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】
本专利技术涉及数据处理领域,具体涉及一种水冷式汽轮发电机定子绕组过热预警方法及装置。
技术介绍
1、大型汽轮发电机是发电厂重要的电气设备,发电机定子绕组内冷水系统堵塞造成的热故障是大型水内冷汽轮发电机的主要故障之一。随着人工智能技术的发展,使用实时数据作为训练样本的基于数据驱动的建模方法在发电机定子绕组热故障诊断方面得到广泛运用。早期研究采用bp神经网络对定子线圈出水口水温度和槽内测温计温度进行预测,经案例验证,其预测得的预测值与实际测量值间的误差能够作为判定是否存在故障的依据;也有学者建立了不同工况下定子绕组进出水温度水力模型,并通过bp神经网络进一步将统一的模型改进为适用于不同槽的精确模型;还有一些学者采用levenberg-marquardt的优化算法对bp神经网络进行改进,并用rbf神经网络对模型参数进行识别,解决了温度延迟时间对状态监测的影响,使热故障的早期发现更为及时。然而数据驱动方法存在一定的缺陷:
2、1)数据要求高:高度依赖于大量历史故障数据,而汽轮发电机由于其高可靠性,故障数据通常较少,这限制了模型的训练和准确性;
3、2)泛化能力:某些数据驱动模型只能在特定数据集上表现良好,在不同类型的数据上泛化性能不佳;
4、3)计算资源和成本高:数据驱动中复杂的机器学习算法需要大量的计算资源,导致了高昂的计算成本。
5、近年来,非线性系统动力学中的“临界相变”理论逐渐受到了关注。复杂系统演化到临界态时,控制参数或系统应力的微小变化都可能导致系统临界相变,引发灾难性事故的发
6、为描述多变量复杂系统的临界相变动态特性,有学者提出的动态网络标志物(dynamical network marker ,dnm)这一概念,并在生物,生态和金融系统方面证明了所提方法的有效性。在汽轮发电机定子绕组热故障诊断领域,金亮等人率先将dnm应用在定子绕组温度过热缺陷预警方面,并取得良好效果。但该方法需要使用聚类算法或其他启发式程序对网络关键节点进行筛选,计算成本高,泛化能力差。
技术实现思路
1、本申请的目的在于针对上述提到的技术问题提出一种水冷式汽轮发电机定子绕组过热预警方法及装置。
2、第一方面,本专利技术提供了一种水冷式汽轮发电机定子绕组过热预警方法,包括以下步骤:
3、获取连续采样时刻的发电机定子绕组的各个槽口的温度数据并进行预处理,得到预处理后的温度数据,基于预处理后的温度数据建立当前采样时刻的特异性差分网络;
4、评估当前采样时刻的特异性差分网络中各节点的偏差和相关性,并计算得到当前采样时刻的特异性差分网络中各节点的局部得分;
5、利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图;
6、计算各采样时刻的特异性差分网络中各节点的局部得分的标准差,根据各采样时刻的特异性差分网络中各节点的局部得分的标准差的动态变化进行故障预警,根据三维景观图中各节点的局部得分情况确定故障位置。
7、作为优选,预处理包括归一化处理。
8、作为优选,特异性差分网络的建立过程如下:
9、选取连续的k个采样时刻的预处理后的温度数据,并将其中的第i+1至第n+i个采样时刻的预处理后的温度数据作为窗口变量组,n表示窗口变量组中所包含的采样时刻的总数;
10、初始状态令i=0,将窗口变量组中任意两个不同槽口对应的第i+1至第n+i个采样时刻的预处理后的温度数据设为变量x和变量y,采用皮尔逊相关系数计算变量x和变量y之间的相关性,得到,公式如下:
11、;
12、其中,和为窗口变量组中变量x和变量y的值,和分别为变量x和变量y在窗口变量组中的均值;
13、将第n+i+1个采样时刻的预处理后的温度数据添加到窗口变量组后,再次采用皮尔逊相关系数计算变量x和变量y之间的相关性,得到;
14、采用下式计算变量x和变量y的特异性皮尔森相关系数:
15、;
16、其中,表示特异性皮尔森相关系数;
17、将每个变量映射为复杂网络的一个节点,将作为判断变量x和变量y之间是否存在边的依据,从而构建出第n+i+1个采样时刻的特异性差分网络。
18、作为优选,评估当前采样时刻的特异性差分网络中各节点的偏差和相关性,并计算得到当前采样时刻的特异性差分网络中各节点的局部得分,具体包括:
19、采用下式计算节点x以及其一阶邻域内所有的节点的差分表达偏差:
20、;
21、其中,表示特异性差分网络中与节点x有边相连的节点所构成的节点x的一阶邻域,表示一阶邻域中节点的个数,表示节点x的标准差,表示节点x的平均值,表示节点x的一阶领域中的节点y的标准差,表示节点y的平均值;
