CN117972616A - 一种抽水蓄能发电机组安全状态监测诊断方法及系统 - Google Patents
一种抽水蓄能发电机组安全状态监测诊断方法及系统 Download PDFInfo
- Publication number
- CN117972616A CN117972616A CN202410365204.9A CN202410365204A CN117972616A CN 117972616 A CN117972616 A CN 117972616A CN 202410365204 A CN202410365204 A CN 202410365204A CN 117972616 A CN117972616 A CN 117972616A
- Authority
- CN
- China
- Prior art keywords
- data
- state monitoring
- generator set
- safety state
- characteristic data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000002922 simulated annealing Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 239000010687 lubricating oil Substances 0.000 claims description 24
- 230000010349 pulsation Effects 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000007789 sealing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 6
- 239000000498 cooling water Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims 1
- 239000003921 oil Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种抽水蓄能发电机组安全状态监测诊断方法及系统,方法包括:筛选安全状态监测点并采集历史特征数据,对历史特征数据进行数据降噪和归一化预处理;利用T分布随机近邻嵌入获取关键特征数据;对LightGBM模型进行训练,并使用模拟退火算法结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA‑LightGBM故障诊断模型;采集的抽水蓄能发电机组实时数据并处理后,输入最优SA‑LightGBM故障诊断模型中,得到故障诊断结果。本发明可减少无关特征的输入,提高了数据预处理、特征提取及模型训练的速度,可以迅速对抽水蓄能发电机组的安全运行状态进行诊断评估。
Description
技术领域
本发明涉及抽水蓄能发电机组技术领域,具体涉及了一种抽水蓄能发电机组安全状态监测诊断方法及系统。
背景技术
抽水蓄能发电机组作为抽水蓄能电站中的核心部分,其安全稳定运行成为建设、运行和维护的首要目标。抽水蓄能发电机组在日常运行中抽水工况和发电工况转换频繁,并且同时受到水力因素、机械因素、电磁因素的多重干扰作用,严重时会影响到机组的安全运行,因此对于抽水蓄能发电机组安全状态的监测诊断非常重要。
发明内容
本发明的目的在于提供一种抽水蓄能发电机组安全状态监测诊断方法及系统,利用模拟退火算法和集成学习技术,实现抽水蓄能发电机组安全异常状态的监测与诊断,保障抽水蓄能发电机组日常运行安全。
本发明采用以下技术方案实现。一种抽水蓄能发电机组安全状态监测诊断方法,包括以下步骤:
S1:结合抽水蓄能发电机组工作机理和结构特性对安全状态监测点进行筛选;
S2:采集抽水蓄能发电机组正常运行时和发生故障时安全状态监测点的历史特征数据,对历史特征数据进行标注,正常工作时的历史特征数据标记为正常,存在故障的历史特征数据标记为异常,并标记故障类型;
S3:对获取的历史特征数据进行数据降噪和归一化处理,得到归一化特征数据;
S4:利用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,获取关键特征数据,步骤如下:
S41、使用高斯核函数对高维空间中每对数据点之间的相似度进行计算,计算数据集中的每个数据点与其他数据点之间的相似度;
S42、计算对称版本的相似度Pij,对称版本的相似度通过对和取平均获取;表示给定的第j个数据点Xj与第i个数据点Xi的相似度,表示给定的第i个数据点Xi与
第j个数据点Xj的相似度;
S43、使用T分布计算低维空间中数据点之间的相似度;
S44、通过最小化高维空间中的相似度与低维空间中相似度之间的KL散度来优化映射,并将其作为目标函数,使用梯度下降法进行优化;
S45、通过公式迭代获取低维空间中的归一化
特征数据,即完成对关键特征的提取,实现归一化特征数据降维,式中,Y(t-2)、Y(t-1)、Y(t)分
