一种水电站辅助设备故障预警方法技术

本发明专利技术涉及数据处理以及计算机辅助监控技术领域，公开了一种水电站辅助设备故障预警方法，主要步骤包括：对水电站辅助设备的原始运行数据进行补缺、降噪预处理；对经过预处理的数据进行态势理解；构建模型对水电站辅助设备的特征数据进行态势评估；根据态势评估构建的模型进行故障预测。本发明专利技术是基于数据驱动的机器学习故障预警方法，深入挖掘水电站辅助设备的运行数据特征，结合特征提取、特征融合、过采样以及机器学习等方法，对设备在未来一段时间内的运行态势进行预测，并对可能出现的故障进行提前预警，切实保证预测结果的准确性、可解释性和可靠性。解释性和可靠性。解释性和可靠性。

【技术实现步骤摘要】
一种水电站辅助设备故障预警方法


[0001]本专利技术涉及数据处理、计算机辅助监控
，尤其涉及到水电站辅助设备故障预警方法。

技术介绍

[0002]随着水电设备制造国产化水平的不断提升，水电站对设备运行的安全性和可靠性的需求也在不断提高。因此，从源头避免故障的发生、切实确保设备的平稳运行是水电站目前亟需解决的问题。水力发电系统是一个水机电耦合的复杂非线性动力系统，其辅助设备的运行就和大量不确定因素有关，辅助设备的故障产生和发展又对主设备有直接的影响。
[0003]故障预警方法指在部件失效或故障发生之前，依据机组运行的历史经验数据以及当前变化情况，分析水电厂在未来一段时间内运行状态的发展趋势，从而提前发现部件异常。现有的故障预警方法主要包括基于统计的方法、基于机器学习的方法以及基于深度学习的方法。基于统计的方法根据统计数据进行预测，构建传统的时序模型方程，如自回归模型(AR模型)、自回归差分移动平均模型(ARIMA模型)等，上述的传统时序模型本质上都是简单的线性模型，不能捕捉非线性关系，能表征的问题复杂程度十分有限，难以应用于非平稳、非线性的水电站机组信号。基于机器学习的方法一般通过特征工程和模型训练的方法对大量的历史数据样本进行监督学习，包括决策树、支持向量机等模型，这种方法可以解决大多数的复杂建模问题，但是需要人工进行特征工程，因此依赖高质量、大规模的数据样本，无法直接应用于类别不均衡的小样本水电站机组数据。基于深度学习的方法通过构建网络模型为数据态势进行建模，包括长短期记忆网络(LSTM)、卷积神经网络(CNN)等，这种方法忽略了数据样本的固有特征，预测结果不具有可解释性，并且大多属于单步预测范畴，预测时长较短，缺乏实际意义。

