CN113011656A - 一种电站辅机故障预警方法及*** - Google Patents
一种电站辅机故障预警方法及*** Download PDFInfo
- Publication number
- CN113011656A CN113011656A CN202110302223.3A CN202110302223A CN113011656A CN 113011656 A CN113011656 A CN 113011656A CN 202110302223 A CN202110302223 A CN 202110302223A CN 113011656 A CN113011656 A CN 113011656A
- Authority
- CN
- China
- Prior art keywords
- prediction
- similarity
- average
- state
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 92
- 230000003068 static effect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 93
- 238000012795 verification Methods 0.000 claims description 92
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电站辅机故障预警方法及***,构建辅机状态预测模型,根据状态参数历史数据集获得多个预测时刻的每个状态参数的预测值,基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,构建基于LSTM的动态阈值预测模型,获得每个预测时刻的动态预警阈值,实现预警阈值的自适应调整,降低误报警率;基于各建模变量预测值和测量值的相对误差,计算恒定阈值作为静态预警阈值,结合误差大小和误差出现时间实现故障点追溯,提高了故障点追溯的准确性。
Description
技术领域
本发明涉及电站辅机故障预警技术领域,特别是涉及一种电站辅机故障预警方法及***。
背景技术
辅机是电站设备的重要组成部分,也是电站正常运行必不可少的设备。辅机的运行条件恶劣,随着运行时间的增加,磨损、老化程度增高,容易出现辅机出力不足、卡涩等故障状态,严重影响机组的安全性和经济性。辅机的故障预警有助于提升辅机的运行可靠性,保证电站的安全经济运行。
现有技术中使用固定阈值进行辅机的故障预警,固定阈值在辅机运行过程中一直保持恒定,而由于随机干扰和噪声的影响,固定阈值设定地过高会导致误报警率升高,过低会导致报警的及时性下降,且不能适应电站频繁变工况的要求。并且在故障点追溯时也没有结合误差大小和误差出现时间去实现故障点的追溯,使得故障点追溯的不够准确。
发明内容
本发明的目的是提供一种电站辅机故障预警方法及***,以实现预警阈值的自适应调整,降低误报警率,并能结合误差大小和误差出现时间提高故障点追溯的准确性。
为实现上述目的,本发明提供了如下方案:
一种电站辅机故障预警方法,所述方法包括:
获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
将所述状态参数历史数据集输入所述辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
采用滑动窗口方法对所述相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
构建基于LSTM的动态预警阈值预测模型;
将所述平均相似度序列输入所述基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号。
可选的,所述采用多元状态估计方法或神经网络方法,构建辅机状态预测模型,具体包括:
获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将所述状态参数测量样本集划分为训练样本集和验证样本集;
采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
根据所述训练样本集对所述初始的辅机状态预测模型进行训练,并根据所述验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
可选的,所述基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,具体包括:
其中,为第j个预测时刻的所有状态参数的测量值向量,为第j个预测时刻的所有状态参数的预测值向量,为第j个预测时刻的所有状态参数的测量值向量与第j个预测时刻的所有状态参数的预测值向量的相似度,为第j个预测时刻的所有状态参数的测量值向量中的第i个状态参数的测量值,为第j个预测时刻的所有状态参数的预测值向量中的第i个状态参数的预测值,n为状态参数的数量。
可选的,所述采用滑动窗口方法对所述相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列,具体包括:
所有窗口的平均相似度构成平均相似度序列;
可选的,所述构建基于LSTM的动态预警阈值预测模型,具体包括:
将所述训练样本集和所述验证样本集分别输入所述辅机状态预测模型,分别获得所述训练样本集的多个预测时刻的每个状态参数的预测值和所述验证样本集的多个预测时刻的每个状态参数的预测值,并将所述训练样本集的每个预测时刻的所有状态参数的预测值构成所述训练样本集的每个预测时刻的所有状态参数的预测值向量,所述验证样本集的每个预测时刻的所有状态参数的预测值构成所述验证样本集的每个预测时刻的所有状态参数的预测值向量;
基于欧氏距离相似度函数,获得所述训练样本集的每个预测时刻的所有状态参数的预测值向量和所述训练样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将所述训练样本集的所有预测时刻的相似度构成所述训练样本集的相似度序列,以及获得所述验证样本集的每个预测时刻的所有状态参数的预测值向量和所述验证样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将所述验证样本集的所有预测时刻的相似度构成所述验证样本集的相似度序列;
