【技术实现步骤摘要】
本专利技术涉及设备监测领域，更具体的说，它涉及一种水轮机调速器在线监测方法及系统。
技术介绍
1、水轮机调速器是水轮发电机组的核心控制环节，其运行状态直接关系到水轮发电机的频率调节、功率调节性能，在电网稳定性控制中发挥至关重要的作用。目前国内水电站调速器的运行状态、事件报警信息只能简单储存在调速器工控机(触摸屏)或通过直接和通讯的方式上送至监控系统存储。但是由于调速器端的性能受制于存储空间大小和处理能力等，当调速器端的监测数据量较大时，无法处理调速器端的监测数据，进而影响调速器的稳定运行。
技术实现思路
1、本专利技术通过在第一采集时间点采集设备运行参数集合，并基于设备运行参数集合在云服务器进行初步的故障检测，无需占用调速器端的存储空间；通过在第二采集时间点获取细化设备运行参数集合，并基于细化设备运行参数集合在调速器端执行具体的故障检测，可以实现在可能出现故障的时候进行具体故障分类，能够显著减少在调速器端处理的数据量，并且在调速器端执行故障分类具备及时性，还能够提醒工作人员采取对应的维护措施。
2、一种水轮机调速器在线监测方法，包括：
3、在第一采集时间点tt(1)获取当前水轮机调速器的设备运行参数集合，t为第一采集时间点对应的编号，初始为1，且任意两个第一采集时间点tt(1)之间间隔的时间相同，记为全局采样周期，将设备运行参数集合记为g(t)，设备运行参数集合g(t)＝{g1(t)，g2(t)，g3(t)…gn(t)…gn(t)}，其中gn(t)为设备运行
4、将水轮机调速器的设备运行参数集合g(t)与前x-1次获取的设备运行参数集合组成第一待检测时序数据，再将第一待检测时序数据送入训练好的第一设备运行参数预测模型进行处理，得到预测设备运行参数；
5、将预测设备运行参数送入训练好的第一故障检测模型进行检测，输出检测结果，若是检测结果为无故障，则继续等待下一次在第一采样时间点tt+1(1)的设备运行参数集合的获取；若是检测结果为有故障，则在下一次在第一采样时间点tt+1(1)获取设备运行参数集合之前，执行细化监测策略；
6、细化监测策略包括如下内容：
7、基于细化采集周期集合设置第二采样时间点ti(2)，i＝1，2，3…i，i为第二采样时间点的总个数，也是细化采集周期集合中元素的总个数，且细化采集周期集合通过麻雀搜索算法进行模拟计算得到；
8、在第二采样时间点ti(2)采集当前水轮机调速器的细化设备运行参数集合f(i)，且细化设备运行参数集合f(i)与设备运行参数集合g(t)的存储形式一致，将当前水轮机调速器的细化设备运行参数集合f(i)存入调速器端；
9、将前水轮机调速器的细化设备运行参数集合f(i)与前y-1次获取的细化设备运行参数集合组成第二待检测时序数据，且x远大于y，再将第二待检测时序数据送入训练好的第二设备运行参数预测模型进行处理，输出预测细化设备运行参数集合；
10、将预测细化设备运行参数集合送入训练好的第二故障检测模型进行检测，输出故障类型。
11、优选地，基于细化采集周期集合设置第二采样时间点ti(2)具体包括如下步骤：
12、细化采集周期集合中存储i个细化采集周期ri，则第二采样时间点
13、优选地，第一故障检测模型和第二故障检测模型都是基于lstm模型进行建立；
14、第一故障检测模型的训练包括如下步骤：获取历史记录的设备运行参数集合；从所有设备运行参数集合中按时间顺序依次选择x+1个设备运行参数集合组成第一训练样本，再将所有第一训练样本组成第一训练集；将第一训练集送入参数初始化的第一故障检测模型进行训练，训练期间以每个第一训练样本末尾的设备运行参数集合作为目标，判断是否满足第一训练条件；若是满足第一训练条件，输出训练好的第一故障检测模型，否则，继续迭代训练；
15、第二故障检测模型的训练包括如下步骤：获取历史记录的细化设备运行参数集合，且历史记录的细化设备运行参数集合通过水轮机仿真模型进行获取；从所有细化设备运行参数集合中按时间顺序依次选择y+1个细化设备运行参数集合组成第二训练样本，再将所有第二训练样本组成第二训练集；将第二训练集送入参数初始化的第二故障检测模型进行训练，训练期间以每个第二训练样本末尾的细化设备运行参数集合作为目标，判断是否满足第二训练条件；若是满足第二训练条件，输出训练好的第二故障检测模型，否则，继续迭代训练。
16、优选地，第一故障检测模型和第二故障检测模型基于bp神经网络设置；
17、针对第一故障检测模型的训练包括如下步骤：获取若干个标注好检测结果的设备运行参数集合，检测结果为有故障和无故障，并将所有标注好检测结果的设备运行参数集合组成第三训练集；将第三训练集送入参数初始化的第一故障检测模型进行训练，训练期间以检测结果作为目标，判断是否满足第三训练条件，若是满足第三训练条件，输出训练好的第一故障检测模型；否则，继续迭代训练；
