一种抽水蓄能机组发电机温度预警方法和系统技术方案

本发明专利技术实施例提供一种抽水蓄能机组发电机温度预警方法和系统，结合最大信息系数(MIC)，在保证低运算量的同时，能够发现特征之间非线性关系，具有良好的普适性和公平性。建立的Attention

【技术实现步骤摘要】
一种抽水蓄能机组发电机温度预警方法和系统


[0001]本专利技术实施例涉及发电机状态监测与故障诊断
，尤其涉及一种 抽水蓄能机组发电机温度预警方法和系统。

技术介绍

[0002]抽水蓄能机组在电网中起到削峰填谷、调频调相的作用，在紧急状态 下可用作事故备用电源。发电机是抽水蓄能机组实现放水发电功能的重要 部件，发电机的状态检修与故障维修相比，具有检修成本低、提高运行可 靠性等优点。状态监测与故障诊断是状态检修的重要内容，其主要原理是： 利用传感器采集现场数据，放入由神经网络训练或专家系统中，得出机组 运行状态报告，如状态异常做出异常预警。温度分析是抽水蓄能机组发电 机状态监测的主要手段之一；神经网络具有分析数据本质特征、无需先验 知识等优点等被广为应用；传感器获得的大量数据解决了神经网络不能充 分训练的问题。因此，建立结合神经网络的抽水蓄能机组发电机温度预警 模型对于抽水蓄能机组稳定高效运行、降低检修成本具有重要意义。
[0003]目前利用神经网络的温度预警模型在特征筛选中通常采用线性相关 系数、k
‑
最邻近距离(K
‑
Nearest Neighbor，KNN)等，这类相关性判据 要么不能准确反映非线性、非函数的关联关系，要么计算成本高；此外， 现有的抽水蓄能机组发电机故障预警阈值通常选取正常运行时的极值、方 差等，受到人为因素干扰较大，不能客观的反映实际的阈值情况。

