CN117405261A - 水电厂机电设备温度多维度监测方法及装置 - Google Patents
水电厂机电设备温度多维度监测方法及装置 Download PDFInfo
- Publication number
- CN117405261A CN117405261A CN202311127462.5A CN202311127462A CN117405261A CN 117405261 A CN117405261 A CN 117405261A CN 202311127462 A CN202311127462 A CN 202311127462A CN 117405261 A CN117405261 A CN 117405261A
- Authority
- CN
- China
- Prior art keywords
- temperature
- monitoring
- data
- equipment
- rfid
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000001931 thermography Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 5
- 229910052802 copper Inorganic materials 0.000 claims description 5
- 239000010949 copper Substances 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000016507 interphase Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 abstract description 6
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 34
- 238000003745 diagnosis Methods 0.000 description 25
- 238000012545 processing Methods 0.000 description 19
- 230000004927 fusion Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000009434 installation Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000010724 circulating oil Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/022—Means for indicating or recording specially adapted for thermometers for recording
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/024—Means for indicating or recording specially adapted for thermometers for remote indication
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及机电设备检测技术领域,特别涉及水电厂机电设备温度多维度监测方法及装置。本发明基于微型红外摄像头温度监测***、无源无线射频识别(RFID)温度监测***、温度数据智能分析***,从温度数据采集空间多维度、温度数据分析时间多维度两个研究方向入手全方位、全时段的解决了水电厂机电设备的外部、内部及各个所需位置的精准、实时温度监测及温度预测问题,达到了测温部署应测尽测,测温分析大数据智能化的高要求和高水平。
Description
技术领域
本发明涉及机电设备检测技术领域,特别涉及水电厂机电设备温度多维度监测方法及装置。
背景技术
水力发电行业设备运行安全是生产运行重中之重。其中,水电厂的机电设备在长期运行中,由于机电设备中部分电器元件老化、带电连接结构松动、通风制冷环境不理想(如风扇积灰等)等多种、复杂因素将导致机电设备的异常升温。机电设备的异常升温点多发于接触电阻不相等的位置,如导线接线处、设备带电母排连接螺母、开关接触位置等。长期的异常升温会加速设备电气元件老化、运行效率降低,威胁生产安全,造成设备宕机,生产非计划停运等生产安全事故。传统的水电厂设备温度监测技术和运行维护策略难以及时、准确发现所有设备异常发电位置。
发明内容
针对上述问题,本发明提供水电厂机电设备温度多维度监测方法及装置。
第一方面,本发明提供了水电厂机电设备温度多维度监测方法,所述方法包括:
在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
根据得到的温度进行预警和故障判断。