采用滑动窗口方法对所述训练样本集的相似度序列和所述验证样本集的相似度序列分别进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所述训练样本集的所有窗口的平均相似度构成所述训练样本集的平均相似度序列,所述验证样本集的所有窗口的平均相似度构成所述验证样本集的平均相似度序列;
根据所述训练样本集的相似度序列和所述验证样本集的相似度序列,采用概率统计方法,分别获得所述训练样本集的所有预测时刻的自适应阈值序列和所述验证样本集的所有预测时刻的自适应阈值序列;
根据所述训练样本集的所有预测时刻的自适应阈值序列和所述验证样本集的所有预测时刻的自适应阈值序列,采用滑动窗口方法,分别获得所述训练样本集的平均自适应阈值序列和所述验证样本集的平均自适应阈值序列;
将所述训练样本集的平均相似度序列和所述训练样本集的平均自适应阈值序列构成训练集数据,将所述验证样本集的平均相似度序列和所述验证样本集的平均自适应阈值序列构成验证集数据;
根据LSTM网络的结构确定初始的动态预警阈值预测模型;
根据所述训练集数据和所述验证集数据,对所述初始的动态预警阈值预测模型进行训练和验证,获得基于LSTM的动态预警阈值预测模型。
可选的,所述若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号,之后还包括:
获取所述验证样本集的每个预测时刻的每个状态参数的预测值与测量值的相对误差,并将所述验证样本集的所有预测时刻的每个状态参数的相对误差构成每个状态参数的相对误差序列;
采用滑动窗口方法对每个状态参数的相对误差序列进行处理,计算每个窗口的平均相对误差,将每个窗口的平均相对误差作为每个窗口内最后一个预测时刻的平均相对误差,获得每个状态参数的平均相对误差序列;
根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值;
根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点。
可选的,所述根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值,具体包括:
可选的,所述根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点,具体包括:
获取每个状态参数首次出现平均相对误差大于各自的静态预警阈值的时刻,选取三个最早的首次出现时刻对应的状态参数作为待确定故障状态参数;
获取每个待确定故障状态参数在所有预测时刻未超过各自的静态预警阈值的所有平均相对误差的平均值,确定为每个待确定故障状态参数的平均误差基值;
获得每个待确定故障状态参数在超过各自静态阈值之后的预设时间区间内,每个待确定故障状态参数的平均相对误差与各自的静态预警阈值的最大差值;
获取每个待确定故障状态参数的最大差值与各自的平均误差基值的比值,并将比值的最大值对应的待确定故障状态参数确定为故障状态参数,所述故障状态参数所属的部位为故障点。
一种电站辅机故障预警***,所述***包括:
状态参数历史数据集构成模块,用于获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
辅机状态预测模型构建模块,用于采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
预测值向量构成模块,用于将所述状态参数历史数据集输入所述辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
测量值向量构成模块,用于获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
相似度序列构成模块,用于基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
平均相似度序列构成模块,用于采用滑动窗口方法对所述相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
动态预警阈值预测模型构建模块,用于构建基于LSTM的动态预警阈值预测模型;
动态预警阈值获得模块,用于将所述平均相似度序列输入所述基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
报警信号发出模块,用于若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号。
可选的,所述辅机状态预测模型构建模块,具体包括:
训练样本集和验证样本集划分子模块,用于获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将所述状态参数测量样本集划分为训练样本集和验证样本集;
初始的辅机状态预测模型构建子模块,用于采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
辅机状态预测模型获得子模块,用于根据所述训练样本集对所述初始的辅机状态预测模型进行训练,并根据所述验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种电站辅机故障预警方法及***,构建辅机状态预测模型,根据状态参数历史数据集获得多个预测时刻的每个状态参数的预测值,基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,构建基于LSTM的动态阈值预测模型,获得每个预测时刻的动态预警阈值,实现预警阈值的自适应调整,降低误报警率;基于各建模变量预测值和测量值的相对误差,计算恒定阈值作为静态预警阈值,结合误差大小和误差出现时间实现故障点追溯,提高了故障点追溯的准确性。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种电站辅机故障预警方法的流程图;
