CN117992762B - 一种水冷式汽轮发电机定子绕组过热预警方法及装置 - Google Patents

一种水冷式汽轮发电机定子绕组过热预警方法及装置 Download PDF

Info

Publication number
CN117992762B
CN117992762B CN202410408622.1A CN202410408622A CN117992762B CN 117992762 B CN117992762 B CN 117992762B CN 202410408622 A CN202410408622 A CN 202410408622A CN 117992762 B CN117992762 B CN 117992762B
Authority
CN
China
Prior art keywords
node
sampling
nodes
variable
differential network
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.)
Active
Application number
CN202410408622.1A
Other languages
English (en)
Other versions
CN117992762A (zh
Inventor
方瑞明
曾思嘉
彭长青
杨玉磊
苏太育
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.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202410408622.1A priority Critical patent/CN117992762B/zh
Publication of CN117992762A publication Critical patent/CN117992762A/zh
Application granted granted Critical
Publication of CN117992762B publication Critical patent/CN117992762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • H02P29/64—Controlling or determining the temperature of the winding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Power Engineering (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种水冷式汽轮发电机定子绕组过热预警方法及装置，涉及数据处理领域，包括：获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络；计算得到当前采样时刻的特异性差分网络中各节点的局部得分；利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置，解决现有技术数据要求高、泛化能力差、计算成本高等问题。

Description

一种水冷式汽轮发电机定子绕组过热预警方法及装置
技术领域
本发明涉及数据处理领域，具体涉及一种水冷式汽轮发电机定子绕组过热预警方法及装置。
背景技术
大型汽轮发电机是发电厂重要的电气设备，发电机定子绕组内冷水系统堵塞造成的热故障是大型水内冷汽轮发电机的主要故障之一。随着人工智能技术的发展，使用实时数据作为训练样本的基于数据驱动的建模方法在发电机定子绕组热故障诊断方面得到广泛运用。早期研究采用BP神经网络对定子线圈出水口水温度和槽内测温计温度进行预测，经案例验证，其预测得的预测值与实际测量值间的误差能够作为判定是否存在故障的依据；也有学者建立了不同工况下定子绕组进出水温度水力模型，并通过BP神经网络进一步将统一的模型改进为适用于不同槽的精确模型；还有一些学者采用Levenberg-Marquardt的优化算法对BP神经网络进行改进，并用RBF神经网络对模型参数进行识别，解决了温度延迟时间对状态监测的影响，使热故障的早期发现更为及时。然而数据驱动方法存在一定的缺陷：
1）数据要求高：高度依赖于大量历史故障数据，而汽轮发电机由于其高可靠性，故障数据通常较少，这限制了模型的训练和准确性；
2）泛化能力：某些数据驱动模型只能在特定数据集上表现良好，在不同类型的数据上泛化性能不佳；
3）计算资源和成本高：数据驱动中复杂的机器学习算法需要大量的计算资源，导致了高昂的计算成本。
近年来，非线性系统动力学中的“临界相变”理论逐渐受到了关注。复杂系统演化到临界态时，控制参数或系统应力的微小变化都可能导致系统临界相变，引发灾难性事故的发生。在临界相变的理论研究中发现，发生临界相变前，在临界点附近系统会表现出临界慢化这一临界行为，并产生三个可能的预警信号：扰动恢复较慢、自相关性降低、方差增加。
为描述多变量复杂系统的临界相变动态特性，有学者提出的动态网络标志物(Dynamical Network Marker ,DNM)这一概念，并在生物，生态和金融系统方面证明了所提方法的有效性。在汽轮发电机定子绕组热故障诊断领域，金亮等人率先将DNM应用在定子绕组温度过热缺陷预警方面，并取得良好效果。但该方法需要使用聚类算法或其他启发式程序对网络关键节点进行筛选，计算成本高，泛化能力差。
发明内容
本申请的目的在于针对上述提到的技术问题提出一种水冷式汽轮发电机定子绕组过热预警方法及装置。
第一方面，本发明提供了一种水冷式汽轮发电机定子绕组过热预警方法，包括以下步骤：
获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络；
评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的特异性差分网络中各节点的局部得分；
利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；