进一步的,将得到的温度预处理,进行时间和空间的配准,将所有检测信息统一到同一时间和空间尺度内。
进一步的,在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,包括:
通过在发电机定子内侧铁芯夹缝处或表面分布式的安装无线射频识别RFID测温标签,实时采集发水轮发电机运行时定子的温度;
天线装置通过无线射频信号收集所有信号覆盖范围内的所有RFID测温标签的温度数据,再通过同轴电缆将温度数据传输至阅读器进行数据解析,通过RS-232或者RS-485串行总线接口将解析过得数据传输至边缘计算单元进行计算、分析和储存,边缘计算单元通过光纤连接远程电脑客户端或通过蓝牙、WIFI连接移动接收单元。
进一步的,在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,还包括:
在发电机出口电压互感器柜、主变低压侧电压互感器柜、发电机集电环、励磁电缆和电缆竖井部位安装在线式红外热成像测温仪对机电设备进行测温检测;
在发电机出口软连接、中性点铜排和机组辅助电机部位安装RFID温度传感器。
进一步的,根据得到的温度进行预警和故障判断,包括:
通过温度数据、环境温度、负荷曲线以及设备运行工况,使用时间序列和数据驱动对设备温度进行预测,根据预测温度值对设备未来一段时间内的温差和温升值进行计算,当温差或温升值超过阈值时,进行危险预警。
进一步的,根据得到的温度进行预警和故障判断,还包括:
选择电压、电流、外壳温度以及转子温度作为特征量,将采集的原始信号预处理,再将数据降维后作为神经网络的输入,神经网络输出故障类型。
进一步的,在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,包括:
对红外热成像测温仪实时采集机电设备的温度进行温度修正,具体包括:
利用直方图均衡提升被测目标与外部环境的红外热像对比度,根据输入图像与输出图像的灰度级数关系,对图像灰度值的重新分布,最终达到增大图像对比度的目的;
通过热成像特征比较、三相相间温差比较、历史温度数据比较、发热机理判别对温度值发射率、温度值距离和温度负荷参数进行比较,再利用回归分析方法将相关温度参数进行拟合修正。
第二方面,本发明提供了水电厂机电设备温度多维度监测***,包括:采集单元和预警单元;
采集单元,用于在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
预警单元,用于根据得到的温度进行预警和故障判断。
第三方面,本发明提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,存储有计算机程序;
处理器,用于执行存储器上所存储的计算机程序时,实现上述的水电厂机电设备温度多维度监测方法。
第四方面,本发明提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的水电厂机电设备温度多维度监测方法。
本发明至少具备以下有益效果:
本发明基于微型红外摄像头温度监测***、无源无线射频识别(RFID)温度监测***、温度数据智能分析***,从温度数据采集空间多维度、温度数据分析时间多维度两个研究方向入手全方位、全时段的解决了水电厂机电设备的外部、内部及各个所需位置的精准、实时温度监测及温度预测问题,达到了测温部署应测尽测,测温分析大数据智能化的高要求和高水平。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例监测方法流程图;
图2为本发明实施例监测装置结构示意图;
图3为电子设备结构示意图;
图4为综合显示界面示意图;
图5为总体概览功能页示意图。
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、完整地说明,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。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。
增强水电厂机电设备温度监测和检查,及时发现异常发热位置,是解决水电厂机电设备温度异常的直接策略方法。温度监测技术的研究与提升是解决该问题的关键,先进和实用的温度监测技术可以实现更全面具体、更优良的水电厂机电设备的运行维护管理。
本发明采用温度监测的物联网边缘计算架构技术,结合RFID传感器技术、红外成像技术、基于深度学习算法的边缘计算节点单元。根据实际监测数据,实现组成硬件模块化,实现实时监测数据自动记录、计算、学习、分析和预测功能。
如图1所示,本发明提供了水电厂机电设备温度多维度监测方法,所述方法包括:
S101,在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
S102,根据得到的温度进行预警和故障判断。
具体实施时,采用如下详细步骤:
