一种大型汽轮发电机励磁电流实时预测方法技术

本发明专利技术公开了一种大型汽轮发电机励磁电流实时预测方法，所述方法以NSET模型为预测模型，包括以下步骤：通过灰色关联度分析方法，计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度，筛选出能够表征故障的关键状态变量；构建记忆矩阵，并且将历史运行数据均分为多个区间，在各区间内以励磁电流为参考序列进行等距采样，采样结果添加到记忆矩阵中，从而完成NSET模型的记忆矩阵构建；将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中，以曼哈顿距离作为该模型的非线性算子，完成对于励磁电流的预测；本发明专利技术的优点在于：预测精度高。预测精度高。预测精度高。

【技术实现步骤摘要】
一种大型汽轮发电机励磁电流实时预测方法


[0001]本专利技术涉及发电机转子匝间绝缘故障诊断领域，更具体涉及一种大型汽轮发电机励磁电流实时预测方法。

技术介绍

[0002]大型汽轮发电机转子匝间绝缘故障是一种常见故障，并且近年来故障频率呈现出上升趋势。转子绕组工作在恶劣的环境之中，尤其是在大容量汽轮发电机正常运行时，其需要承受强电场、强磁场和强机械力的叠加作用，致使转子相互摩擦和挤压，易出现结构变形，进而发生匝间短路故障。实践证明，匝间绝缘故障伴随着励磁电流明显增大、无功功率下降、绕组温度上升、发电机剧烈振动等不良现象，严重时甚至会酿成转子一点或两点接地、大轴磁化等更严重的事故。若发生转子匝间绝缘故障，将导致发电机组非计划性停机，给发电厂的正常运行带来巨大压力，造成严重的经济损失。因此，对大型汽轮发电机励磁电流进行高精度预测，可以准确判断转子绕组当前健康状况，对于提高汽轮发电机运行可靠性，合理安排发电机停机检修，保证发电厂运行的安全性与经济性有着重要的现实意义。
[0003]在现有的大型汽轮发电机励磁电流预测方法中，基于物理建模的诊断方法应用较为广泛，例如中国专利公布号CN105004962A，公开了一种改进的汽轮发电机励磁绕组短路故障的检测方法，获取发电机参数和特性曲线，建立发电机二维数值仿真模型，求解励磁电流值，将所得励磁电流值与实测值进行比较，判断是否发生故障。该专利申请能够改进现有技术不足，提高了励磁电流法诊断的灵敏度，但是预测精度较低且需要获取的发电机参数较多，实现难度较大。基于数据驱动的励磁电流预测方法是一种有效的预测方法，例如中国专利公布号CN103926506A，公开的基于构建函数的汽轮发电机转子绕组短路故障诊断方法，该方法是基于历史运行数据建立转子匝间绝缘正常状态时各关键状态变量的预测模型，并利用该模型对转子的励磁电流进行预测，由于其原理清晰、建模难度低，因此得到了广泛的运用。数据驱动方法虽然获得了较为良好的预测结果，但是在实际应用中，模型的训练过程可能出现过拟合和欠拟合，进而影响预测精度。
[0004]燕山大学2016年5月硕士学位论文《基于NSET模型的风电机组故障诊断研究》，其公开了基于NSET模型进行风电机组故障诊断的过程，首先选取训练数据，进行数据归一化处理，然后基于马氏距离优化的方法构造过程记忆矩阵，测试数据归一化得到观测向量，最后进行故障预测并判定故障类型。但是其NSET模型中采用欧式距离作为非线性算子，预测精度不高且其采用等距采样构建记忆矩阵，在样本数量较少时，模型预测精度不够。

