一种水轮机调速器接力器动作速率偏离度预警方法及系统与流程

本发明属于水电机组运行安全维护技术领域，更具体地，涉及一种水轮机调速器接力器动作速率偏离度预警方法及系统。

背景技术：

水轮机调速系统在控制水电机组运行，维持机组转速稳定，保证输出电荷的稳定性发挥着重要的作用。接力器作为调速系统重要组成部分，直接控制着导叶的开度；随着机组运行时间的增加，接力器逐渐出现劣化、磨损、卡涩等，会导致调节动作速率下降，影响调速器的调节效果，甚至威胁机组的稳定运行。通过建立不同工况数据下的接力器动作速率标准模型，并获取接力器动作速率偏离度序列，有利于实时反馈接力器的运行状态，提高对调速器接力器设备运行规律的认识，为指导电站设备管理，开展运维工作提供理论支撑。

现有关于水轮机调速系统接力器状态分析的研究较少，大多是基于历史故障样本通过专家知识等对产生的故障进行分析，由于可用故障样本较少，故障诊断研究开展难度较大，且接力器出现磨损、卡涩等情况时，无法实时反映接力器的运行状态。

技术实现要素：

针对现有技术的缺陷，本发明的目的在于提供一种水轮机调速器接力器动作速率偏离度预警方法及系统，旨在解决现有关于水轮机调速系统接力器状态分析的研究较少，故障诊断研究开展难度较大，且接力器出现磨损、卡涩等情况时，无法实时反映接力器的运行状态的问题。

为实现上述目的，第一方面，本发明提供了一种水轮机调速器接力器动作速率偏离度预警方法，包括如下步骤：

采集水轮机调速器接力器正常工作状态下的指标参数，并确定对应指标参数下的接力器动作速率；所述指标参数包括：调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位；

基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练，得到接力器动作速率标准模型；所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系；

基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型，确定接力器当前工作状态下的动作速率标准值；

将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比，得到接力器当前工作状态下的动作速率偏离度；

基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，若未来工作状态下接力器的动作速率偏离度小于预设阈值，则产生预警信息，指示所述接力器的性能状态发生改变。

在一个可选的实施例中，该预警方法还包括如下步骤：

基于正常工作状态下调速器接力器水轮机导叶开度确定对应的接力器行程数据，并对接力器行程数据做微分变换，得到对应的接力器动作速率。

在一个可选的实施例中，所述基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练，得到接力器动作速率标准模型，具体包括如下步骤：

搭建深度人工神经网络，其包含一个输入层，多个隐藏层和一个输出层，前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，深度人工神经网络的输入为所述指标参数，输出为接力器动作速率；

将采集到的正常工作状态下的指标参数和对应的动作速率划分为训练数据和测试数据；

利用训练数据学习正常工作状态下的指标参数和对应的动作速率之间的映射关系，初步得到接力器动作速率标准模型；并利用所述测试数据测试初步得到的接力器动作速率标准模型的准确率，若准确率满足要求，则将其作为最终的接力器动作速率标准模型。

在一个可选的实施例中，所述接力器历史工作状态下的动作速率偏离度通过如下步骤确定：

取接力器运行多年后的多组不同工况下的数据，每组数据包括：接力器正常工作状态下的指标参数和对应指标参数下的接力器实际动作速率；

将每组数据中的指标参数输入到所述接力器动作速率标准模型中，得到不同工况下的接力器动作速率标准值；

将不同工况下的接力器动作速率标准值和对应的接力器实际动作速率进行比较，得到历史工作状态下接力器动作速率偏移度，组成接力器动作速率偏离度序列。

在一个可选的实施例中，所述基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，具体包括如下步骤：

构建时间卷积网络残差块：残差块包含两个膨胀卷积层、两个relu激活函数层与两层dropout层；构建基于时间卷积网络残差块的深度神经网络，深度神经网络包含多个时间卷积网络残差块和多个全连接网络层；前一个残差块的输出作为后一个残差块的输入，最后一个残差块的输出作为全连接网络层的输入，全连接网络层中神经元数依次递减，最终由包含一个神经元的全连接网络层作为模型的输出层；

基于所述接力器动作速率偏离度序列对所述深度神经网络进行训练，所述深度神经网络的输入是接力器动作速率偏离度序列中的前l-1个动作速率偏离度，输出是第l个动作速率偏离度，所述深度神经网络用于基于前l-1个数据对第l个数据进行预测；所述接力器动作速率偏离度序列共包含l个动作速率偏离度数据；

将当前工作状态下的动作速率偏离度加入所述接力器动作速率偏离度序列的末位，并淘汰首位的数据，组成新的接力器动作速率偏离度序列，将新的接力器动作速率偏离度序列输入到训练好的深度神经网络中，以预测未来工作状态下接力器的动作速率偏离度。

