汽轮发电机轴系振动预测方法、系统、设备及存储介质

技术领域

本发明涉及汽轮机领域，尤其涉及一种汽轮发电机轴系振动预测方法、系统、设备及存储介质。

背景技术

汽轮发电机作为火力发电系统的核心设备，承担着重要的发电任务。保障汽轮发电机的平稳安全运行始终是电力系统最重要的任务之一。在汽轮发电机深度调峰的过程中，大容量火电机组的运行情况愈发复杂，这就对保障汽轮发电机的安全平稳运行提出了更高的要求。

汽轮发电机的运行监测系统愈发成熟，通过计算机及信号处理，可实现实时运行数据的精确采集。轴振、瓦振等振动核心参数作为汽轮发电机的主保护参数，在大多数情况下可以反映汽轮发电机的运行特征并由此推断出机组的运行状态。若能实现汽轮发电机振动参数的准确预测，则可达成汽轮发电机运行状态准确监测的目的。在实际工程应用中，可通过振动异常预警提醒运行人员注意当前汽轮发电机状态，使得运行人员对汽轮发电机的异常情况具备前瞻性的判断；另一方面，通过对比振动参数的异常值和实际值的差距，可判断出汽轮发电机的健康状态，以数据为支持安排相应的检修计划。

目前在汽轮发电机实际工程运行过程中，大多采取人工监测数据这一传统的汽轮发电机状态判断方法，该方法不仅具有一定的主观性，即判断结果大多依赖于专家经验知识，难以应对当前深度调峰的工业大背景下汽轮发电机复杂的运行情况。

因此，亟待解决上述问题。

发明内容

发明目的：本发明的第一目的是提供一种可精准预测的汽轮发电机轴系振动预测方法。

本发明的第二目的是提供一种汽轮发电机轴系振动预测系统。

本发明的第三目的是提供一种电子设备。

本发明的第四目的是提供一种计算机存储介质。

技术方案：为实现以上目的，本发明公开了一种汽轮发电机轴系振动预测方法，包括如下步骤：

(1)获取汽轮发电机运行参数历史数据；

(2)将收集到的汽轮发电机运行参数历史数据进行预处理操作，以消除变量量纲差异对结果的影响；

(3)对汽轮发电机的运行状态进行识别工作，采用K-Means数据聚类算法将汽轮发电机的运行数据依据环境温度及汽轮机有功功率两个模式识别特征参数划分为不同的运行模式，构建支持向量机SVM汽轮机运行模式识别模型；

(4)利用主成分分析PCA对汽轮发电机的运行参数历史数据进行特征提取，得到状态特征值；

(5)将主成分分析PCA降维后的汽轮发电机的状态特征参数按照8：1：1的比例划分为测试集、验证集及测试集；

(6)将步骤1所述的轴系振动参数序列通过变分模态分解算法VMD进行分解处理，通过中心频率法确定最终的子信号模态个数K，将上述轴系振动参数序列经变分模态分解算法VMD分解为K个IMF序列；

(7)搭建并根据麻雀搜索算法SSA优化XGBoost模型，针对经VMD分解的序列分别设置最优参数，对于分解得到的K个IMF序列，分别搭建K个XGBoost模型，采用优化后的XGBoost模型对汽轮发电机振动参数进行预测；

(8)以经主成分分析PCA降维后的汽轮发电机的状态特征参数为输入特征，分别输入优化后的K个XGBoost预测模型中，叠加重构各IMF序列的预测值最终得到振动参数预测值。

其中，步骤(1)中获取汽轮发电机运行参数历史数据包括汽轮发电机功率参数历史数据、热力参数历史数据及轴系振动参数历史数据，

其中汽轮发电机轴系热力参数包括主汽门蒸汽压力、高旁阀后蒸汽压力、高压缸叶片级压力、调门后蒸汽压力、补气阀后蒸汽压力、中压缸进汽压力、中压缸排汽压力、中压排汽温度、高压排汽蒸汽温度、低压缸真空、除氧器压力和主蒸汽流量。

