【技术实现步骤摘要】
一种水电机组劣化趋势区间预测方法与系统
本专利技术属于水电机组性能监测
，更具体地，涉及一种水电机组劣化趋势区间预测方法与系统。
技术介绍
随着累积运行时间的增加，水电机组各设备开始疲劳，不断劣化，由于缺乏故障样本，目前水电机组主要采用静态报警阈值，这种报警策略忽略了机组不同工况下的机组性能差异，缺少对机组早期潜在故障的预警能力，远不足以充分反映机组的运行状态，还不能满足现场需求。如何有效地判断机组的真实运行状态，更好地预测出机组的劣化趋势，以便及时进行异常状态预警，提高水电机组运行维护的水平，减少故障导致的停机损失，是水电机组向状态检修转变的重要研究方向。现有的水电机组故障预测技术研究侧重于信号特征提取方法和智能模式识别方法，未能充分考虑运行工况对故障信号特征的影响。因此，当将其应该于实际机组故障诊断时，不能满足水轮发电机组故障诊断的工程需求。此外，水轮发电机组健康状态评估与故障预测在传统研究中没有得到足够的重视，水轮发电机组劣化状态预测处于起步阶段。
技术实现思路
针对现有技术的不足，本专利技术提供了一种水电机组劣化趋势区间预测方法与系统，能够获取未来时间内劣化趋势的概率分布，从而获取比确定性的单值预测更多的信息，避免了传统单值预测无法实现对预测值区间范围与概率分布的评估，更无法在此基础上实现一定的风险分析的问题。一种水电机组劣化趋势区间预测方法，包括离线训练阶段S和在线检测阶段T；所述离线训练阶段S具体为：S1：利用健康状态下的水电机组状态训练数据建立水电机组健康模型，即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入，水电机组振动V(t...
【技术保护点】
1.一种水电机组劣化趋势区间预测方法，其特征在于，包括离线训练阶段S和在线检测阶段T；所述离线训练阶段S具体为：S1：利用健康状态下的水电机组状态训练数据建立水电机组健康模型，即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入，水电机组振动V(t)为输出，通过曲面拟合建立水电机组健康状态模型V(t)＝f[P(t),H(t)]，t表示水电机组状态监测时刻；S2：利用故障状态下的水电机组状态训练数据建立机组劣化趋势模型，即以水电机组故障运行状态下的功率
【技术特征摘要】
1.一种水电机组劣化趋势区间预测方法，其特征在于，包括离线训练阶段S和在线检测阶段T；所述离线训练阶段S具体为：S1：利用健康状态下的水电机组状态训练数据建立水电机组健康模型，即以水电机组健康运行状态下的功率P(t)和水头H(t)为输入，水电机组振动V(t)为输出，通过曲面拟合建立水电机组健康状态模型V(t)＝f[P(t),H(t)]，t表示水电机组状态监测时刻；S2：利用故障状态下的水电机组状态训练数据建立机组劣化趋势模型，即以水电机组故障运行状态下的功率和水头代入机组健康模型得到机组标准健康振动状态并与实际的机组振动状态对比，获得机组劣化度D(t)；S3：依据机组劣化度D(t)构造时间序列上、下界D(t)：为预设劣化度变化上限值，a为预设劣化度变化下限值；S4：分别取时间序列上界和D(t)的前L个训练数据作为候选输入属性矩阵和Input(t)，建立上限训练数据对和下限训练数据对(Input,Output)：其中和Output(t)分别为水电机组劣化区间上、下界的训练数据矩阵，LL为水电机组劣化趋势时间序列总长度；S5：分别对数据对和(Input,Output)进行数据归一化处理，得到归一化后的数据对和(input,output)；S6：分别使用归一化后的数据对和(input,output)训练二型模糊模型，得到劣化区间上限值预测模型和下限值预测模型；在线预测阶段具体为：T1：实时采集待预测水电机组运行状态下的功率和水头，按照离线训练阶段S1-S5的方式得到待预测上、下界的输入属性矩阵；将待预测上、下界的输入属性矩阵分别代入劣化区间上限值和下限值预测模型，得到待预测水电机组的劣化趋势区间。2.