图2为本发明实施例提供的引风机模拟故障下的动态阈值预警效果图;
图3为本发明实施例提供的引风机模拟故障下的静态阈值预警效果图;图3(a)为引风机电机电流的静态阈值预警效果图,图3(b)为引风机后轴承温度的静态阈值预警效果图,图3(c)为引风机腰侧轴承水平振动的静态阈值预警效果图,图3(d)为引风机腰侧轴承垂直振动的静态阈值预警效果图,图3(e)为引风机端侧轴承水平振动的静态阈值预警效果图,图3(f)为引风机端侧轴承垂直振动的静态阈值预警效果图。
具体实施方式
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,所描述的实施例仅仅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做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。
本发明的目的是提供一种电站辅机故障预警方法及***,以实现预警阈值的自适应调整,降低误报警率,并能结合误差大小和误差出现时间提高故障点追溯的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种电站辅机故障预警方法,如图1所示,方法包括:
S101,获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
S102,采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
S103,将状态参数历史数据集输入辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
S104,获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
S105,基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
S106,采用滑动窗口方法对相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
S107,构建基于LSTM的动态预警阈值预测模型;
S108,将平均相似度序列输入基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
S109,若平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号。
具体过程如下:
本发明在建立辅机的状态预测模型后,基于预测结果构建相似度指标,衡量预测值与测量值的偏离程度,利用LSTM技术建立动态阈值预测模型,实现阈值的自适应调整;基于各建模变量的状态预测结果计算静态阈值,利用双阈值实现故障预警及故障点追溯。
步骤S102,采用多元状态估计方法或神经网络方法,构建辅机状态预测模型,具体包括:
获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将状态参数测量样本集划分为训练样本集和验证样本集;
采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
根据所述训练样本集对所述初始的辅机状态预测模型进行训练,并根据所述验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
步骤S105,基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,具体包括:
其中,为第j个预测时刻的所有状态参数的测量值向量,为第j个预测时刻的所有状态参数的预测值向量,为第j个预测时刻的所有状态参数的测量值向量与第j个预测时刻的所有状态参数的预测值向量的相似度,为第j个预测时刻的所有状态参数的测量值向量中的第i个状态参数的测量值,为第j个预测时刻的所有状态参数的预测值向量中的第i个状态参数的预测值,n为状态参数的数量。
步骤S106,采用滑动窗口方法对相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列,具体包括:
所有窗口的平均相似度构成平均相似度序列;
步骤S107,构建基于LSTM的动态预警阈值预测模型,具体包括:
将训练样本集和验证样本集分别输入辅机状态预测模型,分别获得训练样本集的多个预测时刻的每个状态参数的预测值和验证样本集的多个预测时刻的每个状态参数的预测值,并将训练样本集的每个预测时刻的所有状态参数的预测值构成训练样本集的每个预测时刻的所有状态参数的预测值向量,验证样本集的每个预测时刻的所有状态参数的预测值构成验证样本集的每个预测时刻的所有状态参数的预测值向量;
基于欧氏距离相似度函数,获得训练样本集的每个预测时刻的所有状态参数的预测值向量和训练样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将训练样本集的所有预测时刻的相似度构成训练样本集的相似度序列,以及获得验证样本集的每个预测时刻的所有状态参数的预测值向量和验证样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将验证样本集的所有预测时刻的相似度构成验证样本集的相似度序列;
采用滑动窗口方法对训练样本集的相似度序列和验证样本集的相似度序列分别进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将训练样本集的所有窗口的平均相似度构成训练样本集的平均相似度序列,验证样本集的所有窗口的平均相似度构成验证样本集的平均相似度序列;
根据训练样本集的相似度序列和验证样本集的相似度序列,采用概率统计方法,分别获得训练样本集的所有预测时刻的自适应阈值序列和验证样本集的所有预测时刻的自适应阈值序列;
根据训练样本集的所有预测时刻的自适应阈值序列和验证样本集的所有预测时刻的自适应阈值序列,采用滑动窗口方法,分别获得训练样本集的平均自适应阈值序列和验证样本集的平均自适应阈值序列;
