标准健康状态模型构建方法及机组健康状态评估方法与流程

本发明涉及于水电机组性能监测领域，尤其涉及一种标准健康状态模型构建方法及机组健康状态评估方法。

背景技术：

1、抽水蓄能机组的安全、稳定、高效运行对电站的安全以及电网的稳定具有至关重要的意义。由于机组运行环境恶劣，工况切换频繁，同时受到水-机-电耦合因素的影响，机组故障呈现多元化、混杂化和逐步发展演进的特点。大量机组故障案例表明一旦机组发生故障，轻则影响机组的寿命和电网的稳定性，重则造成巨大的经济损失和严重的安全事故。因此，亟需运用先进的理论方法与完备的技术手段加强对抽水蓄能机组健康状态的评估与管理，实时掌握机组健康状态。

2、现有技术中，为充分考虑到机组工况对监测量的影响，目前机组健康状态评估方法采用包含工况参数和监测量的历史健康数据集训练机器学习模型建立机组标准健康模型，作为机组状态评估的基础。因此，机组标准健康模型的可靠性和客观性直接影响到机组健康状态评估的准确性。

3、抽水蓄能机组在投入运行后会多经历多次检修，尤其是规模较大的a级、b级检修，涉及机组大量关键部件的拆卸、检修、替换及回装，不可避免地会导致基于检修前健康数据集训练的机组标准健康模型可靠性降低，不再适用于检修后机组的健康状态评估；同时，由于机组检修后短期内所采集的监测数据量不足，并且不能覆盖所有工况，因此难以训练出可靠性较高的机组标准健康模型，进而严重影响检修后机组健康状态评估的准确性，甚至导致机组状态评估出现空窗期。

技术实现思路

1、为构建抽水蓄能机组的标准健康状态模型，提高检修后机组健康状态评估准确性，本发明提出了一种标准健康状态模型构建方法及机组健康状态评估方法。

2、第一方面，本发明提供了一种标准健康状态模型构建方法，方法包括：

3、获取抽水蓄能机组的第一健康数据集和第二健康数据集，第一健康数据集包括检修前抽水蓄能机组处于健康状态时，多个工况参数下的监测数据，第二健康数据集包括检修后抽水蓄能机组处于健康状态时，多个工况参数下的监测数据，第一健康数据集中的工况参数包含第二健康数据集中的工况参数；

4、根据第一健康数据集，获取在不同工况参数下监测数据之间的关联关系；

5、根据关联关系，以及第二健康数据集，生成第三健康数据集，第三健康数据集包括与第一健康数据集相比，第二健康数据集中缺失的工况参数下的监测数据；

6、根据第二健康数据集和第三健康数据集，形成第四健康数据集；

7、根据第四健康数据集，对预构建的初始标准健康状态模型进行训练，得到标准健康状态模型。

8、相关技术中，抽水蓄能机组的标准健康状态模型是通过抽水蓄能机组处于健康状态时的监测数据训练得到的，考虑到抽水蓄能机组在投入运行后，会经历多次检修，在检修过程中涉及到大量关键部件的检修替换工作，根据检修前的监测数据训练得到的标准健康状态模型不再适用于检修后的抽水蓄能机组，而检修后的抽水蓄能机组处于健康状态时的监测数据量不足，并不会覆盖所有工况，因而难以训练得到准确性较高的标准健康状态模型，通过上述方法，将检修前不同工况参数下监测数据之间的关联关系，映射到检修后的监测数据中，生成检修后尚未出现的工况参数下的监测数据，扩增检修后抽水蓄能机组的健康监测数据，利用检修后扩增的健康监测数据训练得到标准健康状态模型，提高标准健康状态模型的可靠性，为评估抽水蓄能机组的健康状态奠定基础，进一步提高评估检修后机组健康状态的准确性。

9、在一种可选的实施方式中，根据第一健康数据集，获取在不同工况参数下监测数据之间的关联关系，包括：

10、将第一健康数据集输入至预构建的基于注意力机制的神经网络模型，得到关联关系。

11、在一种可选的实施方式中，获取抽水蓄能机组的第一健康数据集和第二健康数据集的步骤包括：

12、获取抽水蓄能机组的第五健康数据集和第六健康数据集；

13、将第五健康数据集输入至预构建的无监督聚类模型，得到删除异常数据后的第五健康数据集，将删除异常数据后的第五健康数据集作为第一健康数据集；

14、将第六健康数据集输入至无监督聚类模型，得到删除异常数据后的第六健康数据集，将删除异常数据后的第六健康数据集作为第二健康数据集。

15、在一种可选的实施方式中，标准健康状态模型为深度全连接神经网络模型。

16、第二方面，本发明提供了一种抽水蓄能机组健康状态评估方法，方法包括：

17、获取抽水蓄能机组检修后的工况参数和实际监测数据；

18、将工况参数输入至预构建的标准健康状态模型中，得到工况参数对应的标准监测数据，标准健康状态模型是通过第一方面或第一方面的任一实施方式的标准健康状态模型构建方法得到的；

19、根据实际监测数据和标准监测数据，评估抽水蓄能机组的健康状态。

20、相关技术中，抽水蓄能机组的标准健康状态模型是通过抽水蓄能机组处于健康状态时的监测数据训练得到的，考虑到抽水蓄能机组在投入运行后，会经历多次检修，在检修过程中涉及到大量关键部件的检修替换工作，根据检修前的监测数据训练得到的标准健康状态模型不再适用于检修后的抽水蓄能机组，而检修后的抽水蓄能机组处于健康状态时的监测数据量不足，并不会覆盖所有工况，因而难以训练得到准确性较高的标准健康状态模型，导致根据标准健康状态模型得到的标准监测数据是不准确的，进一步的，根据标准监测数据和实际监测数据评估得到的抽水蓄能机组健康状态也会出现偏差，通过上述方法，标准健康状态模型是利用检修后扩增的健康监测数据训练得到的，通过该模型得到的标准监测数据更加精确，从而根据标准监测数据和实际监测数据评估得到的抽水蓄能机组健康状态准确性更高，更具有参考价值。

