[发明专利]一种多模型融合的水轮机振摆分析方法

说明书

本发明公开了一种多模型融合的水轮机振摆分析方法，包括以下步骤：S1获取历史机组振摆相关数据，并进行预处理；S2将机组振摆相关数据进行特征工程得到训练集合；S3提取训练集合中与振摆关联的数据，分别输入SVR模型、LightGBM模型和XGBoost模型进行训练；S4对三个模型的结果进行最小二乘拟合，得到三个模型的权值分配，形成融合模型；S5将在线监测的振摆相关数据输入到融合模型，得到预测出的振摆值并作为该工况下振摆的标准值；S6将采集的振摆数据与标准值做对比，标记异常数据及异常等级。本发明考虑多维度的影响因素，将水轮机运行工况考虑在内，使用三种模型分别训练，通过自动赋权的方式，确保了预测模型的准确性，提高了预测的准确性和科学性。

技术领域

本发明属于水力发电机运行分析技术领域，特别涉及一种多模型融合的水轮机振摆分析方法。

背景技术

水轮发电机组作为大型旋转机械，运行中的机组振动是一种普遍存在的、不可完全避免和消除，严重的机组振动现象影响机组的供电质量、安全运行和使用寿命。在机械、水力、电磁因素耦合及机械部件老化等多种原因的复合影响下，水电机组产生的故障大多以振摆形式表现出来，因此振摆信号可以直观地对机组运行状态进行表征。

目前水轮发电机组监控系统、在线监测系统对重要指标进行了监测，对指标设定了告警限值；但为了避免误告警，设定的限制较高，当机组达到告警限值时，可能已经发生了严重的故障。即使在稳定运行区域，水轮发电机组各监测指标同样受到水头、励磁电流等工况的影响，且上下波动，直接采集计算的监测指标变化率仍然无法反应设备状态真实情况。随着人工智能、大数据分析等新技术创新应用，依靠智能算法和技术使得趋势分析变为可能，将水电厂生产模式由传统的人工监视、人工决策转变为信息化、自动化、智能化机器决策是很有必要的。

现有技术的缺陷和不足：

1.目前，大多数水电机组已安装了相当数量的在线监测系统，但未形成规范的运行、使用和维护办法，对在线监测系统的应用重视程度不够，采集到的数据缺乏专人进行深入分析和专业技术人员的技术支持。

2.目前水轮发电机状态监测和预警采用设定固定阈值、计算变化率的方式，存在误报、预警不及时的问题。

3.考虑到运行环境、局部冲击等多种因素耦合影响，水电机组振摆监测信号常呈现复杂非平稳、非线性特征，利用现有方法预测机组振摆信号发展趋势，难以获得满意的预测精度。

发明内容

本发明的目的在于针对现有技术的不足，提出一种多模型融合的水轮机振摆分析方法，该方法对水轮机振摆数据进行分析预测，能准确对异常的振摆值进行实时报警，从而达到故障诊断辅助决策的目的。

本发明的技术目的是通过以下技术方案得以实现的：一种多模型融合的水轮机振摆分析方法，具体包括以下步骤：

S1获取历史的机组振摆相关数据，并对所述机组振摆相关数据进行预处理；

S11收集历史在线与离线监测数据，去除与振摆无关的数据及错误数据，初步整合出训练所用的数据集；

S12将数据集中的重复数据、零值数据、缺失数据进行清洗，并进行重采样；

S2将预处理完成的所述机组振摆相关数据进一步进行特征工程，得到训练集合；

S21对数据集中的数据进行相关性分析，使用皮尔森相关系数对特征属性与目标属性进行相关性分析，按照相关性排序选出所需要的特征值；

S22根据每一列特征，求出其每项特征的最大值max最小值min；

S23若min≥0，则对每列数据进行如下归一化：