欢迎访问西安知识产权运营服务平台

< a href=' '>web对话
  • 基于多元时间序列预测的电站运行状态监测系统及方法
基于多元时间序列预测的电站运行状态监测系统及方法 授权有效中;
  • 专利(申请)号: CN202311661922.2
  • 专利类型: 发明;
  • 主分类: H电学;
  • 产业领域: 电子信息
  • 专利来源: 企业;
  • 申请日: 2023-12-06
  • 原始申请人: 西安中创新能网络科技有限责任公司
  • 当前专利权人: 西安中创新能网络科技有限责任公司
  • 交易方式: 转让; 许可;
  • 其他交易方式:
  • 参考价格(元): ¥面议
  • 联系方式: 029-88631925

基于多元时间序列预测的电站运行状态监测系统及方法

技术领域

[0001] 本发明涉及状态监测技术领域,更具体地说,本发明涉及基于多元时间序列预测的电站运行状态监测系统及方法。

背景技术

[0002] 随着社会的发展和工业化进程的加速,电力作为一种关键的能源资源,对于维持现代社会的正常运转起到了至关重要的作用;电站作为电力的主要生产单位,其运行状态的稳定性和可靠性对整个电力系统的运行至关重要;因此,为了确保电站的高效运行和及时发现潜在的故障,电站运行状态监测系统逐渐成为电力领域中一个备受关注的研究方向;

[0003] 传统的电站监测方法主要依赖于离散的手动检查和定期维护,这种方式存在着检测周期长、难以发现潜在问题的缺陷;当然也存在智能化检测方法,例如公开号为CN116961226A的专利公开了一种变电站中变压器的监控方法和系统,包括获取变电站中各变压器的运行数据,基于变电站状态评价体系对变压器运行状况进行评价,获取各变压器的运行状态评价结果;采用时间序列模型对变电站中各变压器的监测数据进行预测,获取各变压器的监测数据预测值;使得运维人员可以提前判断变压器的运行状态,并做出相应措施维持变压器的安全稳定运行;再例如公开号为CN116539994A的专利公开了基于多源时间序列数据的变电站主设备运行状态检测方法,包括获取与变电站设备运行异常高度相关的多个具有时间序列特征作为目标指标;将多个历史目标指标按预设时间步长依次输入到预测模型中,得到变电站运行状态多个未来时间序列的目标指标;利用基于密度的噪声应用空间聚类算法,对变电站设备运行状态的当前和未来时间序列的目标指标进行聚类筛选出异常数据,可以未来设备运行状态可能出现异常进行预警;

[0004] 但上述技术将多个数据作为一个LSTM模型的输出,增大了模型训练的难度和计算成本,从而降低预测效果;并且电站运行状态的监测仅通过对预测出的数据与阈值直接对比判断是否异常来实现,具有一定的局限性,同时由于电站运行过程中存在各种随机事件,会存在误诊的情况;

[0005] 鉴于此,本发明提出基于多元时间序列预测的电站运行状态监测系统及方法以解决上述问题。

发明内容

[0006] 为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:基于多元时间序列预测的电站运行状态监测方法,包括:

[0007] 采集m组历史电站特征数据,历史电站特征数据包括电站数据、电网数据以及环境数据,m为大于1的整数;

[0008] 根据历史电站特征数据,计算对应的历史特征系数,并构建对应的历史特征系数时间序列;历史特征系数包括电站系数、电网系数以及环境系数;历史特征系数时间序列包括电站系数时间序列,电网系数时间序列以及环境系数时间序列;

[0009] 基于电站系数时间序列,训练出预测未来时间点电站系数的第一系数预测模型;基于电网系数时间序列,训练出预测未来时间点的电网系数的第二系数预测模型,基于环境系数时间序列,训练出预测未来时间点环境系数的第三系数预测模型;

[0010] 将历史特征系数时间序列分别输入第一系数预测模型、第二系数预测模型与第三系数预测模型,获取未来时间点的电站系数、电网系数以及环境系数,并标记为监测数据;根据监测数据判断是否生成故障指令;

[0011] 根据故障指令对未来时间点电站系数对应的电站数据进行调节,并判断是否生成预警指令。

[0012] 进一步地,所述m组历史电站特征数据对应m个时间点;电站数据包括转速、功率、温度和电磁辐射;电磁辐射包括电磁辐射频率和电磁辐射强度;转速为电站中发动机转速,功率为电站中发动机的输出功率,温度为电站中发动机的温度,电磁辐射为电站中发动机的电磁辐射;电网数据包括电网电压、电网电流以及电网频率;

