水电站调速器主配压阀抽动故障诊断预警方法技术

一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前中后时段的数据，形成大小为[时间点状态量个数]的数据矩阵，用作神经网络的输入层训练数据；以人工方式判断主配是否抽动，形成大小为[时间点1]的数据矩阵，用作神经网络的输出层训练数据；将数据矩阵转置并将其内的数据值归一化；将归一化处理后的数据矩阵导入BP神经网络进行训练；对滤波结果进行二值化处理；若结果=1，则判定主配压阀在该时间点正处于抽动状态，发出预警。本发明专利技术可自动检测主配抽动故障，再无需人工配合诊断。工配合诊断。工配合诊断。

【技术实现步骤摘要】
水电站调速器主配压阀抽动故障诊断预警方法


[0001]本专利技术属于水电站故障预警
，特别涉及一种水电站调速器主配压阀抽动故障诊断预警方法。

技术介绍

[0002]水轮机调速器系统肩负着开停机、平衡机组出力与用电负荷等重大功能，其中，调速器主配压阀(后文简写为主配)是调速器机械液压部分的液压放大器，它将电/液、电/机(如比例阀及步进电机)转换装置输出的机械位移或液压控制信号放大成相应方向的、与其成比例的满足接力器运动要求的液压信号，控制接力器及水轮机导叶的开启和关闭。近年来，许多水电站均出现了调速器主配频繁调节、主配及接力器抽动等运行故障。在无增减负荷脉冲调节指令的情况下，主配阀芯上下摆动且频率较快，这种故障将导致调速器机械控制油路油温升高进而影响油质，造成水轮机有功出力波动，在极端情况会导致压力油罐出现事故低油压，产生机组非计划停运的风险。另外由于阀芯位置的上下持续抽动，势必造成液压机械元件的磨损和松动，为水电站的安全稳定运行埋下隐患。
[0003]主配抽动的产生原因较为复杂，影响因素众多，其中包括比例阀零点补偿值调整不到位、主配位置传感器零漂、传感器安装位置及精度影响、比例阀/步进电机驱动参数设置不合理、导叶位置传感器测值波动、一次调频和二次调频之间冲突引起的抽动、调速器随动系统死区补偿过大造成的过调或欠调、主配无法恢复到零位导致负荷往返控制等原因。
[0004]由于主配抽动成因的复杂性、多样性、难以预测性，现阶段水电站调速器一般没有直接诊断主配压阀抽动故障并预警的机制，常以各分类故障出现后，人工进行故障判断。一般是通过主配抽动引起的其他异常现象或故障，如主配跟随故障、液压系统油压的剧烈变化、导叶开度的波动、有功功率的波动、现场观察主配实际工作状态等间接进行诊断，缺乏自动化、智能化故障预警的能力。
[0005]本专利技术要解决的技术问题为：
[0006]1)调速器缺乏关于主配抽动故障自动化、智能化故障报警的能力，需结合异常现象或其他分类故障人工进行诊断。
[0007]2)若主配抽动故障发生时，抽动现象不明显未引起其他分类故障报警，运行值班人员很难及时发现。
[0008]3)由于调速器不能及时对主配抽动故障做出诊断预警，故无法自动采取故障响应措施，如冗余系统备用机的切换或调速器自动/手动的切换，需人工投切，耽误了故障处理的最佳时机，增加了故障扩大化的风险。