优选的，步骤(2)中预处理操作的具体步骤为：

对所有的运行参数历史数据进行归一化处理，将其作为样本数据映射到[0，1]之间，归一化公式如下式所示：

其中，X与A分别表示归一化前后的数据，X

设汽轮发电机运行参数历史数据集

则数据集X的归一化数据矩阵为

再者，步骤(4)中主成分分析PCA特征提取方法具体包括如下步骤：

(4.1)处理归一化数据矩阵A得到协方差矩阵L；

(4.2)计算协方差矩阵L的特征值和特征向量；

(4.3)求主成分累计贡献率，选取累计贡献率达到90％的特征值作为预测的输入。

进一步，所述步骤(7)中进行XGBoost预测模型的调参寻优工作，采用麻雀搜索算法SSA，其超参数寻优流程包括：

(7.1)采用麻雀搜索算法SSA得到最优超参数组合作为XGBoost模型的超参数输入，对麻雀搜索算法的智能算法种群数、智能算法进化数等设置初始值；

(7.2)对预测模型的超参数进行寻优工作，即设为SSA麻雀搜索算法的搜索维度并设置相应的搜索范围；

(7.3)构建决策树模型，通过特征值的评估标准，逐渐增加树的数量，通过新树去拟合上一次预测的残差；

(7.4)计算各个麻雀的适应度，以此划分发现者和追随者，并对其位置进行更新，比较当前麻雀个体的适应度与当前最佳适应度：

(7.5)若当前个体的适应度高于当前最佳适应度，则更新当前最佳适应度以其所对应位置为当前个体的适应度与位置；

(7.6)若当前个体的适应度低于当前最佳适应度，则当前最佳适应度及当前最优位置不作变化；

(7.7)迭代次数达到全局最大迭代次数时，结束迭代并记录当前超参数值；

(7.8)记录下的超参数值即为全局最优参数，并搭建XGBoost预测模型。

本发明一种基于信号分解重构的汽轮发电机轴系振动预测系统，其特征在于，包括：

采集数据模块，用于获取汽轮发电机运行参数历史数据；所述采集数据模块中获取汽轮发电机运行参数历史数据包括汽轮发电机功率参数历史数据、热力参数历史数据及轴系振动参数历史数据，其中汽轮发电机轴系热力参数包括主汽门蒸汽压力、高旁阀后蒸汽压力、高压缸叶片级压力、调门后蒸汽压力、补气阀后蒸汽压力、中压缸进汽压力、中压缸排汽压力、中压排汽温度、高压排汽蒸汽温度、低压缸真空、除氧器压力和主蒸汽流量；

预处理模块，用于将收集到的汽轮发电机运行参数历史数据进行预处理操作，以消除变量量纲差异对结果的影响；

状态识别模块，用于对汽轮发电机的运行状态进行识别工作，采用K-Means数据聚类算法将汽轮发电机的运行数据依据环境温度及汽轮机有功功率两个模式识别特征参数划分为不同的运行模式，构建支持向量机SVM汽轮机运行模式识别模型；

特征值提取模块，用于利用主成分分析PCA对汽轮发电机的运行参数历史数据进行特征提取，得到状态特征值；其中特征值提取模块中主成分分析PCA特征提取方法具体执行如下：

处理归一化数据矩阵A得到协方差矩阵L；

计算协方差矩阵L的特征值和特征向量；

求主成分累计贡献率，选取累计贡献率达到90％的特征值作为预测的输入；

数据划分模块，用于将主成分分析PCA降维后的汽轮发电机的状态特征参数按照8：1：1的比例划分为测试集、验证集及测试集；

分解处理模块，用于将采集的轴系振动参数序列通过变分模态分解算法VMD进行分解处理，通过中心频率法确定最终的子信号模态个数K，将上述轴系振动参数序列经变分模态分解算法VMD分解为K个IMF序列；

XGBoost模型优化模块，用于搭建并根据麻雀搜索算法SSA优化XGBoost模型，针对经VMD分解的序列分别设置最优参数，对于分解得到的K个IMF序列，分别搭建K个XGBoost模型，采用优化后的XGBoost模型对汽轮发电机振动参数进行预测；

振动参数预测模块，用于以经主成分分析PCA降维后的汽轮发电机的状态特征参数为输入特征，分别输入优化后的K个XGBoost预测模型中，叠加重构各IMF序列的预测值最终得到振动参数预测值。