计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置。
作为优选，预处理包括归一化处理。
作为优选，特异性差分网络的建立过程如下：
选取连续的k个采样时刻的预处理后的温度数据，并将其中的第i+1至第n+i个采样时刻的预处理后的温度数据作为窗口变量组，n表示窗口变量组中所包含的采样时刻的总数；
初始状态令i=0，将窗口变量组中任意两个不同槽口对应的第i+1至第n+i个采样时刻的预处理后的温度数据设为变量x和变量y，采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到，公式如下：
；
其中，和为窗口变量组中变量x和变量y的值，和分别为变量x和变量y在窗口变量组中的均值；
将第n+i+1个采样时刻的预处理后的温度数据添加到窗口变量组后，再次采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到；
采用下式计算变量x和变量y的特异性皮尔森相关系数：
；
其中，表示特异性皮尔森相关系数；
将每个变量映射为复杂网络的一个节点，将作为判断变量x和变量y之间是否存在边的依据，从而构建出第n+i+1个采样时刻的特异性差分网络。
作为优选，评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的特异性差分网络中各节点的局部得分，具体包括：
采用下式计算节点x以及其一阶邻域内所有的节点的差分表达偏差：
；
其中，表示特异性差分网络中与节点x有边相连的节点所构成的节点x的一阶邻域，表示一阶邻域中节点的个数，表示节点x的标准差，表示节点x的平均值，表示节点x的一阶领域中的节点y的标准差，表示节点y的平均值；
采用下式计算节点x以及其一阶邻域内所有的节点的平均特异性皮尔森相关系数：
；
采用下式计算节点x的一阶邻域的节点和二阶邻域的节点之间的平均特异性皮尔森相关系数：
；
其中，表示特异性差分网络中与节点x的一阶邻域中节点有边相连的节点所构成的节点x的二阶邻域，表示二阶邻域中节点的个数，x’表示一阶邻域中的节点x’，y’表示二阶邻域中的节点y’；
采用下式计算第n+i+1个采样时刻的特异性差分网络中的节点x的局部得分：
；
判断n+i+1是否等于k，若是则进入下一步骤，否则令i=i+1，重复以上步骤，得到第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分。
作为优选，利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图，具体包括：
将第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分放入三维坐标轴中，得到一个以X轴为槽口编号，Y轴为采样时刻，Z轴为局部得分的三维景观图。
作为优选，各采样时刻的特异性差分网络中各节点的局部得分的标准差的计算公式如下：
；
其中，表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的标准差；L为第l个采样时刻的特异性差分网络中的节点的个数；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的第j个节点的局部得分，；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的平均值。
作为优选，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置，具体包括：
在k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻随机抽取两个相邻的采样时刻构成一个采样时间组，在采样时间组中计算两个相邻的采样时刻对应的特异性差分网络中各节点的局部得分的标准差的偏差a，其中，；
响应于确定偏差a小于或等于阈值，则确定发电机处于正常运行状态；
响应于确定偏差a大于阈值，则确定发电机到达临界状态，生成预警信号，确定三维景观图中局部得分发生突然上升的槽口为检修的关键节点，结合检修结果确定局部得分发生突然上升的槽口是否为故障位置。
第二方面，本发明提供了一种水冷式汽轮发电机定子绕组过热预警装置，包括：
网络构建模块，被配置为获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络；
局部得分计算模块，被配置为评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的各节点的局部得分；
三维景观图绘制模块，被配置为利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；
故障分析模块，被配置为计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置。
第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明提出的水冷式汽轮发电机定子绕组过热预警方法利用待监测发电机DCS系统的实时监测数据，将预处理后的温度数据映射为特异性差分网络中的各个节点，从而判定出定子绕组的各槽口的温度数据从正常状态转变至异常状态中的临界状态的过程，不需要收集典型样本数据，数据容易获取。
（2）本发明提出的水冷式汽轮发电机定子绕组过热预警方法无需建立模型，计算成本低，泛化能力强，有助于对发电机进行早期缺陷预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本申请的实施例的水冷式汽轮发电机定子绕组过热预警方法的流程示意图；
图3和图4为本申请的实施例1的正常情况下不同采样时刻点各槽口的局部得分的标准差及标准差的偏差结果图；
图5为本申请的实施例1的正常情况下50个采样时刻点各槽口的三维景观图；
图6为本申请的实施例1的正常情况下50个采样时刻点各槽口的三维景观图的不同采样时刻点的局部得分的结果图，其中a表示采样时刻1的局部得分的结果图，b表示采样时刻31的局部得分的结果图；