技术实现思路

[0004]本专利技术所要解决的技术问题是提出一种水电站辅助设备故障预警方法，深入挖掘水电站辅助设备的运行数据特征，对设备在未来一段时间内的运行态势进行预测，并对可能出现的故障进行提前预警。
[0005]为解决上述技术问题，本专利技术提出了一种水电站辅助设备故障预警方法，包括以下主要步骤：
[0006]S1：对水电站辅助设备的原始运行数据进行补缺、降噪预处理；
[0007]S2：对经过预处理的数据进行态势理解；
[0008]S3：构建模型对水电站辅助设备的特征数据进行态势评估；
[0009]S4：根据态势评估构建的模型进行故障预测。
[0010]进一步，所述步骤S1具体包括以下步骤：
[0011]S11：采用缺省值处理、滑动时间窗口技术对原始的水电站辅助设备数据进行初始加工；
[0012]S12：对经过子序列分割后的水电站辅助设备运行数据进行去噪滤波。
[0013]进一步，所述步骤S2具体包括以下步骤：
[0014]S21：对经过预处理后的水电站辅助设备运行数据进行突变点检测，找到会发生突变的测点信号，作为和水电站辅助设备故障状况强相关的测点。
[0015]S22：确定每个所述测点的数据特征；
[0016]S23：根据水电站辅助设备的拓扑关联图，为测点对应的数据特征生成权重系数；
[0017]S24：将整体的辅助设备运行数据特征和相应时间窗口的故障状况相结合，形成了待分类的监督学习数据样本。
[0018]进一步的，所述步骤S3具体包括以下步骤：
[0019]S31：根据辅助设备运行数据特征样本，构建支持向量机模型的训练集；
[0020]S32：构建SVM多分类器，通过组合一对一的SVM二分类器实现多分类；
[0021]S33：对构建的每个水电站辅助设备故障二分类器分别进行训练优化；
[0022]S34：求解出水电站辅助设备故障二分类器模型的优化目标；
[0023]S35：结合SVM二分类器的输出结果构建水电站辅助设备故障多分类器。
[0024]进一步，所述之后进行步骤S25：对所述监督学习数据样本进行过采样处理，以合成少数类的故障样本。
[0025]优选的，所述S21具体步骤包括：
[0026]S21
‑
1：构造秩序列秩序列sk是第i时刻水电站辅助设备测点测量值大于第j时刻数值个数的累计数；
[0027]S21
‑
2：定义水电站辅助设备测点的运行状态统计量式中是累计数s
k
的均值，是累计数s
k
的方差，规定UF1＝0；
[0028]S21
‑
3：将运行数据序列倒序，重复上述步骤，获得倒序下的UF
k
r，计算UB
k
＝
‑
UF
k
r；
[0029]S21
‑
4：分析水电站辅助设备测点的运行状态，设定临界值，将UF
k
和UB
k
两个统计量序列曲线和临界值的两条直线均绘在同一张图上，如果两个曲线的交点在置信的临界值区间内，说明该测点的运行数据序列具有突变性，那么该测点就是和水电站辅助设备故障情况强相关的测点；
[0030]S21
‑
5：按照上述步骤找到所有和水电站辅助设备故障情况强相关的测点，表示为集合V。
[0031]优选的，所述S22得到的测点的数据特征包括所述测点在所有时间窗口内的斜率变化k
i
(2≤i≤l)、均值μ和方差σ2。
[0032]优选的，所述S23的具体步骤包括：
[0033]S23
‑
1：统计在系统的拓扑关联图中与故障强相关的测点总数，即集合V中的测点总数C；
[0034]S23
‑
2：将V中的某个测点表示为v
i
，统计在系统的拓扑关联图中与v
i
直接相连的、且属于集合V的测点个数，表示为C
i
，则测点v
i
的权重系数为测点的权重系数表征该测点对于水电站辅助设备故障状况的重要程度；
[0035]S23
‑
3：每个与故障强相关的测点的权重系数表示为p
i
(1≤i≤C)，测点在一个时间窗口内的数据特征表示为二者进行加权融合，得到一个时间窗口内水电站辅助设备的整体运行特征
[0036]S23
‑
4：在每个时间窗口中重复上述步骤，得到整个时间序列中水电站辅助设备的整体运行特征为
[0037]优选的，所述步骤S25具体包括：
[0038]S25
‑
1：对于某个故障样本x
i
＝{X
i
,Z
i
}，以欧氏距离为标准计算它到故障样本集中所有样本的距离，得到其q近邻；
[0039]S25
‑
2：从x
i
的q近邻中随机选择一个样本x
’
i
，再生成一个0到1之间的随机数δ
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水电站辅助设备故障预警方法，其特征在于，包括以下主要步骤：S1：对水电站辅助设备的原始运行数据进行补缺、降噪预处理；S2：对经过预处理的数据进行态势理解；S3：构建模型对水电站辅助设备的特征数据进行态势评估；S4：根据态势评估构建的模型进行故障预测。2.根据权利要求1所述的水电站辅助设备故障预警方法，其特征在于，所述步骤S1具体包括以下步骤：S11：采用缺省值处理、滑动时间窗口技术对原始的水电站辅助设备数据进行初始加工；S12：对经过子序列分割后的水电站辅助设备运行数据进行去噪滤波。3.根据权利要求1所述的水电站辅助设备故障预警方法，其特征在于，所述步骤S2具体包括以下步骤：S21：对经过预处理后的水电站辅助设备运行数据进行突变点检测，找到会发生突变的测点信号，作为和水电站辅助设备故障状况强相关的测点；S22：确定每个所述测点的数据特征；S23：根据水电站辅助设备的拓扑关联图，为测点对应的数据特征生成权重系数；S24：将整体的辅助设备运行数据特征和相应时间窗口的故障状况相结合，形成了待分类的监督学习数据样本。4.根据权利要求1所述的水电站辅助设备故障预警方法，其特征在于，所述步骤S3具体包括以下步骤：S31：根据辅助设备运行数据特征样本，构建支持向量机模型的训练集；S32：构建SVM多分类器，通过组合一对一的SVM二分类器实现多分类；S33：对构建的每个水电站辅助设备故障二分类器分别进行训练优化；S34：求解出水电站辅助设备故障二分类器模型的优化目标；S35：结合SVM二分类器的输出结果构建水电站辅助设备故障多分类器。5.根据权利要求3所述的水电站辅助设备故障预警方法，其特征在于，所述之后进行步骤S25：对所述监督学习数据样本进行过采样处理，以合成少数类的故障样本。6.根据权利要求3所述的水电站辅助设备故障预警方法，其特征在于，所述S21具体步骤包括：S21
‑
1：构造秩序列秩序列s
k
是第i时刻水电站辅助设备测点测量值大于第j时刻数值个数的累计数；S21
‑
2：定义水电站辅助设备测点的运行状态统计量式中是累计数s
k
的均值，是累计数s
k
的方差，规定UF1＝0；
S21
‑
3：将运行数据序列倒序，重复上述步骤，获得倒序下的UF
k
r，计算UB
k
＝
‑
UF
k
r；S21
‑
4：分...

【专利技术属性】
技术研发人员：周文，毛哲，唐佳庆，杨志，戴伟民，程锦翔，任满意，
申请(专利权)人：国网湖北省电力有限公司黄龙滩水力发电厂，
类型：发明
国别省市：