技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种水轮发电机组瓦温的预警方法、系统及存储介质与流程  >  正文

一种水轮发电机组瓦温的预警方法、系统及存储介质与流程

  • 国知局
  • 2024-09-11 14:51:41

本发明涉及水力发电,尤其涉及一种水轮发电机组瓦温的预警方法、系统及存储介质。

背景技术:

1、随着自动化、信息化技术在电力行业的推广,水电站积累了大量的设备运行、监测、检修以及事故数据等,在这些海量数据的背后隐含的信息,对提高电站设备运行的经济性、安全性和可靠性有着积极的指导意义,及时调整运行方式和检修计划,最大限度地提高设备的效率和可用率。水轮发电机组的瓦温监测一般采用定值报警方法,该方法一般在故障发生后才进行相应报警,无法在故障的早期发现异常。

2、目前,现有的机器学习方法,需要使用健康样本来对模型进行迭代训练,要求健康样本具有工况覆盖均匀和健康度高的特性。在工况覆盖均匀的判断上,一般要求健康样本工况与机组实际运行中可能出现的各种工况分布规律一致,现有的判断方法一般使用人工识别曲线、散点图的方法,该方法精度低,费时费力,无明确判断指标,且依赖于人员的业务经验,无法获取良好的工况覆盖均匀的健康样本,进而影响预警模型的效果,降低预警的准确性。

技术实现思路

1、本发明的主要目的在于提供一种水轮发电机组瓦温的预警方法、系统及存储介质,解决现有技术中因健康样本工况覆盖不均匀造成模型预警准确率不足的问题。

2、为解决上述技术问题,本发明所采用的技术方案是:一种水轮发电机组瓦温的预警方法,包括以下步骤:

3、s1:获取预设第一时间段内的水轮发电机组关键工况特征的历史数据,作为第一样本;

4、s2:根据工况的分类,设定高斯混合模型中单高斯模型的数量为n,对第一样本进行高斯混合分布拟合,得到高斯混合模型及其概率密度函数,公式为:

5、;

6、式中,表示第个单高斯模型的权重,表示第个单高斯模型的概率密度函数,表示第个单高斯模型的均值,表示第个单高斯模型的协方差矩阵;

7、s3:获取预设第二时间段内的水轮发电机组的健康状态的运行数据,并进行数据筛选,得到第二样本,第二样本包含s1中所述关键工况特征、瓦温特征和与瓦温相关的非关键工况特征,从第二样本中提取s1中所述关键工况特征构成第三样本,第三样本为第二样本子集,样本数与第二样本完全一致,特征与第一样本完全一致;

8、s4:将第一样本输入高斯混合模型中,计算第一样本中归属于各个单高斯模型的样本数占第一样本总样本数的比例,记为;

9、再将第三样本输入高斯混合模型中,计算第三样本中归属于各个单高斯模型的样本数占第三样本总样本数的比例,记为;

10、s5:采用余弦相似度算法,计算与的相似性,作为第三样本的健康度,公式为:

11、;

12、式中,,;

13、s6:预设健康度阈值,当健康度大于健康度阈值时,则相应的第三样本和第三样本对应的第二样本均为有效样本,进入步骤s7;否则,为无效样本,返回步骤s3;

14、s7:构建瓦温预测模型,采用所述s6中筛选出来的有效的第二样本进行机器学习训练,得到最优瓦温预测模型;

15、s8:将实时数据输入最优瓦温预测模型,输出瓦温预测值,当瓦温实际值与预测值偏差的绝对值大于预设动态预警阈值时,启动预警。

16、优选方案中,所述s4中和的计算方法为:

17、s41:使用各个单高斯模型的概率密度函数计算第一样中各个样本点的概率密度值,公式为:

18、=;

19、式中,表示第个样本点,表示第个单高斯模型,表示第个样本点的值;

20、s42:找出中的最大值,将样本点归入最大值所对应的单高斯模型中;

21、s43:采用上述方法依次将第一样本的所有样本点归入到各个单高斯模型中,计算各个单高斯模型中归属的样本点数占第一样本总样本数的比例,即为1、2......n;

