓦温度超过机组瓦温保护阈值,会导致机组非计划停机,还可能会使轴瓦瓦面烧损。挖掘抽水蓄能电站瓦温特征,用于瓦温异常提前预警,对机组安全运行有重要意义。
目前,抽水蓄能电站瓦温特征提取有以下三种常见方法:
方法一:选取过去一段时间的瓦温历史数据,求取最大值、最小值、平均值。该方法未对异常数据进行剔除,提取的特征容易受到异常数据影响。
方法二:选取过去一段时间每次开机后1个小时的历史曲线,将每个开机瓦温曲线进行整编,形成瓦温包络曲线。该方法有效将开机全过程瓦温数据进行特征提取,但仍缺少异常数据剔除。
方法三:通过选取过去较长一段时间瓦温数据和其影响因子数据,采用深度学习神经网络模型对数据进行训练,从而获得不同影响因子下瓦温特征。该方法依赖长时间的历史数据,且深度学习对计算资源要求较高,同时该方法未划分机组工况,导致瓦温特征抽取不是很准确。
因此亟需一种抽水蓄能电站瓦温特征提取方法,实现抽水蓄能电站瓦温历史数据特征提取,提高解决瓦温特征提取正确性和可用性。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的瓦温特征提取方法存在缺乏异常数据剔除和准确性不足,以及如何有效地提高特征提取的正确性和可用性的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种抽水蓄能电站瓦温特征提取方法,包括:选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间;根据所述稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗;根据所述清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值;根据所述瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中:所述历史数据包括监测机组每一次发电方向开机,将机组发电态持续预设时间作为机组发电稳态时间区间开始时间,机组发电态复归的时间作为发电稳态时间区间结束时间;监测机组每一次抽水方向开机,将机组抽水态持续预设时间作为机组抽水稳态时间区间开始时间,机组抽水态复归的时间作为发电稳态时间区间结束时间。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中:所述异常数据清洗包括对每一份机组发电稳态、机组抽水稳态时间区间内瓦温数据按照瓦温数据从小到大排序,选取排序后第25%的瓦温数据作为下四分位数Q1,选取排序后第75%的瓦温数据作为上四分位数Q3,计算瓦温排序数据的四分位距IQR。
计算瓦温数据的正常值上限Max,表示为,
Max=Q3+1.5IQ+3
将稳态区间内瓦温数据和上限Max进行对比,将大于Max的数据进行剔除,形成异常数据清洗后的稳态区间内瓦温数据。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中:所述求取每份瓦温小时数据的最大值包括将清洗完成后每一份发电稳态工况、抽水稳态工况瓦温数据集按照整小时划分成若干瓦温稳态小时数据;若工况开始时间和工况结束在同一个小时内,则工况开始时间到工况结束为一份瓦温稳态小时数据;若工况开始时间和工况结束不在同一个小时内,工况开始时间或者工况结束时间不是整小时,则工况开始时间到其后一个整小时为一份瓦温稳态小时数据,工况结束时间前一个整小时到工况结束时间为一份瓦温稳态小时数据。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中:所述形成瓦温动态阈值上限特征包括求取每份瓦温稳态小时数据的最大值,作为瓦温稳态小时数据特征,所述根据所述瓦温小时数据最大值数据集包括将过去预设月份时间内,机组所有发电方向开机瓦温小时数据的最大值形成数据集合,将过去预设月份时间内,机组所有抽水方向开机瓦温小时数据的最大值形成数据集合,分别求取发电方向、抽水方向机组稳态瓦温小时数据最大值数据集的均值和标准差S,求取瓦温动态阈值上限特征Tmax。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中所述瓦温动态阈值上限特征表示为:
所述进行对比包括将瓦温实时测值T与瓦温动态阈值上限特征Tmax进行对比,若/>判断为正常范围状态A1,若/>判断为边缘范围状态A2,若T≥Tmax判断为异常范围状态A3。
作为本发明所述的抽水蓄能电站瓦温特征提取方法的一种优选方案,其中:所述包括当状态为A1时持续进行瓦温的实时监控,并记录数据,按照预设频定期对收集的瓦温数据进行统计分析检测长期变化;若分析结果显示瓦温趋势稳定,在阈值范围内波动,维持现有监控和维护A1调整策略,若分析揭示出新的趋势或周期性模式,调整预警系统的阈值和参数;当状态为A2时立即按照预设A2调整策略增加瓦温监控的频率,实时分析瓦温数据,判断温度偏差因素,若确定瓦温偏差是由于可控因素引起,立即调整相应的操作参数或环境条件,若无法立即确定偏差原因,实施临时措施;所述可控因素包括传感误差、环境变化;当状态为A3时立即启动应急响应程序,暂停相关机组的运行,对机组进行全面检查,识别异常的根源,进行故障分析,根据故障诊断的结果,采取维修措施,故障修复后,进行全面的系统测试,当完成系统测试后,按照预设A3调整策略逐步恢复机组的正常运行,同时按照预设策略监控瓦温。
