一种多模型融合的水轮机振摆分析方法技术

本发明专利技术公开了一种多模型融合的水轮机振摆分析方法，包括以下步骤：S1获取历史机组振摆相关数据，并进行预处理；S2将机组振摆相关数据进行特征工程得到训练集合；S3提取训练集合中与振摆关联的数据，分别输入SVR模型、LightGBM模型和XGBoost模型进行训练；S4对三个模型的结果进行最小二乘拟合，得到三个模型的权值分配，形成融合模型；S5将在线监测的振摆相关数据输入到融合模型，得到预测出的振摆值并作为该工况下振摆的标准值；S6将采集的振摆数据与标准值做对比，标记异常数据及异常等级。本发明专利技术考虑多维度的影响因素，将水轮机运行工况考虑在内，使用三种模型分别训练，通过自动赋权的方式，确保了预测模型的准确性，提高了预测的准确性和科学性。高了预测的准确性和科学性。高了预测的准确性和科学性。

【技术实现步骤摘要】
一种多模型融合的水轮机振摆分析方法


[0001]本专利技术属于水力发电机运行分析
，特别涉及一种多模型融合的水轮机振摆分析方法。

技术介绍

[0002]水轮发电机组作为大型旋转机械，运行中的机组振动是一种普遍存在的、不可完全避免和消除，严重的机组振动现象影响机组的供电质量、安全运行和使用寿命。在机械、水力、电磁因素耦合及机械部件老化等多种原因的复合影响下，水电机组产生的故障大多以振摆形式表现出来，因此振摆信号可以直观地对机组运行状态进行表征。
[0003]目前水轮发电机组监控系统、在线监测系统对重要指标进行了监测，对指标设定了告警限值；但为了避免误告警，设定的限制较高，当机组达到告警限值时，可能已经发生了严重的故障。即使在稳定运行区域，水轮发电机组各监测指标同样受到水头、励磁电流等工况的影响，且上下波动，直接采集计算的监测指标变化率仍然无法反应设备状态真实情况。随着人工智能、大数据分析等新技术创新应用，依靠智能算法和技术使得趋势分析变为可能，将水电厂生产模式由传统的人工监视、人工决策转变为信息化、自动化、智能化机器决策是很有必要的。
[0004]现有技术的缺陷和不足：
[0005]1.目前，大多数水电机组已安装了相当数量的在线监测系统，但未形成规范的运行、使用和维护办法，对在线监测系统的应用重视程度不够，采集到的数据缺乏专人进行深入分析和专业技术人员的技术支持。
[0006]2.目前水轮发电机状态监测和预警采用设定固定阈值、计算变化率的方式，存在误报、预警不及时的问题。
[0007]3.考虑到运行环境、局部冲击等多种因素耦合影响，水电机组振摆监测信号常呈现复杂非平稳、非线性特征，利用现有方法预测机组振摆信号发展趋势，难以获得满意的预测精度。

