【技术实现步骤摘要】
本专利技术涉及水蓄能机组智能预警，尤其涉及一种用于水蓄能机组劣化状态趋势快速预警系统及方法。
技术介绍
1、抽水蓄能电站在电力系统中扮演着重要的角色，特别是在可再生能源迅速发展的背景下。随着电网对灵活性和可靠性的要求不断提高，抽水蓄能电站不仅仅是简单的储能设施，还成为了电力调度和调频的重要组成部分，因此，对于抽水蓄能机组的维护和管理变得尤为重要，现有的水蓄能机组运行状态监测系统主要依赖于定期的人工检查和简单的故障报警系统，存在实时性差、准确性低、预警滞后的问题，无法有效预防机组劣化导致的故障，为此，亟需一种能够实时监测和预测水蓄能机组劣化状态的系统和方法，以提高机组运行的可靠性和维护效率。
2、中国专利公开号：cn113268835b公开了一种基于扩展隔离林和云模型的抽水蓄能水电机组健康评估方法和装置，包括获取抽水蓄能水电机组实时运行时轴承摆度的当前稳态数据，根据所述当前稳态数据、云模型和扩展隔离林模型，得到所述抽水蓄能水电机组实时运行的当前异常分数值；利用预设异常分数阈值范围对所述当前异常分数值进行归一化，得到所述抽水蓄能水电机组实时运行的当前健康度；采用所述抽水蓄能水电机组运行的历史健康度和所述当前健康度，对所述抽水蓄能水电机组的当前健康状态进行评估。但该方案无法对水蓄能机组的运行状态进行预测，难以提高运行可靠性和维护效率。
技术实现思路
1、为此，本专利技术提供一种用于水蓄能机组劣化状态趋势快速预警系统及方法，用以克服现有技术中水蓄能机组运行可靠性和维护效率低的问
2、为实现上述目的，本专利技术提供一种用于水蓄能机组劣化状态趋势快速预警系统，包括：
3、数据采集模块，用以对水蓄能机组运行数据进行实时采集；
4、特征处理模块，用以对水蓄能机组运行数据进行特征处理，得到特征运行数据；
5、实时监测模块，用以构建实时监测模型，并对水蓄能机组劣化状态进行实时监测；
6、劣化预测模块，用以构建劣化预测模型，并对水蓄能机组劣化状态趋势进行预测；
7、预测调整模块，用以根据各时间节点的预测结果和识别结果对劣化预测模块进行调整；
8、预测优化模块，用以根据优化周期内的调整次数和预设调整对预测调整模块进行优化。
9、进一步地，所述特征处理模块包括：
10、预处理单元，用以对水蓄能机组运行数据进行预处理，得到预处理运行数据；
11、特征提取单元，用以构建特征提取模型，并根据特征提取模型对预处理运行数据进行特征提取，得到特征运行数据，特征提取单元与预处理单元连接
12、进一步地，所述预处理单元，通过数据编辑工具对水蓄能机组运行数据进行预处理，得到预处理运行数据；
13、所述特征提取单元，在构建特征提取模型时，将历史特征提取数据库划分为75％的特征训练集、15％的特征验证集和10％的特征测试集，将特征训练集输入卷积神经网络模型中对卷积神经网络模型进行训练，将特征验证集输入训练后的卷积神经网络模型中对训练后的卷积神经网络模型的参数进行迭代优化，并将特征测试集输入至迭代优化后的卷积神经网络模型中进行测试，设定特征测试集样本总数量为m0，迭代优化后的卷积神经网络模型正确输出的样本数量为m1，特征准确率为q，q＝m1/m0，将特征准确率q与预设特征准确率q0进行比对，根据比对结果对卷积神经网络模型的训练达标情况进行判断，并根据判断结果进行输出，其中：
14、当q≥q0时，判定该卷积神经网络模型训练达标，将该卷积神经网络模型作为特征提取模型进行输出，并将预处理运行数据输入特征提取模型中进行特征提取，得到特征运行数据；
15、当q＜q0时，判定该卷积神经网络模型训练不达标，对历史特征提取数据库进行更新，并初始化该卷积神经网络模型，根据更新后的历史特征提取数据库对初始化后的卷积神经网络模型进行训练，直至该卷积神经网络模型训练达标。
16、进一步地，所述实时监测模块，将预设运行数据组划分为70％的运行训练集、15％的运行验证集和15％的运行测试集，将运行训练集输入决策树模型中进行训练，得到训练后的决策树模型，将运行验证集输入训练后的决策树模型中对训练后的决策树模型的参数进行迭代优化，并将运行测试集输入迭代优化后的决策树模型中，对迭代优化后的决策树模型进行测试，得到运行正确率k，将运行正确率k与预设运行正确率k0进行比对，根据比对结果对决策树模型的训练合格情况进行判断，并根据判断结果对决策树模型进行输出，其中：
17、当k≥k0时，判定该决策树模型训练合格，将该决策树模型作为实时监测模型进行输出；
18、当k＜k0时，判定该决策树模型训练不合格，更新预设运行数据组，并根据更新后的预设运行数据组对该决策树模型重复训练，直至该决策树模型训练达标。
19、进一步地，所述实时监测模块，还将特征运行数据输入实时监测模型中进行识别，得到识别结果，根据识别结果对水蓄能机组劣化状态进行判断，并根据判断结果进行输出，其中：
20、当识别结果为运行正常时，判定水蓄能机组劣化状态合格，不对水蓄能机组进行维护；
21、当识别结果为运行异常时，判定水蓄能机组劣化状态不合格，将特征运行数据与预设维护模板进行比对，根据比对结果进行输出，其中：
22、若预设维护模板中存在与特征运行数据一致的预设特征运行数据时，将与预设特征数据对应的预设维护方案进行输出，根据该预设维护方案对水蓄能机组进行维护；
23、若预设维护模板中不存在与特征运行数据一致的预设特征运行数据时，向管理员发出告警，由管理员对水蓄能机组进行维护，并更新预设维护模板。
24、进一步地，所述劣化预测模块，在构建劣化预测模型时，将预设预测数据组划分为70％的预测训练集、20％的预测验证集和10％的预测测试集，将预测训练集输入lstm模型中进行训练，得到训练后的lstm模型，将预测验证集输入训练后的lstm模型中对训练后的lstm模型的参数进行迭代优化，并将预测测试集输入迭代优化后的lstm模型中，对迭代优化后的lstm模型进行测试，得到预测正确率l，将预测正确率l与预设预测正确率l0进行比对，根据比对结果对lstm模型的训练成功情况进行判断，并根据判断结果对lstm模型进行输出，其中：