本发明的另外一个目的是提供一种抽水蓄能电站瓦温特征提取系统,其能通过数据处理和实时监控技术,解决瓦温数据分析的准确性和预警系统的效率问题。
为解决上述技术问题,本发明提供如下技术方案:一种抽水蓄能电站瓦温特征提取系统,包括:稳态工况提取模块、数据清洗模块、数据切分及抽取模块以及特征抽取模块;所述稳态工况提取模块用于选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间;所述数据清洗模块用于根据所述稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗;所述数据切分及抽取模块用于根据所述清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值;所述特征抽取模块用于根据所述瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述抽水蓄能电站瓦温特征提取方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述抽水蓄能电站瓦温特征提取方法的步骤。
本发明的有益效果:本发明提供的抽水蓄能电站瓦温特征提取方法能够有效地识别并剔除异常数据,减少噪声和误导性数据的影响,从而确保了数据分析的精确度和可靠性,通过确定动态阈值上限特征,实现了对瓦温监控的动态适应性,根据实际运行数据自我调整,更有效地识别正常运行范围和潜在的异常状态。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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的附图。
图1为本发明一个实施例提供的一种抽水蓄能电站瓦温特征提取方法的整体流程图。
图2为本发明第二个实施例提供的一种抽水蓄能电站瓦温特征提取系统的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
实施例1
参照图1,为本发明的一个实施例,提供了一种抽水蓄能电站瓦温特征提取方法,包括:
选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间。
根据稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗。
根据清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值。
根据瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
历史数据包括监测机组每一次发电方向开机,将机组发电态持续预设时间作为机组发电稳态时间区间开始时间,机组发电态复归的时间作为发电稳态时间区间结束时间;
监测机组每一次抽水方向开机,将机组抽水态持续预设时间作为机组抽水稳态时间区间开始时间,机组抽水态复归的时间作为发电稳态时间区间结束时间。
异常数据清洗包括对每一份机组发电稳态、机组抽水稳态时间区间内瓦温数据按照瓦温数据从小到大排序,选取排序后第25%的瓦温数据作为下四分位数Q1,选取排序后第75%的瓦温数据作为上四分位数Q3,计算瓦温排序数据的四分位距IQR。
计算瓦温数据的正常值上限Max,表示为,
Max=Q3+1.5IQ+3
正常值上限采用上四分位数Q3加1.5倍四分位距IQR,再叠加3的额外阈值,3摄氏度的额外阈值为部分电站规程中瓦温运行监视要求,可用于避免环境温度变化带来的影响,将稳态区间内瓦温数据和上限Max进行对比,将大于Max的数据进行剔除,形成异常数据清洗后的稳态区间内瓦温数据。
求取每份瓦温小时数据的最大值包括将清洗完成后每一份发电稳态工况、抽水稳态工况瓦温数据集按照整小时划分成若干瓦温稳态小时数据;
若工况开始时间和工况结束在同一个小时内,则工况开始时间到工况结束为一份瓦温稳态小时数据;
若工况开始时间和工况结束不在同一个小时内,工况开始时间或者工况结束时间不是整小时,则工况开始时间到其后一个整小时为一份瓦温稳态小时数据,工况结束时间前一个整小时到工况结束时间为一份瓦温稳态小时数据。
求取每份瓦温稳态小时数据的最大值,作为瓦温稳态小时数据特征。
形成瓦温动态阈值上限特征包括求取每份瓦温稳态小时数据的最大值,作为瓦温稳态小时数据特征,根据瓦温小时数据最大值数据集包括将过去预设月份时间内,机组所有发电方向开机瓦温小时数据的最大值形成数据集合,将过去预设月份时间内,机组所有抽水方向开机瓦温小时数据的最大值形成数据集合,分别求取发电方向、抽水方向机组稳态瓦温小时数据最大值数据集的均值和标准差S,求取瓦温动态阈值上限特征Tmax。
