水电站调速器主配压阀抽动故障诊断预警方法与流程

1.本发明属于水电站故障预警技术领域，特别涉及一种水电站调速器主配压阀抽动故障诊断预警方法。


背景技术：

2.水轮机调速器系统肩负着开停机、平衡机组出力与用电负荷等重大功能，其中，调速器主配压阀(后文简写为主配)是调速器机械液压部分的液压放大器，它将电/液、电/机(如比例阀及步进电机)转换装置输出的机械位移或液压控制信号放大成相应方向的、与其成比例的满足接力器运动要求的液压信号，控制接力器及水轮机导叶的开启和关闭。近年来，许多水电站均出现了调速器主配频繁调节、主配及接力器抽动等运行故障。在无增减负荷脉冲调节指令的情况下，主配阀芯上下摆动且频率较快，这种故障将导致调速器机械控制油路油温升高进而影响油质，造成水轮机有功出力波动，在极端情况会导致压力油罐出现事故低油压，产生机组非计划停运的风险。另外由于阀芯位置的上下持续抽动，势必造成液压机械元件的磨损和松动，为水电站的安全稳定运行埋下隐患。
3.主配抽动的产生原因较为复杂，影响因素众多，其中包括比例阀零点补偿值调整不到位、主配位置传感器零漂、传感器安装位置及精度影响、比例阀/步进电机驱动参数设置不合理、导叶位置传感器测值波动、一次调频和二次调频之间冲突引起的抽动、调速器随动系统死区补偿过大造成的过调或欠调、主配无法恢复到零位导致负荷往返控制等原因。
4.由于主配抽动成因的复杂性、多样性、难以预测性，现阶段水电站调速器一般没有直接诊断主配压阀抽动故障并预警的机制，常以各分类故障出现后，人工进行故障判断。一般是通过主配抽动引起的其他异常现象或故障，如主配跟随故障、液压系统油压的剧烈变化、导叶开度的波动、有功功率的波动、现场观察主配实际工作状态等间接进行诊断，缺乏自动化、智能化故障预警的能力。
5.本发明要解决的技术问题为：
6.1)调速器缺乏关于主配抽动故障自动化、智能化故障报警的能力，需结合异常现象或其他分类故障人工进行诊断。
7.2)若主配抽动故障发生时，抽动现象不明显未引起其他分类故障报警，运行值班人员很难及时发现。
8.3)由于调速器不能及时对主配抽动故障做出诊断预警，故无法自动采取故障响应措施，如冗余系统备用机的切换或调速器自动/手动的切换，需人工投切，耽误了故障处理的最佳时机，增加了故障扩大化的风险。


