CN117688834A - 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 - Google Patents
一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 Download PDFInfo
- Publication number
- CN117688834A CN117688834A CN202311685231.6A CN202311685231A CN117688834A CN 117688834 A CN117688834 A CN 117688834A CN 202311685231 A CN202311685231 A CN 202311685231A CN 117688834 A CN117688834 A CN 117688834A
- Authority
- CN
- China
- Prior art keywords
- coil
- temperature
- model
- water
- generator
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 54
- 239000001257 hydrogen Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009413 insulation Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 150
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000003068 static effect Effects 0.000 claims abstract description 32
- 230000000630 rising effect Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000010410 layer Substances 0.000 claims description 57
- 239000011229 interlayer Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000036541 health Effects 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004804 winding Methods 0.000 claims description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 13
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 9
- 239000012530 fluid Substances 0.000 description 6
- 230000005672 electromagnetic field Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Control Of Eletrric Generators (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Algebra (AREA)
Abstract
本发明提供了一种水氢氢汽轮发电机线圈绝缘过热故障预警方法，包括S1：归类分析发电机运行数据，建立静态温度模型；S2：采用机器学习和深度学习算法，寻找适宜的动态温度模型算法；S3：引入静态温度模型输出值与实际值的偏差、线圈层间温度与线圈出水温度极差、线圈层间温度与线圈出水温度上升速率的动态分级判据，形成动态自学习引擎系统；S4：根据历史数据进行模型验证与迭代优化；S5：寻找有温升隐患的机组数据。本发明所述水氢氢汽轮发电机线圈绝缘过热故障预警方法，无需增加发电机温度测点、无需进行发电机温度数据降维分析、无需让使用者进行大量的建模与分析计算，利用发电机运行数据即可完成对发电机线圈过热故障的自动预警。
Description
技术领域
本发明涉及汽轮发电机过热故障预警技术领域，特别涉及一种水氢氢汽轮发电机线圈绝缘过热故障预警方法。
背景技术
随着电力企业发展的需要，给故障诊断发展带来新的契机，使得利用大数据技术的研发成为一个首要条件，这对故障诊断提出了更高的要求。发电机定子铁心、线圈热量的产生与冷却是动态平衡过程，因此影响温度变化的因素比较多，在实际运行中不容易及时发现异常情况，甚至还会出现误判的情况。
近年来，发达国家在设备故障诊断方面取得了显著的成就，在线监测与分析技术得到大幅度提升。但随着大数据技术的应用，目前标准工况阈值对不同工况参数的适应明显的不足,导致发现故障先兆能力水平远远落后,使得故障诊断分析在生产中无法发挥其正常效能，而造成维修损坏设备的经济损失、设备停运的发电损失。
现阶段对汽轮发电机的电场、流体场、电磁场和温度场等多物理场的研究，通常采用仿真计算和试验验证相结合的方法。流体场主要基于流体力学的相关理论，采用流体网络法和有限体积方法计算其流量和压力的分布，对计算结果进行理论分析，并采用静态模型或真机进行通风试验，来验证流体场计算的准确性。Georg Traxler-Samek等人通过磁路方法和有限元方法计算获得发电机的电磁场。
利用大数据分析进行发电机故障诊断的技术大体可以分为两大类：一是利用有限元分析的热物理场建模技术；二是对机理分析建立温度模型的温度场建模技术。
1)有限元方法是电磁场分析中应用最普遍的数值计算方法。利用有限元计算程序软件，可以实现汽轮发电机设计的系列化与模块化。这样就可以大大提高工作效率，使得汽轮发电机电磁设计从单一的“磁路计算”发展到“磁场计算”和“场路结合”的水平，能比较准确地反映发电机内部复杂的电磁过程。
不少研究者尝试通过机理分析制定相应的温度模型，以便更早发现异常进行预警，比如定子铁心测温元件处温度模型、等值热路法温度模型以及指纹系数温度模型等。发电机流体场和电磁场的计算结果分别作为温度计算的边界条件和热源，采用热网络法和有限体积法来计算温度场，与温升试验结果对比，验证计算方法的准确性，并对发电机的温度场进行理论分析。