基于机器学习确定瓦温动态阈值上限特征数学模型中最优阈值,将均值加3个标准差,再叠加3的额外阈值,3摄氏度的额外阈值为电站规程中瓦温运行监视要求,用于避免环境温度变化带来的影响,作为瓦温动态阈值上限特征。
瓦温动态阈值上限特征表示为,
所述进行对比包括将瓦温实时测值T与瓦温动态阈值上限特征Tmax进行对比,若/>判断为正常范围状态A1,若/>判断为边缘范围状态A2,若T≥Tmax判断为异常范围状态A3。
当状态为A1时持续进行瓦温的实时监控,并记录数据,按照预设频定期对收集的瓦温数据进行统计分析检测长期变化;若分析结果显示瓦温趋势稳定,在阈值范围内波动,维持现有监控和维护A1调整策略,若分析揭示出新的趋势或周期性模式,调整预警系统的阈值和参数。
调整预警系统的阈值和参数包括对历史瓦温数据进行时间序列分析,训练SARIMA模型,进行趋势分析,计算最近数据的趋势斜率,使用SARIMA模型预测未来瓦温值,计算F预测,根据趋势分析结果,计算F趋势,根据原始Tmax公式计算基础阈值,将预测修正因子和趋势调整因子应用于基础阈值,得到更新后的动态阈值上限Tmax更新,与实际观测值的比较来验证更新后阈值的准确性,根据验证结果调整SARIMA模型和趋势分析参数,将更新后的动态阈值上限集成到瓦温监控系统中,系统根据最新的动态阈值上限进行实时监控和预警。
计算预测修正因子即预测值与历史均值的偏差。
其中,表示基于时间序列模型预测的未来某时刻的瓦温值。
使用线性回归或其他趋势分析方法,计算近期瓦温数据的趋势斜率b。
计算趋势调整因子F趋势=b×Δt,其中,Δt是从最近数据点到预测时间点的时间间隔。
结合原始阈值、预测修正因子和趋势调整因子,计算最终的动态阈值上限:
TmaxA1=Tmax+F预测+F趋势
当状态为A2时立即按照预设A2调整策略增加瓦温监控的频率,实时分析瓦温数据,判断温度偏差因素,若确定瓦温偏差是由于可控因素引起,可控因素包括传感误差、环境变化,立即调整相应的操作参数或环境条件,若无法立即确定偏差原因,实施临时措施。
临时措施包括持续监测和记录瓦温的实时数据,使用SARIMA模型实时预测瓦温的短期趋势,运行异常检测算法分析瓦温数据,及时识别任何异常波动,结合异常检测结果和预测误差计算风险评估因子,计算A2状态下的动态阈值,根据实时数据和动态阈值,评估当前风险等级,并采取相应措施,若瓦温接近或超过动态阈值,系统自动调整操作参数,调整负荷或流速,以降低风险,增加监控频率,提高警觉。
动态时间序列分析包括使用时间序列分析(SARIMA)模型,预测短期内瓦温的变化趋势。
计算短期预测误差:
E短期=T实时-T预测短期
其中,T实时表示当前时间点的实际瓦温测量值,T预测短期表示SARIMA模型基于历史数据预测的短期瓦温值。
异常检测和风险评估:应用异常检测算法,基于机器学习的孤立森林算法来识别短期内的异常瓦温变化,结合异常检测结果和短期预测误差,计算风险评估因子R。
优化动态阈值公式,
TmaxA2=Tmax+λ×E短期+μ×R
其中,λ和μ表示调整系数。
当状态为A3时立即启动应急响应程序,暂停相关机组的运行,对机组进行全面检查,识别异常的根源,进行故障分析,根据故障诊断的结果,采取维修措施,故障修复后,进行全面的系统测试,当完成系统测试后,按照预设A3调整策略逐步恢复机组的正常运行,同时按照预设策略监控瓦温。
预设策略监控瓦温包括立即启动紧急响应程序,包括自动降低或停止受影响机组的运行,系统自动隔离问题区域,防止故障扩散到其他系统。
利用热成像摄像头、振动分析仪器进行深度检查,识别故障点,应用专家系统和故障树分析(FTA)快速确定故障原因。
提供在线维修支持,给现场工程师提供实时技术指导和维修方案,系统基于机组的历史维修记录和相似案例推荐最佳维修策略。
在修复前,使用系统仿真工具模拟修复措施的效果,确保选择的方法不会对系统造成额外风险,仿真结果用于指导实际的修复步骤。
修复完成后,采取渐进式恢复策略,逐步增加受影响机组的负荷,在每个步骤中密切监控系统反应,计算最终的动态阈值上限。
计算最终的动态阈值上限包括考虑历史极端瓦温值和当前操作环境的风险系数,从历史数据中找出最高的瓦温记录,结合当前的标准差和高风险系数计算A3状态的动态阈值,在A3状态触发时,立即执行应急响应措施,包括暂停机组运行,进行全面检查和故障分析。
计算最终的动态阈值上限,表示为:
TmaxA3=max(T历史极端)+δ×S+ζ
其中,max(T历史极端)是历史上记录的最高瓦温值,δ是一个高风险系数,ζ是额外的安全裕度。
实施例2
参照图2,为本发明的一个实施例,提供了一种抽水蓄能电站瓦温特征提取系统,包括:
稳态工况提取模块、数据清洗模块、数据切分及抽取模块以及特征抽取模块。
稳态工况提取模块用于选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间。
数据清洗模块用于根据稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗。