别为第t-2、t-1、t次迭代后的低维空间中的归一化特征数据,为学习率,为动量因
子,C为KL散度;
S5:利用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法(SA,Simulated Annealing Algorithm)结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA-LightGBM故障诊断模型;
S6:对采集的抽水蓄能发电机组实时数据进行数据降噪和归一化处理,并进行关键特征提取,将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
进一步优选,所有安全状态监测点的特征数据组成特征数据矩阵,p表示安全状态监测点的数量,q表示单个安全状态监测点的特征数据
样本容量,表示第1个安全状态监测点的第1个特征数据;表示第1个安全状态监测
点的第q个特征数据;表示第p个安全状态监测点的第1个特征数据;表示第p个安全
状态监测点的第q个特征数据。
进一步优选,结合抽水蓄能发电机组工作机理和结构特性对安全状态监测点进行筛选,包括:
S11、选取顶盖水位、主轴摆度、上导轴承振动、水导轴承振动、下导轴承振动、顶盖振动、上下机架振动、尾水管进口压力脉动、尾水管出口压力脉动、无叶区压力脉动、蜗壳进口压力脉动、尾水肘管压力脉动、尾水锥管压力脉动作为水泵水轮机的安全状态监测点;
S12、选取有功功率、发电电动机盖板振动、定子机座振动、励磁电流作为发电电动机的安全状态监测点;
S13、选取润滑油油压、润滑油油温、水导轴承瓦温、上导轴承瓦温、下导轴承瓦温,水导润滑油油位、上导润滑油油位、下导润滑油油位作为润滑油系统的安全状态监测点;
S14、选取润滑油冷却水流量、发电电动机冷却水流量、主轴密封水供水压力、主轴密封水供水流量作为安全状态监测点;
S15、抽水蓄能发电机组中的气系统包括高压气系统和低压气系统,将高压气系统压力作为气系统的安全状态监测点。
进一步优选,数据降噪采用基于自适应的经验模态分解降噪方法。
进一步优选,数据降噪过程包括:对历史特征数据进行经验模态分解,得到IMF分
量,并计算各IMF分量的能量密度和平均周期, 设置IMF分量滤波系数对IMF分量进行筛
除处理,对筛除处理后的IMF分量进行降噪处理。
进一步优选,归一化处理的方法采用线性函数归一化。
进一步优选,步骤S41中,高维空间中每对数据点之间的相似度计算公式如下:
;
式中,是根据数据集中的第i个数据点Xi自适应确定的方差;
步骤S43中,使用T分布计算低维空间中数据点之间的相似度的公式如下:
;
式中,Yi和Yj分别是数据点Xi和数据点Xj在低维空间中的归一化特征数据,Qij表示在低维空间中Yi和Yj相似的概率;
步骤S44中,通过最小化高维空间中的相似度与低维空间中相似度之间的KL散度来优化映射,并将其作为目标函数,使用梯度下降法进行优化,具体形式如下:
;
。
进一步优选,步骤S5中,将关键特征数据划分为训练样本和测试样本,将训练样本的留出验证法平均预测准确率作为模拟退火算法进行超参数寻优的目标函数,设置初始温度Tstart、终止温度Tend、降温系数ξ、最大迭代次数;
S51、在超参数空间内随机生成超参数初始组合,式
中LR、MD、NL、MDIL、MB分别为学习率、树深度、叶子节点数、叶子上最小数据数、最大箱数,并
计算对应目标函数解D=f();
S52、在超参数搜索空间内再次随机生成新的超参数组合,并计算对应目标函数解以及本次目标函数解与上一次目标函数解D之间的差值,如果ΔD≤0,则,,如果ΔD
>0,则按麦尔特罗夫(Metropolis)准则接受新的超参数组合;
S53、进一步判断迭代次数是否达到最大迭代次数,如果没有达到最大迭代次数,则转至步骤S52,如果达到最大迭代次数则判断是否达到终止温度Tend,如果达到则结束寻优过程,返回当前超参数最优组合解,否则改变初始温度Tstart,重置最大迭代次数,转至步骤S52,开始重新迭代寻优,直至获取各超参数最优组合解及最优SA-LightGBM故障诊断模型。
本发明提供了一种用于实施前述抽水蓄能发电机组安全状态监测诊断方法的系统,包括:
数据采集模块,用于通过传感器采集抽水蓄能发电机组安全状态监测点的特征数据;
数据传输及储存模块,用于对数据采集模块采集的特征数据进行实时传输和储存;
数据预处理模块,用于对特征数据进行预处理,包括数据降噪和归一化处理数据降噪,得到归一化特征数据;
特征提取模块,用于使用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,获取关键特征数据;
模型训练模块,用于使用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA-LightGBM故障诊断模型;
故障诊断模块,用于将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
本发明具有以下优点及有益效果:
(1)本发明可实现对抽水蓄能发电机组安全运行状态的快速评估与诊断,帮助运行人员快速确定故障源,防止机组运行问题进一步扩大,保障机组的运行安全;