针对传统测温设备在发电设备中实用性差、精准性低、性价比不高等因素,从高效能量收集、高可靠性设计、高精准采集等方面入手,提出了一种基于物联网技术的无源RFID温度监测技术,实现了水电厂机电设备热点温度在线监测的需求,解决了水电厂带电设备表面、内部温度监测困难的问题。采用超高频射频识别(Ultra High Frequency RadioFrequency Identification,UHF-RFID)技术,温度传感器依靠UHF-RFID感应供电获取电能,无需电源模块供电。物联网感知标签和数据采集设备间采用基于UHF-RFID的EPC Class1Gen 2V1.2无线通信接口协议,使采集数据的传输距离增加,可靠性增强和吞吐量增多。所研制的无源测温采用陶瓷抗金属设计,是专门为带电等复杂环境设计的一款测温标签,具有无源无线、测温范围宽、精度高、读取距离远、尺寸小巧、方便安装等特点,尤其适合各种带电环境下的测温应用,可方便地应用于电力、能源、特殊工艺产线等场景。无源RFID温度测量装置可以实现水电站带电设备表面、内部各个所需位置的温度测量,测温范围-20℃~+250℃,测量精度±0.5℃。采用超高频RFID技术进行数据传输和能源供给,做到数据快速、稳定和大量传输,测温贴片无需电源和有线连接,便于安装实时,不影响被测温设备正常运行;经济性高,一个测点的费用仅不到200元,便于开展大规模、多测点的设备温度监测部署。阅读器提供的多接口便于数据扩展延伸。该***首先应用于水电站发电机定子温度监测,通过在发电机定子内侧铁芯夹缝处或表面分布式的安装合适的无线射频识别(RFID)测温标签,实时采集发水轮发电机运行时定子的温度,天线装置通过无线射频信号收集所有信号覆盖范围内的所有温度数据,再通过同轴电缆将温度数据传输至阅读器进行数据解析,通过RS-232或者RS-485串行总线接口将解析过得数据传输至边缘计算单元进行计算、分析和储存,边缘计算单元通过光纤连接远程电脑客户端或通过蓝牙、WIFI连接移动接收单元,最终实现远程数据查看、管理等操作,实现对水轮发电机定子温度参数的实时在线监测。本***RFID无线采集模块的安装为离线式,网络布局不受距离和电源约束,便于扩展,阅读器接上电缆即可实现数据传输,现地采集单元通过自身特有的ID号与数据处理终端(便携版)进行无线通信,频率高、传输快。每个RFID无线采集模块独立工作,不同的单元数据都带有特定的ID号,以便提供有效管理;同时数据处理终端也可通过局域网和广域网进行传输,工作人员可在云平台上实时监控终端上传的数据;传感器工作供电依靠UHF-RFID射频感应能量或电池供电,无需有线电源;传感器和采集设备之间无线连接,可靠性高,读取距离远;采用边缘计算单元装置作为计算分析装置,能快速得到采集数据的处理结果,***可在线测量,能够实时监测设备温度参数变化,非接触识别,并且阅读速度极快;可实现实时报警,也可以根据数据变化趋势提前预警,避免事故扩大。
随着电力电子技术的发展,各个地区的发电***逐渐朝着智能电网的方向发展,基于红外技术的智能检测也在变电站的故障诊断方面发挥着越来越重要的作用。由于基于红外图像的故障诊断技术具备安全、准确、快速的特点,同时拍摄红外图像的过程不需要直接接触设备,不受电磁场干扰,使得红外技术在变电站故障检测中成为了一个应用非常广泛的手段。项目针对电厂在测温方面的实际需求,提出一种微型红外摄像头温度监测技术,从物体热成像原理出发,进行热成像设备小型化、电气化,通过热成像图来宏观的了解水电厂机电设备运行温度的整体情况;结合高清摄像头采集的现场设备高清图像,多维度对设备进行热点定位,全方位监测设备故障情况,实现水电厂机电设备温度全景实时感知。
为能实现在线监测高压、大电流一次设备的运行温度,为设备劣化趋势分析提供数据支撑,提前发现事故征兆,降低设备故障率,同时为智慧电厂建设提供数据支撑,项目实施包含前端设备、网络传输、数据存储、平台建设、数据接入等方面。在发电机出口电压互感器柜及主变低压侧电压互感器柜、发电机集电环、励磁电缆、电缆竖井等部位安装在线式红外热成像测温仪对设备进行测温检测,并配套测温专家诊断平台,构建电力设备状态诊断标准及智能专家诊断库,建立电力设备运行故障诊断模型,并借助计算机视觉、视频图像处理与识别技术、模糊算法等,实现电力设备自动巡检、关键区域精确测温、各项指标自动分析诊断、专家会诊;视频实时分析与诊断;智能告警与跟踪检测;趋势分析与预警等,实现电力设备安全运行状态的先知先觉,保证关键电力设备的正常运行。
随着信息技术的发展,采用数字信号处理局部放电信号的技术愈发成熟,目前针对电气设备故障诊断的研究主要目的是为了提高故障诊断精度,复杂的神经网络会占用大量计算资源,不符合工业运作的实际情况。在实际的监测***中,必须考虑软硬件资源是否够用、诊断结果返回是否及时等问题。随着传感器技术、计算机技术、网络技术的迅速发展,设备在数据的获取、存储、传输、加工、分析以及利用方面得到了有效提升。在万物互联的大背景下,传统云计算处理海量数据的能力显得尤为不足,存在实时性不够、带宽不足、能耗较大以及数据安全性低等问题。
