混合模型框架下的水电机组运转状态预判方法技术

本发明专利技术公开一种混合模型框架下的水电机组运转状态预判方法，包括:步骤1，在水轮发电机组运行过程中，通过实时监测系统和设备参数获取各个物理量的特征数据集，特征数据集为不同时刻各个物理量的特征数据组成的时间序列的集合；步骤2，建立基于CNN

【技术实现步骤摘要】
混合模型框架下的水电机组运转状态预判方法


[0001]本专利技术属于水力发电状态监测
，涉及一种混合模型框架下的水电机组运转状态预判方法。

技术介绍

[0002]在“双碳”目标的引导下，清洁能源在电力系统中的占比逐步提升。水电作为清洁且成熟的发电方式在电能供应以及新能源消纳和调节方面愈发重要，在满足清洁能源优先供应的基础上，更保障了电力系统安全稳定的供电和社会经济生活的平稳运行。而水电机组作为水电生产电能的核心设备，保障机组安全平稳运行、及时发现机组运行异常状态对保证水电站持续稳定发电有着重要意义。
[0003]在水电机组运转过程中，不同部件之间互相影响，使得水轮发电机运行过程呈现高度非线性、非平稳和时变等特性，通过对水轮发电机运行机理的归纳总结可知，实际运行中存在水力、机械、电气等多种因素的耦合作用，已有的机组运转状态的预判方法主要是通过研究非平稳、非线性振动信号的处理技术，挖掘有效的信号特征从而进行预判。
[0004]目前，较为常见的方法包括短时傅里叶变换、模态分解等。变分模态分解(Variational Mode D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.混合模型框架下的水电机组运转状态预判方法，其特征在于，包括以下步骤：步骤1，在水轮发电机组运行过程中，通过实时监测系统和设备参数获取各个物理量的特征数据集，特征数据集为不同时刻各个物理量的特征数据组成的时间序列的集合；步骤2，建立基于CNN
‑
LSTM的Trend网络模型；步骤3，将特征数据集分为测试集和训练集，采用训练集对基于CNN
‑
LSTM的Trend模型进行训练；步骤4，采用训练好的基于CNN
‑
LSTM的Trend网络模型对测试集进行运转状态的预测。2.如权利要求1所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述步骤1中物理量包括如运行电压、电流、转速和温度以及包括齿轮、主轴、导叶的实体部件；所述时间序列用以下公式来描述：(X
0：t
，y
0：t
，ε
0：t
)＝[(x0，y0，e0)，(x1，y1，e1)，...，(x
t
，y
t
，e
t
)]
ꢀꢀꢀ
(1)在该系统中，ε表示该系统中的实体部件，[T0，T)表示所观察事件的观察窗口即观测的时间长度，根据实际情况，一般假定T0＝0；并且使用X
t
‑
T：t
∈R
M
×
(T+1)
表示由t
‑
T到t的观察序列{X
t
‑
T
，X
t
‑
T+1
，
…
，X
t
}，使用和y表示预测值和测量到对应物理量的真实值。3.如权利要求1所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述步骤2中基于CNN
‑
LSTM的Trend网络模型包括依次连接的卷积层、池化层、LSTM层和全连接层，其中每个池化层输出和对应的每个全连接层输入之间均连接有一个LSTM细胞核，每个细胞核包括遗忘门，输入门，输出门。4.如权利要求3所述的混合模型框架下的水电机组运转状态预判方法，其特征在于，所述CNN
‑
LSTM的Trend网络模型通过第i个滤波器扫过输入时间序列X
t
，产生输出为在这里代表卷积操作，z
i
表示输出特征向量，RELU(
·
)表示激活函数返回值为max(0,(<...

【专利技术属性】
技术研发人员：刘家军，熊磊，孙骥，刘悦，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：