第二方面，本发明提供了一种水轮机调速器接力器动作速率偏离度预警系统，包括：

参数采集单元，用于采集水轮机调速器接力器正常工作状态下的指标参数，并确定对应指标参数下的接力器动作速率；所述指标参数包括：调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位；

模型训练单元，用于基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练，得到接力器动作速率标准模型；所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系；

速率标准值确定单元，用于基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型，确定接力器当前工作状态下的动作速率标准值；

偏离度确定单元，用于将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比，得到接力器当前工作状态下的动作速率偏离度；

偏离度预警单元，用于基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，若未来工作状态下接力器的动作速率偏离度小于预设阈值，则产生预警信息，指示所述接力器的性能状态发生改变。

在一个可选的实施例中，所述参数采集单元基于正常工作状态下调速器接力器水轮机导叶开度确定对应的接力器行程数据，并对接力器行程数据做微分变换，得到对应的接力器动作速率。

在一个可选的实施例中，所述模型训练单元搭建深度人工神经网络，其包含一个输入层，多个隐藏层和一个输出层，前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，深度人工神经网络的输入为所述指标参数，输出为接力器动作速率；将采集到的正常工作状态下的指标参数和对应的动作速率划分为训练数据和测试数据；以及利用训练数据学习正常工作状态下的指标参数和对应的动作速率之间的映射关系，初步得到接力器动作速率标准模型；并利用所述测试数据测试初步得到的接力器动作速率标准模型的准确率，若准确率满足要求，则将其作为最终的接力器动作速率标准模型。

在一个可选的实施例中，所述偏离度确定单元取接力器运行多年后的多组不同工况下的数据，每组数据包括：接力器正常工作状态下的指标参数和对应指标参数下的接力器实际动作速率；将每组数据中的指标参数输入到所述接力器动作速率标准模型中，得到不同工况下的接力器动作速率标准值；以及将不同工况下的接力器动作速率标准值和对应的接力器实际动作速率进行比较，得到历史工作状态下接力器动作速率偏移度，组成接力器动作速率偏离度序列。

在一个可选的实施例中，所述基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，具体包括如下步骤：

构建时间卷积网络残差块：残差块包含两个膨胀卷积层、两个relu激活函数层与两层dropout层；构建基于时间卷积网络残差块的深度神经网络，深度神经网络包含多个时间卷积网络残差块和多个全连接网络层；前一个残差块的输出作为后一个残差块的输入，最后一个残差块的输出作为全连接网络层的输入，全连接网络层中神经元数依次递减，最终由包含一个神经元的全连接网络层作为模型的输出层；

基于所述接力器动作速率偏离度序列对所述深度神经网络进行训练，所述深度神经网络的输入是接力器动作速率偏离度序列中的前l-1个动作速率偏离度，输出是第l个动作速率偏离度，所述深度神经网络用于基于前l-1个数据对第l个数据进行预测；所述接力器动作速率偏离度序列共包含l个动作速率偏离度数据；

将当前工作状态下的动作速率偏离度加入所述接力器动作速率偏离度序列的末位，并淘汰首位的数据，组成新的接力器动作速率偏离度序列，将新的接力器动作速率偏离度序列输入到训练好的深度神经网络中，以预测未来工作状态下接力器的动作速率偏离度。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

本发明提供一种水轮机调速器接力器动作速率偏离度预警方法及系统，现有水轮机调速系统接力器状态分析研究较少，大都无法直观反映接力器的状态变化。本发明通过计算不同工况下的动作速率偏离度直观反映接力器状态的变化，为开展水轮机调速器接力器的运维检修提供支撑。

本发明提供一种水轮机调速器接力器动作速率偏离度预警方法及系统，本发明中建立的深度人工神经网络模型拟合精度高，能够精准确立的不同工况下接力器动作速率的标准值，有效保证了动作速率偏离度的可信度。

本发明提供一种水轮机调速器接力器动作速率偏离度预警方法及系统，本发明中建立的tcn网络预测模型，通过残差块进行卷积层的堆叠使其能够有效的处理时间序列数据，本发明中动作速率偏离度序列预测结果具有较高的精度，能够提供可靠的预警。