边缘计算的出现使得上述问题得到有效地解决,针对多维温度数据采样频率高、数据处理复杂等特点,项目提出一种水电厂机电设备温度多维度智能监测边缘计算架构技术以及传统测点信号数据处理边缘计算架构技术,在边云协同计算平台上部署智能控制算法模型,使边缘计算单元利用智能算法模型实时处理现地数据,实现水电厂机电设备温度数据的实时智能监测,实现水电厂设备温度情况的就地处理、自动研判和自主分析,以解决水电厂物联网化带来的海量数据实时处理困难的问题。其中,采用边缘计算技术在水电站设备智能监测***的就地网络边缘节点来处理、分析数据。针对已部署的大量物联感知标签产生的多维、海量数据,在就地部署的边缘计算单元,采取数据就地预处理策略,将大大缩减就地监测数据可视化响应时间,减轻智能感知监测***网络负载,数据处理的快速性和实时性得到保证,时刻监测运行设备的健康状况。
由于发电***在日常运行中存在非线性、大滞后性、模糊性、时变性和不确定性等相关特性,电厂中机电设备出现故障通常会出现多种不同的故障症状,如果只依据单一的方法很难对发生的故障做出精确的判断,这就会导致***在进行故障检测时,很大几率会出现虚假警报或者漏报等。因此,项目提出基于多源信息融合的温度监测技术,通过对水电站多维测温***构成、机电设备升温原理以及温度数据与设备故障特性间关系分析,在原有温度数据基础上增加环境温度、负荷曲线以及设备运行工况等相关因素,多维度多层次地使用时间序列和数据驱动等多种方法对设备温度进行预测,根据预测温度值对设备未来一段时间内的温差和温升值进行计算,达到设备运行状态数据实时监测、趋势预测和危险预警目的。针对水电设备各种多源异构传感器检测尺度和空间位置不同的问题,进行了多源检测信息预处理、时间和空间的配准,从而将所有检测信息统一到同一时间和空间尺度内,进而将多种监测源数据进行综合分析,解决了单一检测手段主观、客观因素对诊断结果的影响,提高设备故障诊断的准确性。
多源信息融合的故障诊断的速度和准确性都是远大于单一数据的故障诊断的。多源信息融合的诊断技术能够克服许多传统故障诊断方法不能解决的问题。信息融合可分为数据层融合、特征层融合和决策层融合,项目针对电厂中各种机电设备运行特性的差异,通过对设备监测数据特征处理分析来确定不同层次的信息融合手段。例如,项目采用特征层融合的方式对发电机进行诊断决策,在发电机发生失磁故障、转子匝间短路故障时,转子的温度都会出现一倍的增大或减小,因此选择电压、电流、外壳温度以及转子温度作为特征量,将采集的原始信号先进行分析和处理,保留足够的重要信息,再通过信息融合技术将数据降维整合作为神经网络的输入,然后利用故障诊断算法对特征信息进行融合,从而准确判断出故障,得到发电机的状态评价,
红外图像是在变电站中的机电设备正常工作时拍摄,图中的亮度反映了被观测的设备在工作时发射的红外辐射能量的大小。在拍摄红外图像的过程中,被测物体发射的红外线是通过大气传播,被红外摄像仪捕捉,然后再通过光学成像,光电转换和电子处理,最后才形成直观的红外图像。所以在传输过程中,局部范围内总是会存在热平衡的现象,不同介质之间为了达到热平衡,会相互影响,发生能量传递。除此之外,红外辐射在介质传播过程中,总会发生衰减并产生误差。这些因素就决定了拍摄的红外图像存在噪声大、分辨率低、均匀性差以及对比度差的特点。
因此,项目研究了基于定量分析的数据处理与温度修正技术,利用直方图均衡技术有效的提升被测目标与外部环境的红外热像对比度,根据输入图像与输出图像的灰度级数关系,实现对图像灰度值的重新分布,最终达到增大图像对比度的目的。然后通过热成像特征比较、三相相间温差比较、历史温度数据比较、发热机理判别等方法对温度值发射率、温度值距离、温度负荷等参数进行比较,再利用回归分析方法将相关温度参数进行拟合修正,消除了误差对故障点实际温度的影响,减小了***误诊、漏诊的次数,提高了***稳定性和可靠性。
通过面向云计算数据中心的弹性资源分配技术,使企业能够将资源切换到需要的应用上,根据需求访问计算机和存储***。通过云计算技术,开展企业级云计算平台和数据中心建设,提供高可用性、弹性伸缩的计算资源池,实现各类业务***向云架构迁移,满足各类业务***的弹性计算需求,构建智能化水电站的“云”数据中心,对数据进行集中存储和统一计算,现实各个***之间的数据共通、共享。
如图2所示,本发明提供了水电厂机电设备温度多维度监测装置,包括:采集单元201和预警单元202;
采集单元201,用于在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
预警单元202,用于根据得到的温度进行预警和故障判断。
如图3所示,本发明提供了一种电子设备,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301、通信接口302和存储器303通过通信总线304完成相互间的通信;
存储器303,存储有计算机程序;
处理器301,用于执行存储器303上所存储的计算机程序时,实现上述的监测方法。
