一种水电机组劣化预测方法和系统

技术领域

本发明涉及水电机组运行安全维护技术领域，尤其涉及一种水电机组劣化预测方法及系统。

背景技术

水电机组在发电、调频、削峰填谷等发挥着重要作用。随着运行时间的增加，机组会逐渐出现劣化，甚至发生故障。通过健康状态模型获取水电机组的劣化序列，并对水电机组劣化序列进行预测以获取劣化趋势，有利于提高对机组设备运行与劣化规律的认识、提高电站设备管理及运行维护水平，从而产生巨大的经济、社会和环境效益，具有重要的理论意义和工程应用价值。

现有水电机组劣化趋势预测研究较少，大都是基于单一振动或摆度的状态变化来反映机组的劣化趋势，由于水电机组是一个受水力因素、机械因素、电磁因素等影响的复杂系统，单一部件的状态变化难以全面的反映机组整体的状态。且现有研究中采用的人工神经网络或灰色预测等方法，模型结构简单，预测精度较低。

发明内容

本发明实施例提供一种水电机组劣化预测方法及系统，用以解决现有水电机组劣化趋势预测采用的人工神经网络或灰色预测等方法，模型结构简单，预测精度较低的缺陷。

第一方面，本发明提供一种水电机组劣化预测方法，包括：

根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；

计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；

对融合摆度劣化序列进行预测得到劣化趋势。

作为优选的，所述根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型，包括：

基于最大互信息系数方法，对采集到的稳态工况下水电机组工况参数与摆度数据进行相关性分析，并对工况参数与摆度数据进行归一化处理；

基于全连接神经网络，建立全连接网络模型，并对所述全连接网络模型进行训练，得到摆度与数据参数之间的映射关系。

作为优选的，所述计算不同机组部件的摆度劣化序列，包括：

将归一化后的数年后工况参数数据与摆度数据作为输入数组，分别输入相应的映射关系中，得到不同部件摆度的健康状态标准值；

将输出数组与所述健康状态标准值按劣化时间序列定义的公式进行对比得到水电机组不同摆度的劣化时间序列。

作为优选的，所述将所述不同部件摆度劣化序列进行融合得到融合劣化序列，包括：

将不同部件的摆度劣化序列进行加权融合得到融合劣化序列。

作为优选的，所述对融合摆度劣化序列进行预测得到劣化趋势，包括：

利用门控循环单元神经网络分别对所述的融合摆度劣化序列进行预测得到水电机组稳态下的摆度劣化趋势。

作为优选的，所述利用门控循环单元神经网络分别对所述的融合摆度劣化序列进行预测得到水电机组稳态下的摆度劣化趋势，包括：

按照预设比例将所述劣化时间序列划分为训练数据集和测试数据集；

基于所述训练数据集对所述门控循环单元神经网络进行训练；

基于所述测试数据集对所述训练好的门控循环单元神经网络进行验证，得到预测的劣化趋势序列。

第二方面，本发明实施例提供一种水电机组劣化预测系统，包括：

模型训练模块，用于根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；

劣化序列融合模块，用于计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；

劣化预测模块，用于对融合摆度劣化序列进行预测得到劣化趋势。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所提供的一种水电机组劣化预测方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的一种水电机组劣化预测方法的步骤。

本发明实施例提供的水电机组劣化预测方法及系统，分别对不同部件的摆度建立了健康状态模型，并计算得到了不同部件的融合劣化度，既可以反映不同部件的状态，更有利于全面的反映机组整体的劣化程度，并且利用门控循环单元神经网络对时间序列数据特征提取的优势以及深度神经网络较浅层网络更强的学习能力，使模型的预测精度更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种水电机组劣化预测方法流程示意图；