[0013] 环境数据包括第一环境数据和第二环境数据,第一环境数据包括第一环境温度和第一环境湿度,第二环境数据包括第二环境温度和第二环境湿度。

[0014] 进一步地,所述电站系数的计算方法包括:

[0015]

[0016] 式中,DZXi为电站系数,ZSi为转速,GLi为功率,DWi为温度,DPi为电磁辐射频率,DQi为电磁辐射强度,ω1、ω2、ω3为预设权重,i为第i个时间点,i∈[1,m],m为时间点个数;

[0017] 所述电网系数的计算方法包括:

[0018]

[0019] 式中,DWXi为电网系数,DYi电网电压,DLi电网电流,PLi电网频率,ω4、ω5为预设权重;

[0020] 所述环境系数的计算方法包括:

[0021]

[0022] 式中,HJXi为环境系数, 为第一环境温度, 为第一环境湿度,为第二环境温度, 为第二环境湿度,ω6、ω7为预设权重,A为预设常数。

[0023] 进一步地,第一系数预测模型、第二系数预测模型与第三系数预测模型均为循环神经网络模型中的LSTM模型,且训练过程一致;

[0024] 第一系数预测模型的训练过程包括:

[0025] 定义系数预测模型的架构,包括输入状态、隐藏状态、输出单元数量以及超参数;使用深度学习框架,创建系数预测模型网络层,网络层包括输入层、多个LSTM层和输出层,其中每个LSTM层均由输入门、遗忘门、输出门和细胞状态组成;将创建的LSTM层按顺序进行连接,形成完整的系数预测模型,确保输入维度与数据的特征维度相匹配,并设置输出层的单元数以适应所需的预测结果;

[0026] 将电站系数时间序列作为第一系数预测模型的输入,所述第一系数预测模型将未来时间点电站系数作为输出,以实际电站系数作为预测目标,对第一系数预测模型进行训练,对预测结果采用平均绝对百分比误差MAPE进行模型精度评价,当计算出的MAPE小于预设MAPE时,则第一系数预测模型训练完成;其中,MAPE的计算公式为其中K为第K个时间点,αK为第K个时间点对应的实际电站系数,μK为第K个时间点对应的预测电站系数,R为预测出的电站系数数量。

[0027] 进一步地,故障指令包括初步故障指令、第一故障指令、第二故障指令以及第三故障指令;初步故障指令包括初步第一故障指令、初步第二故障指令和初步第三故障指令;

[0028] 判断是否生成第一故障指令和初步故障指令的方法包括:

[0029] 根据m个电站系数,计算对应的电站系数均值和电站系数均方差;

[0030] 电站系数均值的计算过程包括:

[0031]

[0032] 式中,JZ为电站系数均值,m为电站系数个数;

[0033] 电站系数均方差的计算过程包括:

[0034]

[0035] 式中,JFC为电站系数均方差,m为电站系数个数;

[0036] 预设常数Z和C,C>Z;将预测出的未来时间点电站系数减去电站系数均值获取电站系数差值,将电站系数均方差乘以Z获取第一乘积,将电站系数均方差乘以C获取第二乘积,将电站系数差值的绝对值分别与第一乘积和第二乘积进行对比;

[0037] 若电站系数差值的绝对值小于或等于第一乘积,则不生成初步故障指令;

[0038] 若电站系数差值的绝对值大于第一乘积且小于或等于第二乘积,则生成初步第一故障指令和初步第二故障指令;

[0039] 若电站系数差值的绝对值大于第二乘积,则生成初步第一故障指令和初步第三故障指令;

[0040] 若生成初步第一故障指令,则将初步第一故障指令对应的时间点标记为故障怀疑点,设置故障怀疑点集合,若多个故障怀疑点对应的时间点为连续的时间点,则将多个连续的故障怀疑点按照时间点顺序加入故障怀疑点集合,若多个故障怀疑点对应的时间不为连续的时间点,则不将故障怀疑点加入故障怀疑点集合;将故障怀疑点集合中最后一个故障怀疑点对应的时间点减去第一个故障怀疑点对应的时间点获取时间点差值,将时间点差值标记为持续时间;

[0041] 将持续时间与预设持续时间阈值进行对比;

[0042] 若持续时间大于或等于持续时间阈值,则生成第一故障指令;

[0043] 若持续时间小于持续时间阈值,则不生成第一故障指令;

