利用机器学习预测水轮发电机组导轴承瓦温度的方法技术

利用机器学习预测水轮发电机组导轴承瓦温度的方法,包括获取数据、清洗数据、数据分类、训练模型、计算时间滞后量、确定预测值阈上下限、对数据进行预测、判断是否告警以及对模型进行评价。针对现有导轴承瓦温度固定阈值报警，不能有效发现和预警上导轴承瓦温度劣化等缺陷，对大型水轮发电机组在开机工况，稳定运行工况、停机工况采用不同的机器学习模型进行上导轴承瓦温度预测；通过程序确定冷却水冷却上导轴承瓦温度的滞后时间可以更精确的进行上导轴承瓦温度预测；采用3σ原则确定导轴承瓦温预测值的上下限，能够早期发现上导瓦出现的异常，技术人员及早对设备进行调整、维护，能有效提高水轮发电机组运行的安全可靠性。有效提高水轮发电机组运行的安全可靠性。有效提高水轮发电机组运行的安全可靠性。

【技术实现步骤摘要】
利用机器学习预测水轮发电机组导轴承瓦温度的方法


[0001]本专利技术涉及水轮发电机组安全监控领域，具体涉及一种利用机器学习预测水轮发电机组导轴承瓦温度的方法。

技术介绍

[0002]当前大型水力发电厂水轮发电机各部轴承瓦温度监测多在监控系统侧进行(或故障诊断系统)，按设定阈值进行报警，该报警方法距离保护动作温度相差不大，而且每台机组设定值相同，当报警发出以后通常意味着设备故障已经发生。本方法利用大量的历史数据进行机器学习，形成冷却水温、上导瓦温度的函数关系，当实际温度偏离预测值(相当于可变阈值)进行告警，这样将提前告知当前的上导瓦温度已经劣化，需要引起注意。
[0003]健康运行状态下,机组工况、冷却水进水口温度等监测量与上导轴承瓦温度之间存在一定的映射关系。当预测值与实测值关系发生偏离,各个参数之间的期望映射关系被破坏,设备很可能处于异常状态,引发故障告警。机器学习具有在训练数据中寻找数据特征间的相关关系，从而使用特定的数学公式来拟合这种关系，进而可以通过与目标值相关的一些特征测点数据来预测目标值。
[0004]现有技术中也有对水轮机轴承进行温度判断的方法，中国专利文献CN108362497A记载了一种用于水轮机组轴承温度异常判断的方法及系统，通过待检测值计算模块计算出各轴承温度测点的待检测值，温度异常判断模块将待检测值与预设阈值进行比较，判断待检测值中的任一值是否超过预设阈值，如果待检测值中的任一值超过预设阈值，那么待检测值对应的轴承温度异常，此方法只能通过多点检测轴承的温度，判断水轮机轴承温度是否超差，当计算结果是超温时，此时轴承已经以故障带病模式工作了一段时间，通常已经发生了不可逆的损坏，需要对水轮机组进行紧急项修才能解决问题。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种利用机器学习预测水轮发电机组导轴承瓦温度的方法，利用大量的历史数据进行机器学习，形成冷却水温、上导瓦温度的函数关系，当实际温度偏离设定的预测限值时进行告警，这样将提前告知当前的上导瓦温度已经劣化，需要引起注意，可以及时停机检查查找故障原因(如润滑故障、渗入杂质等)，及时排除引起故障的诱因，提前避免事态扩大，导致导轴承损坏。
[0006]为解决上述技术问题，本专利技术所采用的技术方案是：
[0007]利用机器学习预测水轮发电机组导轴承瓦温度的方法，包括以下步骤：Step1、获取数据，获取水轮发电机组导轴承及导轴承冷却水的在发电机组开机、稳定运行和停机时的温度数据；
[0008]Step2、清洗数据，对数据集中存在异常的数据去除；
[0009]Step3、数据分类，将清洗后的数据分为训练集、验证集和测试集；
[0010]Step4、训练模型，将发电机组工况分为开机、稳定运行和停机，根据工况类型选取
模型和模型参数进行训练，得到轴承冷却水温度和导轴承温度相对于时间的函数模型，使用验证集数据对训练好的模型进行验证，若验证集的预测效果不符合设定要求，模型重新训练，当验证集验证的模型满足要求时，通过测试集对模型进行测试纠正；
[0011]Step5、计算时间滞后量，通过计算导轴承冷却水进水口温度和导轴承瓦温度的相关系数，得到导轴承冷却水温度的提前时间量；
[0012]Step6、通过数据正态分布的3σ原则确定导轴承瓦预测值的上下限：当计算出样本的平均值、样本标准差后，99％的样本数据在μ
‑
3σ、μ+3σ这个区间范围内,以此作为预测温度的上下限值，当实际值超过μ
‑
3σ、μ+3σ范围进行告警；Step7、根据Step4中得到的模型对新的数据进行预测，并根据Step5中的提前时间量得出导轴承瓦的预测值，并输出预测值、预测值上限、预测值下限；
[0013]Step8、判断是否告警，当根据新的数据得到的导轴承瓦预测值落入Step6中的预测值上限和预测值下限所包围的区间范围内，不触发告警，否则告警。
[0014]上述的Step4中发电机组在开机工况下使用龚帕兹Gompertz模型对训练数据进行拟合并得到相应的导轴承瓦温度的预测模型。
[0015]上述的Step4中发电机组在开机工况下中龚帕兹Gompertz模型表达式为：
[0016][0017]其中y
′
为开机运行状态上导轴承瓦温度预测值的归一化格式，t为时间，a、b、K为待估计的参数，根据训练集数据和龚帕兹Gompertz模型进行拟合，得到a、b、K的值，将此表达式转化为预测模型：
[0018][0019]为开机运行状态发电机组导轴承瓦温度的预测值，为历史开机运行状态中发电机组导轴承瓦温度的时间序列数据，i＝1,2,3,
…
600。
