一种发电机出口PT保险慢熔时短期电压趋势预测的方法

技术领域

本发明涉及一种发电机出口PT保险慢熔时短期电压趋势预测及预警的方法。

背景技术

在传统的厂(站)电气设备中，为了保护设备本体安全，电压互感器(PT)一次侧安装了熔断器(保险)，保险是一种最简单的保护装置，当PT及其引线发生短路等故障导致一次电流陡增时，保险会迅速熔断将故障隔离，使系统运行不受影响。发电机出口侧电压互感器(以下简称出口PT)是测量发电机出口电压、计量出口电量和提供继电保护电压信号的重要设备，在发电机机端PT(包括一次和二次)保险丝慢熔情况下，无法判定为PT断线情况，因此，不会切至备用通道或手动模式以维持机组稳定运行，此情况容易引发机组过励磁，导致发电机机端过压、励磁电流和无功增大等异常工况，严重时会引起机组事故停机。近年来，电力行业的发电企业多次发生因出口PT慢熔故障频发，已成为严重影响机组安全运行的一个薄弱环节和亟待解决的突出问题。

发明内容

针对上述情况，为克服现有技术之不足，本发明之目的就是提供一种发电机出口PT保险慢熔时短期电压趋势预测的方法，可在短期内有效预测发电机出口PT二次电压发展趋势，并为保险慢熔提供预警，最终确保机组的安全稳定运行。

本发明解决的技术方案是：

一种发电机出口PT保险慢熔时短期电压趋势预测的方法，其特征在于，包括以下步骤：

步骤一：二次电压有效值采集

通过电厂故障录波装置的历史数据，收集历史发电机定子二次电压有效值；

步骤二：灰色系统优化数据

将步骤一收集的历史发电机定子二次电压有效值通过均值采样，以每2分钟采样一个均值数据，采集20分钟，得到10个数据作为原始数据并组成原始序列，得到A矩阵：

A＝[U

其中，U

将A矩阵通过灰色模型(GM模型)得到预测发电机定子二次电压有效值连续变化过程的电压优化数据预测曲线，再通过均值采样，从该电压优化数据预测曲线上以每2分钟采样一个均值数据，采集54分钟，得到27个数据作为选取数据并组成优选序列，得到最优值输出矩阵B：

B＝[U’

其中，U’

步骤三：进行GRU神经网络(循环神经网络)的计算

采用matlab软件进行GRU神经网络的计算，将最优值输出矩阵B作为GRU神经网络原始数据导入，作为GRU神经网络预测的数据来源，即GRU神经网络的输入为最优值输出矩阵B，输出为二次电压预测值，利用优化过的27组数据组成的最优值输出矩阵B进行GRU神经网络训练，最终得到电压预测曲线，通过电压预测曲线可以提前预测发电机出口PT二次电压到达保险慢熔电压预警阀值的时间，从而预知保险慢熔走势和做好应急准备，进而保证机组的安全可靠运行。

所述发电机出口PT二次电压保险慢熔电压预警阀值为电压额定值的80％。

本发明方法简单，基于灰色系统的GM模型和GRU神经网络实现对发电机出口PT保险慢熔时电压趋势的预测，可在短期内有效预测发电机出口PT二次电压发展趋势，并为保险慢熔提供预警，预测数据具有准确性和高效性，通过本发明方法得到的电压预测曲线即可提前预知二次电压在什么时间达到电压预警阀值，从而采取隔离措施更换保险，相对实时性好，通过本发明方法可最少提前30分钟预知保险慢熔走势和做好应急准备，进而保证机组的安全可靠运行。

附图说明

图1-3为本发明实施例通过电厂故障录波装置的历史数据收集历史发电机定子二次电压有效值的方法流程示意图，即直接从故障录波装置内导出.csv(.excel)表格数据。

图4为本发明实施例将最优值输出矩阵B作为GRU神经网络原始数据导入的示意图。

图5为本发明实施例10组数据得出的电压预测曲线。

图6为本发明实施例电压预测曲线与剩余8组数据对比示意图。

具体实施方式

以下结合实施例对本发明的具体实施方式作进一步详细说明。

一种发电机出口PT保险慢熔时短期电压趋势预测的方法，包括以下步骤：

步骤一：二次电压有效值采集

在河南A电厂进行数据收集，通过该电厂故障录波装置的历史数据，收集历史发电机定子二次电压有效值；

主要有两种收集方法，第一种收集方法：

如图1-3所示，直接从故障录波装置内导出.csv(.excel)表格数据，该方法收集的数据具有实时性好，速度快效率高，但收集数据为电压瞬时值，通过matlab软件处理即可直接生成发电机定子二次电压有效值；

第二种收集方法：

使用截屏软件以照片形式进行捕捉并储存故障录波图，再将截屏后的图片放入getdata软件中，通过重新标定坐标，精准的捕获每一个图中的点对应的相关数值，录入excel中即可；该方法操作较为复杂，但对于仅存有时间久远的历史图片的数据非常有利。

步骤二：灰色系统GM模型优化数据

灰色模型(grey models)就是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的长期描述

数据优化采用灰色系统算法，其优点是研究的是“部分信息明确，部分信息未知”的“小样本，贫信息”不确定性问题，并依据信息覆盖，通过序列算子的作用探索事物运行的现实规律，其特点是“少数据建模”，着重研究“外延明确，内涵不明确”的对象。灰色模型建模数据相对少，可以充分利用分析系统因素间相互影响强度、相异程度来发现系统变化规律。该灰色模型理论为现有技术。