技术实现要素：

9.鉴于背景技术所存在的技术问题，本发明所提供的水电站调速器主配压阀抽动故障诊断预警方法，利用历史监测数据中主配抽动时的故障数据来训练bp神经网络，利用训练完成的神经网络结合实时监测数据进行主配抽动故障的诊断预警。
10.为了解决上述技术问题，本发明采取了如下技术方案来实现：
11.一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：
12.步骤1：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前中后时段的数据，形成大小为[时间点
×
状态量个数]的数据矩阵，用作神经网络的输入层训练数据，如表1。
[0013]
步骤2：对应步骤1中网络输入层数据的每个时间点，以人工方式判断主配是否抽动，“1”表示抽动，“0”表示正常，形成大小为[时间点
×
1]的数据矩阵，用作神经网络的输出层训练数据，如表1。
[0014]
表1神经网络训练数据
[0015][0016][0017]
步骤3：将步骤1、步骤2的数据矩阵转置并将其内的数据值根据公式(1)归一化至[-1,1]。
[0018][0019]
式中：
[0020]
x1：归一化后的数据值；
[0021]
x：归一化前的数据值；
[0022]
x
min
：数据列最小值；
[0023]
x
max
：数据列最大值；
[0024]
步骤4:将归一化处理后的数据矩阵导入bp神经网络进行训练，神经网络参数如表
2。
[0025]
表2神经网络的函数选择及参数设置
[0026][0027]
步骤5：获取实时监测数据，实时监测数据的输入层状态量选点与训练数据保持一致，按步骤1及步骤3同样进行数据筛选并归一化。
[0028]
步骤6：处理后的实时监测数据作为神经网络的输入，由训练完成的神经网络计算得到主配抽动故障预测结果。
[0029]
步骤7：对预测结果根据公式(2)进行均值滤波处理。
[0030][0031]
式中：
[0032]
xi：第i个时间点的神经网络预测结果；
[0033]
滤波后的第i个时间点的预测结果；
[0034]
i：时间点；
[0035]
n：滤波计算宽度；
[0036]
步骤8：对滤波结果进行二值化处理，若结果≥报警阈值，预测结果赋值为“1”，否则为“0”。
[0037]
步骤9：对二值化后的结果进行判断，若结果＝1，则判定主配压阀在该时间点正处于抽动状态，发出预警。
[0038]
本专利可达到以下有益效果：
[0039]
1、提供了一种水电站调速器主配抽动故障的自动诊断预警方法，神经网络训练完成后将自动检测主配抽动故障，再无需人工配合诊断。
[0040]
2、对神经网络预测结果进行了均值滤波及二值化处理，故障诊断正确率高。
[0041]
3、帮助调速器及时发现主配抽动故障，并可根据该报警自动响应处置措施，如冗余系统备用机的切换或调速器自动/手动的切换，避免故障的扩大化。
[0042]
4、充分利用了机组监测系统积累的海量历史数据，融入大数据思想，同时可利用机组历史监测数据进行再学习，更新神经网络模型，进一步提高故障诊断正确率。
附图说明
[0043]
下面结合附图和实施例对本发明作进一步说明：
[0044]
图1为本发明执行步骤图；
[0045]
图2为本发明神经网络原始输出结果；
[0046]
图3为本发明神经网络原始预测结果、滤波处理后、二值化处理后及人工诊断对比图。
具体实施方式
[0047]
实施例1：
[0048]
优选的方案如图1至图3所示，一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：
[0049]
步骤1，从电站历史数据库中找到某机组调速器曾发生主配抽动故障时段的历史监测数据，筛选出主配抽动发生前中后时段，与主配抽动故障关联的各个状态量。本例选用状态量分别是：调速器液压系统压力油罐压力、调速器液压系统压力油罐油位、调速器液压系统回油箱油位、调速器a套导叶开度、调速器a套辅接位置、调速器a套pid输出、a套导叶给定、调速器a套功率采样、调速器a套比例阀给定、调速器a套比例阀位置，时间长度为某日11:03至11:22，形成大小为[443x10]的状态量数据矩阵。
[0050]
步骤2，人工判断主配在11:03至11:22之间每一秒是否处于抽动状态，形成大小为[443x1]的故障数据矩阵，如下表。
[0051][0052]
步骤3，将数据矩阵转置并将其内的数据根据公式(1)归一化至[-1,1]，如下表。
[0053][0054][0055]
步骤4，将处理后的数据矩阵导入bp神经网络进行训练，经matlab编程测试，训练好的神经网络预测值与实际值对比如图2所示，下面对神经网络参数进行说明。
[0056]
①
神经网络的基本结构有三层：输入层、隐藏层、输出层，隐藏层数越多能够从样本中提取出的信息也越多，但是其训练过程也越长还有可能造成训练结果过度拟合。本例选取的数据样本输入层神经元只有10个，数据量不大，所以选择建立单隐藏层的bp神经网络。
[0057]
②
输入向量和输出向量的维度决定了输入层和输出层的节点数，本例选择了10个状态量作为特征量，所以输入层的神经元数目为10个，而输出只有“主配是否抽动”一个状态量，所以输出层神经元节点只有1个。
[0058]
③
神经网络隐藏层中神经元个数按照经验公式(3)选取，本例选择隐藏层神经元个数为12。
[0059][0060]
式中：m表示隐藏层神经元数量，n是输入层节点数，l表示的是输出层节点数；α表示的是介于1～10的常数；
[0061]
④
输入层和隐藏层之间传递函数为tansig函数，其函数表达式为公式(4)。
[0062]
[0063]
⑤
隐藏层与输出层之间的传递函数为purelin函数，其函数表达式为公式(5)。
[0064]
y＝x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0065]
⑥
网络训练函数为trainlm函数，即levenberg-marquardt算法,对于中等规模的bp神经网络有最快的收敛速度。
[0066]
⑦
神经网络的训练学习速率决定了迭代次数和训练总时间，学习速率取值范围介于0.01～0.08之间，本例设置学习速率为0.01，最大迭代次数为1000。
[0067]
⑧
网络收敛后的实际输出值与网络期望输出值之间的差为期望误差，用均方误差函数(6)来表征，本例所设期望误差为0.001。
[0068][0069]
式中：mse表示均方误差，xi表示样本值，xi表示真实值，n表示样本数量；
[0070]
步骤5，获取实时监测数据，本例利用该机组另一同样存在主配抽动现象时段的数据对神经网络预测效果进行验证，时间段为某日14:40至14:52。将数据按步骤1及步骤3同样进行数据筛选并归一化，形成大小为[282
×
10]的网络输入层数据矩阵。
[0071]
步骤6：处理后的实时监测数据作为神经网络的输入，由步骤4中训练完成的神经网络计算得到主配状态预测结果,结果如图3中第一副图所示。
[0072]
步骤7：对预测结果根据公式(2)进行均值滤波处理，结果如图3中第二副图所示。
[0073]
步骤8：对滤波结果进行二值化处理，若结果≥报警阈值，预测结果赋值为“1”，否则为“0”。该报警阈值越大，误报警率越低，漏报警率越高，本例设定为0.3，结果如图3中第三副图所示。
[0074]
步骤9：对二值化后的结果进行判断，若结果＝1，则判定主配正在抽动，输出预警。最终结果与人工诊断对比，如图3中第四副图所示，计算报警预测成功率为99.262％。
[0075]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