(2)抽水蓄能发电机组工作中存在大量的特征数据,其中存在许多与机组故障无关及弱相关的特征数据,而这些特征数据的涌入会导致数据预处理、特征提取及模型训练速度下降,致使整个模型故障诊断周期变长,影响模型故障诊断效果,本发明结合抽水蓄能发电机组工作机理及结构特性,提取重要指标特征数据,并结合T分布随机近邻嵌入进一步减小模型训练周期,提升模型故障诊断速度 ;
(3)本发明提出的SA- LightGBM故障诊断模型与传统LightGBM模型相比,训练时间短,更便于实现在线实时诊断。
附图说明
图1为一种抽水蓄能发电机组安全状态监测诊断方法框架图;
图2为模拟退火算法对超参数进行优化的流程图;
图3为一种用于实施抽水蓄能发电机组安全状态监测诊断方法的系统框架图。
具体实施方式
为了使本发明的目的、技术方案和系统原理更加的清晰明了,下面将结合附图和实施例对本发明的技术原理进行进一步的详细介绍。应当指出,基于本发明中的实施例,本领域普通技术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。
如图1所示,本发明提供了一种抽水蓄能发电机组安全状态监测诊断方法,包括以下步骤:
S1:结合抽水蓄能发电机组工作机理和结构特性对安全状态监测点进行筛选。抽水蓄能发电机组分为主机和辅机系统,主机系统包括水泵水轮机、发电电动机,其中辅机系统主要包括油系统、水系统和气系统,主机系统和辅机系统中的各部分都会严重影响抽水蓄能发电机组的正常安全运行,针对主机和辅机系统各自工作特性设置安全状态监测点,完成安全状态监测点的筛选工作,其具体如下所示:
S11、水泵水轮机:流量、工作水头、转速、活动导叶开度为机组核心参数,直接关系机组的运行安全,需要将其作为安全状态监测点,顶盖水位过高会导致机组被异常抬起,并且水泵水轮机本体的故障多表现为异常振动,而压力脉动是影响抽水蓄能发电机组异常振动的一个重要因素,因此选取顶盖水位、主轴摆度、上导轴承振动、水导轴承振动、下导轴承振动、顶盖振动、上下机架振动、尾水管进口压力脉动、尾水管出口压力脉动、无叶区压力脉动、蜗壳进口压力脉动、尾水肘管压力脉动、尾水锥管压力脉动作为水泵水轮机的安全状态监测点。
S12、发电电动机:有功功率作为衡量发电电动机做功能力的关键指标之一,需要将其作为安全状态监测点进行监测,发电机盖板振动、定子机座振动、励磁电流是监测发电电动机电磁振动的关键参数,因此选取有功功率、发电电动机盖板振动、定子机座振动、励磁电流作为发电电动机的安全状态监测点。
S13、油系统:油系统包括压力油系统和润滑油系统,压力油系统负责调速器执行机构的动作,调节活动导叶开度,压力油的压力和温度过低会导叶关闭时间变长,造成机组超速,因此选取压力油油压和压力油油温作为压力油安全状态监测点,润滑油系统负责主轴与轴承之间的润滑及冷却,油压异常会影响油膜的形成,导致主轴与轴瓦干磨,轴瓦、润滑油温度急剧升高,严重影响机组安全,因此选取润滑油油压、润滑油油温、水导轴承瓦温、上导轴承瓦温、下导轴承瓦温,水导润滑油油位、上导润滑油油位、下导润滑油油位作为润滑油系统的安全状态监测点。
S14、水系统:抽水蓄能电站中水系统的主要作用为润滑油冷却、发电电动机冷却及主轴密封,因此选取润滑油冷却水流量、发电电动机冷却水流量、主轴密封水供水压力、主轴密封水供水流量作为安全状态监测点。
S15、气系统:抽水蓄能发电机组中的气系统包括高压气系统和低压气系统,低压气系统多用于机组检修,高压气系统用于压力油系统中的压力油槽充气,因此将高压气系统压力作为气系统的安全状态监测点。
所有安全状态监测点的特征数据组成特征数据矩阵,p表示安
全状态监测点的数量,q表示单个安全状态监测点的特征数据样本容量,表示第1个安全
状态监测点的第1个特征数据;表示第1个安全状态监测点的第q个特征数据;表示
第p个安全状态监测点的第1个特征数据;表示第p个安全状态监测点的第q个特征数据。
S2:采集抽水蓄能发电机组正常运行时和发生故障时安全状态监测点的历史特征数据,对历史特征数据进行标注,正常工作时的历史特征数据标记为正常,存在故障的历史特征数据标记为异常,并标记故障类型;
S3:对获取的历史特征数据进行数据降噪和归一化处理。
数据降噪采用基于自适应的经验模态分解降噪方法:
对含有噪声的信号(如:振动信号、压力脉动信号)进行经验模态分解,得到n个IMF
分量,其中分别为第1,2,3,…,n个
IMF分量,并计算各IMF分量的能量密度和平均周期,计算公式如下:
;
;
式中,En为第n个IMF分量的能量密度,为平均周期,表示第n个IMF分量
中的第i个数据,N为数据数目,Nmax为各IMF分量中极大值的数据数目;
设置IMF分量滤波系数,对于满足的IMF分量进行筛除处理,获
取满足要求的IMF分量集合, 分别为
第1,2,3,…,j个满足要求的IMF分量;
对IMF分量集合进行降噪处理,得到降噪后的信号为:。
归一化处理是指:对降噪后的振动、压力脉动以及其他特征数据进行归一化处理,
方法采用线性函数归一化:;
式中,为归一化特征数据,X为原始特征数据,Xmax为原始特征数据最大值,
Xmin为原始特征数据最小值。