技术实现思路

[0005]本专利技术所要解决的技术问题在于现有技术发电机励磁电流预测方法预测精度不高的问题。
[0006]本专利技术通过以下技术手段实现解决上述技术问题的：一种大型汽轮发电机励磁电流实时预测方法，所述方法以NSET模型为预测模型，包括以下步骤：
[0007]步骤1：通过灰色关联度分析方法，计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度，筛选出能够表征故障的关键状态变量；
[0008]步骤2：使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵，并且将历史运行数据均分为多个区间，在各区间内以励磁电流为参考序列进行等距采样，采样结果添加到记忆矩阵中，从而完成NSET模型的记忆矩阵构建；
[0009]步骤3：将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中，以曼哈顿距离作为该模型的非线性算子，完成对于励磁电流的预测。
[0010]本专利技术通过将传统NSET模型中的非线性算子由欧式距离替换为曼哈顿距离，提高模型的预测精度，在传统NSET模型的记忆矩阵构建采用等距采样的基础上，加入了分区间采样方法，能够在样本数量较少时提高模型精度，且不影响模型的计算效率。
[0011]进一步地，所述步骤1之前还包括对DCS系统监测的各状态变量进行归一化处理的过程。
[0012]更进一步地，所述归一化处理的过程为：
[0013]基于发电机自身DCS系统采集的各状态变量正常历史运行数据，通过公式进行归一化处理，其中，x为实际状态量数据，x
max
为该组状态变量的最大值，x
min
为该组状态变量的最小值，x
′
为归一化后的数据。
[0014]更进一步地，所述状态变量包括时间戳、定子电流、定子电压、励磁电流、励磁电压、有功功率、无功功率、振动位移。
[0015]进一步地，所述步骤1包括：
[0016]通过公式分别计算各状态量序列与励磁电流序列对应元素的灰色关联系数，其中，i为状态量序列编号，ξ
i
(k)为状态量序列x
i
对参考序列x0在k时刻的关联系数；ρ为分辨系数，取0.5；
[0017]通过公式计算灰色关联度。
[0018]筛选灰色关联度超过预设值的状态量序列作为关键状态量。
[0019]进一步地，所述步骤2中使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵，包括：
[0020]1)获取正常状态下历史运行数据构建训练矩阵
[0021]一台发电机中有n个不同的状态变量，在任意时刻k，对其的观测表示为观测向量矩阵
[0022]X(k)＝[x
1k x
2k
ꢀ…ꢀ
x
nk
]T
[0023]训练矩阵K为发电机在正常状态下所收集到的各个状态变量运行数据，必须保证训练矩阵能完整表示整台发电机的正常工作空间，因此训练矩阵K表示为K＝[X(1)，X(2)，
…
，X(n)][0024]2)构建记忆矩阵
[0025]在训练矩阵K内抽取发电机不同的运行状态下的m个不同的历史观测向量，构建记
忆矩阵D，其中，
[0026][0027]更进一步地，所述不同的运行状态包括高负荷、低负荷、启停机。
[0028]更进一步地，所述步骤2中将历史运行数据均分为多个区间，在各区间内以励磁电流为参考序列进行等距采样，采样结果添加到记忆矩阵中，从而完成NSET模型的记忆矩阵构建，包括：
[0029]以励磁电流归一化值的升序排列为参考对历史运行数据进行排列，并将其均分为五个区间；
[0030]根据关键状态量筛选结果，在各区间内以励磁电流为参考序列进行等距采样，计算公式如下：
[0031]|I
f
(i)
‑
A|＜δ
[0032]其中，I
f
(i)为第i组数据的励磁电流，A为步长，δ为采样点间隔；
[0033]将满足上述公式的采样结果添加到记忆矩阵中，从而完成NSET模型的记忆矩阵构建。
[0034]更进一步地，所述步骤3中曼哈顿距离公式为d(i，j)＝|X
i
‑
X
j
|+|Y
i
‑
Y
j...

【技术保护点】

【技术特征摘要】
1.一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述方法以NSET模型为预测模型，包括以下步骤：步骤1：通过灰色关联度分析方法，计算汽轮发电机自身DCS系统监测的各状态变量与励磁电流的灰色关联度，筛选出能够表征故障的关键状态变量；步骤2：使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵，并且将历史运行数据均分为多个区间，在各区间内以励磁电流为参考序列进行等距采样，采样结果添加到记忆矩阵中，从而完成NSET模型的记忆矩阵构建；步骤3：将汽轮发电机自身DCS系统采集的实时状态变量输入NSET模型中，以曼哈顿距离作为该模型的非线性算子，完成对于励磁电流的预测。2.根据权利要求1所述的一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述步骤1之前还包括对DCS系统监测的各状态变量进行归一化处理的过程。3.根据权利要求2所述的一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述归一化处理的过程为：基于发电机自身DCS系统采集的各状态变量正常历史运行数据，通过公式进行归一化处理，其中，x为实际状态量数据，x
max
为该组状态变量的最大值，x
min
为该组状态变量的最小值，x
′
为归一化后的数据。4.根据权利要求3所述的一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述状态变量包括时间戳、定子电流、定子电压、励磁电流、励磁电压、有功功率、无功功率、振动位移。5.根据权利要求1所述的一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述步骤1包括：通过公式分别计算各状态量序列与励磁电流序列对应元素的灰色关联系数，其中，i为状态量序列编号，ξ
i
(k)为状态量序列x
i
对参考序列x0在k时刻的关联系数；ρ为分辨系数，取0.5；通过公式计算灰色关联度；筛选灰色关联度超过预设值的状态量序列作为关键状态量。6.根据权利要求1所述的一种大型汽轮发电机励磁电流实时预测方法，其特征在于，所述步骤2中使用发电机自身在运行过程中不同工况下所采集的正常历史运行数据构建记忆矩阵，包括：1)获取正常状态下历史运行数据构建训练矩阵一台发电机中有n个不同的状态变量，在任意时刻k，对其的观测表示为观测向量矩阵X(k)＝[x
1k x
2k
…
x
nk
]
T
训练矩阵K为发电机在正常状态下所收集到的各个状态变量运行数据，必须保证训练矩阵能完整表示整台发电机的正常工作空间，因此训练矩阵K表示为K＝[X(1)，X(2)，
…

【专利技术属性】
技术研发人员：杨玉磊，张树铭，王安保，王萍，陈延云，赵淼，张二龙，吴影，郑泽蔚，方瑞明，顾昊晟，周梓菲，
申请(专利权)人：中国大唐集团科学技术研究总院有限公司大唐锅炉压力容器检验中心有限公司，
类型：发明
国别省市：