申请人在前公开的诸如CN202010824017.4--一种基于阈值分级的汽轮发电机故障预警方法、CN202010999489.3--发电机在线故障诊断方法、设备及计算机设备、202122179727.9--一种汽轮发电机电热故障快速诊断系统等相关专利，通过检测系统温度或者其它运行参数进行分析建模等方式，实现发电机的过热故障预警或者诊断。但是，汽轮机发热故障实际检测时，还存在如下的问题：
1)运用有限元方法进行发电机温度场计算，二维温度场计算模型简化严重，不能真实反映发电机实际工况，三维温度场计算发电机建模等方面比较困难，需要电磁场与温度场进行耦合，计算比较复杂，耗时较长，结果不太准确，在大型汽轮发电机温升计算中采用，距离工程实践尚有很多问题仍在探索中。
2)温度机理模型受限于发电机类型、制造参数、运行工况，适用范围有限，不同条件下需要完成大量的方法适配工作，模型与发电机一一对应，应用难度和成本较高，大部分故障诊断研究止步于实验室研究。
基于此，特提出本申请。
发明内容
有鉴于此，本发明旨在提出一种水氢氢汽轮发电机线圈绝缘过热故障预警方法，以解决现有技术中利用大数据分析进行发电机过热故障诊断时存在的计算复杂、耗时长、建模应用成本高等技术难题，充分利用大数据进行物理建模与机器学习的优势，以期实现精准建模与动态预测。
为达到上述目的，本发明的技术方案是这样实现的：
一种水氢氢汽轮发电机线圈绝缘过热故障预警方法，包括如下步骤：
S1：归类分析发电机运行数据，根据水氢氢汽轮发电机线圈温度各运行参数的影响，按照线性回归建立静态温度模型；
S2：基于静态温度模型，采用机器学习和深度学习算法，结合发电机运行不同工况特点，寻找适宜的动态温度模型算法，建立动态温度模型；
S3：引入静态温度模型输出值与实际值的偏差、线圈层间温度极差与线圈出水温度极差、线圈层间温度上升速率与线圈出水温度上升速率的动态分级判据，形成动态自学习引擎系统；
S4：根据历史数据进行动态温度模型的验证与迭代优化，提升动态温度模型的自适应能力；
S5：寻找有温升隐患的机组数据。
进一步的，在步骤S1中，按照物理参量对发电机线圈温度影响关系，设立温度计算公式，初步搭建静态温度模型，该静态温度模型包括线圈层间温度模型和线圈出水温度模型，其中：
线圈层间温度模型：Tt1＝A×T0+B×(I/Ie)+C×(I/Ie)2+D×(TH2-T0)+E；
其中：A、B、C、D、E分别为针对某一台发电机的常数；I为定子电流(kA)、Ie为定子额定电流(kA)、T0为入口水温(℃)、TH2为入口氢温(℃)，Tt1为线圈层间温度模型计算输出值(℃)；
线圈出水温度模型：Tt2＝T0+J×T0×I2+K×T0×I4+M×I2+N×I4+P；
其中：J、K、M、N、P分别为针对某一台发电机的常数；I为定子电流(kA)、T0为入口水温(℃)，Tt2为线圈出水温度模型计算输出值(℃)。
进一步的，在步骤S2中，根据电磁原理、热传导原理，结合不同工况特点及水氢氢发电机水电连接图，基于适宜的动态温度模型算法，完成动态温度模型搭建与训练
进一步的，步骤S2包括如下步骤：
S21:获取工况模型；
S22:电磁原理建模；
S23:热传导原理建模；
S24:结合电磁原理、热传导原理模型，利用历史数据，结合不同运行工况训练适宜的动态温度模型，选取电磁原理与热传导原理模型中拟合度较好的模型算法确定动态温度模型算法组合。
进一步的，步骤S3包括如下步骤：
S31:计算静态温度模型输出值与实际值的偏差，并根据出线圈出水温度偏差值和线圈层间温度偏差值进行线圈出水温度偏差、线圈层间温度偏差的动态分级；
S32:判断线圈层间温度与线圈出水温度极差的合理性，并根据线圈层间温度极差值、线圈出水温度极差值进行线圈层间温度极差、线圈出水温度极差的动态分级；
S33：根据线圈层间温升速率与线圈出水温升速率获取异常的线圈层间和线圈出水，并根据线圈层间温升速率与线圈出水温升速率进行线圈层间温升速率、线圈出水温升速率的动态分级；
S34：动态自学习引擎系统创建以及更新；
根据运行数据的不断积累，不断完善步骤S21、步骤S22、步骤S23中建立的三类模型，自动定期更新模型。
进一步的，在步骤S31中，按照不同工况归类进行发电机每一线圈模型输出值与实际值的偏差计算，获取线圈层间温度偏差值；按照A、B、C三相分别计算三相线圈模型输出平均值与实际值偏差的平均值，并对比当时工况进行偏差校核，线圈层间温度偏差分级包括三级预警工况和报警工况；按照不同工况归类进行每一线圈出水温度输出值与实际值的偏差计算，获取线圈出水温度偏差值，按照发电机线圈绕组成组分别计算线圈出水温度模型输出平均值和实际值的平均值，并对比当时工况进行偏差校核，线圈出水温度偏差分级包括三级预警工况和报警工况；其中，一级预警工况的偏差值＜二级预警工况的偏差值＜三级预警工况的偏差值＜报警工况的偏差值。
进一步的，在步骤S32中，按照不同工况归类进行发电机所有线圈实际值的最大值、最小值自动筛选，自动判断线圈层间温度极差的工况合理性、线圈实际温度测点有无异常读数，并协助进行数据清洗，所述线圈层间温度极差分级包括三级预警工况和报警工况；按照不同工况归类进行发电机所有线圈出水温度上下层实际值的最大值、最小值自动筛选，自动判断线圈出水温度极差的工况合理性、上下层温度趋势合理性、线圈出水实际温度测点有无异常读数，并协助进行数据清洗，所述线圈出水温度极差分级包括三级预警工况和报警工况；其中，一级预警工况的极差值＜二级预警工况的极差值＜三级预警工况的极差值＜报警工况的极差值。
进一步的，在步骤S33中，按照不同工况自动比较发电机所有线圈层间温度模型值与实际值的温升速率，自动筛选实际温度上升速率异常的线圈层间，所述线圈层间温升速率分级包括三级预警工况和报警工况；按照不同工况自动比较发电机所有线圈出水模型值与实际值的温升速率，自动筛选实际出水温度上升速率异常的线圈出水，所述线圈出水温升速率分级包括三级预警工况和报警工况；其中，一级预警工况的温升速率值＜二级预警工况的温升速率值＜三级预警工况的温升速率值＜报警工况的温升速率值。
进一步的，在步骤S34中，按照不同静态温度模型输出值与实际值的线圈层间温度以及线圈出水温度偏差、线圈出水温度以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率在不同工作工况下状态进行赋值，用于计算不同模型对应的健康程度。