25、当l≥l0时，判定该lstm模型训练成功，将该lstm模型作为劣化预测模型进行输出；
26、当l＜l0时，判定该lstm模型训练不成功，更新预设测试数据组，并根据更新后的预设测试数据组对该lstm模型重复训练，直至该lstm模型训练成功。
27、进一步地，所述劣化预测模块，在对水蓄能机组劣化状态趋势进行预测时，将特征运行数据输入至劣化预测模型中进行预测，得到预测结果，根据预测结果对水蓄能机组劣化状态趋势的安全情况进行判断，并根据判断结果进行输出，其中：
28、当预测结果为趋势正常时，判定水蓄能机组劣化状态趋势本文档来自技高网...
【技术保护点】
1.一种用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，包括：
2.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述特征处理模块包括：
3.根据权利要求2所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述预处理单元，通过数据编辑工具对水蓄能机组运行数据进行预处理，得到预处理运行数据；
4.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述实时监测模块，将预设运行数据组划分为70％的运行训练集、15％的运行验证集和15％的运行测试集，将运行训练集输入决策树模型中进行训练，得到训练后的决策树模型，将运行验证集输入训练后的决策树模型中对训练后的决策树模型的参数进行迭代优化，并将运行测试集输入迭代优化后的决策树模型中，对迭代优化后的决策树模型进行测试，得到运行正确率K，将运行正确率K与预设运行正确率K0进行比对，根据比对结果对决策树模型的训练合格情况进行判断，并根据判断结果对决策树模型进行输出，其中：
5.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征
6.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述劣化预测模块，在构建劣化预测模型时，将预设预测数据组划分为70％的预测训练集、20％的预测验证集和10％的预测测试集，将预测训练集输入LSTM模型中进行训练，得到训练后的LSTM模型，将预测验证集输入训练后的LSTM模型中对训练后的LSTM模型的参数进行迭代优化，并将预测测试集输入迭代优化后的LSTM模型中，对迭代优化后的LSTM模型进行测试，得到预测正确率L，将预测正确率L与预设预测正确率L0进行比对，根据比对结果对LSTM模型的训练成功情况进行判断，并根据判断结果对LSTM模型进行输出，其中：
7.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述劣化预测模块，在对水蓄能机组劣化状态趋势进行预测时，将特征运行数据输入至劣化预测模型中进行预测，得到预测结果，根据预测结果对水蓄能机组劣化状态趋势的安全情况进行判断，并根据判断结果进行输出，其中：
8.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述预测调整模块，获取劣化预测模块对各时间节点t的预测结果和实时监测模块在各时间节点t时的识别结果，将预测结果与识别结果进行比对，根据比对结果对劣化预测模块的有效性进行判断，并根据判断结果对劣化预测模块进行调整，其中：
9.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述预测优化模块，获取优化周期内预测调整模块对劣化预测模块进行调整的调整次数H，将调整次数H与预设调整次数H0进行比对，根据比对结果对预测调整模块的实用性达标情况进行判断，并根据判断结果对预测调整模块进行优化，其中：
10.一种应用于如权利要求1-9所述的用于水蓄能机组劣化状态趋势快速预警系统的方法，其特征在于，包括：
...【技术特征摘要】
1.一种用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，包括：
2.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述特征处理模块包括：
3.根据权利要求2所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述预处理单元，通过数据编辑工具对水蓄能机组运行数据进行预处理，得到预处理运行数据；
4.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述实时监测模块，将预设运行数据组划分为70％的运行训练集、15％的运行验证集和15％的运行测试集，将运行训练集输入决策树模型中进行训练，得到训练后的决策树模型，将运行验证集输入训练后的决策树模型中对训练后的决策树模型的参数进行迭代优化，并将运行测试集输入迭代优化后的决策树模型中，对迭代优化后的决策树模型进行测试，得到运行正确率k，将运行正确率k与预设运行正确率k0进行比对，根据比对结果对决策树模型的训练合格情况进行判断，并根据判断结果对决策树模型进行输出，其中：
5.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述实时监测模块，还将特征运行数据输入实时监测模型中进行识别，得到识别结果，根据识别结果对水蓄能机组劣化状态进行判断，并根据判断结果进行输出，其中：
6.根据权利要求1所述的用于水蓄能机组劣化状态趋势快速预警系统，其特征在于，所述劣化预测模块，在构建劣化预测模型时，将预设预测数据组划分为70％的预测训练集、20％的预测验证集和10％的预测测试集，将预测训练集输入lst...
【专利技术属性】
技术研发人员：李增强，
申请(专利权)人：北京凤翔宏伟建筑工程有限公司，
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。