一种发电机绕组温度预警方法及装置制造方法及图纸

本发明专利技术实施例公开一种发电机绕组温度预警方法及装置，首先，获取发电机的多组历史数据，基于历史数据建立样本数据集。然后，根据高斯混合聚类方法，利用每个样本的历史时序数据将样本数据集划分为多个数据子集。分别对每个数据子集建立回归模型，构成分层回归模型。最后，采集发电机的实时数据，将实时数据代入分层回归模型，计算得到绕组在当前时刻的估计温度。比较绕组在当前时刻的测量温度与估计温度，确定绕组的温度是否发生异常。本发明专利技术实施例提供的预警方法及装置，不仅增加了绕组估计温度的准确性，并且，对绕组温度异常状态的响应更加灵敏与及时。应更加灵敏与及时。应更加灵敏与及时。

【技术实现步骤摘要】
一种发电机绕组温度预警方法及装置


[0001]本专利技术属于发电机
，具体涉及一种发电机绕组温度预警方法及装置。

技术介绍

[0002]定子是发电机的核心部件之一，由铁芯、绕组和机座三部分构成。定子故障约占发电机组故障的40％，可导致整个发电机组停机，严重影响电网的安全稳定运行。其中，绕组的结构较为复杂，电流在通过绕组时会积蓄热量，而热量的累积易导致绕组绝缘层老化，使绝缘层随时可能被电流击穿，造成发电机的严重损坏。
[0003]目前，基于节约成本和运行需求的考量，大多数电厂并未装备完善的温度监测系统，通常采用国标规定的温度监测和报警方式监测发电机的运行状态，在温度超过上限阈值时报警，超过上上限阈值时紧急停机。但是，发动机的冷却系统和绝缘层会在一定程度上掩饰绕组温升的现象，导致对绕组温度的测量并不准确。例如，当测量得到的绕组温度达到阈值时，其实际温度可能已经远远超出阈值。
[0004]因此，为提前识别绕组温度异常的现象，对绕组温度的准确预警是非常有必要的。