进一步的，在步骤S4中，根据动态自学习引擎系统对历史的正常运行数据、故障运行数据的学习，不断完善动态温度模型，自动完成量化预警级别配置，生成发电机线圈过热健康度模型，按照不同健康度分级进行线圈绝缘过热故障预警。
相对于现有技术，本发明所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法具有以下优势：
(1)本发明所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，基于AI建模和数据分析，结合机器学习和深度学习算法，建立静态温度模型和动态温度模型，并通过动态自学习引擎系统实现对水氢氢汽轮发电机线圈绝缘过热故障的实时监测和预警，无需增加额外的温度测点，也不需要用户进行复杂的建模与分析计算，提高了预警的准确性和可靠性，降低设备损坏和维修成本，减少停机时间，提高系统的安全性和可靠性。
(2)本发明所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，在充分分析水氢氢汽轮发电机运行数据的基础上，尝试采用不同算法给出发电机线圈的层间温度模型和层间出水温度模型，按照不同的静态温度模型输出值与实际值的线圈层间温度以及线圈出水温度偏差、线圈出水温度极差以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率的赋值得分计算，分不同级别形成报警工况及运行调整建议，无需增加发电机温度测点、无需进行发电机温度数据降维分析、无需让使用者进行大量的建模与分析计算，利用发电机运行数据即可完成对发电机线圈过热故障的自动预警。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述水氢氢汽轮发电机线圈绝缘过热故障预警方法的流程示意图。
具体实施方式
为了使本发明的技术手段及达到目的与功效易于理解，下面结合具体图示对本发明的实施例进行详细说明。
需要说明，本发明中所有进行方向性和位置性指示的术语，诸如：“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“内”、“外”、“顶”、“低”、“横向”、“纵向”、“中心”等，仅用于解释在某一特定状态(如附图所示)下各部件之间的相对位置关系、连接情况等，仅为了便于描述本发明，而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
如图1所示，本申请公开了一种水氢氢汽轮发电机线圈绝缘过热故障预警方法，包括如下步骤：
S1：归类分析发电机运行数据，根据水氢氢汽轮发电机线圈温度各运行参数的影响，按照线性回归建立静态温度模型；
S2：基于静态温度模型，采用机器学习和深度学习算法，结合发电机运行不同工况特点，寻找适宜的动态温度模型算法，建立动态温度模型；
S3：引入静态温度模型输出值与实际值的偏差、线圈层间温度极差与线圈出水温度极差、线圈层间温度上升速率与线圈出水温度上升速率的动态分级判据，形成动态自学习引擎系统；
S4：根据历史数据进行动态温度模型的验证与迭代优化，提升动态温度模型的自适应能力；
S5：寻找有温升隐患的机组数据。
本申请所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，首先，通过整理和分类大量的水氢氢汽轮发电机运行数据，以了解不同参数如何影响水氢氢汽轮发电机线圈温度，对水氢氢汽轮发电机的运行数据进行归类和分析；然后通过使用线性回归等方法建立了一个静态温度模型，该模型作为一个基准模型，通过已知的运行参数来预测水氢氢汽轮发电机线圈温度；接下来采用机器学习和深度学习算法，结合水氢氢汽轮发电机的运行工况特点，寻找适宜的动态温度模型算法，建立动态温度模型，采用动态温度模型可以更好地反映水氢氢汽轮发电机线圈温度的实际变化，可以捕捉到不同工况下的复杂关联；在建立动态温度模型后，引入静态温度模型输出值与实际值的偏差、线圈层间温度极差与线圈出水温度极差、线圈层间上升速率与线圈出水温度上升速率等动态分级判据，形成一个动态自学习引擎系统，根据实时数据不断评估水氢氢汽轮发电机的状态，并自动预警；通过历史数据，本申请所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法进行动态温度模型的验证与迭代优化，以提升动态温度模型的自适应能力，使其能够更准确地预测和识别水氢氢汽轮发电机线圈绝缘过热故障，不断改进系统的准确性和稳定性。
本申请所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，基于AI建模和数据分析，结合机器学习和深度学习算法，建立静态温度模型和动态温度模型，并通过动态自学习引擎系统实现对水氢氢汽轮发电机线圈绝缘过热故障的实时监测和预警，无需增加额外的温度测点，也不需要用户进行复杂的建模与分析计算，提高了预警的准确性和可靠性，降低设备损坏和维修成本，减少停机时间，提高系统的安全性和可靠性。
作为本申请的较佳示例，在步骤S1中，按照物理参量对发电机线圈温度影响关系，设立温度计算公式，初步搭建静态温度模型，该静态温度模型包括线圈层间温度模型和线圈出水温度模型，其中：
线圈层间温度模型：Tt1＝A×T0+B×(I/Ie)+C×(I/Ie)2+D×(TH2-T0)+E；
其中：A、B、C、D、E分别为针对某一台发电机的常数；I为定子电流(kA)、Ie为定子额定电流(kA)、T0为入口水温(℃)、TH2为入口氢温(℃)，Tt1为线圈层间温度模型计算输出值(℃)；
线圈出水温度模型：Tt2＝T0+J×T0×I2+K×T0×I4+M×I2+N×I4+P；
其中：J、K、M、N、P分别为针对某一台发电机的常数；I为定子电流(kA)、T0为入口水温(℃)，Tt2为线圈出水温度模型计算输出值(℃)。
该设置公开了一种静态温度模型的设置方式，按照物理参量对发电机线圈温度影响关系，绕组层间温升与发电机定子电流的平方成正比，绕组层间温度与直接冷却介质(定子冷却水)温度、间接冷却介质(氢气)温度相关，绕组出水温升与发电机定子电流、直接冷却介质(定子冷却水)温度相关，按照线性回归方式，建立线圈层间温度模型与线圈出水温度模型。通过输入特定的运行参数和环境条件，可以计算出绕组线圈层间温度和线圈出水温度的模型值，这有助于理解不同参数对水氢氢汽轮发电机线圈温度的影响，并可以用于比较不同运行条件下的线圈温度温升情况，同时为后续的步骤S2和S3中的建立动态温度模型和动态自学习引擎系统的引入打下基础。
