System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于抽水蓄能运行监测领域,具体涉及一种基于自适应加权弹性网svm的抽水蓄能机组故障诊断方法。
技术介绍
1、新能源不平衡的时空特性,接入电网时会对电网造成冲击,引起电网功率及频率的频繁变化,影响电能质量。火电和核电由于启动和停机过程复杂,难以对突变的负荷进行灵活调整。电化学储能和飞轮储能等技术发展还不够完善,容量较小。目前,利用抽水蓄能技术对电网进行调峰调频、消纳电能、事故备用等工作仍是维持现代电力系统安全运行的重要手段。
2、抽水蓄能机组是抽水蓄能电站的关键设备,与传统电站发电机组不同,抽水蓄能机组工作时间更长,工作状态转换更加频繁,工况要与电力系统的并网情况保持同步,复杂的工作状态不断积累,机组也更加容易磨损老化,如果不能对机组运行状态进行监测,导致机组停机,将对电力系统网络稳定运行造成冲击。
3、现有抽水蓄能电站机组的故障诊断主要通过人工进行识别,这对工作人员的故障诊断能力要求较高,需要大量的掌握本领域专业知识的专家进行技术支持,并且受到时间和空间的限制,无法及时准确的获取故障定位,并及时采取检修措施。
4、有鉴于此,本专利技术研究一种基于支持向量机的抽水蓄能机组故障诊断系统,以解决上述问题。
技术实现思路
1、本专利技术的目的是针对上述问题,提供一种基于自适应加权弹性网svm的抽水蓄能机组故障诊断方法,利用小波分析法,得到机组侧故障特征信号后,再利用基于自适应加权弹性网的支持向量机根据机组侧故障特征信号得到机组故障类型,实现机组
2、本专利技术的技术方案是基于自适应加权弹性网svm的抽水蓄能机组故障诊断方法,包括以下步骤:
3、步骤1:对采集的机组侧相关信号进行小波分析,获取低频信号中的故障特征信号;
4、步骤2:在小波分析基础上,保留低频段分解信号,采用小波包分析法对高频段进行分解;
5、步骤3:构建自适应加权弹性网支持向量机模型,将步骤1和步骤2得到的分解信号作为自适应加权弹性网支持向量机的输入,利用自适应加权弹性网支持向量机得到机组故障类型;
6、步骤4:根据步骤3得到的机组故障类型判断是否发出报警信号。
7、优选地,步骤3中,所述构建自适应加权弹性网支持向量机模型,具体包括:
8、(1)选择核函数k(x,z)和超参数c1和c2,构造约束优化问题:
9、
10、
11、其中,
12、
13、
14、λ=diag(h(x1),…,h(xn))
15、式中x1…xn分别表示第1…n次的机组分解信号;n表示采集的机组信号样本的数量;h()表示加权函数;α1,α2分别表示拉格朗日系数;u表示控制变量向量;q为奇异矩阵;r为加权矩阵的逆矩阵组成的矩阵;l为控制参数;d表示对角矩阵;λ为加权矩阵,根据数据集密度权重进行加权;e为单位向量;
16、(2)令u=(u1,u2…u2n)t,l=(l1,l2…l2n)t以及aij表示拉格朗日乘子,将模型改为元素形式:
17、
18、
19、这样,对于给定的u,可得到ui的表达式:
20、
21、(3)训练数据集d={(x1,y1),(x2,y2),…(xn,yn)},其中x1…xn表示第1…n次的机组分解信号样本的特征向量,y1…ym表示第1…n次的机组分解信号样本的样本类别;
22、首先初始化u(0),a=(aij),l,c2和公差参数ε,u(0)表示控制变量向量的初始值;
23、然后进行迭代并更新ui(k),ui(k)表示第k次迭代得到的ui,并进一步继续重复迭代,直到收敛,获取分类决策函数,用于得到机组的故障类型。
24、优选地,步骤1中,采集的机组相关信号包括定子温度、机端电气信号、机组振动、转速、润滑油温度和轴承温度。
25、抽水蓄能机组故障诊断系统,包括信号采集模块、数据处理模块、主数据库模块、智能诊断模块以及输入输出模块。
26、信号采集模块,采集抽水蓄能机组侧与机组故障相关的信号,包括流速信号、转子转速信号、电气信号、温度信号和声学信号,并进行预处理;
27、数据处理模块,采用小波包分析法,从信号采集模块输出的机组侧相关信号中提取故障信号和相关的频率,进一步构建特征向量并存入主数据库;