其中，预处理模块中预处理操作的具体步骤为：

对所有的运行参数历史数据进行归一化处理，将其作为样本数据映射到[0，1]之间，归一化公式如下式所示：

其中，X与A分别表示归一化前后的数据，X

设汽轮发电机运行参数历史数据集

则数据集X的归一化数据矩阵为

优选的，XGBoost模型优化模块中进行XGBoost预测模型的调参寻优工作，采用麻雀搜索算法SSA，其超参数寻优流程具体执行如下：

采用麻雀搜索算法SSA得到最优超参数组合作为XGBoost模型的超参数输入，对麻雀搜索算法的智能算法种群数、智能算法进化数等设置初始值；

对预测模型的超参数进行寻优工作，即设为SSA麻雀搜索算法的搜索维度并设置相应的搜索范围；

构建决策树模型，通过特征值的评估标准，逐渐增加树的数量，通过新树去拟合上一次预测的残差；

计算各个麻雀的适应度，以此划分发现者和追随者，并对其位置进行更新，比较当前麻雀个体的适应度与当前最佳适应度：

若当前个体的适应度高于当前最佳适应度，则更新当前最佳适应度以其所对应位置为当前个体的适应度与位置；

若当前个体的适应度低于当前最佳适应度，则当前最佳适应度及当前最优位置不作变化；

迭代次数达到全局最大迭代次数时，结束迭代并记录当前超参数值；

记录下的超参数值即为全局最优参数，并搭建XGBoost预测模型。

本发明一种电子设备，包括处理器和存储器，

存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述的一种汽轮发电机轴系振动预测方法。

本发明一种计算机存储介质，计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述的一种汽轮发电机轴系振动预测方法。

有益效果：与现有技术相比，本发明具有以下显著优点：本发明基于变分模态分解对振动目标参数进行了模态分解，并结合麻雀搜索算法对XGBoost模型进行了超参数寻优以进一步提升预测准确性，解决了手动调参带来的不准确性并提高了模型优化的效率，适用于解决工程实际问题；通过建立汽轮发电机不同运行模式下的振动预测模型，结合不同运行模式下的实时运行参数，实现对汽轮机振动长期准确、高效的监测。

附图说明

图1为本发明的流程示意图；

图2为本发明实施例中汽轮机轴系示意图；

图3为本发明中VMD分解结果图；

图4为本发明中基于SSA对XGBoost超参数寻优流程图；

图5为本发明的汽轮发电机轴系振动预测图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

实施例1

极度梯度提升算法(eXtreme Gradient Boosting,XGBoost)可实现高效且有效的梯度提升算法，可用于分类或回归预测建模问题，由于其同时具有线性模型求解器和树学习算法，XGBoost在执行速度和模型性能方面优于随机森林(RF)、梯度提升机(GBM)和梯度提升决策树(GBDT)等的算法，尤其是其具有跨集群并行的特点，使得其具有数倍于其他预测算法的运算速度，适合于实际汽轮发电机工程应用；

变分模态分解(Variational Mode Decomposition,VMD)是一种信号分解估计方法，由Dragomiretskiy和Zosso于2014年提出，其假设原始信号f由的本征模态函数(IMF)组成，通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，不断更新各模态函数及中心频率，得到若干具有一定宽带的模态函数，具有优异的抗噪性、分解性能和稳定性。

如图1和图2所示，本发明一种汽轮发电机轴系振动预测方法，包括如下步骤：

(1)获取汽轮发电机运行参数历史数据；获取汽轮发电机运行参数历史数据包括汽轮发电机功率参数历史数据、热力参数历史数据及轴系振动参数历史数据，

其中汽轮发电机轴系热力参数包括主汽门蒸汽压力、高旁阀后蒸汽压力、高压缸叶片级压力、调门后蒸汽压力、补气阀后蒸汽压力、中压缸进汽压力、中压缸排汽压力、中压排汽温度、高压排汽蒸汽温度、低压缸真空、除氧器压力和主蒸汽流量；

(2)将收集到的汽轮发电机运行参数历史数据进行预处理操作，以消除变量量纲差异对结果的影响；

常见的数据标准化方法主要包括min-max标准化、z-score标准化两种，本发明选择min-max作为数据标准化方法，预处理操作的具体步骤为：

对所有的运行参数历史数据进行归一化处理，将其作为样本数据映射到[0，1]之间，归一化公式如下式所示：

其中，X与A分别表示归一化前后的数据，X

设汽轮发电机运行参数历史数据集

则数据集X的归一化数据矩阵为

(3)对汽轮发电机的运行状态进行识别工作，采用K-Means数据聚类算法将汽轮发电机的运行数据依据环境温度及汽轮机有功功率两个模式识别特征参数划分为不同的运行模式，构建支持向量机SVM汽轮机运行模式识别模型；