技术特征：
1.一种水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：步骤1：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前、中、后时段的数据，形成大小为[时间点
×
状态量个数]的数据矩阵，用作神经网络的输入层训练数据；步骤2：对应步骤1中网络输入层数据的每个时间点，以人工方式判断主配是否抽动，“1”表示抽动，“0”表示正常，形成大小为[时间点
×
1]的数据矩阵，用作神经网络的输出层训练数据；步骤3：将步骤1、步骤2的数据矩阵转置并将其内的数据值根据公式(1)归一化至[-1,1]：式中：x1：归一化后的数据值；x：归一化前的数据值；x
min
：数据列最小值；x
max
：数据列最大值；步骤4:将归一化处理后的数据矩阵导入bp神经网络进行训练；步骤5：获取实时监测数据，实时监测数据的输入层状态量选点与训练数据保持一致，按步骤1及步骤3同样进行数据筛选并归一化；步骤6：处理后的实时监测数据作为神经网络的输入，由训练完成的神经网络计算得到主配抽动故障预测结果；步骤7：对预测结果根据公式(2)进行均值滤波处理；式中：x
i
：第i个时间点的神经网络预测结果；滤波后的第i个时间点的预测结果；i：时间点；n：滤波计算宽度；步骤8：对滤波结果进行二值化处理，若结果≥报警阈值，预测结果赋值为1，否则为；步骤9：对二值化后的结果进行判断，若结果＝1，则判定主配压阀在该时间点正处于抽动状态，发出预警。2.根据权利要求1所述的水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：在步骤1中，状态量包括调速器液压系统压力油罐压力、调速器液压系统压力油罐油位、调速器液压系统回油箱油位、调速器a套导叶开度、调速器a套辅接位置、调速器a套pid输出、a套导叶给定、调速器a套功率采样、调速器a套比例阀给定和调速器a套比例阀位置，状态量的数量为10个，选取时间长度为某日t
1-t
n
，形成大小为[nx10]的状态量数据矩阵。3.根据权利要求2所述的水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：在步骤2中，人工判断主配在t
1-t
n
之间每一秒是否处于抽动状态，形成大小为[nx1]的故障
数据矩阵。4.根据权利要求3所述的水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：将处理后的数据矩阵导入bp神经网络进行训练，经matlab编程测试，训练好的神经网络预测值与实际值对比；bp神经网络训练过程如下：1)神经网络包括输入层、隐藏层、输出层；10个状态量作为输入层神经元，建立单隐藏层的bp神经网络；2)将“主配是否抽动”作为输出层神经元；3)神经网络隐藏层中神经元个数按照经验公式(3)选取，隐藏层神经元个数为12；式中：m表示隐藏层神经元数量，n是输入层节点数，l表示的是输出层节点数；α表示的是介于1～10的常数。5.根据权利要求4所述的水电站调速器主配压阀抽动故障诊断预警方法，其特征在于：输入层和隐藏层之间传递函数为tansig函数，其函数表达式为公式(4)：隐藏层与输出层之间的传递函数为purelin函数，其函数表达式为公式(5)：y＝x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)网络训练函数为trainlm函数，即levenberg-marquardt算法,对于中等规模的bp神经网络有最快的收敛速度。

技术总结
一种水电站调速器主配压阀抽动故障诊断预警方法，步骤为：对采集的调速器历史监测数据进行筛选，得到与主配抽动故障关联的各个状态量，选择其中抽动故障发生前中后时段的数据，形成大小为[时间点状态量个数]的数据矩阵，用作神经网络的输入层训练数据；以人工方式判断主配是否抽动，形成大小为[时间点1]的数据矩阵，用作神经网络的输出层训练数据；将数据矩阵转置并将其内的数据值归一化；将归一化处理后的数据矩阵导入BP神经网络进行训练；对滤波结果进行二值化处理；若结果=1，则判定主配压阀在该时间点正处于抽动状态，发出预警。本发明可自动检测主配抽动故障，再无需人工配合诊断。工配合诊断。工配合诊断。


技术研发人员：明星宇 汪林 任刚 徐龙 丁萁琦 余明明 万鹏 刘超 王登贤 高玲 王杰飞 田源泉 薛云蛟 段锐波 薛映竹
受保护的技术使用者：中国长江电力股份有限公司
技术研发日：2022.12.27
技术公布日：2023/5/23