技术实现思路

[0008]本专利技术的目的在于针对现有技术的不足，提出一种多模型融合的水轮机振摆分析方法，该方法对水轮机振摆数据进行分析预测，能准确对异常的振摆值进行实时报警，从而达到故障诊断辅助决策的目的。
[0009]本专利技术的技术目的是通过以下技术方案得以实现的：一种多模型融合的水轮机振摆分析方法，具体包括以下步骤：
[0010]S1获取历史的机组振摆相关数据，并对所述机组振摆相关数据进行预处理；
[0011]S11收集历史在线与离线监测数据，去除与振摆无关的数据及错误数据，初步整合出训练所用的数据集；
[0012]S12将数据集中的重复数据、零值数据、缺失数据进行清洗，并进行重采样；
[0013]S2将预处理完成的所述机组振摆相关数据进一步进行特征工程，得到训练集合；
[0014]S21对数据集中的数据进行相关性分析，使用皮尔森相关系数对特征属性与目标属性进行相关性分析，按照相关性排序选出所需要的特征值；
[0015]S22根据每一列特征，求出其每项特征的最大值max最小值min；
[0016]S23若min≥0，则对每列数据进行如下归一化：
[0017][0018]其中，x
i,j
为第i列第j行的特征值，x
’
i,j
为其归一化后的值，min
i
为第i列的最小值，max
i
为第i列的最大值；
[0019]S24若min<0,则对每列数据进行如下归一化：
[0020][0021]其中，x
i,j
为第i列第j行的特征值，x
’
i,j
为其归一化后的值，min
i
为第i列的最小值，max
i
为第i列的最大值；
[0022]S25对归一化后的数据进行切分，将数据划分为训练集与测试集，比例为8:2，划分特征值与目标值，得到训练集合；
[0023]S3提取出所述训练集合中与振摆关联的数据，分别输入SVR模型、LightGBM模型和XGBoost模型进行训练；
[0024]S4对三个模型的结果进行最小二乘拟合，得到三个模型的权值分配，形成融合模型；
[0025]S5将在线监测的振摆相关数据输入到训练好的融合模型，得到预测出的振摆值并作为该工况下振摆的标准值；
[0026]S6将采集的振摆数据与标准值做对比，标记异常数据及异常等级。
[0027]优选的，步骤S6中，当振动值与摆度值小于40μm时，若幅度大于预测值10μm以上，判断为二级幅度异常；若幅度大于预测值20μm以上，判断为一级幅度异常。
[0028]优选的，步骤S6中，当振动值与摆度值大于40um时，当幅度大于预测值的10％
‑
25％，判断为二级幅度异常；当幅度大于预测值的25％时，判断为一级幅度异常。
[0029]相比于现有技术，本专利技术具有以下有益效果：
[0030]1.本专利技术提供的一种多模型融合的水轮机振摆分析方法，考虑多维度的影响因素，将水轮机运行工况考虑在内，得到更加准确的预测结果，提供更加可靠的报警输出。
[0031]2.本专利技术提供的一种多模型融合的水轮机振摆分析方法，使用三种模型分别训练，通过自动赋权的方式，确保了预测模型的准确性，提高了预测的准确性和科学性。
[0032]3.本专利技术提供的一种多模型融合的水轮机振摆分析方法，可集成在在线监测系统中，对数据进行实时预测，弥补了目前在线监测装置仅仅采用振摆值越限的方式进行预警的局限性。
附图说明
[0033]图1是本专利技术一种实施例的流程图。
[0034]图2是本专利技术一种实施例中SVR模型支持向量回归的原理示意图。
[0035]图3是本专利技术一种实施例中水导摆渡X方向模型预测结果图。
[0036]图4是本专利技术一种实施例中水导摆渡Y方向模型预测结果图。
[0037]图5是本专利技术一种实施例中顶盖振动X方向模型预测结果图。
[0038]图6是本专利技术一种实施例中顶盖振动Y方向模型预测结果图。
[0039]图7是本专利技术一种实施例中顶盖振动Z方向模型预测结果图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]作为本专利技术的一种优选实施例，本实施例提供一种多模型融合的水轮机振摆分析方法，参阅附图1，具体包括以下步骤：
[0042]S1获取历史的机组振摆相关数据，包括水头、功率、励磁、导叶开度等可能关联的数据，并对所述机组振摆相关数据进行预处理；
[0043]S11收集历史在线与离线监测数据，去除与振摆无关的数据及错误数据，初步整合出训练所用的数据集；
[0044]S12将数据集中的重复数据、零值数据、缺失数据进行清洗，并进行重采样；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型融合的水轮机振摆分析方法，其特征在于，具体包括以下步骤：S1获取历史的机组振摆相关数据，并对所述机组振摆相关数据进行预处理；S11收集历史在线与离线监测数据，去除与振摆无关的数据及错误数据，初步整合出训练所用的数据集；S12将数据集中的重复数据、零值数据、缺失数据进行清洗，并进行重采样；S2将预处理完成的所述机组振摆相关数据进一步进行特征工程，得到训练集合；S21对数据集中的数据进行相关性分析，使用皮尔森相关系数对特征属性与目标属性进行相关性分析，按照相关性排序选出所需要的特征值；S22根据每一列特征，求出其每项特征的最大值max最小值min；S23若min≥0，则对每列数据进行如下归一化：其中，x
i,j
为第i列第j行的特征值，x
’
i,j
为其归一化后的值，min
i
为第i列的最小值，max
i
为第i列的最大值；S24若min<0,则对每列数据进行如下归一化：其中，x
i,j
为第i列第j行的特征值，x
’
i,j
为其归一化...

【专利技术属性】
技术研发人员：王晓兰，盛明珺，刘守豹，管毓瑶，胡思宇，刘洋成，魏棕凯，
申请(专利权)人：中国大唐集团科学技术研究总院有限公司，
类型：发明
国别省市：