22、s44:将步骤s41-s43中的第一样本替换成第三样本并进行相应的计算,得到。

23、优选方案中,所述水轮发电机组关键工况特征包括有功功率、水头和下游水位。

24、优选方案中,预设第一时间段的时间跨度大于预设第二时间段。

25、优选方案中,所述s2中高斯混合分布拟合,包括以下步骤:

26、s21:根据设备运行规律,初始化分布参数,包括高斯分布的权重、均值和协方差矩阵;

27、s22:根据分布参数计算第步时每个样本点属于高斯混合模型中各个单高斯模型的概率,公式为:

28、;

29、式中,表示第个样本点,表示第个单高斯模型,表示第步时第个单高斯模型的权重,表示第步时第个样本点用第个单高斯模计算得到的概率密度值,表示第步时第个单高斯模型的均值,表示第步时第个单高斯模型的协方差矩阵;

30、s23:根据期望最大化算法,迭代更新第步时高斯分布参数,迭代公式为:

31、;

32、;

33、;

34、式中,表示第个样本点的值,表示第一样本中的样本点数量,表示步时第个单高斯模型的权重,表示步时第个单高斯模型的均值,表示步时第个单高斯模型的协方差矩阵;

35、s24:重复上述s22-s23步骤,直到收敛至停止条件为止。

36、优选方案中,所述s3中的数据筛选包括:采用聚类分析或测点机理规律判断的方法进行筛选。

37、优选方案中,所述瓦温预测模型采用gbdt模型。

38、一种水轮发电机组瓦温的预警系统,用于实现所述的一种水轮发电机组瓦温的预警方法,包括:

39、第一样本模块,用于获取预设第一时间段内的水轮发电机组关键工况特征的历史数据,作为第一样本;

40、高斯混合模型模块,用于根据工况的分类,设定高斯混合模型中单高斯模型的数量为n,对第一样本进行高斯混合分布拟合,得到高斯混合模型及其概率密度函数;

41、第二样本模块,用于获取预设第二时间段内的水轮发电机组的健康状态的运行数据,并进行数据筛选,得到第二样本,第二样本包含所述关键工况特征、瓦温特征和与瓦温相关的非关键工况特征;

42、第三样本模块,用于提取第二样本中所述关键工况特征构成第三样本,第三样本为第二样本子集,样本数与第二样本完全一致,特征与第一样本完全一致;

43、第一样本计算模块,用于将第一样本输入高斯混合模型中,计算第一样本中归属于各个单高斯模型的样本数占第一样本总样本数的比例,记为;

44、第三样本计算模块,用于将第三样本输入高斯混合模型中,计算第三样本中归属于各个单高斯模型的样本数占第三样本总样本数的比例,记为;

45、相似度计算模块,用于采用余弦相似度算法,计算与的相似性,作为第三样本的健康度;

46、有效样本模块,用于预设健康度阈值,当健康度大于健康度阈值时,则相应的第三样本和第三样本对应的第二样本均为有效样本,否则为无效样本;

47、预测模型模块,用于构建瓦温预测模型,采用筛选出来的有效的第二样本进行机器学习训练,得到最优瓦温预测模型;

48、模型预测模块,用于将实时数据输入最优瓦温预测模型,输出瓦温预测值,当瓦温实际值与预测值偏差的绝对值大于预设动态预警阈值时,启动预警。

49、一种计算机可读存储介质,包括:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时执行所述的一种水轮发电机组瓦温的预警方法。

50、本发明提供了一种水轮发电机组瓦温的预警方法、系统及存储介质,通过对水轮发电机的运行数据选取并进行特征提取,获取第一样本、第二样本和第三样本,并根据工况分类,搭建高斯混合模型,利用高斯混合模型计算第一样本和第三样本数据占比之间的相似性,获取样本健康度,使用样本健康度大于预设健康度阈值的样本训练得到最优瓦温预测模型,模型运行输出瓦温预测值,并进行判定预警。本发明通过设定健康度阈值筛选有效样本,保障了健康样本工况覆盖的均匀性,提高了样本质量,显著提升机器学习算法的准确性,提高智能预警效果。

本文地址:https://www.jishuxx.com/zhuanli/20240911/292363.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。