S4:利用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,筛除无关、弱相关及冗余特征数据,降低训练样本数据维度,获取所需关键特征数据,其具体步骤如下:
S41、使用高斯核函数对高维空间中每对数据点之间的相似度进行计算,计算数据集中的每个数据点与其他数据点之间的相似度,计算公式如下:
;
式中,表示给定的第i个数据点Xi与第j个数据点Xj的相似度,是根据数据集
中的第i个数据点Xi自适应确定的方差;
S42、计算对称版本的相似度Pij,对称版本的相似度通过对和取平均获取: ;
其中,表示给定的第j个数据点Xj与第i个数据点Xi的相似度;
S43、使用T分布计算低维空间中数据点之间的相似度,计算公式如下:
;
式中,Yi和Yj分别是数据点Xi和数据点Xj在低维空间中的归一化特征数据,Qij表示在低维空间中Yi和Yj相似的概率;
S44、通过最小化高维空间中的相似度与低维空间中相似度之间的KL散度来优化映射,并将其作为目标函数,使用梯度下降法进行优化,具体形式如下:
;
;
式中,C为KL散度;
S45、通过公式迭代获取低维空间中的归一化
特征数据,即完成对关键特征的提取,实现归一化特征数据降维,式中,Y(t-2)、Y(t-1)、Y(t)分
别为第t-2、t-1、t次迭代后的低维空间中的归一化特征数据,为学习率,为动量因
子。
S5:利用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法(SA,Simulated Annealing Algorithm)结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取SA-LightGBM故障诊断模型。
参照图2,取步骤S4所得关键特征数据的70%作为训练样本,其余30%作为测试样本,将训练样本的留出验证法平均预测准确率作为SA进行超参数寻优的目标函数,设置初始温度Tstart为1000,终止温度Tend为1,降温系数ξ为0.99,最大迭代次数为500;超参数搜索空间如下所示:
S51、在超参数空间内随机生成超参数初始组合,式中
LR、MD、NL、MDIL、MB分别为学习率、树深度、叶子节点数、叶子上最小数据数、最大箱数,并计
算对应目标函数解D=f();
S52、在超参数搜索空间内再次随机生成新的超参数组合,并计算对应目标函数解以及本次目标函数解与上一次目标函数解D之间的差值,如果ΔD≤0,则,,如果ΔD
>0,则按麦尔特罗夫(Metropolis)准则接受新的超参数组合;
S53、进一步判断迭代次数是否达到最大迭代次数,如果没有达到最大迭代次数,则转至步骤S52,如果达到最大迭代次数则判断是否达到终止温度Tend,如果达到则结束寻优过程,返回当前超参数最优组合解,否则改变初始温度Tstart,重置最大迭代次数,转至步骤S52,开始重新迭代寻优,直至获取各超参数最优组合解及最优SA-LightGBM故障诊断模型。
S6:对采集的抽水蓄能发电机组实时数据进行数据降噪和归一化处理,并进行关键特征提取,将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
本实施例所述LightGBM模型采用python语言实现,SA-LightGBM故障诊断模型使用SimAnneal库和lightgbm机器学习库实现。
如图3所示,本发明的另一个实施例,提供了一种用于实施前述抽水蓄能发电机组安全状态监测诊断方法的系统,该系统包括数据采集模块101、数据传输及储存模块102、数据预处理模块103、特征提取模块104、模型训练模块105、故障诊断模块106;
所述数据采集模块101,用于通过传感器采集抽水蓄能发电机组安全状态监测点的特征数据;
所述数据传输及储存模块102,用于对数据采集模块101采集的特征数据进行实时传输和储存;
所述数据预处理模块103,用于对特征数据进行预处理,包括数据降噪和归一化处理数据降噪,得到归一化特征数据;
所述特征提取模块104,用于使用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,筛除无关、弱相关及冗余特征数据,降低训练样本数据维度,获取关键特征数据;
所述模型训练模块105,用于使用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA-LightGBM故障诊断模型;
所述故障诊断模块106,用于将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
以上仅是本发明的优选实例,并非对本发明保护范围的限制。应当指出,对于本技术领域的人员,其根据本发明的技术方案或构思做出的同等替换或改变,都属于本发明的保护范围。
Claims (9)
1.一种抽水蓄能发电机组安全状态监测诊断方法,其特征在于,包括以下步骤:
S1:结合抽水蓄能发电机组工作机理和结构特性对安全状态监测点进行筛选;
S2:采集抽水蓄能发电机组正常运行时和发生故障时安全状态监测点的历史特征数据,对历史特征数据进行标注,正常工作时的历史特征数据标记为正常,存在故障的历史特征数据标记为异常,并标记故障类型;