[0020]上述的Step4中发电机组在稳定运行工况下使用岭回归模型对导轴承温度变化进行预测。
[0021]上述的岭回归模型表达式为：
[0022][0023]其中y
i
为稳定运行状态发电机组导轴承瓦温度的预测值，为数据样本的特征值，w为数据样本对应的参数项系数，σ为数据样本方差；
[0024]传统线性回归模型的最小二乘优化函数为：
[0025][0026]通过矩阵表示为：
[0027]f(w)＝(y
‑
Xw)
T
(y
‑
Xw)
[0028]得到的回归系数为：
[0029][0030]这个问题解存在且唯一的条件就是X满秩，即：rank(X)＝dim(X)，即使X满秩，当特征数据间存在多重共线性，也就是特征之间存在着较强的相关性时，会使得最小二乘优化
函数的解不稳定；
[0031]为了解决传统最小二乘优化中的共线性问题，在岭回归模型中，该模型在优化函数中加入惩罚项λ即L2正则化，此时的优化函数为：
[0032][0033]也可通过矩阵表示为：
[0034][0035]加入惩罚项后，优化函数限制了参数项系数W
i
的绝对值。
[0036]上述的发电机组稳定运行工况下的预测模型为：
[0037][0038]其中为稳定运行工况下发电机组导轴承瓦温度的预测值，x1、x2为数据样本中对应时间的导轴承冷却水温特征值。
[0039]上述的Step4中发电机组在停机工况下使用牛顿冷却定律模型对导轴承温度变化进行预测，牛顿冷却定律模型表达式为：
[0040][0041]其中，t为时间，T(t)表示物体在t时刻的温度，H为周围的温度，K为比例系数，上述公式为微分方程，对上述牛顿冷却定律模型求解，最终描述物体自然冷却过程公式表达式为：
[0042]T(t)＝Ce
‑
kt
+H
[0043]使用发电机组导轴承瓦温度的停机工况历史归一化数据和python的方程优化工具库对未知变量进行求解，得到：
[0044]y
″
＝2.1658e
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.利用机器学习预测水轮发电机组导轴承瓦温度的方法，其特征在于，包括以下步骤：Step1、获取数据，获取水轮发电机组导轴承及导轴承冷却水的在发电机组开机、稳定运行和停机时的温度数据；Step2、清洗数据，对数据集中存在异常的数据去除；Step3、数据分类，将清洗后的数据分为训练集、验证集和测试集；Step4、训练模型，将发电机组工况分为开机、稳定运行和停机，根据工况类型选取模型和模型参数进行训练，得到轴承冷却水温度和导轴承温度相对于时间的函数模型，使用验证集数据对训练好的模型进行验证，若验证集的预测效果不符合设定要求，模型重新训练，当验证集验证的模型满足要求时，通过测试集对模型进行测试纠正；Step5、计算时间滞后量，通过计算导轴承冷却水进水口温度和导轴承瓦温度的相关系数，得到导轴承冷却水温度的提前时间量；Step6、通过数据正态分布的3σ原则确定导轴承瓦预测值的上下限：当计算出样本的平均值、样本标准差后，99％的样本数据在μ
‑
3σ、μ+3σ这个区间范围内,以此作为预测温度的上下限值，当实际值超过μ
‑
3σ、μ+3σ范围进行告警；Step7、根据Step4中得到的模型对新的数据进行预测，并根据Step5中的提前时间量得出导轴承瓦的预测值，并输出预测值、预测值上限、预测值下限；Step8、判断是否告警，当根据新的数据得到的导轴承瓦预测值落入Step6中的预测值上限和预测值下限所包围的区间范围内，不触发告警，否则告警。2.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法，其特征在于，所述的Step4中发电机组在开机工况下使用龚帕兹Gompertz模型对训练数据进行拟合并得到相应的导轴承瓦温度的预测模型。3.根据权利要求2所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法，其特征在于，所述的Step4中发电机组在开机工况下中龚帕兹Gompertz模型表达式为：其中y
′
为开机运行状态上导轴承瓦温度预测值的归一化格式，t为时间，a、b、K为待估计的参数，根据训练集数据和龚帕兹Gompertz模型进行拟合，得到a、b、K的值，将此表达式转化为预测模型：转化为预测模型：为开机运行状态发电机组导轴承瓦温度的预测值，为历史开机运行状态中发电机组导轴承瓦温度的时间序列数据，i＝1,2,3,
…
600。4.根据权利要求1所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法，其特征在于，所述的Step4中发电机组在稳定运行工况下使用岭回归模型对导轴承温度变化进行预测。5.根据权利要求4所述的利用机器学习预测水轮发电机组导轴承瓦温度的方法，其特征在于，所述的岭回归模型表达式为：其中y
i
为稳定运行状态发电机组导轴承瓦温度的预测值，为数据样本的特征值，w为
数据样本对应的参数项系数，σ为数据样本方差；传统线性回归模型的最小二乘优化函数为：通过矩阵表示为：f(w)＝(y
‑
Xw)
T
(y
‑
Xw)得到的回归系数为：这个问题解存在且唯一的条件就是X满秩，即：rank(X)＝dim(X)，即使X满秩，当特征数据间存在多重共线性，也就是特征之间...

【专利技术属性】
技术研发人员：黄正海，雷凤玲，曾叙坚，张家治，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：