一种水轮发电机组轴系稳定性劣化趋势预测方法技术

本发明专利技术公开了一种水轮发电机组轴系稳定性劣化趋势预测方法。所述方法包括以下步骤：进行数据采集，获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据；对采集的数据进行数据预处理，获取水轮发电机组健康数据样本；建立水轮发电机组轴系的标准健康状态模型；根据采集到的实时数据，获取劣化趋势时间序列；建立时间序列预测模型，基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测；根据劣化趋势预测结果，进行劣化等级评定。本发明专利技术解决了水轮发电机组需要凭借停机检修规程进行劣化判断的问题；本发明专利技术解决了机器学习方法直接套用从而导致样本需求大、特征冗余的问题。余的问题。余的问题。

【技术实现步骤摘要】
一种水轮发电机组轴系稳定性劣化趋势预测方法


[0001]本专利技术涉及设备监测
，具体涉及一种水轮发电机组轴系稳定性劣化趋势预测方法。

技术介绍

[0002]水轮发电机组是水力发电厂的重要关键设备，水轮发电机组轴系则包括上轴端、转子中心体、下端轴、发电机主轴、水轮机轴和转轮等动部件，状态监测系统需要对机组设备的工作状态进行实时监视和测量，以了解其运行状态是否正常。水轮发电机组的健康运行主要是指机组运行平稳且无异常，主要表现为振摆类参数幅值与波动均较小。水轮发电机组在投运过程中会不断积累磨损、部件劣化，结合数据进行设备状态预测和劣化评定，以便及时发现危害，保障水轮发电机组的正常运行。目前机器学习技术和大数据技术的深度应用，水力发电厂普遍实现了高度的自动化，往少人值守、一人一席多厂站的智能与智慧化方向发展。
[0003]现有技术中，对水电站设备进行趋势预测的方法具体如下：
[0004]贵州北盘江电力股份有限公司光照分公司谌洪江等人公布了一种水轮发电机组数据趋势的预测分析方法及系统，基于水电机组的运行监测数据，根据数据异常进行分析和分类，结合监测指标和趋势预测算法，获得预测结果并确定报警等级(谌洪江,陈国锋,姚本培等.一种水轮发电机组数据趋势的预测分析方法及系统[P].贵州省：CN115423158A,2022
‑
12
‑
02.)；西安热工研究院有限公司杜灿勋等人根据联轴螺栓的疲劳裂纹尺寸，提出了基于扩散速率的疲劳寿命预测模型，获取实际螺栓的疲劳扩展寿命(杜灿勋,刘德翼,阙培中等.一种轴流式水轮发电机组联轴螺栓疲劳寿命预测方法及系统[P].陕西省：CN115544691A,2022
‑
12
‑
30.)；哈尔滨电机厂有限责任公司王润鹏等人公布了一种基于故障信息的水轮发电机组健康评估方法，利用故障信息和激励模型建立发电机组的健康评价体系，通过故障发生频次和关键部件的运行状态并结合时间修正，评估了机组的运行健康状态(王润鹏,范寿孝,孙永鑫等.一种基于故障信息的水轮发电机组健康评估方法[P].黑龙江省：CN115062965A,2022
‑
09
‑
16.)；西安热工研究院有限公司吴可可等人公布了一种水轮发电机组运行故障监测方法，建立设备激励模型和大数据AI模型，通过智能感知、数据处理、故障建模、智能分析、智能分析、智能预警和综合诊断等模块实现设备故障自诊断(吴可可,熊高鑫,孙仕辉等.一种水轮发电机组运行故障监测方法及系统[P].陕西省：CN115034483A,2022
‑
09
‑
09.)；中国水利水电科学研究院尚毅梓等人基于水轮发电机组轴系振动有限元计算，根据振动运动方程，计算转频是否偏离轴系临界转速的阈值范围(尚毅梓,王武昌,李晓飞等.一种水轮发电机组轴系振动预测分析方法[P].北京市：CN115618664A,2023
‑
01
‑
17.)。
[0005]以上的方法均一定程度上实现了水轮发电机组相关设备的状态诊断或预测，但上述对比文件均没有建立以轴系部件之间多维信息组成的健康状态模型。