将训练样本集的平均相似度序列和训练样本集的平均自适应阈值序列构成训练集数据,将验证样本集的平均相似度序列和验证样本集的平均自适应阈值序列构成验证集数据;
根据LSTM网络的结构确定初始的动态预警阈值预测模型;
根据训练集数据和验证集数据,对初始的动态预警阈值预测模型进行训练和验证,获得基于LSTM的动态预警阈值预测模型。
长短时记忆网络(Long Short Term Memory network,LSTM)是一种具有长期记忆能力的循环神经网络,它通过引入三个门控开关对输入时间序列中的信息进行筛选和保存,利用LSTM预测预警阈值,能够利用历史时刻的数据信息和预测结果,提高预警阈值的自适应性。
步骤S109,利用基于LSTM的动态预警阈值预测模型对预警阈值进行自适应预测,若平均相似度连续5个时间点持续低于动态预警阈值,则发出报警信号。
步骤S109之后,将步骤S102划分的验证集数据输入引风机状态预测模型,计算各建模变量验证集数据预测值和测量值的相对误差,采用滑动窗口技术处理相对误差数据,得到各建模变量的验证集平均相对预测误差,相对误差计算公式如下:
其中e为相对误差,xest、xobs分别为反标准化后的变量预测值及测量值。
详细过程为:
获取验证样本集的每个预测时刻的每个状态参数的预测值与测量值的相对误差,并将验证样本集的所有预测时刻的每个状态参数的相对误差构成每个状态参数的相对误差序列;
采用滑动窗口方法对每个状态参数的相对误差序列进行处理,计算每个窗口的平均相对误差,将每个窗口的平均相对误差作为每个窗口内最后一个预测时刻的平均相对误差,获得每个状态参数的平均相对误差序列;
根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值;
根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点。
其中,根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值,具体包括:
计算各建模变量的静态阈值,观察并比较各建模变量的平均相对预测误差超过各自静态阈值的时间和幅度,平均相对误差最先超过其静态阈值且相对超出幅度较大的变量出现故障的可能性较高。
其中,根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点,具体包括:
获取每个状态参数首次出现平均相对误差大于各自的静态预警阈值的时刻,选取三个最早的首次出现时刻对应的状态参数作为待确定故障状态参数;
获取每个待确定故障状态参数在所有预测时刻未超过各自的静态预警阈值的所有平均相对误差的平均值,确定为每个待确定故障状态参数的平均误差基值;
获得每个待确定故障状态参数在超过各自静态阈值之后的预设时间区间内,每个待确定故障状态参数的平均相对误差与各自的静态预警阈值的最大差值;
获取每个待确定故障状态参数的最大差值与各自的平均误差基值的比值,并将比值的最大值对应的待确定故障状态参数确定为故障状态参数,所述故障状态参数所属的部位为故障点。
本发明利用电站存储的正常运行数据,建立辅机的状态预测模型后;以相似度为指标,衡量预测值与测量值偏离程度,提出一种基于双阈值的故障预警方法:(1)构建基于LSTM的动态阈值预测模型,实现预警阈值的自适应调整,降低误报警率;(2)基于各建模变量预测值和测量值的相对误差,计算恒定阈值作为静态阈值,实现故障点追溯。当相似度持续低于动态阈值时,发出报警信号,各建模变量中相对误差超过其静态阈值最早且相对超出幅度最大的变量,具有较高的故障可能性。
本发明提供了构建辅机状态预测模型和基于LSTM的动态预警阈值预测模型的具体实施例。
步骤1,采集电站某辅机(以引风机为例)跨度时间一周的运行数据,采样周期为1min。对采集的数据集进行预处理,选择引风机电机电流I、引风机后轴承温度t1、引风机腰侧轴承垂直振动l1、腰侧轴承水平振动l2、端侧轴承垂直振动l3、端侧轴承水平振动l4作为建模变量,构成6维输入变量X,构建引风机状态预测模型,基于输入的历史时刻变量数据预测未来时刻的变量取值。将建模变量的前80%样本作为训练样本集,后20%作为验证样本集,完成模型的训练及验证。其中,引风机状态模型可采用多元状态估计技术或神经网络技术等方法建立。
步骤2,计算训练集数据和验证集数据的预测相似度,衡量预测值与测量值偏离程度。相似度计算方法如下:
将步骤1中划分的训练集数据和验证集数据输入模型,基于预测值与测量值之间的偏差,构造基于欧氏距离相似度函数,采用滑动窗口技术对原相似度序列S(Xobs,Xest)=[S1,S2,S3,···,SN,SN+1,···,Sp]进行处理,得到平均相似度序列相似度函数及滑动窗口处理公式如下:
其中,p是样本数量,N是滑动窗口长度。
得到训练集平均相似度数据和验证集平均相似度数据,作为步骤4中动态阈值预测模型训练集及验证集的输入数据。
步骤3,利用概率统计方法计算自适应阈值,作为步骤4中动态阈值预测模型训练集及验证集的标签数据。概率统计方法如下:
由于相似度的概率密度分布近似正态分布,根据3σ准则,设备正常运行时,N个时刻下平均相似度simN的取值应以99%的概率落在区间中,其中为N个时刻平均相似度的均值,为N个时刻相似度的方差。具体表达式为:
取该区间的下确界作为自适应阈值。将步骤2计算的训练集相似度数据和验证集相似度数据代入上述表达式,得到训练集自适应阈值和验证集自适应阈值,采用滑动窗口技术对阈值数据进行处理,得到训练集和验证集的平均自适应阈值,作为步骤4中动态阈值预测模型训练集及验证集的标签数据。
步骤4,根据LSTM网络的结构确定引风机动态阈值预测模型的基本结构,其中包含1层输入层、1层隐藏层和1层输出层。输入变量为预测相似度,输出变量为平均自适应预警阈值,基于输入的历史时刻的平均预测相似度来预测未来时刻的预警阈值,作为动态阈值。基于步骤2和步骤3中得到的训练集数据进行梯度下降寻优计算,将误差反向传播以更新权重和偏置,得到精确的动态阈值预测模型。
