【技术实现步骤摘要】
一种水电机组运行数据趋势预警方法
本专利技术涉及水电机组故障诊断领域，具体涉及一种水电机组运行数据趋势预警方法。
技术介绍
水电发电厂生产设备系统繁多、关联复杂、各设备运行状态等需要监测和分析的信息数据量非常庞大。对于已发生的设备故障，通过监控系统可以监测到。然而为了防患于未然，保证运行安全，运行维护值班人员和专业工程师凭自身经验和感觉来逐一排查异常数据来对设备进行状态监控。即使是有经验的专业人员依靠优秀的个人能力来进行参数分析，也一定会存在监视范围有限、监视时间有限、参数之间关联度难以准确掌握等问题。设备状态判断的主观性甚至个人工作的情绪化等不可控因素均可造成设备日常巡视是否到位不可控等非良性状态，不利于日常设备的持续良性管理。当运行参数超过设备可承受限度值报警后或者设备被迫停运或者设备已受到了难以恢复的损伤。因此，仅凭专业人员个人素养已经不能满足当前电厂优化运行与可靠性状态分析等精细化生产管理要求。随着大数据时代的到来，人工智能机器学习技术的飞速发展，为解决这一问题提供了新的手段。如何利用水电站设备运行历史数据，...
【技术保护点】
1.一种水电机组运行数据趋势预警方法，其特征在于，包括以下步骤：/nS1、定时采集正常稳定关联度高的水电机组运行数据，得到水电机组工况数据集；/nS2、对水电机组工况数据集进行预处理，得到训练数据集；/nS3、将训练数据集输入长短时记忆模型LSTM中，进行训练，得到当前优化的长短时记忆模型LSTM；/nS4、采用当前优化的长短时记忆模型LSTM对水电机组工况进行趋势预测，得到预测结果；/nS5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的...
【技术特征摘要】
1.一种水电机组运行数据趋势预警方法，其特征在于，包括以下步骤：
S1、定时采集正常稳定关联度高的水电机组运行数据，得到水电机组工况数据集；
S2、对水电机组工况数据集进行预处理，得到训练数据集；
S3、将训练数据集输入长短时记忆模型LSTM中，进行训练，得到当前优化的长短时记忆模型LSTM；
S4、采用当前优化的长短时记忆模型LSTM对水电机组工况进行趋势预测，得到预测结果；
S5、设置水电机组运行时的多级预警值，判断预测结果是否达到预警值，若是，则给出预警时间，并将预测结果和预警时间展示在电站监控系统的前端，结束预警流程，若否，则将预测结果展示在电站监控系统的前端，结束预警流程。
2.根据权利要求1所述的水电机组运行数据趋势预警方法，其特征在于，所述步骤S2包括以下步骤：
S21、对水电机组工况数据集计算缺失值比例，得到数据对应的缺失率；
S22、根据数据对应的缺失率，对水电机组工况数据集进行清洗，得到初始数据集；
S23、采用小波阈值收缩去噪法对初始数据集进行噪声剔除，得到有效重构数据集；
S24、对有效重构数据集进行归一化处理，得到归一化的时间序列数据集；
S25、采用ADF检验方法对归一化的时间序列数据集进行划分，得到第一时间序列平稳的数据集和时间序列非平稳的数据集；
S26、对时间序列非平稳的数据集采用一阶差分法对时间序列数据进行平稳化，得到第二时间序列平稳的数据集；
S27、将第一时间序列平稳的数据集和第二时间序列平稳的数据集进行有监督式数据转换，得到训练数据集。
3.根据权利要求2所述的水电机组运行数据趋势预警方法，其特征在于，所述步骤S22包括以下步骤：
S221、对重要性高缺失率低的数据采用缺失值局部平均插值方法进行补全，对重要性高缺失率高的数据通过关联字段计算进行补全，对重要性低缺失率低的数据做临近值填充处理，并去除重要性低缺失率高的数据，得到特征数据集；
S222、对特征数据集进行格式和内容修订，并去除错误特征数据，得到修订特征数据集；
S223、对修订特征数据集进行关联性验证，得到关联性高的特征数据，将关联性高的特征数据集作为初始数据集。
4.根据权利要求2所述的水电机组运行数据趋势预警方法，其特征在于，所述步骤S23包括以下分步骤：
S231、采用层数为N的小波对初始数据集进行小波分解，保留大...
【专利技术属性】
技术研发人员：闫亚男，陈小松，文正国，张煦，龚传利，
申请(专利权)人：北京中水科水电科技开发有限公司，
类型：发明
国别省市：北京;11
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。