(4)利用主成分分析PCA对汽轮发电机的运行参数历史数据进行特征提取，得到状态特征值；

主成分分析PCA特征提取方法具体包括如下步骤：

(4.1)处理归一化数据矩阵A得到协方差矩阵L；

(4.2)计算协方差矩阵L的特征值和特征向量；

(4.3)求主成分累计贡献率，选取累计贡献率达到90％的特征值作为预测的输入，其中PCA累计贡献率如表1所示；

如表1所示，第五个主元时的累计贡献率为92.20243％，累计贡献率已大于90％，此时各主元已代表原始数据的信息；

(5)将主成分分析PCA降维后的汽轮发电机的状态特征参数按照8：1：1的比例划分为测试集、验证集及测试集；

(6)将步骤1所述的轴系振动参数序列通过变分模态分解算法VMD进行分解处理，通过中心频率法确定最终的子信号模态个数K，不同K值对应的中心频率如表2所示；将上述轴系振动参数序列经变分模态分解算法VMD分解为K个IMF序列；

由表2可知，如下为K在设定为不同值的情况下各模态分量的中心频率，由以下数据可知，当K值为11时，出现了中心频率相近的分量，说明VMD对信号进行了过度分解，因此K的值最终设定为10，将振动目标参数经VMD(变分模态分解)分解为10个IMF序列，如图3所示；

(7)搭建并根据麻雀搜索算法SSA优化XGBoost模型，针对经VMD分解的序列分别设置最优参数，对于分解得到的K个IMF序列，分别搭建K个XGBoost模型，采用优化后的XGBoost模型对汽轮发电机振动参数进行预测；

如图4所示，采用所划分的训练集进行训练，采用测试集对所述的XGBoost模型进行测试，采用多个预测评价指标评估XGBoost模型的预测效果；

其中进行XGBoost预测模型的调参寻优工作，采用麻雀搜索算法SSA，其超参数寻优流程包括：

(7.1)采用麻雀搜索算法SSA得到最优超参数组合作为XGBoost模型的超参数输入，对麻雀搜索算法的智能算法种群数、智能算法进化数等设置初始值；

(7.2)对预测模型的超参数进行寻优工作，即设为SSA麻雀搜索算法的搜索维度并设置相应的搜索范围；

(7.3)构建决策树模型，通过特征值的评估标准，逐渐增加树的数量，通过新树去拟合上一次预测的残差；

(7.4)计算各个麻雀的适应度，以此划分发现者和追随者，并对其位置进行更新，比较当前麻雀个体的适应度与当前最佳适应度：

(7.5)若当前个体的适应度高于当前最佳适应度，则更新当前最佳适应度以其所对应位置为当前个体的适应度与位置；

(7.6)若当前个体的适应度低于当前最佳适应度，则当前最佳适应度及当前最优位置不作变化；

(7.7)迭代次数达到全局最大迭代次数时，结束迭代并记录当前超参数值；

(7.8)记录下的超参数值即为全局最优参数，并搭建XGBoost预测模型；

(8)以经主成分分析PCA降维后的汽轮发电机的状态特征参数为输入特征，分别输入优化后的K个XGBoost预测模型中，叠加重构各IMF序列的预测值最终得到振动参数预测值，如图5所示。

本发明的目的是预测下一时刻的振动参数值，振动参数是预测对象；当前时刻的热力参数、功率参数以及振动参数作为已知变量经过PCA特征提取后作为预测模型的输入变量输入到XGBoost模型中以获取下一时刻的振动参数值。

实施例2

本发明一种基于信号分解重构的汽轮发电机轴系振动预测系统，包括：

采集数据模块，用于获取汽轮发电机运行参数历史数据；所述采集数据模块中获取汽轮发电机运行参数历史数据包括汽轮发电机功率参数历史数据、热力参数历史数据及轴系振动参数历史数据，其中汽轮发电机轴系热力参数包括主汽门蒸汽压力、高旁阀后蒸汽压力、高压缸叶片级压力、调门后蒸汽压力、补气阀后蒸汽压力、中压缸进汽压力、中压缸排汽压力、中压排汽温度、高压排汽蒸汽温度、低压缸真空、除氧器压力和主蒸汽流量；

