一种工业互联网的水电厂机组开停机故障监测方法及系统与流程

本发明涉及故障监测的，具体为一种工业互联网的水电厂机组开停机故障监测方法及系统。

背景技术：

1、在目前新型电力系统中，风光等新能源发电占比不断提升，大型水电机组因其特有的响应快、调节快等特点逐渐转变为调峰调频电站，对电网的稳定发挥更为重要的作用，大型的水电厂自投运以来已承担了大量的调峰任务，并且在未来将面临更加频繁和更大深度的调峰调频任务，机组频繁开停机成为常态，而开停机成功率是水电站安全、可靠、经济运行的重要指标。

2、目前，在开停机故障监测中，提出应用人工神经元网络同时进行开停机决策，利用hopfield_tank型及chua-lin型人工神经元网络结合的方法用来求解机组开停机决策，其求解的方法在不同程度上取得了成功，然而该方法仅适于在按时同顺序执行的计算机上计算，其缺点是求解时间长，且不能保证计算能收敛；

3、ioannis kougias、george aggidis等采用蜗壳压力应作为启动过程分析的重要评价指标，利用水轮机特性的非线性数学模型，计算分析了水力发电机组启动瞬态过程，以寻求蜗壳压力的变化规律，以某具有长抽水隧道的水电站为例，为探讨蜗壳压力的影响因素，还对管道的启动策略、启动工况和特性进行了敏感性分析，该方法分析内容比较聚焦，内容相对局限。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明提供了一种工业互联网的水电厂机组开停机故障监测方法，通过采用递归特征消除法，实现了对抽取的数据特征的有效处理，保留了对目标变量预测具有贡献的特征，同时减少了冗余和噪声特征的干扰，提高了数据分析的准确性和效率；通过构建数据分析模型，实现了对水电厂机组开停机影响因素的深入分析，确定了机组关停机的影响因素，为故障监测提供了重要的参考依据。

3、为解决上述技术问题，本发明提供如下技术方案：一种工业互联网的水电厂机组开停机故障监测方法，包括以下步骤，

4、基于水电厂机组的主控终端完成数据特征抽取；

5、利用递归特征消除法对抽取的数据特征进行处理；

6、将处理后的数据特征作为数据输入，完成水电厂机组开停机影响因素分析；

7、基于分析结果，完成水电厂机组开停机故障实时监测。

8、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述利用递归特征消除法对抽取的数据特征进行处理是利用递归特征消除法对抽取的数据特征进行处理，以便能够保留对目标变量预测具有贡献的特征，同时减少冗余和噪声特征的干扰，所述递归特征消除法是通过反复迭代剔除最不重要的特征，逐步降低特征子集的维度，直到达到预定的目标特征数量，具体实现过程如下：

9、用提取的数据特征训练搭建好的线性模型，并计算出每个特征在线性模型中的重要性得分，并根据计算出来的特征重要性得分对特征进行排序，从排序中选择出得分最低的若干个特征作为剔除的特征，然后将剩余的数据特征重新训练线性模型，并计算新的数据特征的特征重要性得分，并根据新计算的特征重要性得分进行排序，对于新的排序，若特征数量达到预设的目标，则表示对抽取的数据特征处理完毕，若特征数量未到达预设的目标，则表示对抽取的数据处理未完成，返回根据计算出来的特征重要性得分对特征进行排序，并从排序中选择出得分最低的若干个特征作为剔除的特征，直到剩余的特征数据达到预设的目标为止。

10、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述计算出每个特征在线性模型中的重要性得分是根据线性模型评估函数进行计算的，具体计算如下：

11、f(x)＝α0+α1x1+α2x2+...+αnxn

12、其中，αi表示特征数据xi的系数，xi表示第i个特征数据，n表示参与训练的特征数据的总数量，f(x)表示特征数据在线性模型中的重要性得分；

13、所述预设的目标是针对线性模型评估函数的计算中，将水电厂机组正常运行时的特征数据进行训练，计算出的重要性得分作为预设目标，具体如下：

14、f′(x)＝β0+β1x1′+β2x′2+...+βnx′n′

15、其中，βi表示特征数据xi′的系数，xi′表示正常运行时第i个特征数据，n′表示满足预设目标的特征数量，f′(x)表示特征数据在线性模型中的预设的目标得分。

16、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述根据新计算的特征重要性得分进行排序是针对经过第一次特征剔除之后，对剩下的特征数据进行重新排序，针对新的排序，选择其中特征的重要性得分与预设的目标进行比对，

17、当选择出的特征的重要性得分f(x)满足预设的目标f′(x)时，对比各自特征数量，具体对比规则如下：

18、当特征数量对比满足公式n≤n′时，表示对抽取的数据特征处理完毕；

19、当特征数量对比满足公式n＞n′时，表示对抽取的数据特征处理未完成，当前数据特征的剔除不完全，需要对抽取的数据特征进行二次剔除，直到对比满足公式n≤n′为止，则表示对抽取的数据特征处理完毕；

20、当选择出的特征的重要性得分f(x)不满足预设的目标f′(x)时，则表示特征的剔除不完全，需要重新剔除选择出来的特征，直到选择出来的特征的重要性得分f(x)满足预设的目标f′(x)为止。