作为本申请的较佳示例，在步骤S2中，根据电磁原理、热传导原理，结合不同工况特点及水氢氢发电机水电连接图，完成动态温度模型搭建与训练。
在本申请的示例中，步骤S2包括如下步骤：
S21:获取工况模型；
发电机运行不同工况模型包括发电机进相、发电机大负荷运行、发电机正常工况210、发电机正常工况210-240。
在本申请的示例中，发电机运行不同工况模型，根据发电机运行的不同有功功率、无功功率数值，进行代表性工况命名，如：
“发电机进相”，代表无功功率小于0时的工况；
“发电机大负荷运行”，代表有功功率大于300MW时的工况；
“发电机正常工况210”，代表有功功率小于210MW时的工况；
“发电机正常工况210-240”，代表有功功率处在210～240MW范围内时的工况；
以此类推。
S22:电磁原理建模；
根据电磁原理，按照发电机不同运行工况创建动态温度模型，尝试不同算法的拟合度，选取适宜的组合算法，优化线圈层间动态温度模型、线圈出水动态温度模型。
作为本申请的较佳示例，根据电磁原理，按照发电机不同运行工况创建动态温度模型时，尝试利用SGD(随机梯度下降)、LINEAR(线性映射回归)、LAR(变量选择回归)等不同线性回归算法，按照较优的拟合度选取适宜的组合算法，尝试不同算法的拟合度，选取适宜的组合算法，实现优化线圈层间动态温度模型、线圈出水动态温度模型的目的。
S23:热传导原理建模；
根据热传导原理，按照发电机水电连接图以及汽轮发电机各部位冷却介质耦合关系创建动态温度模型，尝试不同算法的拟合度，选取适宜的组合算法，优化线圈层间动态温度模型、线圈出水动态温度模型。
作为本申请的较佳示例，根据热传导原理，按照发电机水电连接图以及汽轮发电机各部位冷却介质耦合关系创建动态温度模型时，尝试利用KNN(K最邻近法)、AIAGENT(人工智能代理)、GP(进化计算)等不同非线性回归算法，按照较优的拟合度选取适宜的组合算法，通过尝试不同算法的拟合度，选取适宜的组合算法，实现优化线圈层间动态温度模型、线圈出水动态温度模型的目的。
S24:结合电磁原理、热传导原理模型，利用历史数据，结合不同运行工况训练适宜的动态温度模型，选取电磁原理与热传导原理模型中拟合度较好的模型确定动态温度模型算法组合，建立动态温度模型。
在步骤S2中，根据定义发电机不同的工作工况模型，为后续建模提供了特定的情景和数据，使模型可以根据不同工况来进行训练和预测，分别根据电磁原理和热传导原理建模，有助于预测电磁因素以及热传导因素对线圈层间温度、线圈出水温度的影响，并提高了线圈层间温度模型、线圈出水温度模型输出值的准确性，将电磁原理和热传导原理的模型结合起来，并使用历史数据来训练适宜的动态温度模型，根据拟合度较好的模型，确定了动态温度模型算法的组合，以更准确地预测和诊断发电机线圈温度的变化。
作为本申请的较佳示例，在步骤S3中，通过引入静态温度模型输出值与实际值的线圈层间温度偏差以及线圈出水温度偏差、线圈出水温度极差以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率作为动态分级判据，创建动态自学习引擎系统。
在本申请的示例中，步骤S3包括如下步骤：
S31:计算静态温度模型输出值与实际值的偏差，并根据出线圈出水温度偏差值和线圈层间温度偏差值进行线圈出水温度偏差、线圈层间温度偏差的动态分级；
按照不同工况归类进行发电机每一线圈模型输出值与实际值的偏差计算，获取线圈层间温度偏差值；按照A、B、C三相分别计算三相线圈模型输出平均值与实际值偏差的平均值，并对比当时工况进行偏差校核，线圈层间温度偏差分级包括三级预警工况和报警工况；按照不同工况归类进行每一线圈出水温度输出值与实际值的偏差计算，获取线圈出水温度偏差值，按照发电机线圈绕组成组分别计算线圈出水温度模型输出平均值和实际值的平均值，并对比当时工况进行偏差校核，线圈出水温度偏差分级包括三级预警工况和报警工况；其中，一级预警工况的偏差值＜二级预警工况的偏差值＜三级预警工况的偏差值＜报警工况的偏差值。
以330MW机组为例，线圈出水温度偏差分级判据如下：
进相运行或有功功率在300MW及以上的迟相运行，0.5K<线圈出水温度偏差≤1K为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，1K＜线圈出水温度偏差≤1.5K为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，1.5K＜线圈出水温度偏差≤2K为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，2K＜线圈出水温度偏差为报警工况；
有功功率在300MW以下的迟相运行，1K＜线圈出水温度偏差≤1.5K为一级预警工况；
有功功率在300MW以下的迟相运行，1.5K＜线圈出水温度偏差≤2K为二级预警工况；
有功功率在300MW以下的迟相运行，2K＜线圈出水温度偏差≤2.5K为三级预警工况；
有功功率在300MW以下的迟相运行，2.5K＜线圈出水温度偏差为报警工况。
线圈层间温度偏差分级判据如下：
进相运行或有功功率在300MW及以上的迟相运行，1K＜线圈层间温度偏差≤1.5K为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，1.5K＜线圈层间温度偏差≤2K为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，2K＜线圈层间温度偏差≤2.5K为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，2.5K＜线圈层间温度偏差为报警工况；
有功功率在300MW以下的迟相运行，1.5K＜线圈层间温度偏差≤2K为一级预警工况；
有功功率在300MW以下的迟相运行，2K＜线圈层间温度偏差≤2.5K为二级预警工况；
有功功率在300MW以下的迟相运行，2.5K＜线圈层间温度偏差≤3K为三级预警工况；
有功功率在300MW以下的迟相运行，3K＜线圈层间温度偏差为报警工况。
S32:判断线圈层间温度极差与线圈出水温度极差的合理性，并根据线圈层间温度极差值、线圈出水温度极差值进行线圈层间温度极差、线圈出水温度极差的动态分级；