技术实现思路

[0004]本专利技术实施例提供一种抽水蓄能机组发电机温度预警方法和系统，采用 最大信息系数(Maximal Information Coefficient，MIC)进行特征筛选，借助 Attention
‑
TCN模型进行定子线圈温度预测，获得预测误差序列，通过统计误 差序列的峰度、偏态获取阈值，并通过实时数据更新误差序列，统计更新后 的偏态与峰度，实时精准地进行抽水蓄能机组发电机温度预警，具有很高的 实用价值。
[0005]第一方面，本专利技术实施例提供一种抽水蓄能机组发电机温度预警方法， 包括：
[0006]获取抽水蓄能机组发电机在当前时刻的混合特征集，基于已训练的 Attention
‑
TCN模型，获取下一时刻的预测定子线圈温度序列；所述混合特征 集包括当前时刻的定子线圈温度序列，以及多个与定子线圈温度相关性大于 预设相关度阈值的特征；
[0007]基于当前时刻误差和当前时刻误差序列得到下一时刻的预测误差序列； 所述当前时刻误差序列基于当前时刻的定子线圈温度序列和当前时刻的预测 定子线圈温度序列得到，当前时刻误差是基于当前时刻的混合特征集中前h
‑
1 个特征输入已训练的Attention
‑
TCN模型后得到的定子线圈温度预测值，与定 子线圈温度实际值相减后得到的，h为误差序列正态性检验窗口长度；
[0008]对下一时刻的预测误差序列进行正态性验证，若判断获知偏态系数和/或 峰度系数超出预设报警阈值，则进行预警。
[0009]作为优选的，获取抽水蓄能机组发电机在当前时刻的混合特征集，具体 包括：
[0010]基于传感器采集抽水蓄能机组发电机正常运行时定子线圈温度序列、发 电机内特征集和发电机外特征集，分别计算定子线圈温度序列与发电机内特 征集、发电机外特征集中各特征的相关性，去除相关性不大于预设相关度阈 值的特征，并构建混合特征集；
[0011]所述发电机内特征集包括定子铁芯时序数据、定子齿压板时序数据、上 下导轴承时序数据、推力轴承时序数据、上下机架时序数据；所述发电机外 特征集包括水头时序数据、有功时序数据、无功时序数据、冷却水进出口温 度时序数据、轴向位移时序数据。
[0012]作为优选的，获取抽水蓄能机组发电机在当前时刻的混合特征集前，还 包括：
[0013]传感器采集的抽水蓄能机组发电机历史正常运行时的定子线圈温度序列 T
s
＝[t
s1
,t
s2
,
…
,t
sl
]，及发电机内特征集F
in
＝[F1,F2,
…
,F
n
]T
、发电机外特征集 F
out
＝[F1,F2,
…
,F
m
]T
；构建混合特征集F
i
＝[X1,X2,
…
,X
l
],F
i
∈F
in
,F
out
，其中l是总采 样点数，相邻样本的采样间隔为t，采用插值及归一化方法处理混合特征集中 的异常值；
[0014]基于最大信息系数MIC方法，分别计算定子线圈温度序列与发电机内特 征集、发电机外特征集中各特征的相关性，去除相关性不大于预设相关度阈 值的特征，得到历史混合特征集；
[0015]构建Attention
‑
TCN模型，结合Attention机制与时间卷积网络TCN要求 的输入形式将混合特征集F
mix
重构为F
wr
以下一采样点的相应定子线圈温度 序列为标签，以均方误差MSE作为损失函数，进行Attention
‑
TCN模型训练， 训练至损失函数收敛，得到训练后的用于预测定子线圈温度序列的 Attention
‑
TCN模型。
[0016]作为优选的，采用插值及归一化方法处理混合特征集中的异常值，具体 包括：
[0017]对单个缺失点X
i
，X
i
‑1，X
i+1
为左右两侧样本，样本采样时间间隔为t， 则：
[0018][0019]若发生一段时间内N个样本数据缺失，待填充的序列为X
s
＝{X
i
， X
i+1
，
…
，X
i+N
‑1}，则在该序列左右两侧取出有N个样本的两个序列，分 别对两个序列中样本求平均值，记为X
s
‑1,X
s+1
，则：
[0020][0021]采用最大最小值归一化，对数据进行处理，即：
[0022][0023]其中X
’
是归一化后的样本数据，X是序列中的原始数据，X
max
是序列中 样本的最大值，X
min
是序列中样本最小值。
[0024]作为优选的，基于最大信息系数MIC方法，分别计算定子线圈温度序列 与发电机内特征集、发电机外特征集中各特征的相关性，具体包括：
[0025]在发电机内特征集、发电机外特征集中拿出一个特征F
i
，与定子线圈 温度序列T
s
计算最大信息系数MIC；由两个特征序列构成一系列二维平 面内的点，并将横坐标划分为X本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抽水蓄能机组发电机温度预警方法，其特征在于，包括：获取抽水蓄能机组发电机在当前时刻的混合特征集，基于已训练的Attention
‑