S3:对获取的历史特征数据进行数据降噪和归一化处理,得到归一化特征数据;
S4:利用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,获取关键特征数据,步骤如下:
S41、使用高斯核函数对高维空间中每对数据点之间的相似度进行计算,计算数据集中的每个数据点与其他数据点之间的相似度;
S42、计算对称版本的相似度Pij,对称版本的相似度通过对和/>取平均获取;/>表示给定的第j个数据点Xj与第i个数据点Xi的相似度,/>表示给定的第i个数据点Xi与第j个数据点Xj的相似度;
S43、使用T分布计算低维空间中数据点之间的相似度;
S44、通过最小化高维空间中的相似度与低维空间中相似度之间的KL散度来优化映射,并将其作为目标函数,使用梯度下降法进行优化;
S45、通过公式迭代获取低维空间中的归一化特征数据,即完成对关键特征的提取,实现归一化特征数据降维,式中,Y(t-2)、Y(t-1)、Y(t)分别为第t-2、t-1、t次迭代后的低维空间中的归一化特征数据,/>为学习率,/>为动量因子,C为KL散度;
S5:利用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA-LightGBM故障诊断模型;
S6:对采集的抽水蓄能发电机组实时数据进行数据降噪和归一化处理,并进行关键特征提取,将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
2.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于,所有安全状态监测点的特征数据组成特征数据矩阵,p表示安全状态监测点的数量,q表示单个安全状态监测点的特征数据样本容量,/>表示第1个安全状态监测点的第1个特征数据;/>表示第1个安全状态监测点的第q个特征数据;/>表示第p个安全状态监测点的第1个特征数据;/>表示第p个安全状态监测点的第q个特征数据。
3.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于,结合抽水蓄能发电机组工作机理和结构特性对安全状态监测点进行筛选,包括:
S11、选取顶盖水位、主轴摆度、上导轴承振动、水导轴承振动、下导轴承振动、顶盖振动、上下机架振动、尾水管进口压力脉动、尾水管出口压力脉动、无叶区压力脉动、蜗壳进口压力脉动、尾水肘管压力脉动、尾水锥管压力脉动作为水泵水轮机的安全状态监测点;
S12、选取有功功率、发电电动机盖板振动、定子机座振动、励磁电流作为发电电动机的安全状态监测点;
S13、选取润滑油油压、润滑油油温、水导轴承瓦温、上导轴承瓦温、下导轴承瓦温,水导润滑油油位、上导润滑油油位、下导润滑油油位作为润滑油系统的安全状态监测点;
S14、选取润滑油冷却水流量、发电电动机冷却水流量、主轴密封水供水压力、主轴密封水供水流量作为安全状态监测点;
S15、抽水蓄能发电机组中的气系统包括高压气系统和低压气系统,将高压气系统压力作为气系统的安全状态监测点。
4.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于,数据降噪采用基于自适应的经验模态分解降噪方法。
5.根据权利要求4所述的抽水蓄能发电机组安全状态监测诊断方法,数据降噪过程包括:对历史特征数据进行经验模态分解,得到IMF分量,并计算各IMF分量的能量密度和平均周期, 设置IMF分量滤波系数对IMF分量进行筛除处理,对筛除处理后的IMF分量进行降噪处理。
6.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于,归一化处理的方法采用线性函数归一化。
7.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于, 步骤S41中,高维空间中每对数据点之间的相似度计算公式如下:
;
式中,是根据数据集中的第i个数据点Xi自适应确定的方差;
步骤S43中,使用T分布计算低维空间中数据点之间的相似度的公式如下:
;
式中,Yi和Yj分别是数据点Xi和数据点Xj在低维空间中的归一化特征数据,Qij表示在低维空间中Yi和Yj相似的概率;
步骤S44中,通过最小化高维空间中的相似度与低维空间中相似度之间的KL散度来优化映射,并将其作为目标函数,使用梯度下降法进行优化,具体形式如下:
;
。
8.根据权利要求1所述的抽水蓄能发电机组安全状态监测诊断方法,其特征在于,步骤S5中,将关键特征数据划分为训练样本和测试样本,将训练样本的留出验证法平均预测准确率作为模拟退火算法进行超参数寻优的目标函数,设置初始温度Tstart、终止温度Tend、降温系数ξ、最大迭代次数;
S51、在超参数空间内随机生成超参数初始组合,式中LR、MD、NL、MDIL、MB分别为学习率、树深度、叶子节点数、叶子上最小数据数、最大箱数,并计算对应目标函数解D=f(/>);