本实施例中，将步骤一收集的历史发电机定子二次电压有效值通过均值采样，以每2分钟采样一个均值数据，采集20分钟，得到10个数据作为原始数据并组成原始序列，得到A矩阵：

A＝[57.74 57.64 57.53 57.44 57.25 57.14 55.08 53.50 50.10 49.50]

将A矩阵通过灰色模型(GM模型)得到预测发电机定子二次电压有效值连续变化过程的电压优化数据预测曲线，再通过均值采样，从该电压优化数据预测曲线上以每2分钟采样一个均值数据，采集54分钟，得到27个数据作为选取数据并组成优选序列，得到最优值输出矩阵B：

B＝[57.7400 59.6118 58.3755 57.1649 55.9794 54.8185 53.6817 52.568451.4782 50.4107 49.3652 48.3415 47.3390 46.3572 45.3959 44.4544 43.532542.6297 41.7457 40.8799 40.0322 39.2020 38.3890 37.5929 36.8133 36.049835.3022]

步骤三：进行GRU神经网络(循环神经网络)的计算

采用matlab软件进行GRU神经网络的计算，将最优值输出矩阵B作为GRU神经网络原始数据导入，作为GRU神经网络预测的数据来源，即GRU神经网络的输入为最优值输出矩阵B，输出为二次电压预测值，利用优化过的27组数据组成的最优值输出矩阵B进行GRU神经网络训练，最终得到电压预测曲线，通过电压预测曲线可以提前预测发电机出口PT二次电压到达保险慢熔电压预警阀值的时间，从而预知保险慢熔走势和做好应急准备，进而保证机组的安全可靠运行。

GRU神经网络运算的具体操作步骤为：

(1)打开matlab软件，首先新建“.mat”格式的文件，并将灰色系统优化数据后得到的最优值输出矩阵B库导入“.mat”格式的表格中，作为GRU神经网络预测的数据来源；

(2)新建“.m”格式文件，再依据GRU神经网络算法原理进行神经网络编程，GRU(循环)神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)，本发明采用GRU神经网络是由一个个神经单元模块重复组成的链式模型，每个神经单元主要由本次神经元输入xt、更新门zt、重置门rt、神经元输出ht(Ct)五部分组成，该技术为现有技术，本模型的神经元输入为最优值输出矩阵B；神经元输出为二次电压预测值，利用优化过的27组数据组成的最优值输出矩阵B进行GRU神经网络训练，最终得到电压预测曲线。

本实施例提出了基于灰色模式和GRU神经网络的混合模型，根据A电厂历史实际值选取了18组数据如[57.74 57.64 57.53 57.44 57.25 57.14 55.08 53.50 50.10 49.5048.70 47.90 47.10 46.62 46.30 46.12 45.50 44.80]。

本方法先通过前10组历史数据组成的矩阵A＝[57.74 57.64 57.53 57.4457.2557.14 55.08 53.50 50.10 49.50]生成电压预测趋势曲线及预警阈值(电压预警阀值取的额定值57.74V的80％，即46.192V)如图5所示，再将后8组实际数据再加入到预测模型中，与预测数据进行比较，如图6所示。

通过电压预测趋势曲线对比与上述18组数据中后8组实际值误差在2.5％以内(见表1)，表明了该短期预测相对较为准确，预测数据具有准确性。

表1后8组实际值与预测值对比

由上述情况可以清楚的看出，本发明方法具有准确性和高效性，由于发电机出口PT保险发生慢熔时，可能持续1-2天后才会熔断保险，但机组运行时是不允许一直慢熔的，需在慢熔开始的30分钟到90分钟内立即发现并处理，故上述预测未出现电压为0V的情况，在这里短期预测是合理的。电压预警阀值取的额定值57.74V的80％，即46.192V。当保险慢熔时，电压会随之下降，当下降到46.192V时，可通过DCS系统逻辑判断，发给励磁系统阻止发机组过励磁，同时报警给电厂技术人员，让技术人员得知保险已经发生慢熔，需要及时采取隔离措施更换保险，通过本发明方法得到的电压预测曲线即可提前预知二次电压在什么时间达到电压预警阀值，从而采取隔离措施更换保险，保证电厂正常运行。本发明方法的模型重复可实施性好：某电厂可将发生过PT保险慢熔故障的故障录波历史数据，导入该方法中训练测试预测，即可为今后该电厂慢熔故障提供参考。

总之，本发明方法提出了基于灰色模型和GRU神经网络混合模型的预测方法，灰色系统模型通过“部分信息明确，部分信息未知”的“小样本，贫信息”，通过序列算子的作用探索事物运行的现实规律，从而得到更多的优化数据，又结合了GRU神经网络算法的高效性和准确性，两者结合最终进一步确保了混合预测模型数据的准确性、实时性和高效性。通过本发明方法得到的电压预测曲线即可提前预知二次电压在什么时间达到电压预警阀值，预测电压误差保持在3％以内，准确度高，从而可以提前采取隔离措施更换保险，相对实时性好，通过本发明方法可最少提前30分钟预知保险慢熔走势和做好应急准备，进而保证机组的安全可靠运行。