基于多参数融合的汽轮发电机组健康度评估与预测方法技术

本发明专利技术涉及一种基于多参数融合的汽轮发电机组健康度评估与预测方法，首先，根据汽轮发电机组常见的监测参数，设计机组的评估指标体系，基于一定量的监测历史数据，采用熵权法对各个特征参数进行赋权，计算得到特征参数的权值和子系统的权值，再基于实时数据对各个子系统和机组总体的健康度进行评估，形成健康度的历史趋势序列，然后，将健康度序列用于SVR回归模型的训练，得到健康度预测模型，计算下一时刻的健康度；最后，将新的健康度数据带入模型迭代训练、预测，依次得到后续时刻的健康度预测值，形成健康度预测曲线。该方法可以有效对汽发机组的健康杜进行评估，能为机组维修提供辅助参考，契合实际工程背景。契合实际工程背景。契合实际工程背景。

【技术实现步骤摘要】
基于多参数融合的汽轮发电机组健康度评估与预测方法


[0001]本专利技术涉及一种汽轮发电机组的状态监测与故障诊断领域，具体涉及一种汽轮发电机组的故障状态识别、熵权法、健康评估方法。

技术介绍

[0002]汽轮发电机组作为火电厂中的核心设备，其造价昂贵、结构复杂、自动化程度高，其故障发生概率的提高，将导致电厂的运营成本增加，严重时还可能发生重大的安全事故。因此，对汽轮发电机组的健康状态进行评估，对于提高机组运行的稳定性和运行效率具有重大意义。
[0003]目前，汽轮发电机组的维修方式基本采用事后维修和定期维修的方式，传统的事后维修会造成机组的非计划性停机，对任务的完成产生严重影响；定期维修虽然可以降低机组发生故障的概率，但是无法解决突发性故障，而且定期维修计划的指定很可能不合理，造成材料和时间的浪费。
[0004]目前，基于状态监测和故障诊断技术的设备维护收到广泛的关注，可以有效避免突发性事故，大大降低设备维护费用。但是，在工程实际中，深度学习、卷积神经网络等智能诊断方法需要大量的故障数据进行训练，而汽轮发电机组的故障数据少、不同机组数据的差异性较大，导致这类数据模型的精度难以满足工程应用的要求。