S52、在超参数搜索空间内再次随机生成新的超参数组合,并计算对应目标函数解/>以及本次目标函数解与上一次目标函数解D之间的差值/>,如果ΔD≤0,则/>,/>,如果ΔD>0,则按麦尔特罗夫准则接受新的超参数组合;
S53、进一步判断迭代次数是否达到最大迭代次数,如果没有达到最大迭代次数,则转至步骤S52,如果达到最大迭代次数则判断是否达到终止温度Tend,如果达到则结束寻优过程,返回当前超参数最优组合解,否则改变初始温度Tstart,重置最大迭代次数,转至步骤S52,开始重新迭代寻优,直至获取各超参数最优组合解及最优SA-LightGBM故障诊断模型。
9.一种用于实施权利要求1-8任意一项所述抽水蓄能发电机组安全状态监测诊断方法的系统,包括:
数据采集模块,用于通过传感器采集抽水蓄能发电机组安全状态监测点的特征数据;
数据传输及储存模块,用于对数据采集模块采集的特征数据进行实时传输和储存;
数据预处理模块,用于对特征数据进行预处理,包括数据降噪和归一化处理数据降噪,得到归一化特征数据;
特征提取模块,用于使用T分布随机近邻嵌入对归一化特征数据进行关键特征提取,获取关键特征数据;
模型训练模块,用于使用关键特征数据对LightGBM模型进行训练,并使用模拟退火算法结合留出验证法对LightGBM模型超参数进行寻优处理,进而获取最优SA-LightGBM故障诊断模型;
故障诊断模块,用于将提取的关键特征输入最优SA-LightGBM故障诊断模型中,得到故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410365204.9A CN117972616A (zh) | 2024-03-28 | 2024-03-28 | 一种抽水蓄能发电机组安全状态监测诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410365204.9A CN117972616A (zh) | 2024-03-28 | 2024-03-28 | 一种抽水蓄能发电机组安全状态监测诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972616A true CN117972616A (zh) | 2024-05-03 |
Family
ID=90851799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410365204.9A Pending CN117972616A (zh) | 2024-03-28 | 2024-03-28 | 一种抽水蓄能发电机组安全状态监测诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972616A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6795935B1 (en) * | 1999-10-28 | 2004-09-21 | General Electric Company | Diagnosis of faults in a complex system |
US20130173218A1 (en) * | 2010-09-07 | 2013-07-04 | Hitachi, Ltd. | Malfunction Detection Method and System Thereof |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 |
CN113723476A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 |
CN113792762A (zh) * | 2021-08-24 | 2021-12-14 | 华南理工大学 | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 |
CN114997333A (zh) * | 2022-06-29 | 2022-09-02 | 清华大学 | 一种风力发电机的故障诊断方法和装置 |
US20220283576A1 (en) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Automatic diagnosis method, system and storage medium for equipment |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN115235766A (zh) * | 2022-07-11 | 2022-10-25 | 北京华能新锐控制技术有限公司 | 一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法 |
CN115467773A (zh) * | 2021-06-12 | 2022-12-13 | 国网东北分部绿源水力发电公司检修公司 | 一种基于Lightgbm的水轮机组轴线轨迹异常检测方法 |