本发明根据构建辅机状态预测模型和基于LSTM的动态预警阈值预测模型的具体实施例进行引风机的故障预警。引风机模拟故障下的动态阈值预警效果如图2所示,引风机模拟故障下的静态阈值预警效果如图3所示。
本发明还提供了一种电站辅机故障预警***,***包括:
状态参数历史数据集构成模块,用于获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
辅机状态预测模型构建模块,用于采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
预测值向量构成模块,用于将状态参数历史数据集输入辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
测量值向量构成模块,用于获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
相似度序列构成模块,用于基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
平均相似度序列构成模块,用于采用滑动窗口方法对相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
动态预警阈值预测模型构建模块,用于构建基于LSTM的动态预警阈值预测模型;
动态预警阈值获得模块,用于将平均相似度序列输入基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
报警信号发出模块,用于若平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号;
相对误差序列构成模块,用于获取每个预测时刻的每个状态参数的预测值与测量值的相对误差,并将所有预测时刻的每个状态参数的相对误差构成每个状态参数的相对误差序列;
平均相对误差序列获得模块,用于采用滑动窗口方法对每个状态参数的相对误差序列进行处理,计算每个窗口的平均相对误差,将每个窗口的平均相对误差作为每个窗口内最后一个预测时刻的平均相对误差,获得每个状态参数的平均相对误差序列;
静态预警阈值计算模块,用于根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值;
故障点确定模块,用于根据每个状态参数的静态预警阈值和每个状态参数的所有预测时刻的平均相对误差,确定故障点。
辅机状态预测模型构建模块,具体包括:
训练样本集和验证样本集划分子模块,用于获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将状态参数测量样本集划分为训练样本集和验证样本集;
初始的辅机状态预测模型构建子模块,用于采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
辅机状态预测模型获得子模块,用于根据训练样本集对初始的辅机状态预测模型进行训练,并根据验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
相似度序列构成模块,具体包括:
其中,为第j个预测时刻的所有状态参数的测量值向量,为第j个预测时刻的所有状态参数的预测值向量,为第j个预测时刻的所有状态参数的测量值向量与第j个预测时刻的所有状态参数的预测值向量的相似度,为第j个预测时刻的所有状态参数的测量值向量中的第i个状态参数的测量值,为第j个预测时刻的所有状态参数的预测值向量中的第i个状态参数的预测值,n为状态参数的数量。
平均相似度序列构成模块,具体包括:
平均相似度序列构成子模块,用于所有窗口的平均相似度构成平均相似度序列;
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电站辅机故障预警方法,其特征在于,所述方法包括:
获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
将所述状态参数历史数据集输入所述辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
采用滑动窗口方法对所述相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
构建基于LSTM的动态预警阈值预测模型;
将所述平均相似度序列输入所述基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号。
2.根据权利要求1所述的电站辅机故障预警方法,其特征在于,所述采用多元状态估计方法或神经网络方法,构建辅机状态预测模型,具体包括:
获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将所述状态参数测量样本集划分为训练样本集和验证样本集;
采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
根据所述训练样本集对所述初始的辅机状态预测模型进行训练,并根据所述验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
3.根据权利要求1所述的电站辅机故障预警方法,其特征在于,所述基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,具体包括:
5.根据权利要求2所述的电站辅机故障预警方法,其特征在于,所述构建基于LSTM的动态预警阈值预测模型,具体包括:
将所述训练样本集和所述验证样本集分别输入所述辅机状态预测模型,分别获得所述训练样本集的多个预测时刻的每个状态参数的预测值和所述验证样本集的多个预测时刻的每个状态参数的预测值,并将所述训练样本集的每个预测时刻的所有状态参数的预测值构成所述训练样本集的每个预测时刻的所有状态参数的预测值向量,所述验证样本集的每个预测时刻的所有状态参数的预测值构成所述验证样本集的每个预测时刻的所有状态参数的预测值向量;