[0044] 若生成第一故障指令,则将故障怀疑点集合清空。

[0045] 进一步地,判断是否生成第二故障指令的方法包括:

[0046] 若生成初步第二故障指令,则将预测出的未来时间点环境系数减去该时间点前一个时间点对应的环境系数得到环境系数差值;

[0047] 将环境系数差值的绝对值与预设环境差值阈值进行对比;

[0048] 若环境系数差值小于或等于环境差值阈值,则不生成第二故障指令;

[0049] 若环境系数差值大于环境差值阈值,则生成第二故障指令。

[0050] 进一步地,判断是否生成第三故障指令的方法包括:

[0051] 若生成初步第三故障指令,则将预测出的未来时间点电网系数减去该时间点前一个时间点对应的电网系数得到电网系数差值;

[0052] 将电网系数差值的绝对值与预设电网差值阈值进行对比;

[0053] 若电网系数差值小于或等于电网差值阈值,则不生成第三故障指令;

[0054] 若电网系数差值大于电网差值阈值,则生成第三故障指令。

[0055] 进一步地,对未来时间点电站系数对应的电站数据进行调节的方法包括:

[0056] 若生成第一故障指令,则对未来时间点对应电站数据中的转速和功率进行调节;

[0057] 将第一乘积加上电站系数均值作为最大电站系数,将未来时间点的电站系数减去最大电站系数得到的差值标记为电站系数调节量;

[0058] 将电站系数调节量作为模糊控制器的输入,将转速调节量和功率调节量作为模糊控制器输出,并且根据转速范围值和功率范围值定义转速调节量和功率调节量的范围;

[0059] 根据转速调节量、功率调节量与电站系数调节量的关系设计模糊控制规则,模糊控制规则以IF‑THEN形式表示;转速调节量、功率调节量与电站系数调节量的关系根据电站系数的计算公式获取;

[0060] 将转速调节量通过模糊化技术转换成模糊集;

[0061] 根据模糊化后的转速调节量和模糊控制规则,获得模糊输出;

[0062] 使用去模糊化技术将模糊输出转换为转速调节量和功率调节量;

[0063] 根据转速调节量和功率调节量对未来时间点对应电站数据中的转速和功率进行调节。

[0064] 进一步地,判断是否生成预警指令的方法包括:

[0065] 若生成第二故障指令或第三故障指令,则生成预警指令。

[0066] 基于多元时间序列预测的电站运行状态监测系统,实施所述基于多元时间序列预测的电站运行状态监测方法,包括:

[0067] 数据采集模块,采集m组历史电站特征数据,历史电站特征数据包括电站数据、电网数据以及环境数据;

[0068] 数据处理模块,根据历史电站特征数据,计算对应的历史特征系数,并构建对应的历史特征系数时间序列;历史特征系数包括电站系数、电网系数以及环境系数;历史特征系数时间序列包括电站系数时间序列,电网系数时间序列以及环境系数时间序列;

[0069] 模型训练模块,基于电站系数时间序列,训练出预测未来时间点电站系数的第一系数预测模型;基于电网系数时间序列,训练出预测未来时间点的电网系数的第二系数预测模型,基于环境系数时间序列,训练出预测未来时间点环境系数的第三系数预测模型;

[0070] 状态监测模块,将历史特征系数时间序列分别输入第一系数预测模型、第二系数预测模型与第三系数预测模型,获取未来时间点的电站系数、电网系数以及环境系数,并标记为监测数据;根据监测数据判断是否生成故障指令;

[0071] 调节模块,根据故障指令对未来时间点电站系数对应的电站数据进行调节,并判断是否生成预警指令。

[0072] 本发明基于多元时间序列预测的电站运行状态监测系统及方法的技术效果和优点:

[0073] 通过采集和分析历史电站特征数据,获取电站系数、电网系数和环境系数的历史特征系数时间序列,基于这些序列训练出多个精准的预测模型,使其能够对未来时间点的电站、电网和环境系数进行预测;这些预测模型用于监测数据,一旦监测到异常情况,监测系统能够及时生成故障指令和预警指令,促使运维人员进行调节和维护,提高了电站运行的稳定性和可靠性,减少了潜在的故障风险,并提升了对电站运行状态的监测和管理水平。


×
发送意向

申请须知:申请人无需注册账号即可提交交易意向,交易意向一经提交不可查询或更改,请准确填写相关信息;平台运营人员将在3-5个工作日内查看交易意向并与您联系,感谢阅读。