18、针对第二故障检测模型的训练包括如下步骤：获取若干个标注好故障类型的设备运行参数集合，并将所有标注好故障类型的设备运行参数集合组成第四训练集；将第四训练集送入参数初始化的第二故障检测模型进行训练，训练期间以故障类型作为目标，判断是否满足第四训练条件，若是满足第四训练条件，输出训练好的第二故障检测模型；否则，继续迭代训练。
19、优选地，通过麻雀搜索算法进行模拟计算得到细化采集周期集合，具体包括如下步骤：
20、s1：初始化麻雀种群，设置麻雀种群中的麻雀总数量为e，设置最大迭代次数iter_max，随机初始化麻雀种群中的麻雀位置he，麻雀位置he的存储形式为{rei}，其中rei为麻雀位置he中第i个模拟细化采集周期；
21、s2：计算麻雀种群内的所有麻雀位置he对应的适应度δe，再将麻雀种群内的所有麻雀位置he按照适应度δe从大到小的顺序进行排序，并将适应度δe最大的麻雀位置he记为麻雀位置hbest，将适应度δe最小的麻雀位置he记为麻雀位置hworst；再根据划分比例对排列好的所有麻雀位置he进行划分；将划分后的前者记为发现者集合，划分后的后者记为跟随者集合；
22、s3：针对发现者集合中的所有麻雀位置he进行更新，更新公式如下：
23、
24、其中r'ei为更新后的麻雀位置he中第i个模拟细化采集周期，j为发现者集合中的所有麻雀位置he按照适应度δe从大到小的顺序排列之后对应的序号值；α为位于区间(0，1)的随机数，u1为位于区间(0，1)的预警值，st为安全值；q为服从正态分布的随机数；l为1×3的矩阵，且矩阵内每个元素均为1；
25、s4：计算更新后发现者集合中的所有麻雀位置he的适应度δe，将发现者集合中的适应度值δe最大的麻雀位置he记为麻雀位置hp；针对跟随者集合的所有麻雀本文档来自技高网...
【技术保护点】
1.一种水轮机调速器在线监测方法，其特征在于，包括：
2.根据权利要求1所述的一种水轮机调速器在线监测方法，其特征在于，基于细化采集周期集合设置第二采样时间点Ti(2)具体包括如下步骤：
3.根据权利要求2所述的一种水轮机调速器在线监测方法，其特征在于，第一故障检测模型和第二故障检测模型都是基于LSTM模型进行建立；
4.根据权利要求3所述的一种水轮机调速器在线监测方法，其特征在于，第一故障检测模型和第二故障检测模型基于BP神经网络设置；
5.根据权利要求4所述的一种水轮机调速器在线监测方法，其特征在于，通过麻雀搜索算法进行模拟计算得到细化采集周期集合，具体包括如下步骤：
6.根据权利要求5所述的一种水轮机调速器在线监测方法，其特征在于，随机初始化麻雀种群中的麻雀位置He，具体包括如下步骤：针对任一麻雀位置He，选择区间(0，TZ/I)之间的随机数对Re1进行赋值，TZ为全局采样周期。
7.根据权利要求6所述的一种水轮机调速器在线监测方法，其特征在于，计算麻雀种群内的所有麻雀位置He对应的适应度δe，具体包括
8.根据权利要求7所述的一种水轮机调速器在线监测方法，其特征在于，设备运行参数通过数据采集端口和网络端口两种数据采集方式进行采集。
9.根据权利要求7所述的一种水轮机调速器在线监测方法，其特征在于，水轮机仿真模型采用FluentUHT软件进行仿真模拟。
10.一种水轮机调速器在线监测系统，其特征在于，所述系统应用上述权利要求1-7任一项所述的一种水轮机调速器在线监测方法，包括：
...【技术特征摘要】
1.一种水轮机调速器在线监测方法，其特征在于，包括：
2.根据权利要求1所述的一种水轮机调速器在线监测方法，其特征在于，基于细化采集周期集合设置第二采样时间点ti(2)具体包括如下步骤：
3.根据权利要求2所述的一种水轮机调速器在线监测方法，其特征在于，第一故障检测模型和第二故障检测模型都是基于lstm模型进行建立；
4.根据权利要求3所述的一种水轮机调速器在线监测方法，其特征在于，第一故障检测模型和第二故障检测模型基于bp神经网络设置；
5.根据权利要求4所述的一种水轮机调速器在线监测方法，其特征在于，通过麻雀搜索算法进行模拟计算得到细化采集周期集合，具体包括如下步骤：
6.根据权利要求5所述的一种水轮机调速器在线监测方法，其特征在于，随机初始化麻雀种群中的麻雀位置he，具体包括如下步骤：针对任一麻雀位置he，选择区间(0，tz/i)...
【专利技术属性】
技术研发人员：王军，劳鹏飞，肖曦坤，李其源，
申请(专利权)人：国能大渡河深溪沟发电有限公司，
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。