【技术实现步骤摘要】
本专利技术涉及抽水蓄能机组健康管理，特别是涉及一种抽水蓄能机组劣化趋势集成预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、抽水蓄能机组是作为水电能量转换的关键设备，随着累计运行时间的增加，机组容易发生异常振动、设备耗尽、机组劣化等情况。劣化程度不断增加，机组的设备性能将逐渐下降，最终可能导致设备故障。随着抽水蓄能机组状态在线监测系统采集的数据越来越多，有效挖掘监测数据与机组状态之间的关系，准确预测劣化趋势是一个新的研究方向。
3、专利cn114880917a提出一种抽水蓄能机组健康状态模型构建及性能趋势预测的方法，利用有功功率、工作水头和导叶开度作为工况参数，机组振动作为性能参数并通过高斯回归建立机组的标准健康模型，随后对在线测量的振动和预测的健康振动间的相对偏差进行预测。但是，该方法仅考虑机组振动及其三个影响因素：有功功率、水头和导叶开度，由此构建的标准健康模型是远远不够全面的。
4、专利cn117435988a提出一种基于eemd-gru-transformer的蓄能电站水电机组振动劣化预测方法，将劣化度时间序列进行模态分解，分解为平稳的分量，对分量分别输入到gru-transformer网络中得到各个分量的预测趋势，将分量叠加得到最终劣化度趋势。但是，该方法利用同一个模型进行预测叠加，忽略了分解分量的不同时间尺度差异，导致预测精度有待进一步提高。
5、综上，目前对机组的劣化趋势预测方法中，存在选取的工况参数较少
技术实现思路
1、为了解决上述问题，本专利技术提出了一种抽水蓄能机组劣化趋势集成预测方法及系统，结合时域健康模型和频率健康模型构建综合劣化趋势序列，综合考虑机组运行状态在时频域的变化特征和趋势，能够全面反映机组的劣化信息，能够更合理且准确地预测抽水蓄能机组劣化趋势。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种抽水蓄能机组劣化趋势集成预测方法，包括：
4、获取抽水蓄能机组在不同工况下的历史运行数据及对应的历史状态数据，并以此构建时域健康模型；
5、对历史状态数据进行模态分解，根据各模态分量的近似熵得到健康状态下的频域特征向量，对频域特征向量进行聚类得到健康中心向量，以此构建频域健康模型；
6、获取实时运行数据，采用时域健康模型和频域健康模型，分别得到时域劣化指标和频域劣化指标，并基于两类劣化指标得到综合劣化趋势序列；
7、对综合劣化趋势序列进行分解，对得到的非线性分量和线性分量分别进行预测，将各预测结果进行叠加得到最终的劣化趋势预测结果。
8、作为可选择的实施方式，所述运行数据包括水头、有功功率、无功功率、励磁电压、励磁电流和导叶开度；状态数据包括振动数据；采用时序卷积网络，以历史运行数据为输入，以历史状态数据为输出，构建时域健康模型。
9、作为可选择的实施方式，采用时域健康模型得到时域劣化指标的过程包括：
10、将实时运行数据输入到时域健康模型中得到当前工况下的健康值y(t)，取实际值t(t)与健康值y(t)的相对误差作为时域劣化指标r1(t)：
11、作为可选择的实施方式，采用频域健康模型得到频域劣化指标的过程包括：
12、对实时运行数据对应的状态数据提取频域特征向量l(t)，计算l(t)与健康中心向量ω之间的欧氏距离，得到频域劣化指标r2(t)：
13、
14、作为可选择的实施方式，将时域劣化指标r1(t)和频域劣化指标r2(t)加权求和得到综合劣化趋势序列r(t)：r(t)＝ω1·r1(t)+ω2·r2(t)；其中，ω1和ω2是加权系数；具体为：
15、作为可选择的实施方式，采用autoformer模型对非线性分量进行预测，采用arma模型对线性分量进行预测，将各预测结果进行累加求和得到最终的劣化趋势预测结果。
16、第二方面，本专利技术提供一种抽水蓄能机组劣化趋势集成预测系统，包括：
17、时域健康模型构建模块，被配置为获取抽水蓄能机组在不同工况下的历史运行数据及对应的历史状态数据，并以此构建时域健康模型；
18、频域健康模型构建模块，被配置为对历史状态数据进行模态分解，根据各模态分量的近似熵得到健康状态下的频域特征向量，对频域特征向量进行聚类得到健康中心向量，以此构建频域健康模型；
19、劣化指标确定模块，被配置为获取实时运行数据，采用时域健康模型和频域健康模型，分别得到时域劣化指标和频域劣化指标，并基于两类劣化指标得到综合劣化趋势序列；
20、集成预测模块，被配置为对综合劣化趋势序列进行分解，对得到的非线性分量和线性分量分别进行预测，将各预测结果进行叠加得到最终的劣化趋势预测结果。
21、第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
