一种发电机绕组温度预警方法及装置
文献发布时间:2023-06-19 18:37:28
技术领域
本发明属于发电机技术领域,具体涉及一种发电机绕组温度预警方法及装置。
背景技术
定子是发电机的核心部件之一,由铁芯、绕组和机座三部分构成。定子故障约占发电机组故障的40%,可导致整个发电机组停机,严重影响电网的安全稳定运行。其中,绕组的结构较为复杂,电流在通过绕组时会积蓄热量,而热量的累积易导致绕组绝缘层老化,使绝缘层随时可能被电流击穿,造成发电机的严重损坏。
目前,基于节约成本和运行需求的考量,大多数电厂并未装备完善的温度监测系统,通常采用国标规定的温度监测和报警方式监测发电机的运行状态,在温度超过上限阈值时报警,超过上上限阈值时紧急停机。但是,发动机的冷却系统和绝缘层会在一定程度上掩饰绕组温升的现象,导致对绕组温度的测量并不准确。例如,当测量得到的绕组温度达到阈值时,其实际温度可能已经远远超出阈值。
因此,为提前识别绕组温度异常的现象,对绕组温度的准确预警是非常有必要的。
发明内容
本发明实施例中提供了一种发电机绕组温度预警方法及装置,以解决现有技术不能准确识别发电机绕组温度是否异常的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本发明的一个方面提供一种发电机绕组温度预警方法,包括:
获取发电机的多组历史数据,每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据,以及,绕组在对应时刻的历史测量温度;
基于所述历史数据建立样本数据集,所述样本数据集中每个样本均由历史时序数据和历史测量温度构成,其中,历史时序数据包括由多个连续时刻的历史运行数据组成的时序运行数据,和,由多个连续时刻的历史测量温度组成的时序温度数据;相邻的每两个所述连续时刻之间均具有预设时间间隔;
根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集;
分别对每个数据子集建立回归模型,构成分层回归模型,所述分层回归模型的输入变量为历史时序数据,输出变量为历史测量温度;
采集发电机的实时数据,所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下,发电机的多种运行数据和绕组的测量温度;
将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度;
比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常。
可选地,所述获取发电机的多组历史数据,包括:
获取发电机在过去预设时间段内的多组历史数据,由下式表示:
T=[y
其中,n为历史数据的组数;T为历史测量温度的集合,y
利用异常点识别方法判断是否存在异常的历史数据,
如果是,将异常的历史数据去除。
可选地,所述基于历史数据建立样本数据集,包括:
按照以下方式构建每个样本中的时序运行数据
其中,
按照以下方式构建每个样本中的时序温度数据X0
X0
其中,X0
每个样本均由下式表示:
其中,y
建立的样本数据集由下式表示:
S={X,Y}
其中,X为所有样本中由时序运行数据和时序温度数据组成的历史时序数据集合;Y为所有样本中历史测量温度的集合;S为建立的样本数据集。
可选地,所述根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集,包括:
按照以下方式,构建高斯混合聚类模型:
(1)预先设置聚类的数量为g;
(2)按照下式分别获得第gi个聚类的概率分布和权重:
其中,p
(3)分别计算每个样本属于每个概率分布的后验概率,并基于所述后验概率更新σ
γ
其中,S
基于所述高斯混合聚类模型,将样本数据集划分为g个数据子集:
S={z
其中,z
可选地,所述分别对每个数据子集建立回归模型,构成分层回归模型,包括:
按照下式建立每个数据子集的梯度提升树模型:
Y
其中,X
利用每个数据子集的梯度提升树模型构建分层回归模型。
可选地,所述将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度,包括:
按照下式,利用实时数据构建当前时序数据,所述当前时序数据包括时序运行数据和时序温度数据:
其中,
将当前时序数据和绕组在当前时刻的测量温度代入高斯聚类模型,分别得到当前时序数据属于每一个数据子集的后验概率;
将当前时序数据和当前时刻的测量温度代入分层回归模型,按照下式计算得到绕组在当前时刻的估计温度:
其中,
可选地,所述比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常,包括:
按照下式计算当前时刻的估计温度与测量温度之间的相对偏差:
其中,ε为相对偏差;
判断所述相对偏差是否大于预设阈值,
如果是,确定绕组温度发生异常;
如果否,确定绕组温度正常。
可选地,所述利用异常点识别方法判断是否存在异常的历史数据,包括:
采用一类支持向量机判断是否存在异常的历史数据。
本发明的另一个方面提供一种发电机绕组温度预警装置,包括:
历史数据获取模块,用于获取发电机的多组历史数据,每组所述历史数据均包含发电机在过去一个时刻的多种历史运行数据,以及,绕组在对应时刻的历史测量温度;
样本数据集建立模块,用于基于所述历史数据建立样本数据集,所述样本数据集中每个样本均由历史时序数据和历史测量温度构成,其中,历史时序数据包括由多个连续时刻的历史运行数据组成的时序运行数据,和,由多个连续时刻的历史测量温度组成的时序温度数据;相邻的每两个所述连续时刻之间均具有预设时间间隔;
数据子集划分模块,用于根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集;
分层回归模型建立模块,用于分别对每个数据子集建立回归模型,构成分层回归模型,所述分层回归模型的输入变量为历史时序数据,输出变量为历史测量温度;
实时数据采集模块,用于采集发电机的实时数据,所述实时数据包含在当前时刻以及当前时刻之前多个连续时刻下,发电机的多种运行数据和绕组的测量温度;
估计温度计算模块,用于将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度;
比较模块,用于比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常。
本发明实施例提供的发电机绕组温度预警方法及装置,首先,获取发电机的多组历史数据,基于历史数据建立样本数据集。然后,根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集。分别对每个数据子集建立回归模型,构成分层回归模型。最后,采集发电机的实时数据,将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度。比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常。
本发明实施例提供的发电机绕组温度预警方法及装置,基于高斯混合聚类的分层回归模型方法对样本进行的分类,增加了绕组估计温度的准确性。同时,利用时序数据构成的分层回归模型相当于建立了一条动态的预警带,对绕组温度异常状态的响应更加灵敏与及时。
附图说明
图1为本发明实施例公开的一种发电机绕组温度预警方法的流程示意图;
图2为本发明实施例公开的一种发电机绕组温度预警装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
图1为本发明实施例提供的一种发电机绕组温度预警方法的流程示意图。该方法可实现发电机绕组温度的预警,避免发生安全事故,如图1所示,包括以下步骤:
步骤S101:获取发电机的多组历史数据。
获取发电机在过去一段时间内的历史数据。例如,持续采集并存储发电机的各项数据,采集数据的频率为10分钟/次。获取其中2018年8月至2019年8月,共计12个月的历史数据,每组历史数据均包含这段时间内某一个时刻所采集的多种历史运行数据,以及,绕组的历史测量温度。不同组历史数据对应的时刻不相同。
在本发明公开的一个具体实施例中,历史数据中的历史运行数据包括线圈电压、A相电流、B相电流、C相电流、环境温度和风速这六种类型。
在本发明公开的一个实施例中,获取发电机在过去预设时间段内的多组历史数据,可由下式表示:
T=[y
其中,n为历史数据的组数;T为历史测量温度的集合,y
在获取发电机在过去预设时间段内的多组历史数据之后,利用异常点识别方法判断是否存在异常的历史数据,如果是,将异常的历史数据去除。在本发明公开的一个具体实施例中,可采用一类支持向量机判断是否存在异常的历史数据。
步骤S102:基于历史数据建立样本数据集。
样本数据集中每个样本均由历史时序数据和历史测量温度构成,历史时序数据是由一组连续采集的历史数据构成,能够体现数据在过去多个连续时刻的变化情况。其中,历史时序数据包括时序运行数据和时序温度数据。
时序运行数据由多个连续时刻的历史运行数据组成,即,时序运行数据包括在过去的多个连续时刻采集到的各项运行数据;时序温度数据由多个连续时刻的历史测量温度组成。相邻的每两个连续时刻之间均具有预设时间间隔,预设时间间隔即为采集数据的时间间隔,例如,10分钟。
在本发明公开的一个实施例中,可采用以下方法,基于历史数据建立样本数据集。