基于欧氏距离相似度函数,获得所述训练样本集的每个预测时刻的所有状态参数的预测值向量和所述训练样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将所述训练样本集的所有预测时刻的相似度构成所述训练样本集的相似度序列,以及获得所述验证样本集的每个预测时刻的所有状态参数的预测值向量和所述验证样本集的每个预测时刻的所有状态参数的测量值向量的相似度,并将所述验证样本集的所有预测时刻的相似度构成所述验证样本集的相似度序列;
采用滑动窗口方法对所述训练样本集的相似度序列和所述验证样本集的相似度序列分别进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所述训练样本集的所有窗口的平均相似度构成所述训练样本集的平均相似度序列,所述验证样本集的所有窗口的平均相似度构成所述验证样本集的平均相似度序列;
根据所述训练样本集的相似度序列和所述验证样本集的相似度序列,采用概率统计方法,分别获得所述训练样本集的所有预测时刻的自适应阈值序列和所述验证样本集的所有预测时刻的自适应阈值序列;
根据所述训练样本集的所有预测时刻的自适应阈值序列和所述验证样本集的所有预测时刻的自适应阈值序列,采用滑动窗口方法,分别获得所述训练样本集的平均自适应阈值序列和所述验证样本集的平均自适应阈值序列;
将所述训练样本集的平均相似度序列和所述训练样本集的平均自适应阈值序列构成训练集数据,将所述验证样本集的平均相似度序列和所述验证样本集的平均自适应阈值序列构成验证集数据;
根据LSTM网络的结构确定初始的动态预警阈值预测模型;
根据所述训练集数据和所述验证集数据,对所述初始的动态预警阈值预测模型进行训练和验证,获得基于LSTM的动态预警阈值预测模型。
6.根据权利要求5所述的电站辅机故障预警方法,其特征在于,所述若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号,之后还包括:
获取所述验证样本集的每个预测时刻的每个状态参数的预测值与测量值的相对误差,并将所述验证样本集的所有预测时刻的每个状态参数的相对误差构成每个状态参数的相对误差序列;
采用滑动窗口方法对每个状态参数的相对误差序列进行处理,计算每个窗口的平均相对误差,将每个窗口的平均相对误差作为每个窗口内最后一个预测时刻的平均相对误差,获得每个状态参数的平均相对误差序列;
根据每个状态参数的平均相对误差序列中平均相对误差的最大值,计算每个状态参数的静态预警阈值;
根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点。
8.根据权利要求6所述的电站辅机故障预警方法,其特征在于,所述根据每个状态参数的静态预警阈值和每个状态参数在所有预测时刻的平均相对误差,确定故障点,具体包括:
获取每个状态参数首次出现平均相对误差大于各自的静态预警阈值的时刻,选取三个最早的首次出现时刻对应的状态参数作为待确定故障状态参数;
获取每个待确定故障状态参数在所有预测时刻未超过各自的静态预警阈值的所有平均相对误差的平均值,确定为每个待确定故障状态参数的平均误差基值;
获得每个待确定故障状态参数在超过各自静态阈值之后的预设时间区间内,每个待确定故障状态参数的平均相对误差与各自的静态预警阈值的最大差值;
获取每个待确定故障状态参数的最大差值与各自的平均误差基值的比值,并将比值的最大值对应的待确定故障状态参数确定为故障状态参数,所述故障状态参数所属的部位为故障点。
9.一种电站辅机故障预警***,其特征在于,所述***包括:
状态参数历史数据集构成模块,用于获取待检测电站辅机的不同状态参数在每个历史时刻的采样值,构成状态参数历史数据集;
辅机状态预测模型构建模块,用于采用多元状态估计方法或神经网络方法,构建辅机状态预测模型;
预测值向量构成模块,用于将所述状态参数历史数据集输入所述辅机状态预测模型,获得多个预测时刻的每个状态参数的预测值,每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量;
测量值向量构成模块,用于获取每个预测时刻的所有状态参数的测量值,构成每个预测时刻的所有状态参数的测量值向量;
相似度序列构成模块,用于基于欧氏距离相似度函数,计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度,并将所有预测时刻的相似度构成相似度序列;
平均相似度序列构成模块,用于采用滑动窗口方法对所述相似度序列进行处理,计算每个窗口的平均相似度,将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度,并将所有窗口的平均相似度构成平均相似度序列;
动态预警阈值预测模型构建模块,用于构建基于LSTM的动态预警阈值预测模型;
动态预警阈值获得模块,用于将所述平均相似度序列输入所述基于LSTM的动态预警阈值预测模型,获得每个预测时刻的动态预警阈值;
报警信号发出模块,用于若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值,则发出报警信号。
10.根据权利要求9所述的电站辅机故障预警***,其特征在于,所述辅机状态预测模型构建模块,具体包括:
训练样本集和验证样本集划分子模块,用于获取待检测电站辅机的不同状态参数在多个采样时刻的测量值,构成状态参数测量样本集,并将所述状态参数测量样本集划分为训练样本集和验证样本集;
初始的辅机状态预测模型构建子模块,用于采用多元状态估计方法或神经网络方法,构建初始的辅机状态预测模型;
辅机状态预测模型获得子模块,用于根据所述训练样本集对所述初始的辅机状态预测模型进行训练,并根据所述验证样本集对训练后的辅机状态预测模型进行验证,获得辅机状态预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302223.3A CN113011656B (zh) | 2021-03-22 | 2021-03-22 | 一种电站辅机故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110302223.3A CN113011656B (zh) | 2021-03-22 | 2021-03-22 | 一种电站辅机故障预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011656A true CN113011656A (zh) | 2021-06-22 |
