[發明專利]一種水輪機運轉狀態識別方法

在審

• 申請號: 202210047292.9
• 申請日: 2022-01-17
• 公開（公告）號: CN114462448A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 蘭朝鳳;宋博文;林小佳;蘇文濤;鄭智穎;郭小霞
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進極限學習機的水輪機運轉狀態識別方法，所述方法包括：對水輪機信號進行互補集合經驗模態分解(Complementary ensemble empirical mode decomposition,CEEMD)獲得IMF分量；引入皮爾遜相關系數計算各個IMF分量與水輪機信號的相似度，判斷信號主導模態和噪聲主導模態的分界點，用小波去噪對噪聲主導模態降噪，并與其余的IMF分量重構得到去噪信號；對去噪后的信號進行分解，計算每個IMF分量的排列熵，構建特征向量；用基于模擬退火算法的粒子群算法(Simulated annealing algorithm?Particle swarm optimization,SA?PSO)優化極限學習機(Extreme learning machine,ELM)的方式，建立水輪機運轉狀態識別模型SA?PSO?ELM。本發明提供的方法能夠有效識別水輪機運轉狀態，效果較好。

技術領域

本發明涉及水輪機運轉狀態識別技術領域，具體涉及基于改進極限學習機的水輪機運轉狀態識別。

背景技術

隨著居民用電量的增加，電網的安全可靠性已經成為了社會需要重視的一個問題。水力發電是一種常見的發電方式，水輪機作為水力發電的核心部件，一旦出現故障，就可能會導致難以估量的后果出現。因此，及時為水輪機進行狀態預測，保證水輪機安全穩定地運行，是目前要解決的一個難題。

目前，國內外很多學者為進行水輪機運轉狀態識別，從理論研究、試驗研究、數值模擬3個方面入手，取得了較好的進展。廖偉立等計算了定常和非定常條件下的水輪機模型，并研究了開度差異對整個水輪機壓力脈動的影響。托馬斯等研究了真機，并在真機的基礎上增加了排水裝置。結果發現，在滿負荷情況下，排水裝置產生的壓力脈動更為嚴重。在其他負載條件下，排水裝置可以減少導流管尾水管內部散布擴散的壓力脈動。張飛、高忠信等人采用實驗方法研究了部分負荷下尾水管中的壓力脈動，對壓力脈動主頻在流道中如何變化進行了分析，并指出尾水管處于部分負荷下運行期間的高峰值壓力脈動直接影響設備的平穩運行。劉小兵等采用大渦數值對水輪機進行了模擬研究，并將RANS模型的計算結果用作非定常計算的初場。

然而，這部分學者并沒有直接展示水輪機信號與與水輪機運轉狀態的關系。深度學習和機器學習作為新的趨勢，隨著深度學習和機器學習的發展，以深度學習、機器學習為代表的水輪機運轉狀態識別方法在水輪機運轉狀態識別上，取得了較好的效果。

從大部分學者的研究中可以看出，要想直接展示水輪機信號與水輪機運轉狀態的關系，實現水輪機運轉狀態識別的話，就要通過信號預處理(比如小波變換、經驗模態分解、互補集合經驗模態分解)、特征提取、運轉狀態識別模型的構建3個過程去實現。因此，本發明以信號預處理、特征提取、運轉狀態識別模型的構建為技術路線，提出一種水輪機運轉狀態識別方法。

發明內容

本發明所解決的技術問題是提出了一種水輪機運轉狀態識別方法。

本發明解決其技術問題所采用的技術方案是：一種水輪機運轉狀態識別方法。包括以下步驟：1)用互補集合經驗模態分解(Complementary ensemble empirical modedecomposition,CEEMD)對水輪機信號進行分解獲得IMF分量；2)通過皮爾遜相關系數計算各個IMF分量與水輪機信號的相似度，判斷信號主導模態和噪聲主導模態的分界點，用小波去噪對噪聲主導模態降噪，并與其余的IMF分量重構得到去噪信號；3)對去噪后的信號用互補集合經驗模態分解進行分解，計算主要頻率成分與水輪機信號的主要頻率成分相似的IMF分量的排列熵，構建特征向量；4)用基于模擬退火算法的粒子群算法(Simulatedannealing algorithm-Particle swarm optimization,SA-PSO)優化極限學習機(Extremelearning machine,ELM)的方式，建立水輪機運轉狀態識別模型SA-PSO-ELM。

根據本發明提供的一種水輪機運轉狀態識別方法，還可以具有這樣的技術特征，其中步驟1)包括以下步驟：用CEEMD對水輪機信號進行分解，獲得IMF分量。