技术实现思路

[0005]本专利技术实施例中提供了一种发电机绕组温度预警方法及装置，以解决现有技术不能准确识别发电机绕组温度是否异常的问题。
[0006]为了解决上述技术问题，本专利技术实施例公开了如下技术方案：
[0007]本专利技术的一个方面提供一种发电机绕组温度预警方法，包括：
[0008]获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；
[0009]基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由历史时序数据和历史测量温度构成，其中，历史时序数据包括由多个连续时刻的历史运行数据组成的时序运行数据，和，由多个连续时刻的历史测量温度组成的时序温度数据；相邻的每两个所述连续时刻之间均具有预设时间间隔；
[0010]根据高斯混合聚类方法，利用每个样本的历史时序数据将样本数据集划分为多个数据子集；
[0011]分别对每个数据子集建立回归模型，构成分层回归模型，所述分层回归模型的输入变量为历史时序数据，输出变量为历史测量温度；
[0012]采集发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；
[0013]将实时数据代入分层回归模型，计算得到绕组在当前时刻的估计温度；
[0014]比较绕组在当前时刻的测量温度与估计温度，确定绕组的温度是否发生异常。
[0015]可选地，所述获取发电机的多组历史数据，包括：
[0016]获取发电机在过去预设时间段内的多组历史数据，由下式表示：
[0017]T＝[y1，y2，.....y
n
][0018][0019]其中，n为历史数据的组数；T为历史测量温度的集合，y
j
为绕组在过去预设时间段内第j个时刻的历史测量温度；f
i
为第i种历史运行数据的集合，为第i种历史运行数据在过去预设时间段内第j个时刻的数值；k为历史运行数据种类的数量；
[0020]利用异常点识别方法判断是否存在异常的历史数据，
[0021]如果是，将异常的历史数据去除。
[0022]可选地，所述基于历史数据建立样本数据集，包括：
[0023]按照以下方式构建每个样本中的时序运行数据
[0024][0025]其中，为第i种历史运行数据对应过去预设时间段内第t个时刻的时序运行数据，为第i种历史运行数据在过去预设时间段内第t个时刻的数值；m为时序窗口长度，是一个预设的数值，t＞m；
[0026]按照以下方式构建每个样本中的时序温度数据X0
t
：
[0027]X0
t
＝[y
t
‑1，y
t
‑2...，y
t
‑
m
，Δy
t
‑1][0028]其中，X0
t
为对应过去预设时间段内第t个时刻的时序温度数据，y
t
‑1为在过去预设时间段内第t
‑
1个时刻的历史测量温度，Δy
t
‑1＝y
t
‑1‑
y
t
‑2；
[0029]每个样本均由下式表示：
[0030][0031]其中，y
t
为绕组在过去预设时间段内第t个时刻的历史测量温度；k为历史运行数据种类的数量；
[0032]建立的样本数据集由下式表示：
[0033][0034]S＝{X，Y}
[0035]其中，X为所有样本中由时序运行数据和时序温度数据组成的历史时序数据集合；Y为所有样本中历史测量温度的集合；S为建立的样本数据集。
[0036]可选地，所述根据高斯混合聚类方法，利用每个样本的历史时序数据将样本数据集划分为多个数据子集，包括：
[0037]按照以下方式，构建高斯混合聚类模型：
[0038](1)预先设置聚类的数量为g；
[0039](2)按照下式分别获得第gi个聚类的概率分布和权重：
[0040][0041][0042]其中，p
gi
为第gi个聚类的概率分布，σ
gi
为第gi个聚类的方差，u
gi
为第gi个聚类概率分布的均值，α
gi
为第gi个聚类的权重；x为输入参数；
[0043](3)分别计算每个样本属于每个概率分布的后验概率，并基于所述后验概率更新σ
gi
，u
gi
和α
gi
的值，直至聚类收敛，计算公式如下所示：
[0044]γ
i，gi
＝p
gi
(S
i
|σ
gi
，u
gi
)
[0045][0046][0047][0048]其中，S
i
＝{X
i
，Y
i
}为样本数据集中第i个样本；γ
i，gi
为后验概率；
[0049]基于所述高斯混合聚类模型，将样本数据集划分为g个数据子集：
[0050][0051]S＝{z1，z2，...，z
g
}
[0052]其中，z
gi
为第gi个数据子集，gi＝1，2，...，g。
[0053]可选地，所述分别对每个数据子集建立回归模型，构成分层回归模型，包括：
[0054]按照下式建立每个数据子集的梯度提升树模型：
[0055]Y
gi
＝R
gi
(X
gi
)，gi＝1，2，...，g
[0056]其中，X
gi
和Y
gi
分别为第gi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发电机绕组温度预警方法，其特征在于，包括：获取发电机的多组历史数据，每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据，以及，绕组在对应时刻的历史测量温度；基于所述历史数据建立样本数据集，所述样本数据集中每个样本均由历史时序数据和历史测量温度构成，其中，历史时序数据包括由多个连续时刻的历史运行数据组成的时序运行数据，和，由多个连续时刻的历史测量温度组成的时序温度数据；相邻的每两个所述连续时刻之间均具有预设时间间隔；根据高斯混合聚类方法，利用每个样本的历史时序数据将样本数据集划分为多个数据子集；分别对每个数据子集建立回归模型，构成分层回归模型，所述分层回归模型的输入变量为历史时序数据，输出变量为历史测量温度；采集发电机的实时数据，所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下，发电机的多种运行数据和绕组的测量温度；将实时数据代入分层回归模型，计算得到绕组在当前时刻的估计温度；比较绕组在当前时刻的测量温度与估计温度，确定绕组的温度是否发生异常。2.根据权利要求1所述的方法，其特征在于，所述获取发电机的多组历史数据，包括：获取发电机在过去预设时间段内的多组历史数据，由下式表示：T＝[y1,y2,.....y
n
]其中，n为历史数据的组数；T为历史测量温度的集合，y
j
为绕组在过去预设时间段内第j个时刻的历史测量温度；f
i
为第i种历史运行数据的集合，f
ji
为第i种历史运行数据在过去预设时间段内第j个时刻的数值；k为历史运行数据种类的数量；利用异常点识别方法判断是否存在异常的历史数据，如果是，将异常的历史数据去除。3.根据权利要求2所述的方法，其特征在于，所述基于历史数据建立样本数据集，包括：按照以下方式构建每个样本中的时序运行数据按照以下方式构建每个样本中的时序运行数据其中，为第i种历史运行数据对应过去预设时间段内第t个时刻的时序运行数据，为第i种历史运行数据在过去预设时间段内第t个时刻的数值；m为时序窗口长度，是一个预设的数值，t>m；按照以下方式构建每个样本中的时序温度数据X0
t
：X0
t
＝[y
t
‑1,y
t
‑2...,y
t
‑
m
,Δy
t
‑1]其中，X0
t
为对应过去预设时间段内第t个时刻的时序温度数据，y
t
‑1为在过去预设时间段内第t
‑
1个时刻的历史测量温度，Δy
t
‑1＝y
t
‑1‑
y
t
‑2；每个样本均由下式表示：其中，y
t
为绕组在过去预设时间段内第t个时刻的历史测量温度；k为历史运行数据种类
的数量；建立的样本数据集由下式表示：S＝{X,Y}其中，X为所有样本中由时序运行数据和时序温度数据组成的历史时序数据集合；Y为所有样本中历史测量温度的集合；S为建立的样本数据集。4.根据权利要求3所述的方法，其特征在于，所述根据高斯混合聚类方法，利用每个样本的历史时序数据将样本数据集划分为多个数据子集，包括：按照以下方式，构建高斯混合聚类模型：(1)预先设置聚类的数量为g；(2)按照下式分别获得第gi个聚类的概率分布和权重：(2)按照下式分别获得第gi个聚类的概率分布和权重：其中，p
gi
为第gi个聚类的概率分布，σ
gi
为第gi个聚类的方差，u
gi
为第gi个聚类概率分布的均值，α
gi
为第gi个聚类的权重；x为输入参数；(3)分别计算每个样本属于每个概率分布的后验概率，并基于所述后验概率更新σ
gi
,u
gi
和α
gi
的值，直至聚类收敛，计算公式如下所示:γ
i,gi
＝p
gi
(S
i
|σ
gi
,u
gi
)))其中，S
i
＝{X

【专利技术属性】
技术研发人员：张儒，甘雨，金云峰，郭震，
申请(专利权)人：南京天洑软件有限公司，
类型：发明
国别省市：