图2为本发明提供的一种基于稳态工况下融合摆度模型的水电机组劣化预测方法流程图；

图3为本发明实施例提供的门控循环单元神经网络的结构框图；

图4为本发明实施例提供的摆度融合劣化序列预测结果图；

图5是本发明实施例提供的一种水电机组劣化预测系统结构示意图；

图6是本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

目前，现有水电机组劣化趋势预测研究较少，大都是基于单一振动或摆度的状态变化来反映机组的劣化趋势，由于水电机组是一个受水力因素、机械因素、电磁因素等影响的复杂系统，单一部件的状态变化难以全面的反映机组整体的状态。且现有研究中采用的人工神经网络或灰色预测等方法，模型结构简单，预测精度较低。

因此，本发明实施例提供一种水电机组劣化预测方法及系统，分别对不同部件的摆度建立了健康状态模型，并计算得到了不同部件的融合劣化度，既可以反映不同部件的状态，更有利于全面的反映机组整体的劣化程度，并且利用门控循环单元神经网络对时间序列数据特征提取的优势以及深度神经网络较浅层网络更强的学习能力，使模型的预测精度更高。以下将结合附图通过多个实施例进行展开说明和介绍。

图1是本发明实施例提供的一种水电机组劣化预测方法流程示意图，如图1所示，包括：

101、根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；

102、计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；

103、对融合摆度劣化序列进行预测得到劣化趋势。

图2为本发明提供的一种基于稳态工况下融合摆度模型的水电机组劣化预测方法流程图，如图2所示，主要包括如下流程：

首先在步骤101中本发明实施例采集水电机组在稳态工况下的数据，然后对数据进行预处理后，训练得到不同摆度的健康状态模型，如图2所示，包括上导X向、上导Y向、水导X向、水导Y向等健康状态模型。

然后在步骤102中，计算不同机组部件的摆度劣化序列，如图2所示的，上导X向、上导Y向、水导X向、水导Y向等劣化时间序列，然后融合得到融合劣化序列。

最后在步骤103中，对融合摆度劣化序列进行预测得到劣化趋势。

在一个实施例中，所述根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型，包括：

基于最大互信息系数方法，对采集到的稳态工况下水电机组工况参数与摆度数据进行相关性分析，并对工况参数与摆度数据进行归一化处理；基于全连接神经网络，建立全连接网络模型，并对所述全连接网络模型进行训练，得到摆度与数据参数之间的映射关系。

具体的，水电机组在开停机过程中处于暂态过程，摆度等振动参数变化剧烈，不利于对机组状态进行分析，故采集水电机组开机1小时后的稳态工况参数与摆度数据。每隔m秒钟采集一次水电机组有功功率P、无功功率Q、工作水头H、励磁电流I、励磁电压U、上导轴承出油边温度T1、下导轴承出油边温度T2、水导瓦温T3等工况参数；上导X向摆度F1、上导Y向摆度F2、下导X向摆度F3、下导Y向摆度F4、水导X向摆度F5、水导Y向摆度F6等摆度数据，m的大小选取根据实际需求来定；

然后利用最大信息系数方法分别计算上述工况参数与各个摆度的相关性，选取与摆度相关性系数大的工况参数，作为健康状态模型的输入；

取N组经相关性分析筛选后的机组运行初期无故障数据，并分别将各工况参数数据与摆度数据进行归一化处理，归一到区间[0,1]内，具体在本发明实施例中，取100000组经相关性分析筛选后的机组运行初期无故障数据，并分别将各工况参数数据与摆度数据进行归一化处理，归一到区间[0,1]内，其中，归一化计算公式为：

其中x

对归一化后的数据进行矩阵化处理：对每一个摆度分别取归一化后的工况参数数据作为输入，取归一化后的摆度数据作为输出，得到多个a列N行的输入数组P1和1列N行的输出数组T1，a为相关性分析筛选后工况参数的个数，在本发明实施例中表现为得到六个6列100000行的输入数组P1和1列100000行的输出数组T1；