22、采用下式计算节点x以及其一阶邻域内所有的节点的平均特异性皮尔森相关系数:
23、;
24、采用下式计算节点x的一阶邻域的节点和二阶邻域的节点之间的平均特异性皮尔森相关系数:
25、 ;
26、其中,表示特异性差分网络中与节点x的一阶邻域中节点有边相连的节点所构成的节点x的二阶邻域,表示二阶邻域中节点的个数,x’表示一阶邻域中的节点x’,y’表示二阶邻域中的节点y’;
27、采用下式计算第n+i+1个采样时刻的特异性差分网络中的节点x的局部得分:
28、;
29、判断n+i+1是否等于k,若是则进入下一步骤,否则令i=i+1,重复以上步骤,得到第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分。
30、作为优选,利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图,具体包括:
31、将第n+1到第k个采样时刻的特异性差分网络中各节点的局部得分放入三维坐标轴中,得到一个以x轴为槽口编号,y轴为采样时刻,z轴为局部得分的三维景观图。
32、作为优选,各采样时刻的特异性差分网络中各节点的局部得分的标准差的计算公式如下:
33、 ;
34、其中,表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的标准差;l为第l个采样时刻的特异性差分网络中的节点的个数;表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的第j个节点的局部得分,;表示k个采样时刻中除去作为窗口变量组的第1到n+1个采样时刻后剩余的采样时刻中的第l个采样时刻的特异性差分网络的各节点的局部得分的平均值。
35、作为优选,根据各采样时刻的特异性差分网络中各节点的局部得分的标准差本文档来自技高网...
【技术保护点】
1.一种水冷式汽轮发电机定子绕组过热预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述预处理包括归一化处理。
3.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述特异性差分网络的建立过程如下:
4.根据权利要求3所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述评估当前采样时刻的特异性差分网络中各节点的偏差和相关性,并计算得到当前采样时刻的特异性差分网络中各节点的局部得分,具体包括:
5.根据权利要求4所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述利用所有采样时刻的特异性差分网络中各节点的局部得分绘制三维景观图,具体包括:
6.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述各采样时刻的特异性差分网络中各节点的局部得分的标准差的计算公式如下:
7.根据权利要求6所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述根据各采样时刻的特异性差分网络中各节点的局部得分的
8.一种水冷式汽轮发电机定子绕组过热预警装置,其特征在于,包括:
9.一种电子设备,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种水冷式汽轮发电机定子绕组过热预警方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述预处理包括归一化处理。
3.根据权利要求1所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述特异性差分网络的建立过程如下:
4.根据权利要求3所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述评估当前采样时刻的特异性差分网络中各节点的偏差和相关性,并计算得到当前采样时刻的特异性差分网络中各节点的局部得分,具体包括:
5.根据权利要求4所述的水冷式汽轮发电机定子绕组过热预警方法,其特征在于,所述利用所有采样时刻的特异性差分网络中各节点的局部得分绘制...
【专利技术属性】
技术研发人员:方瑞明,曾思嘉,彭长青,杨玉磊,苏太育,
申请(专利权)人:华侨大学,
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。