[發明專利]一種水電機組運行數據趨勢預警方法

在審

• 申請號: 202010799840.4
• 申請日: 2020-08-11
• 公開（公告）號: CN111931849A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 閆亞男;陳小松;文正國;張煦;龔傳利
• 申請（專利權）人: 北京中水科水電科技開發有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/40;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合

本發明公開了一種水電機組運行數據趨勢預警方法，包括以下步驟：S1、定時采集水電機組運行數據；S2、對水電機組工況數據集進行預處理，得到訓練數據集；S3、訓練LSTM，得到當前優化的LSTM；S4、采用當前優化的LSTM對水電機組工況進行趨勢預測，得到預測結果；S5、設置水電機組運行時的多級預警值，判斷預測結果是否達到預警值，若是，則給出預警時間，并將預測結果和預警時間展示在電站監控系統的前端，結束預警流程，若否，則將預測結果展示在電站監控系統的前端，結束預警流程；本發明解決了現有預測方法存在：單因素預測的可靠性低，欠缺多影響因素的結合、時間序列數據的優勢不明顯以及高效實時效率低的問題。

技術領域

本發明涉及水電機組故障診斷領域，具體涉及一種水電機組運行數據趨勢預警方法。

背景技術

水電發電廠生產設備系統繁多、關聯復雜、各設備運行狀態等需要監測和分析的信息數據量非常龐大。對于已發生的設備故障，通過監控系統可以監測到。然而為了防患于未然，保證運行安全，運行維護值班人員和專業工程師憑自身經驗和感覺來逐一排查異常數據來對設備進行狀態監控。即使是有經驗的專業人員依靠優秀的個人能力來進行參數分析，也一定會存在監視范圍有限、監視時間有限、參數之間關聯度難以準確掌握等問題。設備狀態判斷的主觀性甚至個人工作的情緒化等不可控因素均可造成設備日常巡視是否到位不可控等非良性狀態，不利于日常設備的持續良性管理。當運行參數超過設備可承受限度值報警后或者設備被迫停運或者設備已受到了難以恢復的損傷。因此，僅憑專業人員個人素養已經不能滿足當前電廠優化運行與可靠性狀態分析等精細化生產管理要求。

隨著大數據時代的到來，人工智能機器學習技術的飛速發展，為解決這一問題提供了新的手段。如何利用水電站設備運行歷史數據，來幫助設備專業管理人員更為便捷的觀察和分析設備狀態，從而實現預警來更好的促進安全生產。

基于支持向量機的配電設備溫度監測數據預測，環網柜是環網供電的關鍵設備，但在長期運行過程中，其溫度會因多種因素的影響而升高，從而降低設備的供電安全及可靠性。提出了一種環網柜電氣接頭溫度值的預測方法，分析環網柜電氣接頭的實測溫度值，并使用小波去噪去除所測溫度數據中的系統噪聲；利用最小二乘支持向量機，預測數據的變化趨勢。將該模型應用于環網柜的溫度預測中，實驗結果驗證了該模型的有效性。

(1)單因素預測的可靠性低，欠缺多影響因素的結合；

(2)時間序列數據的優勢不明顯，趨勢預測與時間順序有著密切聯系；

(3)高效實時效率低。

發明內容

針對現有技術中的上述不足，本發明提供的一種水電機組運行數據趨勢預警方法解決了基于支持向量機的配電設備溫度監測數據預測方法存在：單因素預測的可靠性低，欠缺多影響因素的結合、時間序列數據的優勢不明顯以及高效實時效率低的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種水電機組運行數據趨勢預警方法，包括以下步驟：

S1、定時采集正常穩定關聯度高的水電機組運行數據，得到水電機組工況數據集；

S2、對水電機組工況數據集進行預處理，得到訓練數據集；

S3、將訓練數據集輸入長短時記憶模型LSTM中，進行訓練，得到當前優化的長短時記憶模型LSTM；

S4、采用當前優化的長短時記憶模型LSTM對水電機組工況進行趨勢預測，得到預測結果；

S5、設置水電機組運行時的多級預警值，判斷預測結果是否達到預警值，若是，則給出預警時間，并將預測結果和預警時間展示在電站監控系統的前端，結束預警流程，若否，則將預測結果展示在電站監控系統的前端，結束預警流程。

進一步地：步驟S2包括以下步驟：