本发明提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的监测方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
为使本领域的技术人员能更好的理解本发明,结合附图对本发明的原理阐述如下:
本发明基于微型红外摄像头温度监测***、无源无线射频识别(RFID)温度监测***、温度数据智能分析***,从温度数据采集空间多维度、温度数据分析时间多维度两个研究方向入手全方位、全时段的解决了水电厂机电设备的外部、内部及各个所需位置的精准、实时温度监测及温度预测问题,达到了测温部署应测尽测,测温分析大数据智能化的高要求和高水平。
RFID无线测温***基本工作原理为:整个监控***分为测温***、边缘计算单元、阅读器,每个监控对象都安装有源或无源RFID智能标签,标签内部可采集数据,具体包括:发电机组定子中性点铜排、出口软连接、电缆沟电缆、辅助电机等设备温度。采集完成后将诸多数据汇集至终端内部,存储在有源/无缘RFID电子标签中,可通过设置定时由阅读器自动采集电子标签上的数据并传输到边缘计算单元中。
2号机组RFID无线测温***测温点拟选择发电机出口软连接、中性点铜排、机组辅助电机、励磁电流、发电机出口电压互感器柜、主变低压侧软连接及冷却器控制箱等部位安装测温元件。配置数量如表1所示:
表1
发电机出口软连接测温部位为软连接螺栓连接面。为了便于安装和对天线的接收,该处采用两种电子标签形式,第一种标为平面型贴片,金属底座为平板,电子标签采用树脂粘贴在底座上;第二种标签为直角标签,金属底座为直角结构,电子标签粘贴在未开卡口的平面上。底座卡口的开口距离从13.5~26mm可调,以满足不同尺寸螺栓固定的需要。对于电子标签无法正对天线的情况,可以采用直角型电子标签将电子标签“悬空”对准天线。
发电机出口软连接,电子标签将安装在左、右、下三个面,每个面安装标签两个,天线安装在下方防护网上,其中每相左右两个面各一个直角型底座标签,下面安装一个普通平面型底座,软连接处螺栓规格:M24。
此种安装方式下,每相软连接安装电子标签3个,三相总计电子标签9个,三相共安装接收天线2个。
边缘计算单元引出线缆通过PVC管线固定于基坑壁上,管线安装高度2.5m,穿线管安装至中性点侧电缆穿线管引至EL213.9m电缆桥架上,再将线缆引至人机界面。
发电机中性点连接三相共十五个分支,在每一个中性点分支铜排第一个连接面处及选择历年红外测温温度较高处安装有源RFID电子标签来实现对温度的监测,共需安装20个测温标签,天线2个。
边缘计算单元引出线缆通过PVC管线固定于基坑壁上,管线安装高度2.5m,穿线管安装至中性点侧电缆穿线管引至EL213.9m电缆桥架上,再将线缆引至人机界面。
机组辅助电机包括:压油泵、推力外循环油泵、水导外循环油泵。由于水导外循环油泵安装部位空间狭小、潮湿,不适宜安装边缘计算单元及天线,因此,水导外循环油泵本次不安装无线测温。
推力外循环油泵在本体上安装无线测温标签,就近安装阅读器及边缘计算单元(不妨碍电机、油泵检修、吊装),线缆用线管敷设至机坑电缆桥架引至外风洞,再敷设至人机界面。
压油泵安装方式同推力外循环油泵,人机界面就近安装在调速器检修分电箱盘。
励磁电缆通过电缆沟、电缆桥架引至励磁整流盘柜,经历年红外测温分析,电缆沟段励磁电缆温度相对较高,因此,在电缆沟内励磁电缆上安装无源RFID电子标签来实现对电缆温度的监测。RFID阅读器及边缘计算单元安装在电缆沟内。人机界面安装于励磁变与发电机出口电压互感器柜间的墙壁上。
发电机出口电压互感器柜及主变低压侧电压互感器柜测温标签安装于设备本体上,RFID阅读器及边缘计算单元根据电压互感器柜柜内部空间安装在柜内。线缆在电压互感器柜柜内部敷设时,需沿柜体边缘敷设,并固定牢固。
箱体安装在电压互感器柜柜与励磁变之间墙壁位置。该开关额定电流16A,整套设备功率不足50W,运行电流不到1A,开关容量满足运行需求。
主变压器冷却器控制箱检测部位为主电源接触器,在接触器上安装有源RFID标签,共两个;RFID阅读器及边缘计算单元安装在冷却器控制箱内。
主变低压侧软连接安装有源RFID测温标签,安装在软连接螺栓搭接面处,采用标签底座进行固定。RFID阅读器及边缘计算单元采用支架安装在低压侧波纹管外部。
人机界面安装于B相封闭母线下暖通机房墙面,安装高度离地1.5m。电源取自2号主变压器检修分电箱。
本方案基于无线红外温度传感器,利用红外技术将测得的温度信号传送给红外监控***,用中值滤波、空间域低通滤波、邻域平均、频率域低通滤波和多帧平均等方法对红外热图像去噪处理,利用红外理论构建热图像的测温模型。结合可见光图像,利用图像配准、图像融合算法,把红外图像所得的温度信息在可见光图像下显示。解决高温高压恶劣环境条件下温度检测、防抢、防盗和报警问题,做到了所见既所测。