CN115879369A (zh) * | 2022-11-10 | 2023-03-31 | 国能神华九江发电有限责任公司 | 一种基于优化LightGBM算法的磨煤机故障预警方法 |
CN116010884A (zh) * | 2022-11-21 | 2023-04-25 | 杭州电力设备制造有限公司 | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 |
CN116502072A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
CN116821598A (zh) * | 2023-06-26 | 2023-09-29 | 合肥铥莱信息科技有限公司 | 滚动轴承故障诊断方法、系统、电子设备以及存储介质 |
CN116910519A (zh) * | 2023-06-20 | 2023-10-20 | 中国长江电力股份有限公司 | 基于深度学习的水轮发电机组故障预警系统及方法 |
CN117216651A (zh) * | 2023-08-25 | 2023-12-12 | 沈阳工业大学 | 一种重型装备数据预处理的故障诊断方法 |
CN117628005A (zh) * | 2023-12-04 | 2024-03-01 | 湖南科技大学 | 一种融合信号液压马达故障诊断方法及系统 |
-
2024
- 2024-03-28 CN CN202410365204.9A patent/CN117972616A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6795935B1 (en) * | 1999-10-28 | 2004-09-21 | General Electric Company | Diagnosis of faults in a complex system |
US20130173218A1 (en) * | 2010-09-07 | 2013-07-04 | Hitachi, Ltd. | Malfunction Detection Method and System Thereof |
CN105354587A (zh) * | 2015-09-25 | 2016-02-24 | 国网甘肃省电力公司电力科学研究院 | 一种风力发电机组齿轮箱的故障诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
US20220283576A1 (en) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Automatic diagnosis method, system and storage medium for equipment |
CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 |
CN115467773A (zh) * | 2021-06-12 | 2022-12-13 | 国网东北分部绿源水力发电公司检修公司 | 一种基于Lightgbm的水轮机组轴线轨迹异常检测方法 |
CN113723476A (zh) * | 2021-08-13 | 2021-11-30 | 国网山东省电力公司枣庄供电公司 | 一种基于融合不定核特征提取的LightGBM变压器故障诊断方法 |
CN113792762A (zh) * | 2021-08-24 | 2021-12-14 | 华南理工大学 | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN114997333A (zh) * | 2022-06-29 | 2022-09-02 | 清华大学 | 一种风力发电机的故障诊断方法和装置 |
CN115235766A (zh) * | 2022-07-11 | 2022-10-25 | 北京华能新锐控制技术有限公司 | 一种基于IWOA改进LightGBM的风机主轴轴承故障诊断方法 |
CN115879369A (zh) * | 2022-11-10 | 2023-03-31 | 国能神华九江发电有限责任公司 | 一种基于优化LightGBM算法的磨煤机故障预警方法 |
CN116010884A (zh) * | 2022-11-21 | 2023-04-25 | 杭州电力设备制造有限公司 | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 |
CN116910519A (zh) * | 2023-06-20 | 2023-10-20 | 中国长江电力股份有限公司 | 基于深度学习的水轮发电机组故障预警系统及方法 |
CN116821598A (zh) * | 2023-06-26 | 2023-09-29 | 合肥铥莱信息科技有限公司 | 滚动轴承故障诊断方法、系统、电子设备以及存储介质 |
CN116502072A (zh) * | 2023-06-27 | 2023-07-28 | 北京理工大学 | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 |