CN113011656B CN113011656B (zh) | 2022-08-02 |
Family
ID=76404258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110302223.3A Active CN113011656B (zh) | 2021-03-22 | 2021-03-22 | 一种电站辅机故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011656B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及*** |
CN114139591A (zh) * | 2021-06-23 | 2022-03-04 | 核动力运行研究所 | 一种机械设备状态预警方法 |
CN115037987A (zh) * | 2022-06-07 | 2022-09-09 | 厦门蝉羽网络科技有限公司 | 一种直播带货视频的回看方法及*** |
CN115169709A (zh) * | 2022-07-18 | 2022-10-11 | 华能汕头海门发电有限责任公司 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
CN115358319A (zh) * | 2022-08-23 | 2022-11-18 | 天津大学 | 基于双阈值检测的自适应容错滤波方法及*** |
CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理***及方法 |
CN116845887A (zh) * | 2023-09-01 | 2023-10-03 | 华北电力科学研究院有限责任公司 | 单侧辅机配置机组的故障处理方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414189A (zh) * | 2013-08-30 | 2013-11-27 | 华北电力大学 | 基于多种预测算法的电能质量稳态指标预警方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN107516279A (zh) * | 2017-08-15 | 2017-12-26 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN110244968A (zh) * | 2019-06-18 | 2019-09-17 | 深圳市小兔充充科技有限公司 | 充电站管理***及方法 |
US20200012918A1 (en) * | 2018-07-09 | 2020-01-09 | Tata Consultancy Services Limited | Sparse neural network based anomaly detection in multi-dimensional time series |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和*** |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
AU2020103722A4 (en) * | 2020-11-27 | 2021-02-11 | Northeast Electric Power University | A Dynamic Early Warning System for Power Station Operating Parameters Based on Cloud Platform |
-
2021
- 2021-03-22 CN CN202110302223.3A patent/CN113011656B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103414189A (zh) * | 2013-08-30 | 2013-11-27 | 华北电力大学 | 基于多种预测算法的电能质量稳态指标预警方法 |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN107516279A (zh) * | 2017-08-15 | 2017-12-26 | 皑沐(上海)文化传媒有限公司 | 一种网络舆情自动预警的方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
US20200012918A1 (en) * | 2018-07-09 | 2020-01-09 | Tata Consultancy Services Limited | Sparse neural network based anomaly detection in multi-dimensional time series |
CN110244968A (zh) * | 2019-06-18 | 2019-09-17 | 深圳市小兔充充科技有限公司 | 充电站管理***及方法 |
CN111913443A (zh) * | 2019-08-24 | 2020-11-10 | 南京鸿雁讯通信息科技有限公司 | 基于相似性的工业设备故障预警方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和*** |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