在35KV,10KV开关柜非开关侧的三相触头处安装1台卡片机,共计10台。测温目标:非开关侧的三相触头,设计规格为35kv柜体尺寸统一(长120cm,高95cm),触头间距统一(40cm),但是触头与柜门距离(40cm),触头与地面距离(80cm)有较小差异(+5-10cm)。同时基本可以通过柜体底部磁吸方式安装满足同时三个触头测温,安全标准要求设备(线缆/柜门)与触头安全距离大于35cm。
poe供电通网,本次35kv开关柜通过大约30米双绞线到达隔壁机房poe交换机,交换机会计划连接储存,与监控平台。电缆与柜体其他组件的供电与通信都是通过电缆沟完成,复用即可,施工现场没有全部停电也进行了打开电缆沟,穿线,人员爬进触头柜体内打开中间隔板等操作。
目前研究温度预测的方法有很多,考虑到算法复杂度,项目背景的时效性,以及温度数据的特点,温度预测方法采用相对简单却也具有代表性的两类算法。
一是时间序列预测模型。该模型基于数据的统计特性,通常处理的时间序列含有定不规则性,而且允许不规则部分可以有自相关关系。设备温度随着时间变化而变化,是一个典型非平稳时间序列。设备当前温度与过去温度之间有着较强的联系,尤其在一天之间,季节之间存在着明显的周期性。如果使用统计模型来预测温度趋势的话,选择预测精度较高的短期预测。
二是神经网络模型。该网络模型可以处理非线性的输入输出关系。影响设备温度的因素不仅仅包含过去温度,还有设备的硬件设施状态、负荷信息、当前环境温度等等。可知,这些数据之间存在着某些复杂的非线性联系。对于这种多输入单输出的函数逼近模型,选择使用较为广泛的三种神经网络模型:BP神经网络、径向基神经网络和广义回归神经网络,从中找到最优网络模型。对于故障诊断,将利用预测出的温度值进行判断。
现有故障诊断方法大体上均是综合设备各方面因素,利用智能回归分类算法进行分析诊断。而本发明所重点研究的温度预测,已经综合利用各方面的影响因素。另外,故障诊断的影响因素中也包含有温度,即设备温度作为故障诊断的一个指标。如果能准确预测出温度,并对温度加以分析,就可以对设备做到故障预警了。
温度数据具有非线性,项目采用能很好模拟非线性关系的神经网络。神经网络还有处理大规模并行计算,分布式处理,反馈学***稳问题的预测研究。项目将广义和回归神网络算法应用于发电站温度预测中,从中找到最适合的温度预测模型。
广义回归神经网络(GRNN)模型是径向基神经网络模型中的一种,能够通过输入样本逼近网络隐含关系,且GRNN网络结构具有极好的非线性映射能力以及很强的鲁棒性。GRNN网络最终优化会收敛于样本数量累计想多较多的回归面,即使当这个样本量中的数据相对较少时,预测的优化效果也相对较好,因此网络还可以用于不稳定数据的实时处理。因此,GRNN在信号分析、教育、能源等领域都受到了高度关注和广泛应用。
如图4所示,综合显示功能页展示整体的数据信息。其中包括6个模块:监测点状况,监测点温度排行榜、告警分类统计、近一周告警趋势、告警分组排行榜、实时告警记录。
监测点状况模块:展示当前的测温监测点的总数、正常的监测点数量、当前报警的监测点数量、当前预警的监测点数量、当前离线监测点数量。在报警监测点数量大于0时,报警监测点数量会闪烁提醒,同时该***包含声光报警器该指示表示声光报警器工作状态该状态表示声光报警器消隐状态。单击报警后面的按钮可切换声光报警器的工作状态。监测点温度排行榜模块:展示当前所有温度测量值中的最高的10个。用户可根据该排行榜,重点关注上榜的位置的状况。
告警分类统计模块:展示当前***中所有的历史告警信息总数,以及各种告警信息的统计(低温告警、低温预警、高温告警、高温预警)用户可根据该分类图,掌握报警信息的分布情况。
近一周告警趋势模块:展示历史七天内的告警数量统计。用户可根据该趋势图,掌握最近的报警趋势。
告警分组排行榜模块:展示各个分组的报警数量的排行榜,用户可根据该排行榜,重点关注该排行榜上的分组数据,分析一下是否正常。
实时告警记录模块:展示实时的告警监测点的信息,用户可根据实时告警记录,去现场处理状况,使设备恢复正常。
如图5所示,总体概览功能页展示当前的温度极值实时统计,及分区实时温度信息。
温度极值实时统计:展示当前所有测温设备中的最高温度和最低温度的测试信息。
分区实时温度信息:分区选择器,多级可选。点击站点,展示该站点下所有的分组信息,可滚动显示。点击具体的区域,展示该区域下的所有分组信息。
实时预览功能页展示测温摄像头实时视频。实时视频给电厂展示最直观的被监测的设备的实时状态,让电厂运维人员更直观的了解现场情况,免去现场勘察的烦恼。实时预览界面可以选择可见光展示、红外展示、亦可以同时展示实时画面。如果红外测温卡片机较多时,亦可分页展示。
设备监测功能页展示详细的分组内监测点的测温信息历史数据趋势图以便分析。左侧是测温点的分组树。在左侧选择分组后,设备运行分析展示该分组内历史最高温度和最低温度。在右侧下方功能栏选择历史数据->趋势图->选择时间->选择对应的测温设备。
水电厂机电设备温度多维度智能在线监测技术,从温度数据采集空间多维度、温度数据分析时间多维度两个研究方向入手全方位、全时段的解决了水电厂机电设备的外部、内部及各个所需位置的精准、实时温度监测及温度预测问题,达到了测温部署应测尽测,测温分析大数据智能化的高要求和高水平。