数据切分及抽取模块用于根据清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值。
特征抽取模块用于根据瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例3
本发明的一个实施例,其不同于前两个实施例的是:提供了一种抽水蓄能电站瓦温特征提取方法,为了验证本发明瓦温动态阈值上限特征的有益效果,通过仿真实验进行科学论证。
形成瓦温动态阈值上限特征包括求取每份瓦温稳态小时数据的最大值,作为瓦温稳态小时数据特征,根据瓦温小时数据最大值数据集包括将过去预设月份时间内,机组所有发电方向开机瓦温小时数据的最大值形成数据集合,将过去预设月份时间内,机组所有抽水方向开机瓦温小时数据的最大值形成数据集合,分别求取发电方向、抽水方向机组稳态瓦温小时数据最大值数据集的均值和标准差S,求取瓦温动态阈值上限特征Tmax。
瓦温动态阈值上限特征表示为,
基于机器学习确定瓦温动态阈值上限特征数学模型中最优阈值,将均值加3个标准差,再叠加3的额外阈值,3摄氏度的额外阈值为电站规程中瓦温运行监视要求,用于避免环境温度变化带来的影响,作为瓦温动态阈值上限特征。
收集过去一年内的瓦温数据,确保包含各种运行条件下的数据,各种运行条件包括季节变化、负载变化,去除缺失值或异常值,将瓦温数据标准化,
选择长短期记忆网络(LSTM)模型,使用标记好的数据集训练LSTM模型。将数据分为训练集和验证集,使用训练集训练模型,并用验证集评估模型性能。
使用交叉验证方法,分别测试1倍、2倍、3倍、4倍、5倍标准差作为阈值。每次留出数据作为测试集及训练集,记录每个阈值下模型的性能指标,包括准确率、召回率和F1分数。
选择在准确率和召回率上表现最佳的阈值作为初步的最优阈值,在初步确定的最优阈值的基础上,增加额外的摄氏度,分别测试1摄氏度、2摄氏度、3摄氏度、4摄氏度、5摄氏度作为阈值,形成新的阈值设定。
重复交叉验证:使用新的阈值设定(标准差+摄氏度)再次进行交叉验证,关注模型在新阈值下的误报率和漏报率,确保新阈值不仅能准确识别异常,而且能减少不必要的警报,确定最优结果阈值为最终阈值设定,实验结果如表1所示
表1实验结果对比表
当只考虑标准差倍数(无额外摄氏度)作为阈值时,虽然随着标准差倍数的增加,准确率和召回率有所提高,但3倍标准差后,这些指标开始下降。特别是在3倍标准差时,尽管准确率和召回率达到了相对较高的水平,但误报率和漏报率依然存在。这表明,尽管提高标准差倍数能在一定程度上提高模型性能,但仍然存在无法忽视的误报和漏报问题。
当在3倍标准差的基础上增加额外的摄氏度时,模型的性能得到显著提升。特别是在增加3摄氏度时,准确率和召回率分别达到了最高的95%和94%,同时误报率和漏报率降至最低。这表明额外的3摄氏度提供了必要的安全裕度,有效减少了由于环境温度变化或其他外界因素引起的误报和漏报,从而提高了阈值设置的实用性和可靠性。
综上所述,实验结果表明,单纯增加标准差倍数虽然能提高模型的准确识别能力,但对于降低误报率和漏报率效果有限。通过引入额外的摄氏度阈值,特别是在3倍标准差基础上增加3摄氏度时,不仅进一步提高了准确率和召回率,同时显著降低了误报率和漏报率。这种组合阈值的设置,有效平衡了识别精度和实用性,使得瓦温动态阈值上限特征更加准确和可靠,适合于抽水蓄能电站瓦温特征提取的实际应用需求。
实施例4
为本发明的一个实施例,提供了一种抽水蓄能电站瓦温特征提取方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
收集两组数据:一组采用本发明方法处理,另一组使用传统方法处理,确保两组数据时间跨度相同,覆盖正常、边缘及异常运行状态。
对本发明数据组应用数据清洗,剔除异常值,计算动态阈值,对传统数据组应用基础的数据处理,设定固定阈值。
在模拟环境中运行两组数据,模拟包括温度波动、设备故障情况,记录两种方案在不同情况下的表现。
记录在每种模拟情况下,两种方案的准确率、响应时间、数据稳定性和处理效率,对收集的数据进行统计分析,将本发明方案与传统方案在各个指标上的表现进行对比,实验结果如表1所示。
表2实验结果对比表
指标 | 传统方案 | 本发明方案 |
准确率(%) | 78.4 | 94.9 |
响应时间(秒) | 30 | 15 |
数据稳定性(%) | 85.3 | 95.6 |
处理效率(数据/秒) | 84 | 154 |
本发明方法在数据处理上更为高效,能够快速处理大量数据,传统方法在需要快速响应时处理大规模数据会存在效率低下的问题。
本发明采用箱线图法来识别和剔除异常数据,大幅提高了数据的准确性和可靠性,传统方法通常缺乏高效的异常数据处理机制,导致数据质量受到噪声和误差的影响。
通过计算瓦温数据的正态分布均值和标准差,本发明实现了动态阈值的设定,使系统能够根据实时数据自适应调整,增强了对边缘状态的敏感度,传统方法使用固定阈值,缺乏对环境变化的适应性,导致对异常状态的响应不够及时或过于频繁的误报。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种抽水蓄能电站瓦温特征提取方法,其特征在于,包括:
