[发明专利]一种基于自标准化编解码的发电机线圈温度异常监测方法

说明书

本发明涉及一种基于自标准化编解码的发电机线圈温度异常监测方法，该方法包括：利用多个温度测点获取发电机线圈处于正常运行状态下的出水温度数据并进行预处理；计算同一时间点时各温度测点之间的最大温度差值，将最大温度差值按时序排列形成最大温差时间序列；分割最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集；将训练集输入到神经网络模型中进行训练；获取待判断状态时间段内不同时间点的发电机线圈的出水温度数据并进行处理，将其输入至优化后的神经网络模型，以得到相应的预测值。本发明提供的监测方法有效解决了工业场景中异常数据极少导致难以建立监督模型的问题，并且对于正常和异常数据具有较高的区分度。

技术领域

本发明涉及工业发电机设备运维管理技术领域，具体涉及一种基于自标准化编解码的发电机线圈温度异常监测方法。

背景技术

为了保障发电机运行过程的安全性，需要对发电机定子线棒测温元件的温差进行密切监视。传统处理方法为，定子线棒引水管出水温差达到一定阈值时，需要降低负荷甚至是停机处理。该阈值是依赖人工经验制定的，虽然能够一定程度防范发电机主设备损坏事故的发生，但通常是作为防范事故的最后屏障。目前行业内在发电机停机状态下的热水流试验很难发现发电机温度测点布置异常或者轻微堵塞情况的问题，而现有的行业标准及国家能源局反事故措施对运行中发电机“定子线棒引水管出水温差达8℃时应报警”的要求中的“8℃”的阈值基于经验，传统的监测温差的手段具有一定的局限性。

过去很长一段时间内，不少研究者尝试通过机理分析制定相应的温度模型，以便更早发现故障隐患。比如定子槽部测温元件处和聚四氟乙烯出水管出水温度模型、等值热路法温度模型以及指纹系数温度模型等。但是建立机理模型的过程相对繁琐，依然依赖经验公式，并且受限于发电机运行环境及运行参数的复杂程度，模型通常需要进行不同程度的简化，忽略氢气对绕组的冷却作用、忽略环流影响等。这些传统的方法无法比拟机器学习技术的发展所带来的基于历史运行数据，建立高效数据驱动模型的建模简单、特征表达能力较强等优点。

机器学习、大数据技术的发展，带来了依托海量历史运行数据提供更加有力的监测算法的新思路，而不再依赖假设条件建立简化的机理模型。数据驱动的算法存在建模相对简单、假设条件较少、特征表达能力强等优势，但也存在对数据数量和质量过于依赖的缺点。海量的发电机历史运行温度数据解决了数量问题，低门槛的数据清洗和整理技术解决了质量问题。温度数据的运行监测可以转化为时间序列的预测或回归问题。

自标准化编解码算法在时间序列的预测分析领域应用广泛。有不少研究者将自标准化编解码应用到时间序列的故障诊断中，并获得了比SVM和MLP等算法更好的诊断效果。也有研究者将自标准化编解码应用到航空发动机的寿命预测及故障诊断中，可见自标准化编解码在高精装备的时序预测及诊断领域表现出色。

发明内容

本发明的目的是提供一种能够较好地对发电机转子绕组匝间短路缺陷在线检测，从而保障发电机可靠运行的发电机转子绕组匝间短路缺陷在线检测方法。

为达到上述目的，本发明提供了一种基于自标准化编解码的发电机线圈温度异常监测方法，包括以下步骤：

S1、利用多个温度测点获取发电机线圈处于正常运行状态下不同时间点的出水温度数据并进行预处理；

S2、计算同一时间点时各温度测点之间的最大温度差值，将不同时间点对应的最大温度差值按时序排列形成最大温差时间序列；

S3、分割所述最大温差时间序列，得到多个最大温差时间序列片段，以作为训练集，一个最大温差时间序列片段包括多个时间点对应的最大温度差值信息；

S4、将所述训练集输入到神经网络模型中进行训练，利用自标准化编解码输出所述最大温差时间序列片段对应预测的温差数据，以作为预测值，所述预测值分布的时间段紧邻该最大温差时间序列片段，将所述预测值与相应时间段内的出水温度数据实测值进行损失比较，以不断优化神经网络模型；