附图说明

图1是本发明实施例提供的一种水轮机调速器接力器动作速率偏离度预警方法流程图；

图2是本发明实施例提供的另一种调速器接力器动作速率偏离度预警方法流程示意图；

图3是本发明实施例提供的tcn深度神经网络的结构图；

图4是本发明实施例提供的水轮机调速器接力器动作速率偏离度预警系统架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种水轮机调速器接力器动作速率偏离度预测方法，方法包括：采集早期调速器健康状态下导叶开度、调速器压力油罐压力、配压阀位置、上游水位、下游水位等历史数据，并根据导叶开度换算得到接力器行程，进而得到接力器动作速率数据；通过不同导叶开度、压力油罐压力、配压阀位置、上下游水位下的接力器动作速率，基于深度人工神经网络建立接力器动作速率标准模型；将采集到的实时导叶开度、压力油罐压力配压阀位置、以及上、下游水位代入到接力器动作速率标准模型中，得到该工况下动作速率的标准值；通过标准值与实测接力器速率的比值得到接力器速率偏离度；对所得接力器动作速率偏离度序列进行预测得到未来变化趋势，若未来偏离度超过所设阈值则产生预警。

本发明通过建立接力器动作速率标准模型，确立了在不同工况接力器的健康状态，且通过对接力器动作速率偏离度进行预测，能够及时的反映接力器工作状态的变化，为调速器接力器的状态检修及故障诊断提供理论依据。

图1是本发明实施例提供的一种水轮机调速器接力器动作速率偏离度预警方法流程图，如图1所示，包括如下步骤：

s110，采集水轮机调速器接力器正常工作状态下的指标参数，并确定对应指标参数下的接力器动作速率；所述指标参数包括：调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位；

s120，基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练，得到接力器动作速率标准模型；所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系；

s130，基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型，确定接力器当前工作状态下的动作速率标准值；

s140，将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比，得到接力器当前工作状态下的动作速率偏离度；

s150，基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，若未来工作状态下接力器的动作速率偏离度小于预设阈值，则产生预警信息，指示所述接力器的性能状态发生改变。

更具体地，为了实现上述目的，如图2所示，本发明提供了另一种水轮机调速器接力器动作速率偏离度预警方法，包括：

步骤1、采集早期调速器健康状态下导叶开度、调速器压力油罐压力、配压阀位置、上游水位、下游水位等历史数据，并根据导叶开度换算得到接力器行程，进而得到接力器动作速率数据。

步骤1.1、调速器早期投运时，调速器接力器未出现磨损、阻塞等现象，处于健康状态。接力器的动作速率主要受进油口油压以及控制导叶动作时的所受阻力影响。故采集早期水轮机调速器接力器健康状态下导叶开度k、调速器压力油罐压力y、配压阀位置w、上游水位h1、下游水位h2等影响接力器运行状态的工况数据。

步骤1.2、根据电站现有的开度和接力器行程数据，使用多项式拟合方法得到接力器行程x与导叶开度k之间的映射关系：x＝f(k)，将健康状态下开度数据k代入到x＝f(k)中，得到健康状态下的接力器行程数据。

步骤1.3、对数据进行筛选，提取一次调频、开停机等过程中接力器运动过程行程数据，对接力器行程数据做微分变换，求得对应接力器动作速率s。

步骤1.4、对所采集到n组的导叶开度k、压力油罐压力y、配压阀位置w、上游水位h1、下游水位h2、接力器动作速率s数据分别按如下公式进行归一化处理，将数据归一到区间[0,1]内；

其中，x为实际值、xmax为最大值、xmin为最小值。

步骤1.5、对归一化后的数据做矩阵化处理，将导叶开度k、压力油罐压力y、配压阀位置w、上游水位h1、下游水位h2作为输入，将接力器动作速率s作为输出，得到一个4列n行的输入矩阵input1和1列n行的输出矩阵output1。

步骤2、基于深度人工神经网络建立接力器动作效率标准模型。

步骤2.1、搭建深度人工神经网络，网络包含一个输入层，多个隐藏层和一个输出层。一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，深度人工神经网络的输入为开度、配压阀位置、水位、压力等的工况数据，输出为接力器速率数据。隐藏层使用relu激活函数，输出层使用线性激活函数。

步骤2.2、对网络的权重进行随机初始化，并指定一次训练样本的大小、训练的轮次以及网络初始的学习率k0。

步骤2.3、取输入矩阵input1的前r1％行作为训练输入数据集，取输出数组output1的前r1％行作为训练参考输出数据集，其中r1为预设值。使用adam梯度下降算法训练深度人工神经网络，为减小训练结果在最优值附近产生的震荡，在训练的过程中按照指数衰减的规律逐步减小学习率：k＝a^epoch.k0其中0<a<1，epoch为训练的轮次。深度人工神网络经过训练后，即获得了健康状态下：导叶开度k、压力油罐压力y、配压阀位置w、上游水位h1、下游水位h2，与接力器动作速率s之间的映射关系：

s(t)＝f(k(t),y(t),w(t),h1(t),h2(t))

步骤2.4、取输入矩阵input1的后(100-r1)％行作为测试输入数据集，输入已经训练好的深度人工神经网络中，得到对应摆度健康状态下的动作速率标准值f(t)，并与接力器动作速率输出矩阵output1的后(100-r1)％行进行比较，并计算均方根误差rmse1评价标准模型的有效性。发现动作速率标准值与实测值接近，标准模型拟合精度较高。rmse1计算公式如下：