图7和图8为本申请的实施例2的单槽故障情况下50个采样时刻点各槽口的局部得分的标准差及标准差的偏差结果图；
图9为本申请的实施例2的单槽故障情况下50个采样时刻点各槽口的三维景观图；
图10为本申请的实施例2的单槽故障情况下50个采样时刻点各槽口的三维景观图的不同采样时刻点的局部得分的结果图，其中a表示采样时刻1的局部得分的结果图，b表示采样时刻10的局部得分的结果图，c表示采样时刻30的局部得分的结果图，d表示采样时刻45的局部得分的结果图；
图11和图12为本申请的实施例3的多槽故障情况下50个采样时刻点各槽口的局部得分的标准差及标准差的偏差结果图；
图13为本申请的实施例3的多槽故障情况下50个采样时刻点各槽口的三维景观图；
图14为本申请的实施例3的多槽故障情况下50个采样时刻点各槽口的三维景观图的不同采样时刻点的局部得分的结果图，其中a表示采样时刻1的局部得分的结果图，b表示采样时刻9的局部得分的结果图，c表示采样时刻30的局部得分的结果图，d表示采样时刻45的局部得分的结果图；
图15为本申请的实施例的水冷式汽轮发电机定子绕组过热预警装置的示意图；
图16是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的水冷式汽轮发电机定子绕组过热预警方法或水冷式汽轮发电机定子绕组过热预警装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备一101、终端设备二102、终端设备三103，网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互，以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件，也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的水冷式汽轮发电机定子绕组过热预警方法可以由服务器105执行，也可以由终端设备一101、终端设备二102、终端设备三103执行，相应地，水冷式汽轮发电机定子绕组过热预警装置可以设置于服务器105中，也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种水冷式汽轮发电机定子绕组过热预警方法，包括以下步骤：
S1，获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络。
在具体的实施例中，预处理包括归一化处理。
在具体的实施例中，特异性差分网络的建立过程如下：
选取连续的k个采样时刻的预处理后的温度数据，并将其中的第i+1至第n+i个采样时刻的预处理后的温度数据作为窗口变量组，n表示窗口变量组中所包含的采样时刻的总数；
初始状态令i=0，将窗口变量组中任意两个不同槽口对应的第i+1至第n+i个采样时刻的预处理后的温度数据设为变量x和变量y，采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到，公式如下：
；
其中，和为窗口变量组中变量x和变量y的值，和分别为变量x和变量y在窗口变量组中的均值；
将第n+i+1个采样时刻的预处理后的温度数据添加到窗口变量组后，再次采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到；
采用下式计算变量x和变量y的特异性皮尔森相关系数：
；
其中，表示特异性皮尔森相关系数；
将每个变量映射为复杂网络的一个节点，将作为判断变量x和变量y之间是否存在边的依据，从而构建出第n+i+1个采样时刻的特异性差分网络。
具体的，利用发电机自身DCS系统中对于发电机定子绕组各槽口的温度监测节点获取到连续采样时刻的发电机定子绕组的各个槽口的温度数据，将定子绕组各槽口的温度数据映射为复杂网络中的各节点，温度数据需进行预处理，利用预处理后的温度数据，建立反映当前采样时刻的发电机定子绕组温升变化情况的特异性差分网络。
采用以下方式对温度数据进行归一化处理：
；
其中，Y为某个采样时刻对于发电机定子绕组某槽出水口的温度监测节点所得到的温度数据X对应的预处理后的温度数据，为某个采样时刻上的各个温度数据X的平均值，为某个采样时刻上的各个温度数据X的标准差。
选取k组连续采样时刻的发电机定子各槽口的预处理后的温度数据，取，将i作为后续检测流程完成的标志。将预处理后的温度数据中的第1+i至第n+i个（共n个）采样时刻的温度数据作为窗口变量组，其中，n表示提前确定的窗口变量组中所包含的采样时刻的总数。窗口变量组中任意两个不同槽口对应的变量x和变量y之间的相关性使用皮尔逊相关系数(pearson correlation coefficient，PCC)表示，记为。将第n+i+1个采样时刻的预处理后的温度数据添加到窗口变量组(共n+1组)后，计算变量x和变量y在加入新的采样时刻的预处理后的温度数据后所对应的皮尔逊相关系数，记为，变量x和变量y的和之间差异是由于在窗口变量组的基础上添加了新的一组变量，表征了新的窗口变量组与原来的窗口变量组之间的相关性。由此可以得出变量x和变量y的特异性皮尔逊相关系数 (specific pearson correlation coefficient，sPCC)，以符号表示。的计算公式即为差分方程，它表示当加入一组新变量之后，原来的窗口变量组中各变量之间的PCC值所发生的扰动。由于得出的PCC遵循正态分布，因此sPCC遵循差分正态分布。假设把每一个变量映射为特异性差分网络中的一个节点，的值作为判断节点x和节点y之间是否存在边的依据：对每一个sPCC值进行相关性检验，当置信度水平高于0.95，认为变量x和变量y之间存在差分边缘，即有边连接；反之则视为变量x和变量y之间不存在边。至此，已经构建出第n+i+1个采样时刻下的特异性差分网络(specific differential network，SDN)。
S2，评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的特异性差分网络中各节点的局部得分。
在具体的实施例中，步骤S2具体包括：
采用下式计算节点x以及其一阶邻域内所有的节点的差分表达偏差：
；
其中，表示特异性差分网络中与节点x有边相连的节点所构成的节点x的一阶邻域，表示一阶邻域中节点的个数，表示节点x的标准差，表示节点x的平均值，表示节点x的一阶领域中的节点y的标准差，表示节点y的平均值；
采用下式计算节点x以及其一阶邻域内所有的节点的平均特异性皮尔森相关系数：
；
采用下式计算节点x的一阶邻域的节点和二阶邻域的节点之间的平均特异性皮尔森相关系数：
；
其中，表示特异性差分网络中与节点x的一阶邻域中节点有边相连的节点所构成的节点x的二阶邻域，表示二阶邻域中节点的个数，x’表示一阶邻域中的节点x’，y’表示二阶邻域中的节点y’；
采用下式计算第n+i+1个采样时刻的特异性差分网络中的节点x的局部得分：
；
判断n+i+1是否等于k，若是则进入下一步骤，否则令i=i+1，重复以上步骤，得到第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分。
具体的，为了获得该采样时刻下的特异性差分网络（SDN）中的全景动态网络标志物(landscape dynamic network markers，L-DNM)，需要赋予特异性差分网络中每个节点一个局部得分。L-DNM的本质是一组相互作用的节点，当网络状态发展到临界状态附近时，它们出现3个特征：
1、组内节点的平均变异系数增大；
2、组内节点的相关性增大；
3、组内节点与组外节点的相关性减小。
因此需要构建的节点的局部得分指标，实际上就是量化上述L-DNM的3个特征。
具体来说，对于L-DNM的第一个特征使用节点x以及其一阶邻域内所有的节点(特异性差分网络中与节点x有边相连的变量构成节点x的一阶邻域)的差分表达偏差(specific differential expression deviation，SDED)来量化，以符号SDED表示。L-DNM的第二个特征用节点x和它的一阶邻域内的节点的sPCC值的平均值来量化，以符号表示。L-DNM的第三个特征，则考虑节点x的一阶邻域和二阶邻域的节点 (特异性差分网络中与节点x的一阶邻域中的变量有边相连的变量构成节点x的二阶邻域)之间的sPCC值的平均值，以符号表示。使用所得到的相关数值计算当前采样时刻下的特异性差分网络中各节点的局部得分(local DNM score，LDS)，以符号表示。对于每个节点都可以得到当前采样时刻下的相应的局部得分。同时，判断k是否等于n+i+1，以确定是否完成对k-n个采样时刻内的特异性差分网络中各节点相应的局部得分的计算。若不满足，令，返回步骤S1，继续得到不同采样时刻下的特异性差分网络中各节点的局部得分。若满足，则进入步骤S3。
S3，利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图。
在具体的实施例中，步骤S3具体包括：
将第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分放入三维坐标轴中，得到一个以X轴为槽口编号，Y轴为采样时刻，Z轴为局部得分的三维景观图。
具体的，建立一个X轴为槽口编号，Y轴为采样时刻，Z轴为局部得分的三维坐标轴，将多个采样时刻得到的特异性差分网络中各节点的局部得分放入三维坐标轴中，得到一个三维景观图。
S4，计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置。
在具体的实施例中，各采样时刻的特异性差分网络中各节点的局部得分的标准差的计算公式如下：
；
其中，表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的标准差；L为第l个采样时刻的特异性差分网络中的节点的个数；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的第j个节点的局部得分，；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的平均值。
在具体的实施例中，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置，具体包括：
在k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻随机抽取两个相邻的采样时刻构成一个采样时间组，在采样时间组中计算两个相邻的采样时刻对应的特异性差分网络中各节点的局部得分的标准差的偏差a，其中，；
响应于确定偏差a小于或等于阈值，则确定发电机处于正常运行状态；
响应于确定偏差a大于阈值，则确定发电机到达临界状态，生成预警信号，确定三维景观图中局部得分发生突然上升的槽口为检修的关键节点，结合检修结果确定局部得分发生突然上升的槽口是否为故障位置。
具体的，计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的的动态变化进行故障预警。具体的，以阈值为0.05作为示例，以两个相邻采样时刻构成一个采样时间组，在该组中，计算两个相邻采样时刻的的偏差a；若，表明各槽口的局部得分处于相对平稳的状态，判断发电机处于正常运行状态；若，表明某一个或多个槽口的局部得分突然上升，说明槽口的出水口温度出现了异常变化，发电机到达临界状态，此时发出预警信号；观察三维景观图，局部得分发生突然上升的槽口即为关键节点，可根据检修结果判断具体故障位置。
以上步骤S1-S4并不一定代表步骤之间的顺序，而是步骤符号表示，步骤间的顺序可调整。
下面通过具体的实施例进一步说明本申请的实施例的技术方案。
实施例1：正常情况。输入检修情况为正常运行状态的定子绕组各槽口温度的实时监测数据的60个采样点数据，以前10个采样点数据为窗口变量组，由图3-6可以看出，正常情况下，所有采样时间组中的偏差a均小于0.05，表明各槽口的局部得分处于相对平稳的状态，说明无异常情况，符合检修记录。
实施例2：单槽故障分析。输入检修数据类型为1号定子绕组槽口温度出现异常的情况的60个采样点数据，以前10个采样点数据为窗口变量组，由图7-8可知，第一组偏差大于0.05的采样时间组是第10组，可知第9个采样时间点与第10个采样时间点内的各变量的局部得分的标准差差异较大，表明第10个采样时间点内某一个或多个槽口的局部得分突然上升。
进一步由图9-10可知，图中的局部得分可以分为三类：第一类，42个槽口的局部得分基本稳定在的范围内；第二类，1号定子槽口温度的局部得分变化为所有数值中最高位，且远大于其他41个槽口；第三类，42个槽口的局部得分基本稳定在的范围内。它们分别对应着三个状态：正常状态、临界状态和故障状态。其中各槽口的局部得分在第10个采样时间点发生突变，一直持续到第32个采样时间点时，42个槽口的局部得分重新恢复稳定。在第10个采样时间点发出预警信号，比在第30个采样时间点（系统报警点）提前了200min预警。
实施例3：多槽故障分析。输入检修数据类型为5、10、18号定子绕组槽口的温度出现异常的情况的60个采样点数据，以前10个采样点数据为窗口变量组，由图11-12可知，第一组偏差大于0.05的采样时间组是第9组，可知第8个采样时间点与第9个采样时间点内的各变量的局部得分的标准差差异较大，表明第9个采样时间点内某一个或多个槽的局部得分突然上升。
由图13-14可知，各槽口的局部得分在第9个采样时间点发生突变，一直持续到第33个采样时间点时，42个槽口的局部得分重新恢复稳定。在第9个采样时间点发出预警信号，比第30个采样时间点（系统报警点）提前了210min预警。
以上实施例的分析结果表明，以两个相邻采样时间点构成一个采样时间组，在该组中，计算两个相邻采样时间点的标准差的偏差a，当发电机从正常状态进入临界状态时，该采样时间组内的偏差a与对应采样时间点的故障定子绕组槽口温度的局部得分会发生变化。当，表明各槽口的局部得分处于相对平稳的状态，判断发电机处于正常运行状态；若，表明某一个或多个槽口的局部得分突然上升，说明某一个或多个槽口的出水口温度出现了异常变化，发电机到达临界状态，发生变化的槽口即为关键变量，而发生变化的采样时间点表示发电机在该时间由正常状态转化为临界状态，此时发出预警信号；由临界状态转换至故障状态后，各槽口的局部得分重新回到相对平稳的状态。本申请的实施例提出的水冷式汽轮发电机定子绕组过热预警方法能够在故障出现前发出预警信号，对运行状态变化的临界进行定时定点的检测，验证了其具有一定的工程实用价值。
进一步参考图15，作为对上述各图所示方法的实现，本申请提供了一种水冷式汽轮发电机定子绕组过热预警装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种水冷式汽轮发电机定子绕组过热预警装置，包括：
网络构建模块1，被配置为获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络；
局部得分计算模块2，被配置为评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的各节点的局部得分；
三维景观图绘制模块3，被配置为利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；
故障分析模块4，被配置为计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置。
下面参考图16，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置1600的结构示意图。图16示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图16所示，计算机装置1600包括中央处理单元（CPU）1601和图形处理器（GPU）1602，其可以根据存储在只读存储器（ROM）1603中的程序或者从存储部分1609加载到随机访问存储器（RAM）1604中的程序而执行各种适当的动作和处理。在RAM 1604中，还存储有计算机装置1600操作所需的各种程序和数据。CPU 1601、GPU1602、ROM 1603以及RAM 1604通过总线1605彼此相连。输入/输出（I/O）接口1606也连接至总线1605。
以下部件连接至I/O接口1606：包括键盘、鼠标等的输入部分1607；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分1608；包括硬盘等的存储部分1609；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1610。通信部分1610经由诸如因特网的网络执行通信处理。驱动器1611也可以根据需要连接至I/O接口1606。可拆卸介质1612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1611上，以便于从其上读出的计算机程序根据需要被安装入存储部分1609。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1610从网络上被下载和安装，和/或从可拆卸介质1612被安装。在该计算机程序被中央处理单元（CPU）1601和图形处理器（GPU）1602执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于预处理后的温度数据建立当前采样时刻的特异性差分网络；评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的特异性差分网络中各节点的局部得分；利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据三维景观图中各节点的局部得分情况确定故障位置。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种水冷式汽轮发电机定子绕组过热预警方法，其特征在于，包括以下步骤：
获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于所述预处理后的温度数据建立当前采样时刻的特异性差分网络，所述特异性差分网络的建立过程如下：
选取连续的k个采样时刻的所述预处理后的温度数据，并将其中的第i+1至第n+i个采样时刻的预处理后的温度数据作为窗口变量组，n表示所述窗口变量组中所包含的采样时刻的总数；
初始状态令i＝0，将所述窗口变量组中任意两个不同槽口对应的第i+1至第n+i个采样时刻的预处理后的温度数据设为变量x和变量y，采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到PCCn(x，y)，公式如下：
其中，xi+1和yi+1为所述窗口变量组中变量x和变量y的值，和分别为变量x和变量y在所述窗口变量组中的均值；
将第n+i+1个采样时刻的预处理后的温度数据添加到所述窗口变量组后，再次采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到PCCn+1(x，y)；
采用下式计算变量x和变量y的特异性皮尔森相关系数：
sPPCn(x，y)＝PCCn+1(x，y)-PCCn(x，y)；
其中，sPCCn(x，y)表示特异性皮尔森相关系数；
将每个变量映射为复杂网络的一个节点，将sPCCn(x，y)作为判断变量x和变量y之间是否存在边的依据，从而构建出第n+i+1个采样时刻的特异性差分网络；
评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的特异性差分网络中各节点的局部得分，具体包括：
采用下式计算节点x以及其一阶邻域内所有的节点的差分表达偏差：
其中，Nx表示所述特异性差分网络中与节点x有边相连的节点所构成的节点x的一阶邻域，nx表示所述一阶邻域中节点的个数，σx表示节点x的标准差，μx表示节点x的平均值，σy表示节点x的一阶领域中的节点y的标准差，μy表示节点y的平均值；
采用下式计算节点x以及其一阶邻域内所有的节点的平均特异性皮尔森相关系数SDPCCin：
采用下式计算节点x的一阶邻域的节点和二阶邻域的节点之间的平均特异性皮尔森相关系数SDPCCout：
其中，Mx表示所述特异性差分网络中与节点x的一阶邻域中节点有边相连的节点所构成的节点x的二阶邻域，mx表示所述二阶邻域中节点的个数，x’表示所述一阶邻域中的节点，y’表示所述二阶邻域中的节点；
采用下式计算第n+i+1个采样时刻的特异性差分网络中的节点x的局部得分LDS(x)：
判断n+i+1是否等于k，若是则进入下一步骤，否则令i＝i+1，重复以上步骤，得到第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分；
利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；
计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，计算公式如下：
其中，表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的标准差；L为第l个采样时刻的特异性差分网络中的节点的个数；LDSl(j)表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的第j个节点的局部得分，j＝1，2，3，…，L；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的平均值，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据所述三维景观图中各节点的局部得分情况确定故障位置。
2.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法，其特征在于，所述预处理包括归一化处理。
3.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法，其特征在于，所述利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图，具体包括：
将第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分放入三维坐标轴中，得到一个以X轴为槽口编号，Y轴为采样时刻，Z轴为局部得分的三维景观图。
4.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法，其特征在于，所述根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据所述三维景观图中各节点的局部得分情况确定故障位置，具体包括：
在k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻随机抽取两个相邻的采样时刻构成一个采样时间组，在所述采样时间组中计算两个相邻的采样时刻对应的特异性差分网络中各节点的局部得分的标准差的偏差a，其中，
响应于确定所述偏差a小于或等于阈值，则确定所述发电机处于正常运行状态；
响应于确定所述偏差a大于阈值，则确定所述发电机到达临界状态，生成预警信号，确定所述三维景观图中所述局部得分发生突然上升的槽口为检修的关键节点，结合检修结果确定所述局部得分发生突然上升的槽口是否为所述故障位置。
5.一种水冷式汽轮发电机定子绕组过热预警装置，其特征在于，包括：
网络构建模块，被配置为获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理，得到预处理后的温度数据，基于所述预处理后的温度数据建立当前采样时刻的特异性差分网络，所述特异性差分网络的建立过程如下：
选取连续的k个采样时刻的所述预处理后的温度数据，并将其中的第i+1至第n+i个采样时刻的预处理后的温度数据作为窗口变量组，n表示所述窗口变量组中所包含的采样时刻的总数；
初始状态令i＝0，将所述窗口变量组中任意两个不同槽口对应的第i+1至第n+i个采样时刻的预处理后的温度数据设为变量x和变量y，采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到PCCn(x，y)，公式如下：
其中，xi+1和yi+1为所述窗口变量组中变量x和变量y的值，和分别为变量x和变量y在所述窗口变量组中的均值；
将第n+i+1个采样时刻的预处理后的温度数据添加到所述窗口变量组后，再次采用皮尔逊相关系数计算变量x和变量y之间的相关性，得到PCCn+1(x，y)；
采用下式计算变量x和变量y的特异性皮尔森相关系数：
sPPCn(x，y)＝PCCn+1(x，y)-PCCn(x，y)；
其中，sPCCn(x，y)表示特异性皮尔森相关系数；
将每个变量映射为复杂网络的一个节点，将sPCCn(x，y)作为判断变量x和变量y之间是否存在边的依据，从而构建出第n+i+1个采样时刻的特异性差分网络；
局部得分计算模块，被配置为评估当前采样时刻的特异性差分网络中各节点的偏差和相关性，并计算得到当前采样时刻的各节点的局部得分，具体包括：
采用下式计算节点x以及其一阶邻域内所有的节点的差分表达偏差：
其中，Nx表示所述特异性差分网络中与节点x有边相连的节点所构成的节点x的一阶邻域，nx表示所述一阶邻域中节点的个数，σx表示节点x的标准差，μx表示节点x的平均值，σy表示节点x的一阶领域中的节点y的标准差，μy表示节点y的平均值；
采用下式计算节点x以及其一阶邻域内所有的节点的平均特异性皮尔森相关系数SDPCCin：
采用下式计算节点x的一阶邻域的节点和二阶邻域的节点之间的平均特异性皮尔森相关系数SDPCCout：
其中，Mx表示所述特异性差分网络中与节点x的一阶邻域中节点有边相连的节点所构成的节点x的二阶邻域，mx表示所述二阶邻域中节点的个数，x’表示所述一阶邻域中的节点，y’表示所述二阶邻域中的节点；
采用下式计算第n+i+1个采样时刻的特异性差分网络中的节点x的局部得分LDS(x)：
判断n+i+1是否等于k，若是则进入下一步骤，否则令i＝i+1，重复以上步骤，得到第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分；
三维景观图绘制模块，被配置为利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图；
故障分析模块，被配置为计算各采样时刻的特异性差分网络中各节点的局部得分的标准差，计算公式如下：
其中，表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的标准差；L为第l个采样时刻的特异性差分网络中的节点的个数；LDSl(j)表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的第j个节点的局部得分，j＝1，2，3，…，L；表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的平均值，根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警，根据所述三维景观图中各节点的局部得分情况确定故障位置。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一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，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202410408622.1A 2024-04-07 2024-04-07 一种水冷式汽轮发电机定子绕组过热预警方法及装置 Active CN117992762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410408622.1A CN117992762B (zh) 2024-04-07 2024-04-07 一种水冷式汽轮发电机定子绕组过热预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410408622.1A CN117992762B (zh) 2024-04-07 2024-04-07 一种水冷式汽轮发电机定子绕组过热预警方法及装置

Publications (2)

Publication Number Publication Date
CN117992762A CN117992762A (zh) 2024-05-07
CN117992762B true CN117992762B (zh) 2024-07-02

Family

ID=90887837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410408622.1A Active CN117992762B (zh) 2024-04-07 2024-04-07 一种水冷式汽轮发电机定子绕组过热预警方法及装置

Country Status (1)

Country Link
CN (1) CN117992762B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3011985A1 (en) * 2016-02-03 2017-08-31 General Electric Company Systems and methods for monitoring and diagnosing transformer health
CN117435936A (zh) * 2023-10-19 2024-01-23 华侨大学 一种水冷式汽轮发电机冷却水温预警方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3305698A (en) * 1963-09-16 1967-02-21 Motorola Inc Electric motor overheating protection circuit
US4698756A (en) * 1985-07-16 1987-10-06 Westinghouse Electric Corp. Generator stator winding diagnostic system
DE202016103713U1 (de) * 2016-07-11 2016-08-08 Ebm-Papst Mulfingen Gmbh & Co. Kg Überwachung des Betriebszustandes von Synchronmotoren
CN113158535A (zh) * 2020-12-24 2021-07-23 湖南科技大学 一种基于深度学习的风电机组主轴承温度预测方法
CN112861350B (zh) * 2021-02-08 2023-03-07 华侨大学 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法
CN115859092B (zh) * 2022-12-01 2023-11-17 南京天洑软件有限公司 一种基于主成分分解的发电机绕组温度预警方法及装置
CN117212055A (zh) * 2023-09-25 2023-12-12 武汉盈风能源科技有限公司 一种风力发电系统及发电机绕组的异常识别预警方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3011985A1 (en) * 2016-02-03 2017-08-31 General Electric Company Systems and methods for monitoring and diagnosing transformer health
CN117435936A (zh) * 2023-10-19 2024-01-23 华侨大学 一种水冷式汽轮发电机冷却水温预警方法

Also Published As

Publication number Publication date
CN117992762A (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
Liu et al. A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets
de N Santos et al. Long-term fatigue estimation on offshore wind turbines interface loads through loss function physics-guided learning of neural networks
CN117992859B (zh) 配备scada系统的机电装备早期故障预警与辨识方法及装置
US11480956B2 (en) Computing an explainable event horizon estimate
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
Tang et al. Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation
CN113742993A (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
CN114254904B (zh) 一种风电机组机舱运行健康度评价方法及装置
CN115296933A (zh) 一种工业生产数据风险等级评估方法及系统
CN114444821A (zh) 面向电力物联网的集成学习负荷预测方法、系统及介质
Mahmoud et al. Designing and prototyping the architecture of a digital twin for wind turbine
CN117992762B (zh) 一种水冷式汽轮发电机定子绕组过热预警方法及装置
Dao et al. Operational condition monitoring of wind turbines using cointegration method
CN116311829B (zh) 一种数据机房远程报警方法及装置
CN110930024A (zh) 一种基于贝叶斯网络的深海应急态势智能分析系统及方法
Ma et al. A fault prediction framework for Doubly‐fed induction generator under time‐varying operating conditions driven by digital twin
CN116089891A (zh) 一种诊断桩基结构的安全状况的方法及系统
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN115456168A (zh) 强化学习模型的训练方法、能耗确定方法和装置
Deng et al. An intelligent hybrid deep learning model for rolling bearing remaining useful life prediction
CN115360704A (zh) 海上风电的出力预测方法、装置、设备及存储介质
CN113806172A (zh) 一种处理设备状态参数的方法、装置、电子设备及存储介质
Azhar et al. Transient Stability Detection Using CNN-LSTM Considering Time Frame of Observation
CN117763313B (zh) 基于时间网络流熵法的风力发电机预警和辨识方法及装置
Han et al. Novel condition monitoring method for wind turbines based on the adaptive multivariate control charts and SCADA data

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