然后搭建多层全连接网络，全连接网络包含一个输入层，多个隐藏层和一个输出层，前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，全连接网络的输入为机组的工况参数，输出为摆度数据。隐藏层使用Sigmoid激活函数，输出层使用线性激活函数，具体在本发明实施例中，全连接网络包含一个输入层，7个隐藏层和一个输出层，前一个隐藏层的输出作为后一个隐藏层的输入，最后一个隐藏层的输出作为输出层的输入，隐藏层神经元个数依次为128、64、32、16、8、4、2，全连接网络的输入为机组的工况参数，输出为各个摆度。隐藏层使用Sigmoid激活函数，输出层使用线性激活函数；其中Sigmoid函数公式为：

对全连接网络的权重进行随机初始化，并指定一次训练样本的大小与训练的轮次，具体在本发明实施例中，一次训练样本的大小为128，训练的轮次为100；

取输入数组P1的前R1％行作为训练输入数据集，取输出数组T1的前R1％行作为训练参考输出数据集，使用Adam梯度下降算法训练多层全连接网络，其中R1为预设值。全连接神经网络经过训练后，即获得了健康状态下工况参数：有功功率P

F

具体在本发明实施例中，R1为80％。

取输入数组P1的后(100-R1)％行作为测试输入数据集，输入全连接网络中，得到对应摆度健康状态标准值f(t)，并与输出数组T1的后(100-R1)％行进行比较，并计算平均相对误差MAPE，发现摆度健康状态标准值与实测值接近。MAPE计算公式如下：

其中，N为数据长度，r(t)为水电机组运行时刻t时的摆度实测值，f(t)为摆度健康状态模型输出标准值。

具体在本发明实施例中，R1为80％。

在一个实施例中，所述计算不同机组部件的摆度劣化序列，包括：

将归一化后的数年后工况参数数据与摆度数据作为输入数组，分别输入相应的映射关系中，得到不同部件摆度的健康状态标准值；

将输出数组与所述健康状态标准值按劣化时间序列定义的公式进行对比得到水电机组不同摆度的劣化时间序列。

具体的，取M组y年后中的工况参数与摆度数据，分别进行归一化处理，归一到区间[0,1]内，具体在本发明实施例中，取2018年11月到2019年5月的200000组工况参数与摆度数据；

对归一化后的工况参数数据作为输入，取不同的摆度数据作为输出，得到多个a列M行的输入数组P2和1列M行的输出数组T2，具体在本发明实施例中，得到六个6列200000行的输入数组P2和1列200000行的输出数组T2；

将每个输入数组P2分别代入已经建立的多层全连接网络中，根据映射关系F

其中，K

在一个实施例中，所述将所述不同部件摆度劣化序列进行融合得到融合劣化序列，包括：

将不同部件的摆度劣化序列进行加权融合得到融合劣化序列。

具体的，将不同部件的摆度劣化序列D

在一个实施例中，所述对融合摆度劣化序列进行预测得到劣化趋势，包括：

利用门控循环单元神经网络分别对所述的融合摆度劣化序列进行预测得到水电机组稳态下的摆度劣化趋势。

在一个实施例中，所述利用门控循环单元神经网络分别对所述的融合摆度劣化序列进行预测得到水电机组稳态下的摆度劣化趋势，包括：

按照预设比例将所述劣化时间序列划分为训练数据集和测试数据集；

基于所述训练数据集对所述门控循环单元神经网络进行训练；

基于所述测试数据集对所述训练好的门控循环单元神经网络进行验证，得到预测的劣化趋势序列。

具体的，将融合劣化序列处理为预测模型输入输出数据，取第i个劣化度到第i+L-1个劣化度共L个数据构成一条输入数据，取第L+1个劣化度构成一条输出数据，得到一个len-L行L列的输入数组P3和len-L行1列的输出数组T3，其中L为预设值，i取值从1到len-L，len-L为时间序列的长度，具体在本发明实施例中，其中L为15，len为200000；