基于微型红外热成像温度监测***、无源RFID温度监测***等多***的结合实现了水电厂机电设备的接触式温度监测和非接触式温度监测,在空间上多维度的解决了机电设备温度全面采集的问题;各测温***的数据可用于分析诊断,历史温度数据经大数据分析实现异常诊断和预测,在时间上多维度的解决了机电设备温度监测智能化的难题。机电设备温度多维度在线监测技术的应用可减轻人工巡检压力,提高巡检点检效率,减少水电厂设备运行因异常温升导致的事故。当前项目已在亭子口等电站结合电站自身需求,不同程度地投入实际生产使用,该项目的应用提高了设备在线监测与数字化改造能力,加快了水电厂设备点检运维数字化转型速度,推动了智慧水电厂建设发展。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.水电厂机电设备温度多维度监测方法,其特征在于,所述方法包括:
在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
根据得到的温度进行预警和故障判断。
2.根据权利要求1所述的水电厂机电设备温度多维度监测方法,其特征在于,
将得到的温度预处理,进行时间和空间的配准,将所有检测信息统一到同一时间和空间尺度内。
3.根据权利要求1所述的水电厂机电设备温度多维度监测方法,其特征在于,
在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,包括:
通过在发电机定子内侧铁芯夹缝处或表面分布式的安装无线射频识别RFID测温标签,实时采集发水轮发电机运行时定子的温度;
天线装置通过无线射频信号收集所有信号覆盖范围内的所有RFID测温标签的温度数据,再通过同轴电缆将温度数据传输至阅读器进行数据解析,通过RS-232或者RS-485串行总线接口将解析过得数据传输至边缘计算单元进行计算、分析和储存,边缘计算单元通过光纤连接远程电脑客户端或通过蓝牙、WIFI连接移动接收单元。
4.根据权利要求1或3所述的水电厂机电设备温度多维度监测方法,其特征在于,
在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,还包括:
在发电机出口电压互感器柜、主变低压侧电压互感器柜、发电机集电环、励磁电缆和电缆竖井部位安装在线式红外热成像测温仪对机电设备进行测温检测;
在发电机出口软连接、中性点铜排和机组辅助电机部位安装RFID温度传感器。
5.根据权利要求1所述的水电厂机电设备温度多维度监测方法,其特征在于,
根据得到的温度进行预警和故障判断,包括:
通过温度数据、环境温度、负荷曲线以及设备运行工况,使用时间序列和数据驱动对设备温度进行预测,根据预测温度值对设备未来一段时间内的温差和温升值进行计算,当温差或温升值超过阈值时,进行危险预警。
6.根据权利要求1所述的水电厂机电设备温度多维度监测方法,其特征在于,
根据得到的温度进行预警和故障判断,还包括:
选择电压、电流、外壳温度以及转子温度作为特征量,将采集的原始信号预处理,再将数据降维后作为广义回归神经网络GRNN的输入,GRNN输出故障类型。
7.根据权利要求1所述的水电厂机电设备温度多维度监测方法,其特征在于,
在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度,包括:
对红外热成像测温仪实时采集机电设备的温度进行温度修正,具体包括:
利用直方图均衡提升被测目标与外部环境的红外热像对比度,根据输入图像与输出图像的灰度级数关系,对图像灰度值的重新分布,最终达到增大图像对比度的目的;
通过热成像特征比较、三相相间温差比较、历史温度数据比较、发热机理判别对温度值发射率、温度值距离和温度负荷参数进行比较,再利用回归分析方法将相关温度参数进行拟合修正。
8.水电厂机电设备温度多维度监测装置,其特征在于,包括:采集单元和预警单元;
采集单元,用于在若干检测点通过RFID温度传感器和红外热成像测温仪实时采集机电设备的温度;
预警单元,用于根据得到的温度进行预警和故障判断。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,存储有计算机程序;
处理器,用于执行存储器上所存储的计算机程序时,实现权利要求1-7中任一项所述的水电厂机电设备温度多维度监测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的水电厂机电设备温度多维度监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127462.5A CN117405261A (zh) | 2023-09-01 | 2023-09-01 | 水电厂机电设备温度多维度监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311127462.5A CN117405261A (zh) | 2023-09-01 | 2023-09-01 | 水电厂机电设备温度多维度监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117405261A true CN117405261A (zh) | 2024-01-16 |
