本发明涉及电站设备状态分析领域,具体涉及一种电站设备特征运行状态趋势分析方法和系统。
背景技术:
1、以水轮机(水泵水轮机)、发电机(发电电动机)、主变压器等为核心的水力发电设备是发挥水电站(抽水蓄能电站)能源供给功能和经济效益的核心,担负着电网调峰填谷、调频调相、旋转备用等多重任务。将逐步建成以风光为主体的新型电力系统,传统水电站和抽水蓄能电站将发挥更加重要的调节保障功能。因此,机组特别是抽水蓄能机组即将面临日益频发的启停和工况转换,水力冲击、机械失效和电磁不平衡等因素可能诱发水力发电设备异常振动、结构疲劳、电气故障、运行方式破坏等各种故障与事故,危害性极其严重。为此,亟需研究并开发面向大数据与人工智能的设备故障预测方法:在故障预测和健康管理理论框架下,集成水力发电设备状态感知、数据特征提取、基于大数据挖掘的设备状态评估与趋势预警理论方法与技术,实现水电机组状态感知与劣化趋势智能预警,填补水力发电领域健康管理理论与技术空白,实现智能水电站设备智能化运维。
2、振动、摆度是反映水轮机(水泵水轮机)、发电机(发电电动机)等电站设备健康状况的特征运行状态,受工况参数包括有功功率、无功功率等电力因素和水头、流量等水力因素影响,振动和摆度趋势可以有效反水轮机(水泵水轮机)、发电机(发电电动机)等电站设备的健康状况,从而指导日常运行维护和检修计划制定。当前,水电站(抽水蓄能电站)设备运行状态趋势分析包括两类,一是历史趋势分析,二是未来趋势预测。未来趋势预测普遍基于历史运行数据构建健康模型,基于健康模型预测未来运行状态,但预测结果不受未来运行工况和环境影响。而目前的历史趋势分析也缺乏对运行工况参数的综合考虑,只是单纯关注特征运行状态幅值大小变化及其随工况参数的变化规律,适用于配合幅值阈值分析开展突发异常的检测分析,以及基于状态与工况参数的关联趋势分析识别健康状态的快速变化。
技术实现思路
1、本发明的目的是提供一种电站设备特征运行状态趋势分析方法和系统,针对现有技术中存在的不足,基于大量历史运行数据,将运行历史从时间维度离散化形成各个运行时段,构建适用于各运行时段的健康模型,并基于健康模型和实际运行工况得到时段内电站设备特征运行状态,从而得到特征状态在各个运行时段的长期劣化趋势,为缓慢劣化异常检测和趋势预报警服务。
2、为实现上述目的,本发明通过以下技术方案实现:
3、一种电站设备特征运行状态趋势分析方法,包括:
4、步骤s1、将电站设备运行历史均匀划分为运行时段s1~sn;
5、步骤s2、为运行时段s1~sn分别建立电站设备特征运行状态的时段健康模型m1~mn;
6、步骤s3、根据时段健康模型m1~mn分别计算各时段电站设备特征运行状态的幅值分布v1~vn;
7、步骤s4、将各时段的电站设备特征运行状态幅值分布vi内数据累加形成该时段趋势ti;
8、步骤s5、得到电站设备特征运行状态的趋势t1~tn。
9、所述电站设备可以是水电站的水轮机、发电机或者抽水蓄能电站的水泵水轮机、发电电动机。
10、进一步地,在步骤s5之后,还包括运用步骤s5得到的电站设备特征运行状态的趋势t1~tn对电站设备特征运行状态预测趋势,所述预测方法为长短期记忆神经网络,通过将t1~tn作为训练和测试数据构建预测模型,利用预测模型动态预测为未来趋势。
11、进一步地,所述步骤s2包括:
12、步骤s21、收集电站设备历史运行数据,包括有功功率、无功功率、水头、流量等工况参数,以及电站设备特征运行状态,所述电站设备特征运行状态包括振动、摆度;
13、步骤s22、将电站设备历史运行数据根据运行时段划分为n个区间;
14、步骤s23、基于深度人工神经网络对每个区间的电站设备历史运行数据进行学习训练,得到各区间的电站设备特征运行状态的时段健康模型m1~mn,所述时段健康模型反映各时段内电站设备特征运行状态与工况参数的映射关系。
15、进一步地,所述步骤s3包括:
16、步骤s31、电站设备运行工况网络化,将有功功率、无功功率、水头和流量等工况参数进行等间隔离散化,每个工况的离散化范围为工况运行最小值至工况运行最大值,每个工况离散化为若干个工况网格,工况网格内形成近似稳定的运行工况,取网格内均值作为工况参数值;
17、步骤s32、将各个工况网格内各个工况参数值代入特征运行状态的时段健康模型,得到该时段内该网络内电站设备特征运行状态的健康值,所有网格内健康值构成电站设备全工况特征运行状态的幅值分布。
18、进一步地,步骤s4所述数据累加采用加权累加法,具体包括如下步骤:
19、步骤s41、统计该时段内各个工况网格的运行时长t1~tn,n为工况网格个数;
20、步骤s42、计算各个工况网格的运行权重pj=tj/t,为时段内电站设备运行总时长;
21、步骤s43、计算时段趋势vi,j是幅值分布vi第j个工况网格内电站设备特征运行状态的健康值。
22、为实现上述目的,本发明还提出一种电站设备特征运行状态趋势分析系统,包括:
23、数据采集模块,采集电站设备的历史运行数据,包括有功功率、无功功率、水头、流量等工况参数,以及振动、摆度等设备特征运行状态,将历史数据均匀分为多个时段;
24、模型训练模块,将各时段的历史工况参数和单个特征运行状态构成特征输入序列,将所述特征输入序列按时间顺序作为深度人工神经网络的输入进行模型训练,得到各时段的特征运行状态健康模型;
25、趋势计算模块,将工况参数输入健康模型得到各时段的特征运行状态的幅值分布,对幅值分布内各工况网格的特征运行状态健康值加权累积得到各时段特征运行状态趋势。
26、为实现上述目的,本发明还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述电站设备特征运行状态趋势分析的步骤。
27、为实现上述目的,本发明还提出一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述电站设备特征运行状态趋势分析的步骤。
28、本发明与现有技术相比,具有以下优点及有益效果:
29、本发明将电站运行历史数据从时间维度划分为多个时段,单独构建每个时段的特征运行状态的健康模型,并结合健康模型和实际运行历史,得到融合运行工况的特征运行状态幅值分布和健康值,综合历史运行时段健康值形成特征运行状态的趋势,得到的长期趋势可以用于检测设备缓慢劣化,从而提前发现和提前处置。
1.一种电站设备特征运行状态趋势分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种电站设备特征运行状态趋势分析方法,其特征在于,步骤s2包括:
3.根据权利要求1所述的一种电站设备特征运行状态趋势分析方法,其特征在于,步骤s3包括:
4.根据权利要求1所述的一种电站设备特征运行状态趋势分析方法,其特征在于,步骤s4所述数据累加采用加权累加法,具体包括如下步骤:
5.根据权利要求1所述的一种电站设备特征运行状态趋势分析方法,其特征在于在步骤s5之后,运用步骤s5得到的电站设备特征运行状态的趋势t1~tn对电站设备特征运行状态预测趋势。
6.一种电站设备特征运行状态趋势分析系统,其特征在于,包括:
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述电站设备特征运行状态趋势分析的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述电站设备特征运行状态趋势分析的步骤。