按照不同工况归类进行发电机所有线圈实际值的最大值、最小值自动筛选，自动判断线圈层间温度极差的工况合理性、线圈实际温度测点有无异常读数，并协助进行数据清洗，所述线圈层间温度极差分级包括三级预警工况和报警工况；按照不同工况归类进行发电机所有线圈出水温度上下层实际值的最大值、最小值自动筛选，自动判断线圈出水温度极差的工况合理性、上下层温度趋势合理性、线圈出水实际温度测点有无异常读数，并协助进行数据清洗，所述线圈出水温度极差分级包括三级预警工况和报警工况；其中，一级预警工况的极差值＜二级预警工况的极差值＜三级预警工况的极差值＜报警工况的极差值。
以330MW机组为例，线圈层间温度极差分级判据包括如下内容：
进相运行或有功功率在300MW及以上的迟相运行，8K＜线圈层间温度极差≤9K为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，9K＜线圈层间温度极差≤10K为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，10K＜线圈层间温度极差≤11K为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，11K＜线圈温度层间极差为报警工况；
有功功率在300MW及以下的迟相运行，5K＜线圈层间温度极差≤6K为一级预警工况；
有功功率在300MW及以下的迟相运行，6K＜线圈层间温度极差≤7K为二级预警工况；
有功功率在300MW及以下的迟相运行，7K＜线圈层间温度极差≤8K为三级预警工况；
有功功率在300MW及以下的迟相运行，8K＜线圈层间温度极差为报警工况。
以330MW机组为例，线圈出水温度极差分级判据包括如下内容：
进相运行或有功功率在300MW及以上的迟相运行，4K＜线圈出水温度极差≤5K为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，5K＜线圈出水温度极差≤6K为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，6K＜线圈出水温度极差≤7K为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，7K＜线圈出水温度极差为报警工况；
以330MW机组为例，线圈出水极差分级判据：
有功功率在300MW及以下的迟相运行，2K＜线圈出水温度极差≤3K为一级预警工况；
有功功率在300MW及以下的迟相运行，3K＜线圈出水温度极差≤4K为二级预警工况；
有功功率在300MW及以下的迟相运行，4K＜线圈出水温度极差≤5K为三级预警工况；
有功功率在300MW及以下的迟相运行，5K＜线圈出水温度极差为报警工况。
S33：根据线圈层间温升速率与线圈出水温升速率获取异常的线圈层间和线圈出水，并根据线圈层间温升速率与线圈出水温升速率进行线圈层间温升速率、线圈出水温升速率的动态分级；
按照不同工况自动比较发电机所有线圈层间温度模型值与实际值的温升速率，自动筛选实际温度上升速率异常的线圈层间，所述线圈层间温升速率分级包括三级预警工况和报警工况；按照不同工况自动比较发电机所有线圈出水模型值与实际值的温升速率，自动筛选实际出水温度上升速率异常的线圈出水，所述线圈出水温升速率分级包括三级预警工况和报警工况；其中，一级预警工况的温升速率值＜二级预警工况的温升速率值＜三级预警工况的温升速率值＜报警工况的温升速率值。
以330MW机组为例，线圈层间温升速率分级判据：
进相运行或有功功率在300MW及以上的迟相运行，0.1K/min<线圈层间温升速率≤0.2K/min为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.2K/min<线圈层间温升速率≤0.3K/min为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.3K/min<线圈层间温升速率≤0.4K/min为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.4K/min<线圈层间温升速率为报警工况。
线圈出水温升速率分级判据：
进相运行或有功功率在300MW及以上的迟相运行，0.1K/min<线圈出水温升速率≤0.2K/min为一级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.2K/min<线圈出水温升速率≤0.3K/min为二级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.3K/min<线圈出水温升速率≤0.4K/min为三级预警工况；
进相运行或有功功率在300MW及以上的迟相运行，0.4K/min＜线圈出水温升速率为报警工况。
S34：动态自学习引擎系统创建以及更新；
根据运行数据的不断积累，不断完善上述三类模型，使模型对不同工况的覆盖更加全面，自动定期更新动态温度模型。
通过将计算静态温度模型输出值与实际值的线圈层间温度偏差以及线圈出水温度偏差、线圈出水温度极差以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率作为创建和维护动态自学习引擎系统的参数并用来评估水氢氢汽轮发电机线圈温度的状态，动态自学习引擎系统根据上述分级判据和模型的输出值，可以自动识别和记录异常情况，然后根据历史数据不断学习和适应，随着更多数据的积累，动态自学习引擎系统可以不断完善模型，自动适应不同工况，提高准确性，减少人工干预，并降低因发电机线圈过热故障造成的损失，动态自学习引擎系统并自动定期更新动态温度模型，以提高对不同工况的覆盖和准确性。
作为本申请的较佳示例，在步骤S34中，按照不同静态温度模型输出值与实际值的线圈层间温度偏差以及线圈出水温度偏差、线圈出水温度极差以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率在不同工作工况下状态进行赋值，用于计算不同模型对应的健康程度。
作为本申请的示例，根据三类模型的预警判据自动调整各级预警工况及报警工况赋值，其中，一级预警工况得分为90分，二级预警工况得分为80分，三级预警工况得分为70分，报警工况得分为60分，三类模型中的线圈温度健康度预警工况及报警工况赋值＝0.6*层间健康度预警工况及报警工况赋值+0.4*出水健康度预警工况及报警工况赋值。