21、在一种可选的实施方式中，根据实际监测数据和标准监测数据，评估抽水蓄能机组的健康状态，包括：

22、将实际监测数据和标准监测数据输入至预构建的孪生神经网络，得到实际监测数据和标准监测数据之间的相似度；

23、根据相似度，评估抽水蓄能机组的健康状态。

24、在一种可选的实施方式中，孪生神经网络包括第一子网络、第二子网络和全连接层，将实际监测数据和标准监测数据输入至预构建的孪生神经网络，得到实际监测数据和标准监测数据之间的相似度，包括：

25、将实际监测数据输入至第一子网络，得到实际监测数据的第一特征向量；

26、将标准监测数据输入至第二子网络，得到标准监测数据的第二特征向量；

27、计算第一特征向量和第二特征向量之间的欧氏距离；

28、将欧氏距离输入至全连接层，得到相似度。

29、在一种可选的实施方式中，监测数据包括机组振动监测量、电气监测量、温度监测量、压力监测量中的至少一种。

30、在一种可选的实施方式中，工况参数包括工作水头、有功功率、无功功率、机组转速和导叶开度中的至少一种。

31、在一种可选的实施方式中，方法还包括：

32、当相似度小于预设阈值时，发出预警信号。

33、第三方面，本发明提供了一种标准健康状态模型构建装置，装置包括：

34、第一获取模块，用于获取抽水蓄能机组的第一健康数据集和第二健康数据集，第一健康数据集包括检修前抽水蓄能机组处于健康状态时，多个工况参数下的监测数据，第二健康数据集包括检修后抽水蓄能机组处于健康状态时，多个工况参数下的监测数据，第一健康数据集中的工况参数包含第二健康数据集中的工况参数；

35、第二获取模块，用于根据第一健康数据集，获取在不同工况参数下监测数据之间的关联关系；

36、生成模块，用于根据关联关系，以及第二健康数据集，生成第三健康数据集，第三健康数据集包括与第一健康数据集相比，第二健康数据集中缺失的工况参数下的监测数据；

37、形成模块，用于根据第二健康数据集和第三健康数据集，形成第四健康数据集；

38、训练模块，用于根据第四健康数据集，对预构建的初始标准健康状态模型进行训练，得到标准健康状态模型。

39、相关技术中，抽水蓄能机组的标准健康状态模型是通过抽水蓄能机组处于健康状态时的监测数据训练得到的，考虑到抽水蓄能机组在投入运行后，会经历多次检修，在检修过程中涉及到大量关键部件的检修替换工作，根据检修前的监测数据训练得到的标准健康状态模型不再适用于检修后的抽水蓄能机组，而检修后的抽水蓄能机组处于健康状态时的监测数据量不足，并不会覆盖所有工况，因而难以训练得到准确性较高的标准健康状态模型，通过上述装置，将检修前不同工况参数下监测数据之间的关联关系，映射到检修后的监测数据中，生成检修后尚未出现的工况参数下的监测数据，扩增检修后抽水蓄能机组的健康监测数据，利用检修后扩增的健康监测数据训练得到标准健康状态模型，提高标准健康状态模型的可靠性，为评估抽水蓄能机组的健康状态奠定基础，进一步提高评估检修后机组健康状态的准确性。

40、在一种可选的实施方式中，第二获取模块包括：

41、第一获取子模块，用于将第一健康数据集输入至预构建的基于注意力机制的神经网络模型，得到关联关系。

42、第四方面，本发明提供了一种抽水蓄能机组健康状态评估装置，装置包括：

43、第三获取模块，用于获取抽水蓄能机组检修后的工况参数和实际监测数据；

44、第四获取模块，用于将工况参数输入至预构建的标准健康状态模型中，得到工况参数对应的标准监测数据，标准健康状态模型是通过第一方面或第一方面的任一实施方式的标准健康状态模型构建方法得到的；

45、评估模块，用于根据实际监测数据和标准监测数据，评估抽水蓄能机组的健康状态。

46、相关技术中，抽水蓄能机组的标准健康状态模型是通过抽水蓄能机组处于健康状态时的监测数据训练得到的，考虑到抽水蓄能机组在投入运行后，会经历多次检修，在检修过程中涉及到大量关键部件的检修替换工作，根据检修前的监测数据训练得到的标准健康状态模型不再适用于检修后的抽水蓄能机组，而检修后的抽水蓄能机组处于健康状态时的监测数据量不足，并不会覆盖所有工况，因而难以训练得到准确性较高的标准健康状态模型，导致根据标准健康状态模型得到的标准监测数据是不准确的，进一步的，根据标准监测数据和实际监测数据评估得到的抽水蓄能机组健康状态也会出现偏差，通过上述装置，标准健康状态模型是利用检修后扩增的健康监测数据训练得到的，通过该模型得到的标准监测数据更加精确，从而根据标准监测数据和实际监测数据评估得到的抽水蓄能机组健康状态准确性更高，更具有参考价值。

47、第五方面，本发明还提供了一种计算机设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或第一方面的任一实施方式的标准健康状态模型构建方法，或，第二方面或第二方面的任一实施方式的抽水蓄能机组健康状态评估方法的步骤。

48、第六方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面或第一方面的任一实施例的标准健康状态模型构建方法，或，第二方面或第二方面的任一实施方式的抽水蓄能机组健康状态评估方法的步骤。