选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间;
根据所述稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗;
根据所述清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值;
根据所述瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
2.如权利要求1所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述历史数据包括监测机组每一次发电方向开机,将机组发电态持续预设时间作为机组发电稳态时间区间开始时间,机组发电态复归的时间作为发电稳态时间区间结束时间;
监测机组每一次抽水方向开机,将机组抽水态持续预设时间作为机组抽水稳态时间区间开始时间,机组抽水态复归的时间作为发电稳态时间区间结束时间。
3.如权利要求2所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述异常数据清洗包括对每一份机组发电稳态、机组抽水稳态时间区间内瓦温数据按照瓦温数据从小到大排序,选取排序后第25%的瓦温数据作为下四分位数Q1,选取排序后第75%的瓦温数据作为上四分位数Q3,计算瓦温排序数据的四分位距IQR;
计算瓦温数据的正常值上限Max,表示为,
Max=Q3+1.5IQ+3
将稳态区间内瓦温数据和上限Max进行对比,将大于Max的数据进行剔除,形成异常数据清洗后的稳态区间内瓦温数据。
4.如权利要求3所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述求取每份瓦温小时数据的最大值包括将清洗完成后每一份发电稳态工况、抽水稳态工况瓦温数据集按照整小时划分成若干瓦温稳态小时数据;
若工况开始时间和工况结束在同一个小时内,则工况开始时间到工况结束为一份瓦温稳态小时数据;
若工况开始时间和工况结束不在同一个小时内,工况开始时间或者工况结束时间不是整小时,则工况开始时间到其后一个整小时为一份瓦温稳态小时数据,工况结束时间前一个整小时到工况结束时间为一份瓦温稳态小时数据。
5.如权利要求4所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述形成瓦温动态阈值上限特征包括求取每份瓦温稳态小时数据的最大值,作为瓦温稳态小时数据特征,所述根据所述瓦温小时数据最大值数据集包括将过去预设月份时间内,机组所有发电方向开机瓦温小时数据的最大值形成数据集合,将过去预设月份时间内,机组所有抽水方向开机瓦温小时数据的最大值形成数据集合,分别求取发电方向、抽水方向机组稳态瓦温小时数据最大值数据集的均值和标准差S,求取瓦温动态阈值上限特征Tmax。
6.如权利要求5所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述瓦温动态阈值上限特征表示为,
所述进行对比包括将瓦温实时测值T与瓦温动态阈值上限特征Tmax进行对比,若判断为正常范围状态A1,若/>判断为边缘范围状态A2,若T≥Tmax判断为异常范围状态A3。
7.如权利要求6所述的抽水蓄能电站瓦温特征提取方法,其特征在于:所述包括当状态为A1时持续进行瓦温的实时监控,并记录数据,按照预设频定期对收集的瓦温数据进行统计分析检测长期变化;
若分析结果显示瓦温趋势稳定,在阈值范围内波动,维持现有监控和维护A1调整策略,若分析揭示出新的趋势或周期性模式,调整预警系统的阈值和参数;
当状态为A2时立即按照预设A2调整策略增加瓦温监控的频率,实时分析瓦温数据,判断温度偏差因素,若确定瓦温偏差是由于可控因素引起,立即调整相应的操作参数或环境条件,若无法立即确定偏差原因,实施临时措施;
所述可控因素包括传感误差、环境变化;
当状态为A3时立即启动应急响应程序,暂停相关机组的运行,对机组进行全面检查,识别异常的根源,进行故障分析,根据故障诊断的结果,采取维修措施,故障修复后,进行全面的系统测试,当完成系统测试后,按照预设A3调整策略逐步恢复机组的正常运行,同时按照预设策略监控瓦温。
8.一种采用如权利要求1~7任一所述的抽水蓄能电站瓦温特征提取方法的系统,其特征在于,包括:稳态工况提取模块、数据清洗模块、数据切分及抽取模块以及特征抽取模块;
所述稳态工况提取模块用于选取机组运行历史数据,提取历史数据中机组发电稳态、机组抽水稳态时间区间;
所述数据清洗模块用于根据所述稳态时间区间,对机组发电稳态、机组抽水稳态时间区间内瓦温数据采用箱线图法进行异常数据清洗;
所述数据切分及抽取模块用于根据所述清洗完成后瓦温数据按小时划分成若干份瓦温稳态小时数据,求取每份瓦温小时数据的最大值;