技术实现思路

[0006]本专利技术结合水轮发电机组轴系稳定性特性，提出了一种水轮发电机组轴系稳定性劣化趋势预测方法，对水轮发电机组轴系劣化趋势进行分析与等级评定。本专利技术方法根据相关性特性对监测参数进行了数据选择，减少了数据运算，同时解决了机器学习样本训练时间长、特征冗余的问题；本专利技术方法提出健康状态模型和劣化趋势预测模型共同实现趋势预测，可靠性更高；本专利技术专利构建了以工况参数、振动数据和噪声数据为数据源的单部件健康劣化度，并通过欧氏距离融合构成了轴系劣化趋势时间序列，结合了深度学习预测模型对劣化趋势时间序列进行了预测，最终通过健康状态模型和预测模型完成了轴系劣化判断；因此本专利技术方法具有创新性。
[0007]本专利技术的目的至少通过如下技术方案之一实现。
[0008]一种水轮发电机组轴系稳定性劣化趋势预测方法，包括以下步骤：
[0009]S1、进行数据采集，获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据；
[0010]S2、对步骤S1中采集的数据进行数据预处理，获取水轮发电机组健康数据样本；
[0011]S3、建立水轮发电机组轴系的标准健康状态模型；
[0012]S4、根据采集到的实时数据，获取劣化趋势时间序列；
[0013]S5、建立时间序列预测模型，基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测；
[0014]S6、根据劣化趋势预测结果，进行劣化等级评定。
[0015]进一步地，步骤S1中，通过机组轴系监测系统，采集设备的振动、摆度、压力脉动、液位、温度、压力、流量、机组抬机量状态监测参量和过程量参数，同时获取水头/扬程、机组转速或频率、有功功率、无功功率、机组出力、功率因数和导叶开度工况参数、发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声的声音数据。
[0016]进一步地，步骤S2中，对步骤S1中采集到的数据进行预处理，包括数据误差处理、数据选择及数据归一化：
[0017]所述数据误差处理主要是对历史数据存在的数据缺失或异常值，进行数据检查和纠正；对于包括数据缺失、随机数据、不合理数据(超出范围)的数据问题，可以直观地识别，或通过数据清洗实用程序监测到，这类实用程序可以剔除坏的数据或使用前后补值程序，得到可能的数据替代坏数据；前后补值程序纠正方法为将需要进行数据误差处理的值设为前后两值的均值；
[0018]所述数据选择是通过计算设备工况过程参数、噪声数据与水轮机设备监测数据的相关系数，选择与水轮机设备状态高相关性的工况过程参量；利用时间序列相关性分析原理，以设备工况过程参数、噪声数据与机组状态参数作为分析目标，采用皮尔逊相关系数法计算两者与机组状态之间相关系数，得到高相关度的设备过程工况参数、噪声数据和机组状态参数具体类型；
[0019]所述数据归一化主要是将所需数据映射到同一尺度；采用离差标准化的方法，公式如(1)所示：
[0020][0021]其中，x*表示样本标准化数据；x表示样本原始数据；x
max
表示样本数据最大值；x
min
表示样本数据最小值。
[0022]进一步地，设备过程工况参数、噪声数据和机组状态参数具体类型，具体如下：
[0023]设备过程工况参数包括导叶开度、有功功率、无功功率、水头、励磁电流、励磁电压、空气冷却器最高温度、转轮与顶盖间压力脉动、开机时间；
[0024]机组状态参数包括上机架振动、下机架振动、顶盖振动的振动时频域信号数据、上导轴承摆度、下导轴承摆度、水导轴承摆度的摆度时频域信号数据；