预处理模块，用于将收集到的汽轮发电机运行参数历史数据进行预处理操作，以消除变量量纲差异对结果的影响；预处理模块中预处理操作的具体步骤为：

对所有的运行参数历史数据进行归一化处理，将其作为样本数据映射到[0，1]之间，归一化公式如下式所示：

其中，X与A分别表示归一化前后的数据，X

设汽轮发电机运行参数历史数据集

则数据集X的归一化数据矩阵为

状态识别模块，用于对汽轮发电机的运行状态进行识别工作，采用K-Means数据聚类算法将汽轮发电机的运行数据依据环境温度及汽轮机有功功率两个模式识别特征参数划分为不同的运行模式，构建支持向量机SVM汽轮机运行模式识别模型；

特征值提取模块，用于利用主成分分析PCA对汽轮发电机的运行参数历史数据进行特征提取，得到状态特征值；其中特征值提取模块中主成分分析PCA特征提取方法具体执行如下：

处理归一化数据矩阵A得到协方差矩阵L；

计算协方差矩阵L的特征值和特征向量；

求主成分累计贡献率，选取累计贡献率达到90％的特征值作为预测的输入；

数据划分模块，用于将主成分分析PCA降维后的汽轮发电机的状态特征参数按照8：1：1的比例划分为测试集、验证集及测试集；

分解处理模块，用于将采集的轴系振动参数序列通过变分模态分解算法VMD进行分解处理，通过中心频率法确定最终的子信号模态个数K，将上述轴系振动参数序列经变分模态分解算法VMD分解为K个IMF序列；

XGBoost模型优化模块，用于搭建并根据麻雀搜索算法SSA优化XGBoost模型，针对经VMD分解的序列分别设置最优参数，对于分解得到的K个IMF序列，分别搭建K个XGBoost模型，采用优化后的XGBoost模型对汽轮发电机振动参数进行预测；XGBoost模型优化模块中进行XGBoost预测模型的调参寻优工作，采用麻雀搜索算法SSA，其超参数寻优流程具体执行如下：

采用麻雀搜索算法SSA得到最优超参数组合作为XGBoost模型的超参数输入，对麻雀搜索算法的智能算法种群数、智能算法进化数等设置初始值；

对预测模型的超参数进行寻优工作，即设为SSA麻雀搜索算法的搜索维度并设置相应的搜索范围；

构建决策树模型，通过特征值的评估标准，逐渐增加树的数量，通过新树去拟合上一次预测的残差；

计算各个麻雀的适应度，以此划分发现者和追随者，并对其位置进行更新，比较当前麻雀个体的适应度与当前最佳适应度：

若当前个体的适应度高于当前最佳适应度，则更新当前最佳适应度以其所对应位置为当前个体的适应度与位置；

若当前个体的适应度低于当前最佳适应度，则当前最佳适应度及当前最优位置不作变化；

迭代次数达到全局最大迭代次数时，结束迭代并记录当前超参数值；

记录下的超参数值即为全局最优参数，并搭建XGBoost预测模型；

振动参数预测模块，用于以经主成分分析PCA降维后的汽轮发电机的状态特征参数为输入特征，分别输入优化后的K个XGBoost预测模型中，叠加重构各IMF序列的预测值最终得到振动参数预测值。

实施例3

与本发明实施例1的方法相对应的，本发明实施例3还提供一种电子设备，

在本实施例3中，电子设备包括：至少一条通信总线、至少一个处理器、至少一个存储器、至少一个网络接口、至少一个外设接口。存储器包含程序和数据。

通信总线可以是在电子设备内部的组件之间传输数据的通信设备，诸如内部总线(CPU与存储器总线)、外部总线(通用串行总线端口、外围组件互连快速端口等)。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(n on-volatilememory)，例如至少一个磁盘存储器。

处理器调用存储器所存储的程序与数据，以执行本发明实施例1提供的汽轮发电机轴系振动预测方法。

外设接口用于与外设连接，外设即外部设备，外部设备可以包括但不限于键盘、显示器、光标控制设备(例如鼠标、触摸板或触摸屏)、视频输入设备等。

网络接口以提供与外部网络(例如，因特网、内联网、局域网、移动通信网络等)相关的有线或无线通信。

实施例4

与本发明实施例1的方法相对应的，本发明实施例4还提供一种计算机存储介质，用于数据采集和接收，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，以执行本发明实施例1提供的汽轮发电机轴系振动预测方法。

本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单位集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现，也可以结合软件和硬件的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：移动硬盘、U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明提供了一种汽轮发电机轴系振动预测方法、系统、设备及存储介质，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。