Family
ID=89495146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311127462.5A Pending CN117405261A (zh) | 2023-09-01 | 2023-09-01 | 水电厂机电设备温度多维度监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117405261A (zh) |
-
2023
- 2023-09-01 CN CN202311127462.5A patent/CN117405261A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leva et al. | PV module fault diagnosis based on microconverters and day-ahead forecast | |
CN104990629A (zh) | 一种红外成像测温的电力设备故障自动预警*** | |
CN104977087A (zh) | 一种基于红外成像测温的电力设备故障自动预警的方法 | |
CN115173550A (zh) | 一种分布式光伏发电实时监控方法和*** | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN112432667A (zh) | 一种输电线路导线状态智能在线监测*** | |
CN105958474B (zh) | 一种电网调控***用输电线路动态增容方法和*** | |
Tyagi et al. | Advance monitoring of electrical and environmental parameters of PV system: a review | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和*** | |
US11451053B2 (en) | Method and arrangement for estimating a grid state of a power distribution grid | |
CN117726164A (zh) | 一种基于多源数据融合的风险故障态势感知*** | |
Zhao et al. | Research on problems and countermeasures in the application of substation intelligent inspection system | |
CN117372954A (zh) | 充电站安全监测方法、装置、***和计算机设备 | |
CN116147632B (zh) | 新增电力设备动态巡检路径规划方法及其*** | |
CN117405261A (zh) | 水电厂机电设备温度多维度监测方法及装置 | |
CN115297302B (zh) | 一种铁路变电所无人化*** | |
CN106248215A (zh) | 一种电力变压器关键部件运行温度的实时测算*** | |
Kala et al. | Introduction to condition monitoring of PV system | |
Zhao et al. | [Retracted] Working Condition Monitoring System of Substation Robot Based on Video Monitoring | |
Myrda | Optimizing Assets [In My View] | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Han et al. | Application of artificial intelligence technology in power grid enterprises based on enterprise architecture method | |
Hu et al. | Intelligent internet of things analysis technology for intelligent operation and maintenance images of substation | |
CN214410058U (zh) | 多功能采集和基站能效分析*** |
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 |