TCN模型，获取下一时刻的预测定子线圈温度序列；所述混合特征集包括当前时刻的定子线圈温度序列，以及多个与定子线圈温度相关性大于预设相关度阈值的特征；基于当前时刻误差和当前时刻误差序列得到下一时刻的预测误差序列；所述当前时刻误差序列基于当前时刻的定子线圈温度序列和当前时刻的预测定子线圈温度序列得到，当前时刻误差是基于当前时刻的混合特征集中前h
‑
1个特征输入已训练的Attention
‑
TCN模型后得到的定子线圈温度预测值，与定子线圈温度实际值相减后得到的，h为误差序列正态性检验窗口长度；对下一时刻的预测误差序列进行正态性验证，若判断获知偏态系数和/或峰度系数超出预设报警阈值，则进行预警。2.根据权利要求1所述的抽水蓄能机组发电机温度预警方法，其特征在于，获取抽水蓄能机组发电机在当前时刻的混合特征集，具体包括：基于传感器采集抽水蓄能机组发电机正常运行时定子线圈温度序列、发电机内特征集和发电机外特征集，分别计算定子线圈温度序列与发电机内特征集、发电机外特征集中各特征的相关性，去除相关性不大于预设相关度阈值的特征，并构建混合特征集；所述发电机内特征集包括定子铁芯时序数据、定子齿压板时序数据、上下导轴承时序数据、推力轴承时序数据、上下机架时序数据；所述发电机外特征集包括水头时序数据、有功时序数据、无功时序数据、冷却水进出口温度时序数据、轴向位移时序数据。3.根据权利要求1所述的抽水蓄能机组发电机温度预警方法，其特征在于，获取抽水蓄能机组发电机在当前时刻的混合特征集前，还包括：传感器采集的抽水蓄能机组发电机历史正常运行时的定子线圈温度序列T
s
＝[t
s1
,t
s2
,
…
,t
sl
]，及发电机内特征集F
in
＝[F1,F2,
…
,F
n
]
T
、发电机外特征集F
out
＝[F1,F2,
…
,F
m
]
T
；构建混合特征集F
i
＝[X1,X2,
…
,X
l
],F
i
∈F
in
,F
out
，其中l是总采样点数，相邻样本的采样间隔为t，采用插值及归一化方法处理混合特征集中的异常值；基于最大信息系数MIC方法，分别计算定子线圈温度序列与发电机内特征集、发电机外特征集中各特征的相关性，去除相关性不大于预设相关度阈值的特征，得到历史混合特征集；构建Attention
‑
TCN模型，结合Attention机制与时间卷积网络TCN要求的输入形式将混合特征集F
mix
重构为F
wr
以下一采样点的相应定子线圈温度序列为标签，以均方误差MSE作为损失函数，进行Attention
‑
TCN模型训练，训练至损失函数收敛，得到训练后的用于预测定子线圈温度序列的Attention
‑
TCN模型。4.根据权利要求3所述的抽水蓄能机组发电机温度预警方法，其特征在于，采用插值及归一化方法处理混合特征集中的异常值，具体包括：对单个缺失点X
i
，X
i
‑1，X
i+1
为左右两侧样本，样本采样时间间隔为t，则：若发生一段时间内N个样本数据缺失，待填充的序列为X
s
＝{X
i
，X
i+1
，
…
，X
i+N
‑1}，则在该序列左右两侧取出有N个样本的两个序列，分别对两个序列中样本求平均值，记为X
s
‑1,X
s+1
，
则：采用最大最小值归一化，对数据进行处理，即：其中X
’
是归一化后的样本数据，X是序列中的原始数据，X
max
是序列中样本的最大值，X
min
是序列中样本最小值。5.根据权利要求3所述的抽水蓄能机组发电机温度预警方法，其特征在于，基于最大信息系数MIC方法，分别计算定子线圈温度序列与发电机内特征集、发电机外特征集中各特征的相关性，具体包括：在发电机内特征集、发电机外特征集中拿出一个特征F
i
，与定子线圈温度序列T
s
计算最大信息系数MIC；由两个特征序列构成一系列二维平面内的点，并将横坐标划分为X份，纵坐标划分为Y份，其中XY＜B，B取序列中样本数的0.6次方；按下式计算最大信息系数MIC，式中I(T
s
，F
i
)为定子线圈温度与某个特征的互信息：)为定子线圈温度与某个特征的互信息：计算发电机内特征集、发电机外特征集中所有特征与T
s
的MIC，将MIC按从大到小进行排列，筛选阈值可以设置为保留前80％特征，或保留前K
‑
1个特征；将筛选后的特征结合定子线圈温度T
s
放在一起构建混合特征集F
mix
＝[F1,F2,
…
,F
k
‑1，T
s
]
T
，混合特征集中每一行表示一个特征。6.根据权利要求3所述的抽水蓄能机组发电机温度预警方法，其特征在于，进行Attention
‑
TCN模型训练，具体包括：将获得的输入样本集重构为TCN所需数据格式，时间步为m，由于全部使用历史数据取至倒数第二个样本，重构后数据集为：F
wr
并取每个样本相应下一采样定子线圈温度，即：F
wri
＝[C
i
,C
...

【专利技术属性】
技术研发人员：赵宏图，李超顺，张东东，朱溪，邹雯，郭晓敬，吴杨兵，李逸凡，何铮，郑波，吴月超，毕扬，刘立伟，赵宇杰，胡鑫，
申请(专利权)人：国网新源控股有限公司浙江仙居抽水蓄能有限公司中国电建集团华东勘测设计研究院有限公司华中科技大学，
类型：发明
国别省市：