所述特征抽取模块用于根据所述瓦温小时数据最大值数据集,求取正态分布均值和标准差,形成瓦温动态阈值上限特征。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的抽水蓄能电站瓦温特征提取方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的抽水蓄能电站瓦温特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311584058.0A CN117555947A (zh) | 2023-11-24 | 2023-11-24 | 一种抽水蓄能电站瓦温特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311584058.0A CN117555947A (zh) | 2023-11-24 | 2023-11-24 | 一种抽水蓄能电站瓦温特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117555947A true CN117555947A (zh) | 2024-02-13 |
Family
ID=89818193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311584058.0A Pending CN117555947A (zh) | 2023-11-24 | 2023-11-24 | 一种抽水蓄能电站瓦温特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555947A (zh) |
-
2023
- 2023-11-24 CN CN202311584058.0A patent/CN117555947A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
EP3105644B1 (en) | Method of identifying anomalies | |
CN109298697A (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
US7912669B2 (en) | Prognosis of faults in electronic circuits | |
CN117937768B (zh) | 智能电气柜远程监控系统 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
CN117910999A (zh) | 一种智能电厂设备检修方法及系统 | |
CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN117555947A (zh) | 一种抽水蓄能电站瓦温特征提取方法及系统 | |
CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
Boukra et al. | Identifying new prognostic features for remaining useful life prediction | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
CN116990685B (zh) | 一种预退役电机质量评测方法及系统 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
CN118312923B (zh) | 面向智慧园区的设备测量方法及计算机设备 | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN118133505A (zh) | 一种介电模量指纹数据库的绝缘状态评估方法及系统 | |
CN118445731A (zh) | 变压器的故障确定方法、装置和变压器故障检测系统 | |
WO2023102630A1 (pt) | Método para identificação de anomalias e predição de falhas, e, meio de armazenamento legível por processador | |
WO2024074218A1 (en) | Method and system for optimising partial discharge detection | |
CN118690914A (zh) | 基于智慧工厂的生产数据处理优化方法 | |
BR102021024903A2 (pt) | Método para identificação de anomalias e predição de falhas, e, meio de armazenamento legível por processador |
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 |