28、智能诊断模块,根据机组侧相关信号的特征向量,采用支持向量机模型,得到机组故障类型,实现对抽水蓄能机组的智能诊断;
29、主数据库模块,用于连接主数据库,存储信号采集模块输出的机组侧相关信号以及数据处理模块输出的机组侧相关信号的特征向量;
30、输入输出模块,用于人机交互、数据通讯和打印输出。
31、优选地,所述故障诊断系统还包括系统监控模块,用于抽水蓄能机组运行实时监控、数据显示以及参数设置。
32、优选地,所述系统监控模块包括实时监控界面、数据显示界面和控制界面;
33、实时监控主界面用于显示机组运行实时状态、故障报警信号和通讯数据;
34、数据显示界面用于显示统计数据、实时数据、历史数据和数据报表;
35、控制界面,用于与用户进行交互,进行参数设置和用户管理。
36、进一步地,所述系统监控模块还包括诊断参数设置界面,用于设置智能诊断模块的参数,包括支持向量机模型参数。
37、相比现有技术,本专利技术的有益效果包括:
38、1)本专利技术的故障诊断方法,对采集的机组侧相关信号,利用小波分析等方法处理得到机组侧故障特征信号,再输入到基于自适应加权弹性网的支持向量机,得到机组故障类型,实现了机组故障的智能诊断,代替专家诊断,能提前自动检测出抽水蓄能机组的异常,及时发出报警信号,便于机组运维人员及时采取措施,减小机组故障带来的损失;减少对领域专家和工程师经验的依赖,提高了故障诊断的效率和可靠性。
39、2)本专利技术采用基于自适应加权弹性网的支持向量机作为故障诊断模型,基于自适应加权弹性网的支持向量机相比现有的支持向量机,更具自适应性和鲁棒性。
40、3)本专利技术对机组侧相关信号进行小波分析,得到低频信号中的故障特征信号,并采用小波包分析法对高频段进行分解,将得到的低频、高频特征信号同时输入故障诊断模型作为故障诊断的依据,提高了故障诊断的准确性和精度。
41、4)本专利技术的故障诊断系统,实现了抽水蓄能机组运行的组态监控和故障智能诊断,提高了抽水蓄能机组运行维护管理的科学性、可靠性。
本文档来自技高网...【技术保护点】
1.基于自适应加权弹性网SVM的抽水蓄能机组故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的抽水蓄能机组故障诊断方法,其特征在于,步骤3中,所述构建自适应加权弹性网支持向量机模型,具体包括:
3.根据权利要求1或2所述的抽水蓄能机组故障诊断方法,其特征在于,步骤1中,采集的机组相关信号包括定子温度、机端电气信号、机组振动、转速、润滑油温度和轴承温度。
4.一种抽水蓄能机组故障诊断系统,其特征在于,包括信号采集模块、数据处理模块、主数据库模块、智能诊断模块以及输入输出模块,
5.根据权利要求4所述的抽水蓄能机组故障诊断系统,其特征在于,所述故障诊断系统还包括系统监控模块,用于抽水蓄能机组运行实时监控、数据显示以及参数设置。
6.根据权利要求5所述的抽水蓄能机组故障诊断系统,其特征在于,所述系统监控模块包括实时监控界面、数据显示界面和控制界面;
7.根据权利要求6所述的抽水蓄能机组故障诊断系统,其特征在于,所述系统监控模块还包括诊断参数设置界面,用于设置智能诊断模块的参数,包括支持向量机模型参数
...【技术特征摘要】
1.基于自适应加权弹性网svm的抽水蓄能机组故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的抽水蓄能机组故障诊断方法,其特征在于,步骤3中,所述构建自适应加权弹性网支持向量机模型,具体包括:
3.根据权利要求1或2所述的抽水蓄能机组故障诊断方法,其特征在于,步骤1中,采集的机组相关信号包括定子温度、机端电气信号、机组振动、转速、润滑油温度和轴承温度。
4.一种抽水蓄能机组故障诊断系统,其特征在于,包括信号采集模块、数据处理模块、主数据库模块...
【专利技术属性】
技术研发人员:周耘辛,丁万钦,王晋,
申请(专利权)人:长电新能有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。