作为本申请的较佳示例，在步骤S4中，根据动态自学习引擎系统对历史的正常运行数据、故障运行数据的学习，不断完善动态温度模型，自动完成量化预警级别配置，生成发电机线圈过热健康度模型，按照不同健康度分级进行线圈绝缘过热故障预警。
根据三类模型中的线圈温度健康度预警工况及报警工况赋值得分状态，进行线圈健康状况判断，线圈层间温度以及线圈出水温度偏差赋值得分为U，线圈出水温度以及线圈层间温度极差赋值得分为V，线圈层间温升速率与线圈出水温升速率赋值得分为W,线圈健康状况综合得分为S,S＝(U+V+W)/3，其中，取U、V、W中的对高得分为单项得分，
若单项得分≥80分，且S≥90分，则判定为线圈健康；
若80分＞单项得分≥70分,且90分＞S≥80分，则判定为线圈亚健康；
若70分＞单项得分≥60分，或80分＞S≥70分，则判定为线圈有过热隐患；
若60分＞单项得分，或70分＞S≥60分，则判定为线圈过热。
本申请所述水氢氢汽轮发电机线圈绝缘过热故障预警方法，根据三类模型预警判据自动调整各级工况赋值，实现量化预警级别配置，根据三类模型的健康状况得分，得出适宜的发电机线圈健康状况判据。
动态自学习引擎系统通过分析历史的正常运行和故障运行数据，可以识别出与发电机线圈过热故障相关的模式和趋势，动态自学习引擎系统会不断学习，改进模型，并适应不同工况下的变化，通过动态温度模型的完善，动态自学习引擎系统能够更准确地预测发电机线圈过热故障的可能性，使得在故障早期即可识别潜在的问题，降低故障发生的风险，还可以对问题的严重程度进行评估，使得运维人员可以更好地了解潜在风险，并根据不同的预警级别采取适当的行动，最终，根据不同健康度分级进行发电机线圈过热故障预警，使运维人员能够更有针对性地处理问题，提高水氢氢汽轮发电机的可靠性和生产效率，降低了潜在故障造成的损失。
作为本申请的较佳示例，在步骤S5中，根据步骤S4中生成发电机线圈过热健康度模型，进行正常运行验证和故障数据运行验证，对于无故障数据可参考的报警点，设定故障前温度变化，模拟故障数据，进行判据验证。其中，正常运行验证包括应用已有的机组历史运行数据分工况进行各类温度模型验证，应用偏差、极差、温升速率等指标均未触及预警的数据进行正常运行验证；故障数据运行验证包括应用已有的绕组线圈故障历史运行数据进行各类温度模型验证，逐级分析触及偏差、极差、温升速率预警的条件是否满足自学习后的预警指标。通过上述设置进行过热故障预警灵敏度、准确度的验证，不断优化水氢氢汽轮发电机线圈过热健康度模型。
通过上述验证步骤，确保动态温度模型能够准确识别正常运行和故障情况，确保水氢氢汽轮发电机线圈绝缘过热故障预警系统在实际应用中表现出足够的灵敏性和准确性，以便及早发现潜在问题，降低故障带来的损失。
本发明公开的水氢氢汽轮发电机线圈绝缘过热故障预警方法，无需增加发电机温度测点、无需进行发电机温度数据降维分析、无需让使用者进行大量的建模与分析计算，利用发电机运行数据即可完成对发电机线圈过热故障的自动预警。
本发明公开的水氢氢汽轮发电机线圈绝缘过热故障预警方法，在充分分析水氢氢汽轮发电机运行数据的基础上，尝试采用不同算法给出发电机线圈的层间温度模型和层间出水温度模型，按照不同的静态温度模型输出值与实际值的线圈层间温度偏差以及线圈出水温度偏差、线圈出水温度极差以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率的赋值得分计算，分不同级别形成报警工况及运行调整建议。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
Claims (10)
1.一种水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，包括如下步骤：
S1：归类分析发电机运行数据，根据水氢氢汽轮发电机线圈温度各运行参数的影响，按照线性回归建立静态温度模型；
S2：基于静态温度模型，采用机器学习和深度学习算法，结合发电机运行不同工况特点，寻找适宜的动态温度模型算法，建立动态温度模型；
S3：引入静态温度模型输出值与实际值的偏差、线圈层间温度极差与线圈出水温度极差、线圈层间温度上升速率与线圈出水温度上升速率的动态分级判据，形成动态自学习引擎系统；
S4：根据历史数据进行动态温度模型的验证与迭代优化，提升动态温度模型的自适应能力；
S5：寻找有温升隐患的机组数据。
2.根据权利要求1所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S1中，按照物理参量对发电机线圈温度影响关系，设立温度计算公式，初步搭建静态温度模型，该静态温度模型包括线圈层间温度模型和线圈出水温度模型，其中：
线圈层间温度模型：Tt1＝A×T0+B×(I/Ie)+C×(I/Ie)2+D×(TH2-T0)+E；
其中：A、B、C、D、E分别为针对某一台发电机的常数；I为定子电流(kA)、Ie为定子额定电流(kA)、T0为入口水温(℃)、TH2为入口氢温(℃)，Tt1为线圈层间温度模型计算输出值(℃)；
线圈出水温度模型：Tt2＝T0+J×T0×I2+K×T0×I4+M×I2+N×I4+P；
其中：J、K、M、N、P分别为针对某一台发电机的常数；I为定子电流(kA)、T0为入口水温(℃)，Tt2为线圈出水温度模型计算输出值(℃)。
3.根据权利要求1或2所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S2中，根据电磁原理、热传导原理，结合不同工况特点及水氢氢发电机水电连接图，基于适宜的动态温度模型算法，完成动态温度模型搭建与训练。
4.根据权利要求3所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，步骤S2包括如下步骤：
S21:获取工况模型；
S22:电磁原理建模；
S23:热传导原理建模；
S24:结合电磁原理、热传导原理模型，利用历史数据，结合不同运行工况训练适宜的动态温度模型，选取电磁原理与热传导原理模型中拟合度较好的模型算法确定动态温度模型算法组合，建立动态温度模型。
5.根据权利要求4所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，步骤S3包括如下步骤：
S31:计算静态温度模型输出值与实际值的偏差，并根据出线圈出水温度偏差值和线圈层间温度偏差值进行线圈出水温度偏差、线圈层间温度偏差的动态分级；
S32:判断线圈层间温度与线圈出水温度极差的合理性，并根据线圈层间温度极差值、线圈出水温度极差值进行线圈层间温度极差、线圈出水温度极差的动态分级；
S33：根据线圈层间温升速率与线圈出水温升速率获取异常的线圈层间和线圈出水，并根据线圈层间温升速率与线圈出水温升速率进行线圈层间温升速率、线圈出水温升速率的动态分级；
S34：动态自学习引擎系统创建以及更新；
根据运行数据的不断积累，不断完善步骤S21、步骤S22、步骤S23中建立的三类模型，自动定期更新动态温度模型。
6.根据权利要求5所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S31中，按照不同工况归类进行发电机每一线圈模型输出值与实际值的偏差计算，获取线圈层间温度偏差值；按照A、B、C三相分别计算三相线圈模型输出平均值与实际值偏差的平均值，并对比当时工况进行偏差校核，线圈层间温度偏差分级包括三级预警工况和报警工况；按照不同工况归类进行每一线圈出水温度输出值与实际值的偏差计算，获取线圈出水温度偏差值，按照发电机线圈绕组成组分别计算线圈出水温度模型输出平均值和实际值的平均值，并对比当时工况进行偏差校核，线圈出水温度偏差分级包括三级预警工况和报警工况；其中，一级预警工况的偏差值＜二级预警工况的偏差值＜三级预警工况的偏差值＜报警工况的偏差值。
7.根据权利要求5所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S32中，按照不同工况归类进行发电机所有线圈实际值的最大值、最小值自动筛选，自动判断线圈层间温度极差的工况合理性、线圈实际温度测点有无异常读数，并协助进行数据清洗，所述线圈层间温度极差分级包括三级预警工况和报警工况；按照不同工况归类进行发电机所有线圈出水温度上下层实际值的最大值、最小值自动筛选，自动判断线圈出水温度极差的工况合理性、上下层温度趋势合理性、线圈出水实际温度测点有无异常读数，并协助进行数据清洗，所述线圈出水温度极差分级包括三级预警工况和报警工况；其中，一级预警工况的极差值＜二级预警工况的极差值＜三级预警工况的极差值＜报警工况的极差值。
8.根据权利要求5所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S33中，按照不同工况自动比较发电机所有线圈层间温度模型值与实际值的温升速率，自动筛选实际温度上升速率异常的线圈层间，所述线圈层间温升速率分级包括三级预警工况和报警工况；按照不同工况自动比较发电机所有线圈出水模型值与实际值的温升速率，自动筛选实际出水温度上升速率异常的线圈出水，所述线圈出水温升速率分级包括三级预警工况和报警工况；其中，一级预警工况的温升速率值＜二级预警工况的温升速率值＜三级预警工况的温升速率值＜报警工况的温升速率值。
9.根据权利要求6或7或8所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S34中，按照不同静态温度模型输出值与实际值的线圈层间温度以及线圈出水温度偏差、线圈出水温度以及线圈层间温度极差、线圈层间温升速率与线圈出水温升速率在不同工作工况下状态进行赋值，用于计算不同模型对应的健康程度。
10.根据权利要求9所述的水氢氢汽轮发电机线圈绝缘过热故障预警方法，其特征在于，在步骤S4中，根据动态自学习引擎系统对历史的正常运行数据、故障运行数据的学习，不断完善动态温度模型，自动完成量化预警级别配置，生成发电机线圈过热健康度模型，按照不同健康度分级进行线圈绝缘过热故障预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685231.6A CN117688834B (zh) | 2023-12-11 | 2023-12-11 | 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311685231.6A CN117688834B (zh) | 2023-12-11 | 2023-12-11 | 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117688834A true CN117688834A (zh) | 2024-03-12 |
| CN117688834B CN117688834B (zh) | 2024-05-24 |
Family
ID=90134627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311685231.6A Active CN117688834B (zh) | 2023-12-11 | 2023-12-11 | 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117688834B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学（保定） | 一种同步电机定子早期故障预警方法 |
| CN111929579A (zh) * | 2020-09-22 | 2020-11-13 | 北京京能能源技术研究有限责任公司 | 发电机在线故障诊断方法、设备及计算机设备 |
| CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
| CN112597696A (zh) * | 2020-12-07 | 2021-04-02 | 国网江苏省电力有限公司 | 一种基于极限学习机原理的锅炉四管泄漏预警方法 |
| CN215813225U (zh) * | 2021-09-09 | 2022-02-11 | 河北涿州京源热电有限责任公司 | 一种汽轮发电机电热故障快速诊断系统 |
| CN115455358A (zh) * | 2022-07-19 | 2022-12-09 | 重庆大唐国际彭水水电开发有限公司 | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 |