技术实现思路

[0005]针对现有技术的不足和工程应用上面临的问题，本专利技术提供一种基于多参数融合的汽轮发电机组健康度评估与预测方法，该方法可以有效对汽发机组的健康杜进行评估，能为机组维修提供辅助参考，契合实际工程背景。
[0006]为实现以上目的，本专利技术的技术方案如下：
>[0007]一种基于多参数融合的汽轮发电机组健康度评估与预测方法，首先，根据汽轮发电机组常见的监测参数，设计机组的评估指标体系，基于一定量的监测历史数据，采用熵权法对各个特征参数进行赋权，计算得到特征参数的权值和子系统的权值，再基于实时数据对各个子系统和机组总体的健康度进行评估，形成健康度的历史趋势序列，然后，将健康度序列用于SVR回归模型的训练，得到健康度预测模型，计算下一时刻的健康度；最后，将新的健康度数据带入模型迭代训练、预测，依次得到后续时刻的健康度预测值，形成健康度预测曲线。
[0008]一种基于多参数融合的汽轮发电机组健康度评估与预测方法，包含以下步骤：
[0009]1)汽轮发电机组评估指标体系设计，利用层次分析法的思想，将汽轮发电机组分解为多个子系统的集合，选取各个子系统的关键特征参数共n个：{x1，x2，...，x
n
}；
[0010]2)在汽轮机组额定工况下，采集一定数据量的特征参数作为赋权的依据，假设采集m组数据，采用熵权法对各个特征参数进行赋权，过程如下：
[0011]2.1)归一化，第i组数据的第j个指标表示为x
ij
，采用z
‑
source归一化方法，归一化
后的值为x
′
ij
；
[0012][0013][0014][0015]其中，为特征参数j的均值，S为特征参数j的样本标准差；
[0016]2.2)先计算各个子系统的特征参数的熵值和权重，再计算第i组数据的第j个特征参数的比重y
ij
：
[0017][0018]计算第j个特征参数的信息熵e
j
：
[0019][0020]其中，K为常数，
[0021]计算第s个子系统的第j个特征参数的权重：
[0022][0023]2.3)同样，使用熵权法计算各个子系统的权重，假设有k个子系统，那么，子系统的权重表示为：{W1，...，W
k
}；
[0024]3)基于上面计算得到的子系统各特征参数的权重和实时采集的该子系统的特征参数可以计算得到各个子系统的健康度{h1，...，h
k
}；
[0025][0026]4)基于子系统的权重{W1，...，W
k
}，计算整个系统的健康度H；
[0027]5)通过对机组健康度的连续监测，选取最近一段时间内的一定数据量的连续健康度数据{H1，H2，...，H
p
}，采样间隔建议为24h，训练支持向量SVR回归模型，该模型的核函数选择为高斯核函数：
[0028][0029]其中，σ为控制高斯核函数作用范围的系数；
[0030]6)基于训练完成的SVR回归模型，预测下一时刻的健康度，并将该健康度作为新增
数据加入时间序列中，迭代训练模型，再预测，得到一系列未来时刻的健康度趋势，为提前合理安排调度和检修策略、增加设备的运行稳定性、减少传统定期检修所带来的过度检修和成本浪费问题提供参考依据。
[0031]所述汽轮发电机组评估指标体系，分为两个子系统：汽轮机子系统和发电机子系统，其中，汽轮机特征参数13个，发电机特征参数10个。
[0032]本专利技术的有益效果是：
[0033]本专利技术提出的一种基于多参数融合的汽轮发电机组健康度评估与预测方法，通过提取汽发机组多维度的特征作为健康评估的参数，同时以少量的正常数据为基础，引入不依赖故障数据的健康度融合计算模型，可以有效对汽发机组的健康杜进行评估，给出子系统和机组整体的健康度；在健康度数据累计的基础上，建立数据模型预测健康度的发展趋势，为机组维修提供辅助参考，契合实际工程背景。
附图说明
[0034]图1是基于多参数融合的汽轮发电机组健康评估方法流程图；
[0035]图2是汽轮发电机组评估指标体系；
[0036]图3是健康度曲线及预测效果。
具体实施方式
[0037]下面结合附图与实施例对本专利技术做详细描述。
[0038]如图1所示，本专利技术的一种针对汽轮机组的多参数融合健康评估方法，根据汽轮发电机组常见的监测参数，设计了机组的评估指标体系。基于一定量的监测历史数据，采用熵权法对各个特征参数进行赋权，计算得到特征参数的权值和子系统的权值。基于实时数据对各个子系统和机组总体的健康度进行评估，形成健康度的历史趋势序列。将健康度序列用于SVR回归模型的训练，得到健康度预测模型，计算下一时刻的健康度；后将新的健康度数据带入模型迭代训练、预测，依次得到后续时刻的健康度预测值，形成健康度预测曲线。
[0039]具体的，本专利技术的一种基于多参数融合的汽轮机组健康评估方法，包含以下的步骤。
[0040]1)根据汽轮机发电机组的常用监测参数，建立机组的评估指标体系，利用层次分析法的思想，将汽轮发电机组分解为多个子系统的集合，选取各个子系统的关键特征参数共n个：{x1，x2，...，x
n
}；本实施例的汽轮发电机组评估指标体系，如图2所示，分为两个子系统：汽轮机子系统和发电机子系统。其中，汽轮机特征参数13个，发电机特征参数10个。
[0041]2)在汽轮机组额定工况下，采集一定数据量的特征参数作为赋权的依据，假设采集m组数据，采用熵权法对各个特征参数进行赋权，过程如下：
[0042]2.1)归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多参数融合的汽轮发电机组健康度评估与预测方法，其特征在于：首先，根据汽轮发电机组常见的监测参数，设计机组的评估指标体系，基于一定量的监测历史数据，采用熵权法对各个特征参数进行赋权，计算得到特征参数的权值和子系统的权值，再基于实时数据对各个子系统和机组总体的健康度进行评估，形成健康度的历史趋势序列，然后，将健康度序列用于SVR回归模型的训练，得到健康度预测模型，计算下一时刻的健康度；最后，将新的健康度数据带入模型迭代训练、预测，依次得到后续时刻的健康度预测值，形成健康度预测曲线。2.根据权利要求1所述的基于多参数融合的汽轮发电机组健康度评估与预测方法，其特征在于：该方法的具体步骤为：1)汽轮发电机组评估指标体系设计，利用层次分析法的思想，将汽轮发电机组分解为多个子系统的集合，选取各个子系统的关键特征参数共n个：{x1，x2，...，x
n
}；2)在汽轮机组额定工况下，采集一定数据量的特征参数作为赋权的依据，假设采集m组数据，采用熵权法对各个特征参数进行赋权，过程如下：2.1)归一化，第i组数据的第j个指标表示为x
ij
，采用z
‑
source归一化方法，归一化后的值为x
′
ij
；；；其中，为特征参数j的均值，S为特征参数j的样本标准差；2.2)先计算各个子系统的特征参数的熵值和权重，再计算第i组数据的第j个特征参数的比重y
i...

【专利技术属性】
技术研发人员：符栋梁，俞炅旻，史一帆，濮陈杰，
申请(专利权)人：中国船舶集团有限公司第七〇四研究所，
类型：发明
国别省市：