(1)按照以下方式构建每个样本中的时序运行数据
其中,
(2)按照以下方式构建每个样本中的时序温度数据X0
X0
其中,X0
(3)每个样本均由下式表示:
其中,y
(4)建立的样本数据集由下式表示:
S={X,Y}
其中,X为所有样本中由时序运行数据和时序温度数据组成的历史时序数据集合;Y为所有样本中历史测量温度的集合;S为建立的样本数据集。
步骤S103:根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集。
在本发明公开的一个实施例中,可按以下方式实现该步骤:
(一)按照以下方式,构建高斯混合聚类模型:
(1)预先设置聚类的数量为g,例如,在本发明公开的一个具体实施例中,g=10。
(2)按照下式分别获得第gi个聚类的概率分布和权重:
其中,p
(3)分别计算每个样本属于每个概率分布的后验概率,并基于后验概率更新σ
γ
其中,S
在按照步骤(一)建立完成高斯混合聚类模型之后,继续执行步骤(二)。
(二)基于高斯混合聚类模型,将样本数据集划分为g个数据子集:
S={z
其中,z
步骤S104:分别对每个数据子集建立回归模型,构成分层回归模型。
分层回归模型的输入变量为历史时序数据,输出变量为历史测量温度。在本发明公开的一个实施例中,按照下式建立每个数据子集的梯度提升树模型:
Y
其中,X
在本发明公开的一个实施例中,回归模型采用梯度提升树模型,分别对每个数据子集建立梯度提升树模型。
在建立完成每个数据子集的梯度提升树模型之后,将每个数据子集的梯度提升树模型组合在一起,如下所示构成分层回归模型:
步骤S105:采集发电机的实时数据。
实时数据包含在当前时刻以及当前时刻之前多个连续时刻下,发电机的多种运行数据和绕组的测量温度。
步骤S106:将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度。
在本发明公开的实施例中,采用以下方式实现该步骤:
(1)利用实时数据构建当前时序数据。
当前时序数据的构成形态与前述实施例中样本的历史时序数据形态类似,同样也由时序运行数据和时序温度数据构成。
其中,时序运行数据由当前时刻以及当前时刻之前m个连续时刻下,发电机的多种运行数据组成,其中,运行数据与前述实施例中的历史运行数据种类相同;时序温度数据由当前时刻之前m个连续时刻下绕组的测量温度,以及,当前时刻之前一个连续时刻和当前时刻之前两个连续时刻下,绕组测量温度之差组成。
按照下式,构建当前时序数据。
其中,
(2)将当前时序数据和绕组在当前时刻的测量温度代入高斯聚类模型,分别得到当前时序数据属于每一个数据子集的后验概率。
(3)将当前时序数据和当前时刻的测量温度代入分层回归模型,按照下式计算得到绕组在当前时刻的估计温度:
其中,
步骤S107:比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常。
在本发明公开的一个实施例中,按照下式计算当前时刻的估计温度与测量温度之间的相对偏差:
其中,ε为相对偏差;
判断相对偏差是否大于预设阈值,
如果相对偏差大于预设阈值,确定绕组温度发生异常,表示绕组当前的温度处于异常状态,需要及时对发电机进行相应的维护或者降温处理。
如果相对偏差不大于预设阈值,确定绕组温度正常。
图2为本发明实施例公开的一种发电机绕组温度预警装置,如图2所示,该装置包括:
历史数据获取模块11,被配置为获取发电机的多组历史数据,每组历史数据均包含发电机在过去一个时刻的多种历史运行数据,以及,绕组在对应时刻的历史测量温度;
样本数据集建立模块12,被配置为基于历史数据建立样本数据集,样本数据集中每个样本均由历史时序数据和历史测量温度构成,其中,历史时序数据包括由多个连续时刻的历史运行数据组成的时序运行数据,和,由多个连续时刻的历史测量温度组成的时序温度数据;相邻的每两个连续时刻之间均具有预设时间间隔;
数据子集划分模块13,被配置为根据高斯混合聚类方法,利用每个样本的历史时序数据将样本数据集划分为多个数据子集;
分层回归模型建立模块14,被配置为分别对每个数据子集建立回归模型,构成分层回归模型,分层回归模型的输入变量为历史时序数据,输出变量为历史测量温度;
实时数据采集模块15,被配置为采集发电机的实时数据,实时数据包含在当前时刻以及当前时刻之前多个连续时刻下,发电机的多种运行数据和绕组的测量温度;
估计温度计算模块16,被配置为将实时数据代入分层回归模型,计算得到绕组在当前时刻的估计温度;
比较模块17,被配置为比较绕组在当前时刻的测量温度与估计温度,确定绕组的温度是否发生异常。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。