21、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述完成水电厂机组开停机影响因素分析是通过构建数据分析模型进行的，所述数据分析模型是将处理后的数据特征作为模型的数据输入量，并根据数据输入，对水电厂机组开停机影响因素进行分析，所述数据分析模型是通过输入处理后的数据特征，对水电厂机组开停机时的运行数据进行分析，进而确定水电厂机组关停机的影响因素，所述处理后的数据特征包括，轴瓦维度、振动摆度、流量以及油位，所述对水电厂机组开停机时的运行数据进行分析是通过模型分析算法对数据特征进行分析，所述模型分析算法包括，皮尔森相关系数法以及卡方检验法；

22、所述皮尔森相关系数法是通过计算两个连续变量之间的线性相关性，根据计算的线性相关性系数判断该数据特征是否是水电厂机组开停机影响因素，具体判断如下：

23、根据线性相关性公式计算出皮尔森相关系数，具体计算公式如下：

24、

25、-1≤γxy≤1

26、其中，x表示输入至数据分析模型中的数据特征，表示输入至数据分析模型中的数据特征的均值，y表示水电厂机组正常开停机时的状态数据，y表示水电厂机组正常开停机时的状态数据的均值，γxy表示皮尔森相关系数。

27、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述根据计算的线性相关性系数判断该数据特征是否是水电厂机组开停机影响因素是通过改变输入至数据分析模型中的数据特征，并根据计算的皮尔森相关系数进行判断的，具体判断如下：

28、当计算的皮尔森相关系数满足公式γxy＝-1表示当前输入至数据分析模型中的数据特征与水电厂机组开停机呈负相关线性关系，也即当前数据特征与水电厂机组的开停机状态负相关；

29、当计算的皮尔森相关系数满足公式γxy＝0表示当前输入至数据分析模型中的数据特征与水电厂机组开停机没有线性关系，也即当前数据特征不影响水电厂机组的开停机；

30、当计算的皮尔森相关系数满足公式γxy＝1表示当前输入至数据分析模型中的数据特征与水电厂机组开停机呈正相关线性关系，也即当前数据特征与水电厂机组的开停机状态正相关。

31、作为本发明所述一种工业互联网的水电厂机组开停机故障监测方法的一种优选方案，其中：所述卡方检验法是通过计算输入至数据分析模型中的数据特征与水电厂机组正常运行状态数据之间的偏离程度，根据计算出来的卡方值来判断数据特征与水电厂机组开停机之间的独立性，进而完成水电厂机组开停机的影响因素的分析，具体分析过程如下：

32、所述计算输入至数据分析模型中的数据特征与水电厂机组正常运行状态数据之间的偏离程度的具体计算公式如下：

33、

34、其中，x表示输入至数据分析模型中的数据特征，表示输入至数据分析模型中的数据特征的均值，σx表示输入至数据分析模型中的数据特征的标准差，y表示水电厂机组正常开停机时的状态数据，y表示水电厂机组正常开停机时的状态数据的均值，σy表示水电厂机组正常开停机时的状态数据的标准差，ρxy表示计算出来的卡方值。

35、本发明的另外一个目的是提供一种工业互联网的水电厂机组开停机故障监测系统，其能通过采用皮尔森相关系数法，实现了对数据特征之间线性相关性的准确计算，为判断数据特征是否是水电厂机组开停机影响因素提供了有效的手段；通过根据特征重要性得分进行特征排序和剔除，实现了对特征数量的有效控制，保证了数据特征处理的效率和精度，为故障监测提供了更加准确和可靠的数据支持。

36、作为本发明所述一种工业互联网的水电厂机组开停机故障监测系统的一种优选方案，其中：包括，数据特征抽取模块，数据处理模块，数据分析模块以及故障实时监测模块，

37、所述数据特征抽取模块，用于收集水电厂机组开停机相关数据特征；

38、所述数据处理模块，用于对收集的数据特征进行数据处理；

39、所述数据分析模块，用于对水电厂机组开停机影响因素进行相关性分析；

40、所述故障实时监测模块，用于对水电厂机组开停机进行实时故障监测。

41、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工业互联网的水电厂机组开停机故障监测方法的步骤。

42、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工业互联网的水电厂机组开停机故障监测方法的步骤。

43、本发明的有益效果：本发明通过采用递归特征消除法，实现了对抽取的数据特征的有效处理，保留了对目标变量预测具有贡献的特征，同时减少了冗余和噪声特征的干扰，提高了数据分析的准确性和效率；通过构建数据分析模型，实现了对水电厂机组开停机影响因素的深入分析，确定了机组关停机的影响因素，为故障监测提供了重要的参考依据；通过采用皮尔森相关系数法，实现了对数据特征之间线性相关性的准确计算，为判断数据特征是否是水电厂机组开停机影响因素提供了有效的手段；通过根据特征重要性得分进行特征排序和剔除，实现了对特征数量的有效控制，保证了数据特征处理的效率和精度，为故障监测提供了更加准确和可靠的数据支持。