对输入输出数据进行归一化处理，分别将输入数组P3与输出数组T3归一到区间[0,1]之间；

构建基于门控循环单元(Gate Recurrent Unit，GRU)的深度神经网络，图3为本发明实施例提供的门控循环单元神经网络的结构框图，如图3所示，门控循环单元神经网络包含多个门控循环单元网络层和多个全连接网络层，前一个门控循环单元网络层的输出作为后一个门控循环单元的输入，最后一个门控循环单元的输出作为全连接网络层的输入，最终通过有一个神经元的输出层来输出预测结果，全连接层使用ReLU激活函数，输出层使用线性激活函数，具体在本发明实施例中，门控循环单元神经网络包含2个门控循环单元网络层和3个全连接网络层，前一个门控循环单元网络层的输出作为后一个门控循环单元的输入，最后一个门控循环单元的输出作为全连接网络层的输入，最终通过有一个神经元的输出层来输出预测结果，两个门控循环单元网络层的神经元个数为64、32，全连接网络层的神经元个数为16、8、4，全连接层使用ReLU激活函数，输出层使用线性激活函数，其中，ReLU激活函数的公式为：g(x)＝max(0,x)；

对网络的权重进行随机初始化，并指定一次训练样本的大小与训练的轮次，并对搭建好的GRU神经网络进行训练，取输入数组P3前R3％行作为输入数据集，取输出数组T3的前R3％行作为输出数据集，使用Adam算法对GRU深度神经网络进行训练，其中R3为预设值，具体在本发明实施例中，指定一次训练样本的大小为32，训练的轮次为300，并对搭建好的GRU神经网络进行训练，取输入数组P3,80％行作为输入数据集，取输出数组T3的前80％行作为输出数据集；

将训练好的GRU神经网络对测试数据进行预测获取劣化趋势，取输入数组P3的后(100-R3)％作为测试输入数据集输入到训练好的GRU神经网络中，得到模型的预测输出，并将其反归一化，即得到预测的劣化趋势序列。计算预测结果与真实劣化趋势之间的平均绝对误差MAE、平均相对误差MAPE、均方根误差RMSE，各个误差计算公式如下：

其中，x

具体在本发明实施例中，图4为本发明实施例提供的摆度融合劣化序列预测结果图，如图4所示，机组劣化度较小，目前仍处于健康状态，但劣化度有增大的趋势；计算预测结果与真实劣化趋势之间的平均绝对误差MAE为0.0041，平均相对误差MAPE为4.4％,均方根误差RMSE为0.0046。

在一个实施例中，图5是本发明实施例提供的一种水电机组劣化预测系统结构示意图，如图5所示，包括：模型训练模块501、劣化序列融合模块502以及劣化预测模块503，其中：

模型训练模块501用于根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；

劣化序列融合模块502用于计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；

劣化预测模块503用于对融合摆度劣化序列进行预测得到劣化趋势。

具体的如何利用模型训练模块501、劣化序列融合模块502以及劣化预测模块503对水电机组劣化预测可参见如图1所示的实施例，本发明实施例在此不再赘述。

在一个实施例中，基于相同的构思，本发明实施例还提供了一种电子设备，图6示例了一种电子设备的结构示意图，如图6所示，该服务器可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和总线604，其中，处理器601，通信接口602，存储器603通过总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下水电机组劣化预测方法：根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；对融合摆度劣化序列进行预测得到劣化趋势。

在一个实施例中，基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的水电机组劣化预测方法，例如包括：根据采集到的稳态工况下水电机组工况参数与摆度数据，训练完成不同摆度的健康状态模型；计算不同机组部件的摆度劣化序列，并将所述不同部件摆度劣化序列进行融合得到融合劣化序列；对融合摆度劣化序列进行预测得到劣化趋势。

基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。

所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。

基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。

本发明的各实施方式可以任意进行组合，以实现不同的技术效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。