[0025]机组噪声参数包括发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，包括以下步骤：S1、进行数据采集，获取水轮发电机组的状态监测参量、过程量参数、工况参数和噪声数据；S2、对步骤S1中采集的数据进行数据预处理，获取水轮发电机组健康数据样本；S3、建立水轮发电机组轴系的标准健康状态模型；S4、根据采集到的实时数据，获取劣化趋势时间序列；S5、建立时间序列预测模型，基于劣化趋势时间序列进行水轮发电机轴系稳定性劣化趋势预测；S6、根据劣化趋势预测结果，进行劣化等级评定。2.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，步骤S1中，通过机组轴系监测系统，采集设备的振动、摆度、压力脉动、液位、温度、压力、流量、机组抬机量状态监测参量和过程量参数，同时获取水头/扬程、机组转速或频率、有功功率、无功功率、机组出力、功率因数和导叶开度工况参数、发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声的声音数据。3.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，步骤S2中，对步骤S1中采集到的数据进行预处理，包括数据误差处理、数据选择及数据归一化：所述数据误差处理主要是对历史数据存在的数据缺失或异常值，进行数据检查和纠正；对于包括数据缺失、随机数据、不合理数据的数据问题，直观地识别，或通过数据清洗实用程序监测到，数据清洗实用程序剔除坏的数据或使用前后补值程序，得到可能的数据替代坏数据；前后补值程序纠正方法为将需要进行数据误差处理的值设为前后两值的均值；所述数据选择是通过计算设备工况过程参数、噪声数据与水轮机设备监测数据的相关系数，选择与水轮机设备状态高相关性的工况过程参量；利用时间序列相关性分析原理，以设备工况过程参数、噪声数据与机组状态参数作为分析目标，采用皮尔逊相关系数法计算两者与机组状态之间相关系数，得到高相关度的设备过程工况参数、噪声数据和机组状态参数具体类型；所述数据归一化主要是将所需数据映射到同一尺度；采用离差标准化的方法，公式如(1)所示：其中，x*表示样本标准化数据；x表示样本原始数据；x
max
表示样本数据最大值；x
min
表示样本数据最小值。4.根据权利要求3所述的一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，设备过程工况参数、噪声数据和机组状态参数具体类型，具体如下：设备过程工况参数包括导叶开度、有功功率、无功功率、水头、励磁电流、励磁电压、空气冷却器最高温度、转轮与顶盖间压力脉动、开机时间；机组状态参数包括上机架振动、下机架振动、顶盖振动的振动时频域信号数据、上导轴
承摆度、下导轴承摆度、水导轴承摆度的摆度时频域信号数据；机组噪声参数包括发电机机头噪声、发电机上风洞噪声、发电机下风洞噪声、下风洞噪声、水车室噪声、蜗壳进人门噪声、尾水进人门噪声。5.根据权利要求1所述的一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，步骤S3中，所述水轮发电机组轴系标准健康状态模型，具体如下：通过将水轮发电机组工况参数、噪声数据作为健康状态模型的自变量，将机组健康状态下的振动摆度状态参数作为健康状态模型因变量，分别建立n个单通道健康状态模型，健康状态模型数学表达式如式(2)所示：f
i
:X
t
→
V
i,t
,i∈[1,,n]
ꢀꢀꢀꢀꢀꢀ
(2)其中，X
t
表示t时刻水轮发电机组工况参数、噪声数据；V
i,t
表示t时刻第i维振动摆度测点；f
i
表示需要求解的第i维单通道健康状态模型。6.根据权利要求5所述的一种水轮发电机组轴系稳定性劣化趋势预测方法，其特征在于，步骤S4中，根据采集到的实时数据，获取水轮发电机组轴系劣化趋势时间序列，具...

【专利技术属性】
技术研发人员：张豪，胡列豪，彭煜民，陈满，朱玉良，陈泽阳，郑松远，栾大亮，赵增涛，黄凡旗，
申请(专利权)人：北京华科同安监控技术有限公司，
类型：发明
国别省市：