基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统技术方案

本发明专利技术提供了一种基于Mann

【技术实现步骤摘要】
基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法及系统


[0001]本专利技术涉及热力透平机组领域，具体地，涉及一种基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法及系统。

技术介绍

[0002]现有的参数预警系统多着眼于振动信号的预测，而振动信号发生较大变化时，系统已发生较大故障，工作人员缺少时间进行有效应对；还有基于BP神经网络的预测，也未能将时序信号纳入考虑的范围，忽略了参数的梯度信息。
[0003]现有方案的不足之处在于：仅纳入振动参数，难以对渐变故障实现有效的预测；只考虑当前时刻和之前某一时刻参数的状态转移矩阵，未考虑参数梯度对结果的影响；易受随机信号的扰动。
[0004]专利文献CN112487910A(申请号：CN202011329125.0)公开了一种核电汽轮机系统故障预警方法及系统，该核电汽轮机系统故障预警方法包括：获取实时采集的汽轮机的多个监测参数的信号数据，并分别对每个监测参数的信号数据进行处理，且根据处理后的多个监测参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法，其特征在于，包括：步骤S1：在电厂数据库中获取机组运行数据，数据包括经清洗后的电厂实时运行数据和电厂历史运行数据；步骤S2：从电厂历史数据中筛选出正常运行状态下的数据，构建热力透平机组预警系统预测库及标准库神经网络；步骤S3：将电厂实时运行参数数据输入标准库和预测库进行比对，若热力参数超出设置的阈值则报警；步骤S4：在报警后，结合Mann
‑
Kendall算法对各个热力参数的变化趋势进行识别。2.根据权利要求1所述的基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法，其特征在于，在所述步骤S2中：步骤S2.1：设置对于正常机组运行数据的标准，对历史数据进行判断，将满足标准的数据放入训练集进行训练；步骤S2.2：对初步训练出的神经网络库进行参数优化；步骤S2.3：优化完成后对神经网络库的有效性进行测试。3.根据权利要求1所述的基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法，其特征在于，在所述步骤S3中：步骤S3.1：从边缘数据库中提取实时调节级后压力、主汽门压力、一段抽气压力、二段抽气压力、高压缸的排气压力和功率的数据作为状态参数；步骤S3.2：将状态参数输入标准库中，判断其与正常值的偏差，若与正常标准偏差超出阈值则报警；步骤S3.3：如果标准库没有报警，则将状态参数输入预测库，预测调节级后压力的值，结合滑动窗口残差分析法计算窗口内残差的标准差和均值，若超出设置阈值则报警。4.根据权利要求1所述的基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法，其特征在于，在所述步骤S4中：步骤S4.1：报警后，由用户输入需要查看的参数及其对应的时间段；步骤S4.2：根据用户的需要对参数进行可视化显示；步骤S4.3：对参数的变化趋势进行识别；通过增长系数判别法判断变化的剧烈程度，如果增长系数值大于预设值，则认为变化是剧烈的；通过Mann
‑
Kendall算法判断时间段内数据是增长、减少还是保持稳定；将结果与增长系数的结果关联，得知数据是保持稳定、骤增、骤降、缓增或缓降。步骤S4.4：通过计算整个时间段内，对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。5.根据权利要求4所述的基于Mann
‑
Kendall算法和LSTM神经网络的热力透平机组预警方法，其特征在于：通过Mann
‑
Kendall算法结合增长系数判别法对参数的变化趋势进行识别；通过增长系数判别法求出判断变化的剧烈程度，如果增长系数值大于预设值，则认为变化是剧烈的；结合Mann
‑
Kendall算法判断时间段内数据是增长、减少还是保持稳定；将结果与增长系数的结果关联，得知数据是保持稳定、骤增、骤降、缓增或缓降。

【专利技术属性】
技术研发人员：葛冰，卢梦威，迟重然，仲兴华，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：