技术实现思路

[0009]鉴于
技术介绍
所存在的技术问题，本专利技术所提供的水电站调速器主配压阀抽动故障诊断预警方法，利用历史监测数据中主配抽动时的故障数据来训练BP神经网络，利用训练完成的神经网络结合实时监测数据进行主配抽动故障的诊断预警。
[0010]为了解决上述技术问题，本专利技术采取了如下技术方案来实现：
[0011]一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：
[0012]步骤1：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前中后时段的数据，形成大小为[时间点
×
状态量个数]的数据矩阵，用作神经网络的输入层训练数据，如表1。
[0013]步骤2：对应步骤1中网络输入层数据的每个时间点，以人工方式判断主配是否抽动，“1”表示抽动，“0”表示正常，形成大小为[时间点
×
1]的数据矩阵，用作神经网络的输出层训练数据，如表1。
[0014]表1神经网络训练数据
[0015][0016][0017]步骤3：将步骤1、步骤2的数据矩阵转置并将其内的数据值根据公式(1)归一化至[
‑
1,1]。
[0018][0019]式中：
[0020]X1：归一化后的数据值；
[0021]x：归一化前的数据值；
[0022]x
min
：数据列最小值；
[0023]x
max
：数据列最大值；
[0024]步骤4:将归一化处理后的数据矩阵导入BP神经网络进行训练，神经网络参数如表
2。
[0025]表2神经网络的函数选择及参数设置
[0026][0027]步骤5：获取实时监测数据，实时监测数据的输入层状态量选点与训练数据保持一致，按步骤1及步骤3同样进行数据筛选并归一化。
[0028]步骤6：处理后的实时监测数据作为神经网络的输入，由训练完成的神经网络计算得到主配抽动故障预测结果。
[0029]步骤7：对预测结果根据公式(2)进行均值滤波处理。
[0030][0031]式中：
[0032]x
i
：第i个时间点的神经网络预测结果；
[0033]滤波后的第i个时间点的预测结果；
[0034]i：时间点；
[0035]n：滤波计算宽度；
[0036]步骤8：对滤波结果进行二值化处理，若结果≥报警阈值，预测结果赋值为“1”，否则为“0”。
[0037]步骤9：对二值化后的结果进行判断，若结果＝1，则判定主配压阀在该时间点正处于抽动状态，发出预警。
[0038]本专利可达到以下有益效果：
[0039]1、提供了一种水电站调速器主配抽动故障的自动诊断预警方法，神经网络训练完成后将自动检测主配抽动故障，再无需人工配合诊断。
[0040]2、对神经网络预测结果进行了均值滤波及二值化处理，故障诊断正确率高。
[0041]3、帮助调速器及时发现主配抽动故障，并可根据该报警自动响应处置措施，如冗余系统备用机的切换或调速器自动/手动的切换，避免故障的扩大化。
[0042]4、充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组历史监测数据进行再学习，更新神经网络模型，进一步提高故障诊断正确率。
附图说明
[0043]下面结合附图和实施例对本专利技术作进一步说明：
[0044]图1为本专利技术执行步骤图；
[0045]图2为本专利技术神经网络原始输出结果；
[0046]图3为本专利技术神经网络原始预测结果、滤波处理后、二值化处理后及人工诊断对比图。
具体实施方式
[0047]实施例1：
[0048]优选的方案如图1至图3所示，一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：
[0049]步骤1，从电站历史数据库中找到某机组调速器曾发生主配抽动故障时段的历史监测数据，筛选出主配抽动发生前中后时段，与主配抽动故障关联的各个状态量。本例选用状态量分别是：调速器液压系统压力油罐压力、调速器液压系统压力油罐油位、调速器液压系统回油箱油位、调速器A套导叶开度、调速器A套辅接位置、调速器A套PID输出、A套导叶给定、调速器A套功率采样、调速器A套比例阀给定、调速器A套比例阀位置，时间长度为某日11:03至11:22，形成大小为[443x10]的状态量数据矩阵。
[0050]步骤2，人工判断主配在11:03至11:22之间每一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：步骤1：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前、中、后时段的数据，形成大小为[时间点
×
状态量个数]的数据矩阵，用作神经网络的输入层训练数据；步骤2：对应步骤1中网络输入层数据的每个时间点，以人工方式判断主配是否抽动，“1”表示抽动，“0”表示正常，形成大小为[时间点
×
1]的数据矩阵，用作神经网络的输出层训练数据；步骤3：将步骤1、步骤2的数据矩阵转置并将其内的数据值根据公式(1)归一化至[
‑
1,1]：式中：X1：归一化后的数据值；x：归一化前的数据值；x
min
：数据列最小值；x
max
：数据列最大值；步骤4:将归一化处理后的数据矩阵导入BP神经网络进行训练；步骤5：获取实时监测数据，实时监测数据的输入层状态量选点与训练数据保持一致，按步骤1及步骤3同样进行数据筛选并归一化；步骤6：处理后的实时监测数据作为神经网络的输入，由训练完成的神经网络计算得到主配抽动故障预测结果；步骤7：对预测结果根据公式(2)进行均值滤波处理；式中：x
i
：第i个时间点的神经网络预测结果；滤波后的第i个时间点的预测结果；i：时间点；n：滤波计算宽度；步骤8：对滤波结果进行二值化处理，若结果≥报警阈值，预测结果赋值为1，否则为；步骤9：对二值化后的结果进行判断，若结果＝1，则判定主配压阀在该时间点正处于抽动状态，发出预警。2.根据权利要求1所述的水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：在步骤1中，状态量包括调速器液压系统压力油罐压力、调速器液...

【专利技术属性】
技术研发人员：明星宇，汪林，任刚，徐龙，丁萁琦，余明明，万鹏，刘超，王登贤，高玲，王杰飞，田源泉，薛云蛟，段锐波，薛映竹，
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：