一种定子温升试验控制方法

技术领域

本发明涉及发电技术领域，具体而言，涉及一种定子温升试验控制方法。

背景技术

一般电厂中的发电机组在运行前，需要将定子的温度控制在需要的范围内以便于对定子进行绝缘测试和安全性检查，而在传统的测试中，一般使用手动的方式不断调节冷却水的控制阀门的开度，控制冷却水的流量和压力，从而达到控制定子温度的目的；使用手动的方式存在难以精准调节冷却水的流量和压力的现象，本发明的目的在于提供一种应用于定子温升试验系统的能够自动调节控制定子温度值的方法。

发明内容

针对背景技术中提到的定子温升试验时手动控制阀门开度比较麻烦的技术问题，本发明的目的在于提供一种定子温升试验控制方法，其能够根据历史数据，通过预测模型进行计算分析，计算出定子温升带所需值需要的总流量，从而能够自动提前调节冷却水进口流量，实现在试验逻辑控制模型的不同工况下，自动控制定子运行温度，满足绝缘测试及安全性要求。

本发明的实施例通过以下技术方案实现：

一种定子温升试验控制方法，包括：设置数据采集模块采集机组内所需要的各类数据；根据上述数据建立预测模型；根据上述预测模型的预测温度计算所需的冷却水总进口流量；将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。

进一步地，所述数据采集模块通过通讯模块与机组监控系统连接，获取机组内的监测数据。

进一步地，所述数据采集模块以分钟为节点对数据进行重采样。

进一步地，建立所述预测模型步骤包括有，基于数据采集模块采集的数据进行相关性分析，筛选与定子温度相关的物理量；基于上述的相关物理量构建LSTM神经网络预测模型。

进一步地，所述相关的物理量包括定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量七项数据。

进一步地，所述LSTM神经网络预测模型构建步骤为，基于LSTM神经网络，通过一个并联的支路传递原始数据从而保留数据的原始信息，另一支路通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征；通过cat方法融合原始数据特征与提取的特征；通过多层感知机输出定子温度预测值。

进一步地，根据上述的LSTM神经网络预测模型输出的定子温度预测值后，计算所述定子温度预测值与前一时刻通过数据采集模块采集到的温度真实值之间的温度差

进一步地，在上述的通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征的过程中，搭建深度学习网络模型，是使用Adam优化器优化数据处理，学习网络模型参数设置为，初始学习率设置为0.001，损失函数为均方误差MSE，如下式，迭代次数为30，损失函数公式如，其中N代表原始数据组数，y代表温度值，

本发明实施例的技术方案至少具有如下优点和有益效果：

本发明为实现机组检修前定子一键自动温升试验，通过建立定子温度与机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等参数的协联关系的神经网络预测模型，通过预测机组定子绕组温升趋势，提前调节冷却水进口流量，实现在试验逻辑控制模型的不同工况下，自动精准控制定子运行温度，满足绝缘测试及安全性要求。

附图说明

图1为本发明实施例提供的一种定子温升试验控制方法的数据处理数据切片示意图；

图2为本发明实施例提供的一种定子温升试验控制方法的预测模型结构图；

图3为本发明实施例提供的一种定子温升试验控制方法的步骤图。

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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

一种定子温升试验控制方法，包括：

S1、设置数据采集模块采集机组内所需要的各类数据；

S2、根据上述数据建立预测模型；

S3、根据上述预测模型的预测温度计算所需的冷却水总进口流量；

S4、将所述冷却水总进口流量数据传输给控制器，所述控制器控制调节阀门开度。

所述数据采集模块通过通过通讯模块Modbus协议与机组监控系统连接，获取机组内的监测数据，在构建预测模型时，获取机组内的所有监测数据进行数据分析挖掘，本实施例中根据本厂区的实际运行情况，采集机组的运行状态监测数据包括有，机组内的54个定子绕组温度、12台空冷器的冷风和热风温度、技术供水出水总管流量、冷却水总进口流量、技术供水总管温度、空冷器冷却进水总管温度、空冷器冷却出水总管温度、机组负荷有功功率、坝前取水管道压力、蜗壳取水管压力、技术供水进水总管压力，共计87个监测参数。

建立所述预测模型步骤包括有，基于数据采集模块采集的数据进行相关性分析，筛选与定子温度相关的物理量。所述相关的物理量包括定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等七项数据。

模型建立时需要数据采集模块采集历年的数据进行分析，本实施例中，根据电厂的实际运行情况，采用了2019年至2021年三年的定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等数据；基于上述的相关物理量构建LSTM神经网络预测模型。其中，12个空气冷却器的回路基本一致，且12个冷却回路均与空冷器冷却水总管联接，因此考虑将12个空冷视为一个整体，空冷进水温度、空冷出水温度取平均值作为单一变量。同理54个定子绕组由于结构相同且温度相差不超过1℃，因此也考虑求取其平均值作为单一变量。根据机组负荷的情况筛选数据，机组运行期间的数据对温升试验预测模型的构建是有用的，因此，过滤掉机组有功功率为0或者为负的情况，通过滑窗算法舍弃掉这部分数据，如图1所示。基于对有功功率的滑窗索引，对其余的参数做相同的切片处理，保障每一个监测参数的时间戳一一对应。最终，经处理后得到可用数据，在下述的深度学习模型中，使用此可用数据进行运算处理。

确定相关物理量之后，所述数据采集模块以分钟为节点对相关物理量的数据进行重采样，此处的分钟节点可以按照实际运行情况或者根据历年的数据分析定子温度变化的时间间隔进行自行设定。在模型建立阶段以历史数据中的一分钟为数据节点进行采样从而换算。

所述LSTM神经网络预测模型构建步骤为，基于LSTM神经网络，通过一个并联的支路传递原始数据从而保留数据的原始信息，另一支路通过两层LSTM对原始数据进行挖掘，从而提取出原始数据特征；通过cat方法融合原始数据特征与提取的特征；通过多层感知机输出定子温度预测值，如图2所示。

在上述步骤过程中，搭建深度学习网络模型，是使用Adam优化器优化数据处理，学习网络模型参数设置为，初始学习率设置为0.001，损失函数为均方误差MSE，如下式，迭代次数为30，损失函数公式如，其中N代表原始数据组数，y代表温度值，

根据上述的LSTM神经网络预测模型输出的定子温度预测值后，计算所述定子温度预测值与前一时刻通过数据采集模块采集到的温度真实值之间的温度差

在投入模型进入定子温升系统进行温升试验后，数据模块采集系统内的定子温度、机组负荷、空冷热风温度、空冷冷风温度、空冷进水温度、空冷出水温度、冷却水总进口流量等数据，且将上述的参数构建的特征向量输入模型，从而计算模型的输出定子温度预测值。

预测的模型输出的时间尺度以设定的采样时间间隔为准。例如设定的采样时间间隔为5分钟，则模型输入为前15个采样点的传感器数据，即前75分钟的数据；模型输出为下一时刻采样点的数据，即5分钟后的定子温度。此外当设定采样间隔后，模型的执行频率同样被固定，即每隔一个采样间隔时间模型向下位机输出一次指令，即每五分钟根据前运行时间75分钟的数据推算5分钟后的定子温度，预测模型以15×7维向量作为输入，其中15为时间序列轴，7为特征向量，输出为1×1的向量，即为定子绕组的平均温度，根据定子温度计算从而下发指令给控制器，使控制器控制冷却水阀门的开度控制调整对应的流量大小。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。