CN117216651A (zh) * | 2023-08-25 | 2023-12-12 | 沈阳工业大学 | 一种重型装备数据预处理的故障诊断方法 |
CN117628005A (zh) * | 2023-12-04 | 2024-03-01 | 湖南科技大学 | 一种融合信号液压马达故障诊断方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIANQI WANG: "Research of Diagnosing Causes of Turbine Faults Based on PSO-LightGBM Algorithm", 《2021 40TH CHINESE CONTROL CONFERENCE (CCC)》, 6 October 2021 (2021-10-06) * |
杨皓琳: "t-SNE结合GRU网络的蒸汽压缩式制冷系统故障诊断研究", 《 中国优秀硕士论文电子期刊网》, 15 January 2023 (2023-01-15) * |
田宇;周洋洋;赵昶宇;: "加固式公共计算服务器健康管理系统设计", 电子设计工程, no. 16, 18 August 2020 (2020-08-18) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
Liu et al. | Intelligent wind turbine blade icing detection using supervisory control and data acquisition data and ensemble deep learning | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN111899905B (zh) | 一种基于核动力装置的故障诊断方法及系统 | |
CN112052871B (zh) | 一种基于支持向量机的火箭发动机健康诊断方法及系统 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN110348468A (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN108869145A (zh) | 基于复合特征指标和深度极限学习机的泵站机组诊断方法 | |
CN114417699A (zh) | 泵阀故障检测方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
CN117972616A (zh) | 一种抽水蓄能发电机组安全状态监测诊断方法及系统 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN117151684A (zh) | 风电风机数据分析预警方法、系统、装置及可读存储介质 | |
Shan et al. | Semisupervised fault diagnosis of gearbox using weighted graph-based label propagation and virtual adversarial training | |
CN116498543A (zh) | 一种基于多维度信号分析的泵机异常工况在线检测方法 | |
Zhao | [Retracted] Fault Diagnosis Method for Wind Power Equipment Based on Hidden Markov Model | |
CN115310746A (zh) | 一种风力发电机组主传动系统状态评估方法及系统 | |
CN114139638A (zh) | 一种考虑多变量相关性的风机叶片覆冰故障诊断方法 | |
CN113780230A (zh) | 一种基于不变时空注意融合网络的不平衡故障诊断方法 | |
Agrawal et al. | SafeEngine: Fault Detection with Severity Prediction for Diesel Engine | |
Cheng et al. | Semi-supervised fault diagnosis for gearboxes: a novel method based on a hybrid classification network and weighted pseudo-labeling | |
Zhao et al. | Fault Diagnosis of Rolling Bearings based on GA-SVM model | |
Gao et al. | Construction method of turbine engine health indicator based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |