一种水轮发电机组导轴承温度趋势监测的方法与流程

本发明涉及水轮发电机组安全监控领域，具体涉及一种水轮发电机组导轴承温度趋势监测的方法。

背景技术：

1、水轮发电机组是指以水轮机为原动机将水能转化为电能的发电机，是水电站生产电能的主要动力设备，水轮发电机组一般在发电机轴上、下端位置设计有导轴承和推力轴承，用以承受发电机组全部转动部件的轴向载荷以及径向摆动，水轮发电机组在工作时，轴承的温度以及振动幅度会出现异常情况，现有的状态监测系统仅仅能在水轮发电机组轴承发生故障时发出警报，无法实现发现潜在故障源，不能分析故障产生的原因，也并不能给出维修策略。

2、当前大型水力发电厂水轮发电机各部轴承瓦温度监测多在监控系统侧进行(或故障诊断系统)，按设定阈值进行报警，该报警方法距离保护动作温度相差不大，而且每台机组设定值相同，当报警发出以后通常意味着设备故障已经发生。本方法利用大量的历史数据进行机器学习，形成冷却水温、上导瓦温度的函数关系，当实际温度偏离预测值(相当于可变阈值)进行告警，这样将提前告知当前的上导瓦温度已经劣化，需要引起注意。

3、现有的水轮机组温度监测数据分析算法中，固定阈值是以最高温度为告警上限，例如上导轴瓦是65摄氏度，推理轴瓦是50摄氏度。当测点温度值低于固定阈值时候，但温度变化异常不能被有效识别。温升阶段和平稳运行的温度具有不同特点，常规的预测算法模型忽视这些特点，对温升阶段和平稳运行阶段的预测准确度不能同时很好。

4、中国专利公开号cn114412685a，公开日2022年4月29日，发明创造的名称为一种水轮发电机组轴承温度分析与异常监测方法，该方案公开了一种水轮发电机组轴承温度分析与异常监测方法，其不足之处便是不能有效预测水轮发电机组的温度趋势，温度变化异常不能有效识别，对温升阶段和平稳运行阶段的预测准确度不好，异常监测效率不够高。

技术实现思路

1、本发明解决了现有水轮发电机组的数据分析算法中不能有效识别温度变化异常，对温升阶段和平稳运行阶段的温度预测不够准确的问题，提供了一种水轮发电机组导轴承温度趋势监测的方法。

2、为了实现上述发明目的，本发明采取以下技术方案：

3、一种水轮发电机组导轴承温度趋势监测的方法，包括以下步骤：

4、s1、采集水轮发电机组的运行数据，建立水轮发电机组的数据预处理模块；

5、s2、根据水轮发电机组数据特征，建立水轮发电机组的特征构建模块；

6、s3、建立水轮发电机组的温度趋势预测算法模型，对水轮机组进行温度趋势预测。

7、所述水轮发电机组导轴承温度趋势监测方法，还包括步骤s4、建立水轮发电机组的温度异常监测模型。

8、在本发明中，通过采集水轮发电机组的运行数据，利用数据预处理模块对采集到的数据进行数据预处理用以保证运行数据的准确性和可靠性；对预处理后的数据提取有用的水轮发电机组的有用特征，建立特征构建模块；基于水轮发电机组历史工况数据和数据特征，建立温度趋势预测算法模型，通过模型训练识别机组的正常运行状态和异常状态；再根据温度趋势预测算法模型对机组的运行状态进行温度趋势预测；得到的温度趋势预测结果，利用温度异常监测模型进行判定是否为异常。本方案在温度预测上结合了机器学习技术，根据历史温度数据和预测温度曲线计算动态阈值区间，改进了温度的固定阈值，使得水轮发电机组的温度监测实践中监测效率提高，错误率减少，比原有的温度监测算法速度更快、准确度更高。

9、作为优选，所述步骤s1中，水轮发电机组数据预处理模块采用箱型图方式对采集的异常运行数据和相关缺失值数据，进行运行数据的预处理。

10、在本发明中，通过采用箱型图的方式对数据进行预处理能提供一种直观的方式来呈现数据的分布情况，包括中心趋势(中位数)、分散程度(四分位距)以及离群值(异常值)；通过查看箱型图的“须”或“尾”，可以很容易地发现超出正常范围的数据点。这些异常值可能是因为测量错误、输入错误或其他原因产生的，需要在进一步分析之前进行处理；箱型图还可以揭示数据的偏斜程度。

11、如果箱型图的上下边缘不均匀或者“须”特别长，这可能是数据分布非对称的标志；基于箱型图中观察到的特征，可以决定是否需要进行数据清洗(如删除异常值或对其进行插值替换)，或者数据转换(如使用对数变换来调整偏斜分布)。

12、当在多个箱型图之间进行比较时，可以帮助理解不同类别或条件下的数据分布是否有显著差异。

13、根据数据预处理模块处理水轮发电机组异常运行数据，公示表示为：upperlimit＝q3+1.5iqr＝75％分位数+(75％分位数-25％分位数)*1.5；

14、lowerlimit＝q1－1.5iqr＝25％分位数-(75％分位数-25％分位数)*1.5；

15、其中，upperlimit为水轮发电机组数据分布的上限，lowerlimit为水轮发电机组数据分布的下限。

16、在本发明中，水轮发电机组中缺失值的处理采用一个真实值或者后一个真实值填充的方式进行缺失值的填充。

17、作为优选，所述步骤s2进一步表示为：

18、从预处理过后的运行数据中提取水轮发电机组中的数据特征；根据提取后的各种数据特征，对数据特征进行区分别类；通过不同类别的数据特征，建立水轮发电机组的特征构建模块。

19、在本发明中，水轮发电机组的数据特征包括业务特征和统计特征，所述统计特征分别为天统计值、周统计值、月统计值、季度统计值；所述业务特征分别为温度数据、发电机无功功率、推力上导冷却器供水管流量、水导润滑水管流量、电厂水头、下导冷却器供水管流量、发电机有功功率、水导主用水管流量、空冷器供水管流量。

20、作为优选，所述步骤s3进一步表示为：

21、基于水轮发电机组历史工况数据和数据特征，建立温度趋势预测算法模型；运行温度趋势预测算法模型，收集水轮发电机组实时工作状态数据；通过温度趋势预测算法模型对未来一段时间内水轮发电机组的温度趋势进行预测。

22、在本发明中，通过温度趋势预测算法模型对水轮发电机组的温度趋势进行预测有助于提供设备运行效率和温度性，降低运营成本。通过提前预测可能的过热情况，可以安排及时的维护工作，在潜在故障发生之前对其进行修复，这减少了意外停机的风险，保持了电力生产的连续性和可靠性；监控和管理发电机的温度可以帮助减少因过热引起的机械应力和电气绝缘劣化，从而延长设备的使用寿命，优化设备性能。

23、准确的温度预测能够帮助电厂管理者采取适当的预防措施，确保设施的安全；通过预防性的温度管理，可以减少非计划性的大修，降低维修成本，并保持整体的生产效率。

24、温度趋势预测算法模型采用了随机森林算法进行模型构建。

25、在本发明中，随机森林算法是基于构造的特征，不断的切割特征空间，使得最后特征空间内的y值的方差最小，然后再基于这样训练得到的模型去预测未来，通过此种方式构建本发明中的温度趋势预测算法模型。随机森林算法通过集成多个决策树的预测结果来提高整体模型的准确性。由于它们使用不同的子集来训练每棵树，因此降低了单个模型可能出现的偏差。

26、随机森林算法天生具有抵抗过拟合的能力，加上引入了随机性，使得模型不会过于复杂化，易于理解和解释；随机森林算法可以在构建过程中评估每个特征的重要性，这对于探索大量特征的数据集来说非常有用。

27、随机森林算法可以优雅地处理缺失值，无需复杂的预处理步骤，具备并行化能力，适用于大规模的数据集，可以处理多种类型的数据。

28、作为优选，温度趋势预测算法模型采用热量平衡方程进行温度趋势预测。利用最小二乘法估算热量平衡方程中的两个核心参数；所述两个核心参数分别是发热时间长度和平稳时刻的温度。

29、在本发明中，结合热量平衡方程的物理模型特点对温度数据分析，对进行温度预测能够有效获得水轮发电机组的温度变化，帮助机组人员更直观的了解到机组的能量流动和温度变化，方便指导机组人员监测应对异常事件。

30、作为优选，所述步骤s4进一步表示为：

31、基于温度趋势预测结果，建立温度异常监测模型；构建温度趋势预测结果的上限和下限；通过温度异常监测模型，判定温度预测结果是否异常。

32、在本发明中，温度异常监测模型中设置有数据集误差计算机制，所述数据集误差计算机制利用温度趋势预测结果的上限和下限，计算数据集的误差，具体表达式为：

33、

34、式中，coefficient：系数，表示温度预测值上限以及下限的正常偏离范围；error：温度预测值和温度测量值的差值；real：温度测量值；len(real)：真实温度值的长度。

35、计算训练集的误差分布，乘以超参数z，计算出coefficient。超参数z，可以调节整体的误差程度，一般取值经验值，可以按照机组和部位的温度分布统计情况来做调整。

36、在本发明中，对水轮发电机组进行温度异常监测能确保机组的安全高效运行并防止潜在的重大经济损失。通过持续监测机组各部分(如水导等轴瓦)的温度，可以发现早期预警信号，允许工作人员提前计划维护工作，避免因意外故障造成的非计划停机；进行温度监测能够设定阈值，在温度接近临界点时触发警报，从而避免严重的设备损伤。

37、适当的工作温度有助于保持设备的良好工作状态，从而延长其使用寿命。通过温度监控，操作员可以调整操作条件以维持最佳温度范围，预防性维护和减少灾难性故障，温度监测有助于降低维修和更换部件的成本，同时也能减少因意外停机导致的生产损失。

38、本发明的有益效果为：一种水轮发电机组导轴承温度趋势监测的方法，通过采集水轮发电机组的运行数据，利用数据预处理模块对采集到的数据进行数据预处理；对预处理后的数据提取有用的水轮发电机组的有用特征，建立特征构建模块；基于水轮发电机组历史工况数据和数据特征，建立温度趋势预测算法模型，通过模型训练识别机组的正常运行状态和异常状态；再根据温度趋势预测算法模型对机组的运行状态进行温度趋势预测；得到的温度趋势预测结果，利用温度异常监测模型进行判定是否为异常。

39、本方案在温度预测上结合了机器学习技术，根据历史温度数据和预测温度曲线计算动态阈值区间，改进了温度的固定阈值，使得水轮发电机组的温度监测实践中监测效率提高，错误率减少，比原有的温度监测算法速度更快、准确度更高。

40、同时，对温升阶段和平稳运行阶段的预测准确度很高，兼顾考虑到了温升阶段和平稳运行的温度具有不同特点情况；并且通过改进固定阈值能有效识别温度变化异常，使得温度监测更加灵敏。