22、第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
23、第五方面，本专利技术提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现完成第一方面所述的方法。
24、与现有技术相比，本专利技术的有益效果为：
25、本专利技术提供一种抽水蓄能机组劣化趋势集成预测方法及系统，考虑多种工况参数，利用时序卷积网络和多种工况参数以及振动数据构建时域健康模型，基于集合经验模态分解、近似熵和k均值聚类算法建立频域健康模型，根据时域健康模型和频域健康模型分别建立时域劣化指标和频域劣化指标，并将二者加权来计算综合劣化趋势序列，利用完全自适应噪声集成经验模态分解对综合劣化趋势序列进行分解，根据分解所得分量的不同时间尺度特性，对非线性分量和线性分量分别进行预测，最后将预测值叠加得到最终预测结果，能够更合理、准确地预测抽水蓄能机组劣化趋势。
26、本专利技术针对当前抽水蓄能机组劣化趋势预测中构建机组健康模型和劣化指标的不足，提出结合时域健康模型和频率健康模型构建抽水蓄能机组综合劣化序列，综合考虑机组运行状态在时频域的变化特征和趋势，能够全面反映机组的劣化信息，为后续劣化预测打下良好的基础。
27、本专利技术采用特征提取方法，在利用完全自适应噪声集成经验模态分解将原始数据分解成子序列之后，能够降低序列的非平稳性，实现降噪效果，进而能够提升模型的预测精度。同时根据分解所得分量的不同时间尺度特性，将其分为非线性分量和线性分量，并分别利用autoformer模型和arma模型进行预测，相比于其他模型具有更高的预测精度和更强的稳定性，弥补transfor本文档来自技高网...
【技术保护点】
1.一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，包括：
2.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，所述运行数据包括水头、有功功率、无功功率、励磁电压、励磁电流和导叶开度；状态数据包括振动数据；采用时序卷积网络，以历史运行数据为输入，以历史状态数据为输出，构建时域健康模型。
3.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，采用时域健康模型得到时域劣化指标的过程包括：
4.如权利要求3所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，采用频域健康模型得到频域劣化指标的过程包括：
5.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，将时域劣化指标R1(t)和频域劣化指标R2(t)加权求和得到综合劣化趋势序列R(t)：R(t)＝ω1·R1(t)+ω2·R2(t)；其中，ω1和ω2是加权系数；具体为：
6.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，采用Autoformer模型对非线性分量进行预测，采用ARMA模型对线性分
7.一种抽水蓄能机组劣化趋势集成预测系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现完成权利要求1-6任一项所述的方法。
...【技术特征摘要】
1.一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，包括：
2.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，所述运行数据包括水头、有功功率、无功功率、励磁电压、励磁电流和导叶开度；状态数据包括振动数据；采用时序卷积网络，以历史运行数据为输入，以历史状态数据为输出，构建时域健康模型。
3.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，采用时域健康模型得到时域劣化指标的过程包括：
4.如权利要求3所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，采用频域健康模型得到频域劣化指标的过程包括：
5.如权利要求1所述的一种抽水蓄能机组劣化趋势集成预测方法，其特征在于，将时域劣化指标r1(t)和频域劣化指标r2(t)加权求和得到综合劣化趋势序列r(t)：r(t)＝ω1·r1(t)+ω2·r2(...
【专利技术属性】
技术研发人员：钟子威，祝令凯，郑威，郭俊山，秦佳峰，赵洺哲，巩志强，商攀峰，韩悦，梁凯，刘军，张彦鹏，
申请(专利权)人：国网山东省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。