根据权利要求1所述的水电机组劣化趋势区间预测方法，其特征在于，所述训练二型模糊模型的具体实现方式为：S601：初始化参数，包括两个模糊因子m1和m2、聚类总数C、距离调节参数η、最大迭代次数Tmax、停止迭代阈值ε；利用模糊C均值进行粗聚类获取一型隶属度矩阵U＝[uik]，令初始和uik是xk分别隶属于第i类上超平面和下超平面的隶属度，xk为训练数据的候选输入属性矩阵x的第k行；初始划分矩阵令当前迭代次数t＝0；S602：利用下式计算每个聚类的上下超平面参数：αi＝[XTPiX]-1XTPiy其中，X＝[x1]∈RN×(M+1)：y为训练数据实际的水电机组劣化趋势数据矩阵；S603：利用类型还原并计算实际值与模糊模型预测输出的误差Eik(αi)＝yk-fi(xk,αi)，其中yk是训练数据实际的水电机组劣化趋势数据矩阵y＝(y1,y2...yN)T的第k分量；fi(xk,αi)为区间二型T-S模糊模型的第i个输出，i＝1…C；S604：按照下式计算上下隶属度函数和uik：S605：利用上下隶属度函数和uik更新计算划分矩阵和Pi；S606：令t＝t+1，转至步骤S602，直到相邻两次迭代的差值||αicurrent-αilast||＞ε，进入步骤S607，αicurrent是当前迭代的第i类超平面参数，αilast是上一次迭代的第i类超平面参数，ε是停止迭代阈值，或者t＞Tmax时，停止迭代；S607：计算输入数据点距离上下超平面的距离：S608：依据下式计算数据点分别隶属于上下超平面型的高斯隶属度函数和S609：计算模糊权重ωi(xk)表示第k个输入分量属于第i类的程度；S610：将模糊权重ωi(xk)输入T-S模糊模型训练确定模型参数。3.根据权利要求2所述的水电机组劣化趋势区间预测方法，其特征在于，还包括步骤S7：对所述劣化区间上限值和下限值预测模型进行优化，具体为：S701：选取预测模型待优化变量为其中和为预测区间上界关于上下隶属度的模糊权重值，m1和m2为预测区间下界关于上、下隶属度的模糊权重值，和η为预测区间上、下界关于二型模糊模型的超平面调节系数，和a为预测区间上下界构造系数；S702：确定待优化变量的上下界[BL,BU]，BL和BU分别为预测模型待优化参数的最小值和最大值；在此区间随机初始化群体中所有个体的位置向量，个体位置向量代表一组控制参数；设置最大迭代次数Nitmax、群体规模N0、初始引力常数G0，衰减系数β；令当前迭代次数t＝0；S703：提取水电机组运行状态下的功率和水头验证数据，按照离线训练阶段S1-S5的方式得到上、下界的验证数据对；S704：将上、下界的验证数据对中的上、下界的输入属性矩阵带入劣化区间上限值和下限值预测模型，得到验证用的预测区间；S705：将验证用的预测区间反归一化，得到验证用的劣化趋势预测区间的上界和下界和S706：计算预测区间覆盖率PICP以及预测区间宽度PINAW，以及综合指标CWC；式中，n为采样总数，R是验证数据的实际劣化趋势的最大值与最小值之间的差值；式中，Ci是验证数据处于劣化趋势预测区间的计数；式中，ξ为惩罚系数，Δ为置信阈值；S707：计算个体Xi的目标函数值：fiti(t)＝t1*CWCtrain(t)+t2*CWCopt(t)其中，t1+t2＝1CWCtrain(t)为训练数据的综合指标，CWCopt(t)为验证数据的综合指标；S708：GSA优化迭代，过程如下：计算所有个体的引力常数Gi(t)，i＝1,...,N0：其中，G0为引力常数初始值，β为衰减系数，t为当前迭代次数，Nitmax为最大迭代次数；根据目标函数值fiti计算粒子质量Mi：其中，best＝minfitj，worst＝maxfitj；计算第i个粒子受到第j个粒子的作用力其中，Gi(t)是第i个个体引力时间常数，Mi(t)是第j个粒子的引力质量，Mj(t)是第i个粒子的引力质量，Xi(t)是第i个粒子的位置向量，Xj(t)是第j个粒子的位置向量，表示第j个位置向量的第d维，表示第i个位置向量的第d维，t为当前迭代次数；计算所有个体的万有引力Fi：其中，randj为(0，1)之间随机数，t为当前迭代次数；计算所有个体的加速度其中，Mi(t)为第t次迭代的第i个个体质量，t为当前迭代次数；更新所有个体的速度vi和位置Xi：其中：randi为(0，1)之间随机数，d表示位置向量的第d维，t为当前迭代次数；S709：令t＝t+1,重复步骤S703-S708，直至迭代次数t大于最大迭代次数Nitmax。4.根据权利要求2所述的方法，其特征在于，利用模糊C均值进行粗聚类获取一型隶属度矩阵。5.根据权利要求2所述的方法，其特征在于，机组劣化度D(t)计算方式如下：6.一种水电机组劣化趋势...
【专利技术属性】
技术研发人员：李超顺，邹雯，刘颉，许颜贺，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42
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。