| WO2023005467A1 (zh) * | 2021-07-29 | 2023-02-02 | 东方电气集团东方电机有限公司 | 一种定子绕组温度预警方法 |
-
2023
- 2023-12-11 CN CN202311685231.6A patent/CN117688834B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学（保定） | 一种同步电机定子早期故障预警方法 |
| CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
| CN111929579A (zh) * | 2020-09-22 | 2020-11-13 | 北京京能能源技术研究有限责任公司 | 发电机在线故障诊断方法、设备及计算机设备 |
| CN112597696A (zh) * | 2020-12-07 | 2021-04-02 | 国网江苏省电力有限公司 | 一种基于极限学习机原理的锅炉四管泄漏预警方法 |
| WO2023005467A1 (zh) * | 2021-07-29 | 2023-02-02 | 东方电气集团东方电机有限公司 | 一种定子绕组温度预警方法 |
| CN215813225U (zh) * | 2021-09-09 | 2022-02-11 | 河北涿州京源热电有限责任公司 | 一种汽轮发电机电热故障快速诊断系统 |
| CN115455358A (zh) * | 2022-07-19 | 2022-12-09 | 重庆大唐国际彭水水电开发有限公司 | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| DAWID ZANIEWSKI 等: "Organic Rankine Cycle turbogenerator cooling – optimization of the generator water jacket heat exchange surface", APPLIED THERMAL ENGINEERING, 31 March 2023 (2023-03-31) * |
| 周道军: "发电机保护与定子过负荷能力配合分析", 电工电气, 15 October 2015 (2015-10-15) * |
| 王晓华: "基于机器学习的发电机定子绕组温度模型应用分析", 能源工程, 20 December 2022 (2022-12-20) * |
| 胡磊: "1 100 MW级核电水氢氢汽轮发电机转子线圈温度场研究", 电机技术, no. 03, 25 June 2018 (2018-06-25) * |
| 蒲莹 等: "发电机故障诊断中不同运行条件下定子绕组温度标准值的确定", 中国电机工程学报, no. 08, 30 August 2001 (2001-08-30) * |
| 郭永红: "发电机增容改造后常见问题的技术分析与应对措施", 华北电力技术, 25 June 2015 (2015-06-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117688834B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
| CN104102773B (zh) | 一种设备故障预警及状态监测方法 | |
| CN110045594B (zh) | 一种用于锅炉四管状态风险预测的智能管控系统及方法 | |
| CN113204922B (zh) | 一种变压器运行状态监控与预测方法 | |
| CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
| CN105719002A (zh) | 一种基于组合预测的风电机组状态参数异常辨识方法 | |
| CN112179655B (zh) | 一种基于阈值分级的汽轮发电机故障预警方法 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
| CN116658492B (zh) | 智能动力猫道及其方法 | |
| CN106997513A (zh) | 基于大数据分析的配网设备状态评价系统 | |
| CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
| CN104598968A (zh) | 变压器故障诊断方法 | |
| CN112085084B (zh) | 一种基于多特征融合共同向量的变压器故障诊断方法 | |
| CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
| CN117391310B (zh) | 基于数字孪生技术的电网设备运行状态预测及优化方法 | |
| CN117688834B (zh) | 一种水氢氢汽轮发电机线圈绝缘过热故障预警方法 | |
| CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
| Wang et al. | Digital twin enhanced fault diagnosis reasoning for autoclave | |
| CN117634303B (zh) | 一种基于ai建模的汽轮发电机铁心过热故障预警方法 | |
| CN114943281B (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
| Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
| Lin et al. | A method for anomaly detection of state information of transformer based on association rules and elman neural network | |
| CN116906025B (zh) | 一种采油工程生产异常诊断装置 |
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 |