其中，n为数据长度，si为调速器接力器动作速率的实测值，fi为动作速率标准模型输出标准值。

步骤3、通过标准值与实测接力器速率的比值得到接力器偏离度。

步骤3.1、取m组调速器运行n年后中的导叶开度k、压力油罐压力y、配压阀位置w、上游水位h1、下游水位h2工况数据与接力器动作速率s数据，并对上述数据分别进行归一化处理，归一到区间[0,1]内；将归一化后的工况数据构造成一个4列m行的输入矩阵input2。

步骤3.2、将输入矩阵input2输入到训练好的接力器动作速率标准模型中，即得到不同工况下接力器动作速率的标准值f(t)，将标准值f(t)与相应的接力器动作速率实际值s(t)进行比较得到接力器动作速率偏离度序列dev(t)。dev(t)定义如下：

步骤4、对所得接力器动作速率偏离度序列进行预测得到偏离度未来趋势，若趋势超过所设阈值则产生预警。

步骤4.1、将接力器动作速率偏离度序列处理为预测模型输入输出数据，取第i个偏离度到第i+l-1个偏离度共l个数据构成一条输入数据，取第l+1个偏离度构成一条输出数据，得到一个len-l行l列的输入矩阵input3和len-l行1列的输出矩阵output3，其中l为预设值，i取值从1到len-l，len-l为序列的长度。

步骤4.2、对输入输出数据进行归一化处理，分别将输入矩阵input3与输出矩阵output3归一到区间[0,1]之间。

步骤4.3、构建时间卷积网络(temporalconvolutionalnetwork，tcn)残差块：残差块包含两个膨胀卷积层和两个relu激活函数层与两层dropout层。膨胀卷积层加入权重归一化操作后连接relu激活函数层，后为防止模型出现过拟合，加入dropout层，后重复上述操作，为保证残差模块输入与输出维度相同，输入与输出之间加入一个1×1的卷积。设置膨胀卷积层的卷积核大小为z，每层之间的扩展系数d，为保证残差模块有足够大的感受野，d呈指数增长。

步骤4.4、构建tcn的深度神经网络，如图3所示，时间卷积神经网络包含多个tcn残差模块和多个全连接网络层。前一个残差块的输出作为后一个残差块的输入，最后一个残差块的输出作为全连接网络层的输入，全连接层中神经元数依次递减，最终由包含一个神经元的全连接网络层作为模型的输出层。全连接层使用relu激活函数，输出层使用线性激活函数。

步骤4.5、对网络的权重进行随机初始化，并指定一次训练样本的大小与训练的轮次，并对搭建好的tcn深度神经网络进行训练，取输入矩阵input3前r3％行作为输入数据集，取输出矩阵output3的前r3％行作为输出数据集，使用adam算法对tcn深度神经网络进行训练，其中r3为预设值。

步骤4.6、将训练好的tcn深度神经网络对测试数据进行预测获取未来变化趋势：取输入矩阵是input3的后(100-r3)％作为测试输入数据集输入到训练好的tcn神经网络中，得到模型的预测输出，并将其反归一化，即得到预测的动作速率偏离度。计算预测结果与真实动作速率偏离度之间的平均绝对误差mae、平均相对误差mape、均方根误差rmse2，各个误差计算公式如下：

其中，xi为真实的动作速率偏离度，为预测的动作速率偏离度。计算各误差项结果可知tcn深度神经网络预测精度高。

步骤4.7、当接力器中因油污等原因出现阻塞、磨损时，接力器动作速率会下降，故设备运行一段时间后，接力器动作速率偏离度会变小。依据现场实际数据，设置动作速率偏离度下限值，当预测得到的动作速率偏离度小于阈值时，产生预警信息。

图4是本发明实施例提供的水轮机调速器接力器动作速率偏离度预警系统架构图，如图4所示，包括：

参数采集单元410，用于采集水轮机调速器接力器正常工作状态下的指标参数，并确定对应指标参数下的接力器动作速率；所述指标参数包括：调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位；

模型训练单元420，用于基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练，得到接力器动作速率标准模型；所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系；

速率标准值确定单元430，用于基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型，确定接力器当前工作状态下的动作速率标准值；

偏离度确定单元440，用于将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比，得到接力器当前工作状态下的动作速率偏离度；

偏离度预警单元450，用于基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度，若未来工作状态下接力器的动作速率偏离度小于预设阈值，则产生预警信息，指示所述接力器的性能状态发生改变。

可以理解的是，图4中各个单元的详细功能可参见前述方法实施例中的介绍，在此不做赘述。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。