AU2020103722A4 (en) * | 2020-11-27 | 2021-02-11 | Northeast Electric Power University | A Dynamic Early Warning System for Power Station Operating Parameters Based on Cloud Platform |
Non-Patent Citations (3)
Title |
---|
何群等: "基于长短期记忆网络的风电机组齿轮箱故障预测", 《计量学报》 * |
吴波等: "变电站设备温度预警***研究与实现", 《建筑电气》 * |
胡杰等: "基于大数据技术的电厂设备状态评估和预警应用研究", 《华电技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及*** |
CN114139591A (zh) * | 2021-06-23 | 2022-03-04 | 核动力运行研究所 | 一种机械设备状态预警方法 |
CN115037987A (zh) * | 2022-06-07 | 2022-09-09 | 厦门蝉羽网络科技有限公司 | 一种直播带货视频的回看方法及*** |
CN115169709A (zh) * | 2022-07-18 | 2022-10-11 | 华能汕头海门发电有限责任公司 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
CN115169709B (zh) * | 2022-07-18 | 2023-04-18 | 华能汕头海门发电有限责任公司 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
CN115358319A (zh) * | 2022-08-23 | 2022-11-18 | 天津大学 | 基于双阈值检测的自适应容错滤波方法及*** |
CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理***及方法 |
CN115860714B (zh) * | 2022-11-28 | 2023-08-08 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理***及方法 |
CN116845887A (zh) * | 2023-09-01 | 2023-10-03 | 华北电力科学研究院有限责任公司 | 单侧辅机配置机组的故障处理方法及装置 |
CN116845887B (zh) * | 2023-09-01 | 2023-11-10 | 华北电力科学研究院有限责任公司 | 单侧辅机配置机组的故障处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113011656B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011656B (zh) | 一种电站辅机故障预警方法及*** | |
Worden et al. | Novelty detection in a changing environment: regression and interpolation approaches | |
CN109738939B (zh) | 一种地震前兆数据异常检测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮***故障检测方法和*** | |
CN113240199B (zh) | 基于dilate_tlstm的港口船舶轨迹预测方法 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测*** | |
CN112187528B (zh) | 基于sarima的工业控制***通信流量在线监测方法 | |
CN110472671A (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
CN112990435A (zh) | 一种长短时记忆网络电站风机故障预警方法及*** | |
CN111030889A (zh) | 一种基于gru模型的网络流量预测方法 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
KR19990082532A (ko) | 이상 검출 방법 및 이상 검출 시스템 | |
Li et al. | A wavelet and neural networks based on fault diagnosis for HAGC system of strip rolling mill | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
CN116170200A (zh) | 电力监控***时间序列异常检测方法、***、设备及存储介质 | |
CN114090949A (zh) | 一种鲁棒的振动信号特征值计算方法 | |
Madhag et al. | Online sensor noise covariance identification using a modified adaptive filter | |
CN115249059A (zh) | 模型训练及异常数据分析方法、装置及计算机存储介质 | |
CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
CN115959552B (zh) | 扶梯故障的预测方法、装置、设备及介质 | |
Samoylenko et al. | A model of two-stage polling in alarm data acquisition system | |
Szappanos et al. | Improvements in the theory of identification of burst-shaped events for fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |