一种基于机器学习与神经网络的水轮机轴瓦温度预测方法与流程

1.本发明涉及水轮机组运行维护技术领域，具体而言，涉及一种基于机器学习与神经网络的水轮机轴瓦温度预测方法。


背景技术：

2.水电机组运行转速相对较低，机组状态随着运行过程参数的变化而变化，其故障的发展一般属于渐变型，如轴承烧瓦，它和一般的磨损情况不同，事前没有明显变化，但会在某一时刻突然恶化，水电机组轴瓦是水电机组的关键设备,如果轴瓦温度由于某种原因异常波动甚至急剧升高使轴瓦瓦面烧损,将导致整个机组被迫停机,从而严重影响水电机组的正常发电和运行安全，因此，对水电机组轴瓦温度进行安全检测,及时发现甚至预警瓦温异常,是水电厂安全运行的一项重要任务；当前监测手段大多依靠传统的人工监视和阈值报警，故而存在报警延迟、耗费人力的缺点，因此有必要对轴承最敏感的轴瓦温度进行自动监测和趋势预警；现有技术存在以下缺陷和不足：
3.1.当前在水电厂应用较多的仍为状态监测系统，若传感器损坏，则需要人工进行温度测量，具有一定的危险性，增大了操作人员负担；
4.2.现有的机组温度升高故障预测和处理方法准确性和实时性都较差；
5.3.现有的水电机组故障诊断系统的应用包括故障库、征兆输入、规则编辑和结果解释，但大多数基于水电机组的摆渡预测，瓦温预测相关应用则少有实际应用案例；因此需要设计一种基于机器学习与神经网络的水轮机轴瓦温度预测方法来解决上述问题。


技术实现要素：

6.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，该方案解决了现有水电站中对水轮机组的轴瓦温度监控和趋势预测方法过于依赖传感器设备以及人工查验，具有危险性和迟滞性，无法有效准确性预测轴瓦温度变化趋势并及时作出预警的问题，本方案采用基于历史数据的神经网络模型来预测轴瓦温度变化趋势，具有较好的准确性和实时性，避免了传感器设备烧毁的风险以及人工测温带来的危险。
7.为实现上述技术效果，本发明提供的技术方案为：
8.一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，包括以下步骤：
9.s1，获取历史上导轴承、下导轴承、水导轴承和推力轴承四个部位在线监测数据，对上述数据进行整合及预处理，具体方法如下：
10.收集历史在线与离线监测数据，并去除无关信息及错误信息；
11.s2，将预处理完成的数据进一步处理为训练集合，具体方法如下：
12.s201，对数据进行相关性分析，按照相关性排序选出我们所需要的特征值；
13.s202，对数据进行归一化处理：根据每一列特征，求出其每项特征的最大值max最小值min；
14.(1)若min≥0,则对每列数据进行如下归一化：
[0015][0016]
其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，mini为第i列的最小值，maxi为第i列的最大值；
[0017]
(2)若min《0,则对每列数据进行如下归一化：
[0018][0019]
其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，mini为第i列的最小值，maxi为第i列的最大值。；
[0020]
s203，对数据进行切分，将数据划分为训练集与测试集，比例为8:2，划分特征值与目标值，得到训练集合；
[0021]
s3，提取出训练集合中与瓦温相关的数据，分别输入svr机器学习模型与人工神经网络模型进行训练；
[0022]
s4，通过对两个模型预测进行评分，选择更适合当前状况下的模型，使预测数据贴近真实状况，得到能够精准预测瓦温的模型；
[0023]
s5，将在线监测的瓦温相关数据输入训练好的模型，得到预测出的瓦温。
[0024]
优选地，步骤s3中，把处理好的训练集合，输入svr模型以及神经网络进行训练，让模型找到瓦温相关数据与瓦温数据间的关系，输出的模型能一定程度上能够预测出瓦温的数值；其中svr是svm对回归问题的一种运用；人工神经网络的训练采用bp神经网络。
[0025]
优选地，步骤s4中，使用r2得分对训练的模型进行评价，r2即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例；计算公式如下：
[0026][0027]
其中，yi表示真实的观测值，用y
i2
表示真实观测值的平均值，用表示预测值，mse为均方误差，var为方差；当r2_score＝1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好；当r2_score＝0，此时分子等于分母，样本的每项预测值都等于均值；通过判断r2得分的高低挑选模型，r2得分越高则越准确。
[0028]
进一步地，svr全称是support vector regression，及支持向量回归，是svm(支持向量机support vector machine)对回归问题的一种运用；它在向量空间里用线性函数去拟合样本。该模型以所有样本实际位置到该线性函数的综合距离为损失，通过最小化损失来求取线性函数的参数。
[0029]
本发明具有如下有益效果：
[0030]
1，本发明提供的水轮机轴瓦温度预测模型，可在水轮机轴瓦温度传感器损坏的情况下自动进行预测，不需要专人进行测温操作，减少了危险，减轻了操作人员负担；
[0031]
2，本发明提供的基于机器学习与人工神经网络的瓦温预测方法，使用分别训练，预测得分自动选择最优模型，确保了预测模型的准确性；
[0032]
3，本发明可集成在在线监测系统中，对数据进行实时预测，预防瓦温异常导致的水轮机故障问题。
附图说明
[0033]
图1为非弃水期水电站日均出力预测方法的工作流程图；
[0034]
图2为本发明实施例的特征数量与交叉验证得分关系图；
[0035]
图3为本发明实施例中某电站非弃水期日均出力预测对比图；
[0036]
图4为本发明中bp人工神经网络的结构示意图；
[0037]
图5为本发明中svr模型预测结果效果图；
[0038]
图6为本发明中bp神经网络预测结果图。
具体实施方式
[0039]
实施例1：
[0040]
如图1所示，一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，包括以下步骤：
[0041]
s1，获取历史上导轴承、下导轴承、水导轴承和推力轴承四个部位在线监测数据，对上述数据进行整合及预处理，具体方法如下：
[0042]
收集历史在线与离线监测数据，并去除无关信息及错误信息；
[0043]
s2，将预处理完成的数据进一步处理为训练集合，具体方法如下：
[0044]
s201，对数据进行相关性分析，优选使用灰色关联分析(gra)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我们所需要的特征值；如图2所示；
[0045]
s202，对数据进行归一化处理：根据每一列特征，求出其每项特征的最大值max最小值min；
[0046]
(1)若min≥0,则对每列数据进行如下归一化：
[0047][0048]
其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，mini为第i列的最小值，maxi为第i列的最大值；
[0049]
(2)若min《0,则对每列数据进行如下归一化：
[0050][0051]
其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，mini为第i列的最小值，maxi为第i列的最大值。；
[0052]
s203，对数据进行切分，将数据划分为训练集与测试集，比例为8:2，划分特征值与目标值，得到训练集合；
[0053]
s3，提取出训练集合中与瓦温相关的数据，分别输入svr机器学习模型与人工神经网络模型进行训练；
[0054]
s4，通过对两个模型预测进行评分，选择更适合当前状况下的模型，使预测数据贴
近真实状况，得到能够精准预测瓦温的模型；
[0055]
s5，将在线监测的瓦温相关数据输入训练好的模型，得到预测出的瓦温。
[0056]
实施例2：
[0057]
优选地，步骤s3中，把处理好的训练集合，输入svr模型以及神经网络进行训练，让模型找到瓦温相关数据与瓦温数据间的关系，输出的模型能一定程度上能够预测出瓦温的数值；其中svr是svm对回归问题的一种运用；人工神经网络的训练采用bp神经网络。
[0058]
如图3所示，步骤s3中，svr是svm(支持向量机support vector machine)对回归问题的一种运用。设定样本数据(x,y)，记模型输出值为f(x)，真实值为y；传统的回归模型，将f(x)与y的差值作为损失值，并且仅当f(x)与y相等时，模型才能将损失值确定为0。而svr可以设定一个偏差值∈，计算f(x)与y之间的差值绝对值，当该绝对值大于∈时svr模型才计算损失，用图形表示，就是在f(x)两侧各设立了宽度∈的间隔带，落在两条间隔带之间的值都会被视作正确值。
[0059]
进一步地，svr与传统svr的区别在于其在推导过程中考虑了松弛变量ξi，惩罚系数c，不敏感损失函数∈。通过求导，最终可解得svr的函数形式：
[0060][0061]
其中,w在高维空间中表示权重向量，b为阈值,φ(xi)是非线性函数,ε是不敏感损失函数的设定参数。能够起到平缓拟合函数的作用，进一步提升模型的推广能力；惩罚参数c表示对误差超出给定值ε的样本点的控制水平，主要起平衡模型推广度与复度的作用，一般情况下惩罚因子多为正数；ε则表示对回归模型误差的要求；引入的松弛变量ξ,ξ
*
对输出值的上下界起到控制作用。
[0062]
当样本空间内无法求解时，引入核函数k(xi,xj)的概念，此时求解形式如下：
[0063][0064]
式中αi和都是使用拉格朗日方法求解式的待定系数，k(xi,xj)＝φ(xi)φ(xj)是对称的正实数函数。
[0065]
进一步地，人工神经网络的训练采用的是bp(back-propagation)神经网络；bp神经网络是一种基于误差反向传播算法的多层前向多层感知器，具有强大的自我修复、联想功能和良好的非线性适应处理各类信息的功能，并对大量的数据进行并行处理的神经网络，是一种通用的逼近器。其基本原理是：在系统不知道输入与输出的映射关系时，通过梯度下降搜索技术利用误差反向传播算法反馈不断修正网络中的各级参数，使得网络中的实际输出和期望输出的均方差慢慢缩小，调整映射关系来降低系统内部误差，达到较好的收敛效果。
[0066]
如图4所示，图中为包含一个输入层，输入的数据以x_1表示的；k个隐含层，隐含层节点的输出以y_h表示，以t_j表示输出的目标信号；一个输出层，输出节点以z_j表示，ω_ih代表的是输入层到隐含层的代表权值，ω_hj代表的是隐含层到输出层的权值，n_1,n_2,n_3分别为输入、隐含层、输出各自节点的数量。图中可以看出bp神经网络的误差是反向传播的，以δ_n表示误差反向传播函数也可以称为损失函数。bp神经网络学习算法的主要流程是：
[0067]
(1)根据样本情况设计网络结构，将数据进行初始化设置，设置目标误差和最大的迭代次数，且迭代次数是小于样本数量；
[0068]
(2)正向传播计算并检验误差平方和。隐含层的节点输出为：输出层的节点输出为：
[0069][0070]
(3)反向传播误差。计算出输出层的神经元的误差向量。首先将误差反向传播函数定义为：
[0071][0072]
使用梯度下降法基于反向传播误差的算法，从输出层开始不断的修正误差ω
hj
，，逐渐往前一层修正ω
hj
，，对权值不断进行迭代，此时的权值调整量表示为：修正后表示为：θh为h隐含层节点的阈值，ρj是输出层节点j的阈值，f是转移函数，β是学习步长，m是样本数量；
[0073]
(4)不断调整权值和阈值，网络中ω
hj
权值向量与阈值按照一定规则进行调整。
[0074]
优选地，步骤s4中，使用r2得分对训练的模型进行评价，r2即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例；计算公式如下：
[0075][0076]
其中，yi表示真实的观测值，用y
i2
表示真实观测值的平均值，用表示预测值，mse为均方误差，var为方差；当r2_score＝1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好；当r2_score＝0，此时分子等于分母，样本的每项预测值都等于均值；通过判断r2得分的高低挑选模型，r2得分越高则越准确。
[0077]
模型评估示例如下表1：
[0078]
表1模型评估
[0079]
[0080]
这次训练中svr模型r2得分高于人工神经网络，因此使用svr模型进行在线数据的监测。
[0081]
进一步地，如图5所示，模型训练完成后，此时把在线瓦温相关的数据输入模型，即可以得到预测后的瓦温数值；图中蓝色折线为真实值，红色折线为预测值。
[0082]
进一步地，如图6所示，使用人工神经网络对瓦温进行预测，图中蓝色点为预测值，橙色点为预测值。
[0083]
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，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。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：
1.一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，其特征在于，包括以下步骤：s1，获取历史上导轴承、下导轴承、水导轴承和推力轴承四个部位在线监测数据，对上述数据进行整合及预处理，具体方法如下：收集历史在线与离线监测数据，并去除无关信息及错误信息；s2，将预处理完成的数据进一步处理为训练集合，具体方法如下：s201，对数据进行相关性分析，按照相关性排序选出我们所需要的特征值；s202，对数据进行归一化处理：根据每一列特征，求出其每项特征的最大值max最小值min；(1)若min≥0,则对每列数据进行如下归一化：其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，min
i
为第i列的最小值，max
i
为第i列的最大值；(2)若min<0,则对每列数据进行如下归一化：其中，x
i,j
为第i列第j行的特征值，x’i,j
为其归一化后的值，min
i
为第i列的最小值，max
i
为第i列的最大值。；s203，对数据进行切分，将数据划分为训练集与测试集，分特征值与目标值，得到训练集合；s3，提取出训练集合中与瓦温相关的数据，分别输入svr机器学习模型与人工神经网络模型进行训练；s4，通过对两个模型预测进行评分，选择更适合当前状况下的模型，使预测数据贴近真实状况，得到能够精准预测瓦温的模型；s5，将在线监测的瓦温相关数据输入训练好的模型，得到预测出的瓦温。2.根据权利要求1所述的一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，其特征在于：步骤s3中，把处理好的训练集合，输入svr模型以及神经网络进行训练，让模型找到瓦温相关数据与瓦温数据间的关系，输出的模型能一定程度上能够预测出瓦温的数值；其中svr是svm对回归问题的一种运用；人工神经网络的训练采用bp神经网络。3.根据权利要求1所述的一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，其特征在于：步骤s4中，使用r2得分对训练的模型进行评价，r2即决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例；计算公式如下：其中，y
i
表示真实的观测值，用y
i2
表示真实观测值的平均值，用表示预测值，mse为均
方误差，var为方差；当r2_score＝1，样本中预测值和真实值完全相等，没有任何误差，表示回归分析中自变量对因变量的解释越好；当r2_score＝0，此时分子等于分母，样本的每项预测值都等于均值；通过判断r2得分的高低挑选模型，r2得分越高则越准确。

技术总结
本发明公开了一种基于机器学习与神经网络的水轮机轴瓦温度预测方法，通过采集轴瓦相关的历史数据，建立SVR机器学习模型和人工网络模型进行双模型对比评分，选取当前工况下精度更高的模型进行瓦温预测；该方案解决了现有水电站中对水轮机组的轴瓦温度监控和趋势预测方法过于依赖传感器设备以及人工查验，具有危险性和迟滞性，无法有效准确性预测轴瓦温度变化趋势并及时作出预警的问题，本方案采用基于历史数据的神经网络模型来预测轴瓦温度变化趋势，具有较好的准确性和实时性，避免了传感器设备烧毁的风险以及人工测温带来的危险。感器设备烧毁的风险以及人工测温带来的危险。感器设备烧毁的风险以及人工测温带来的危险。


技术研发人员：刘洋成 刘守豹 王晓兰 魏棕凯 管毓瑶 胡思宇
受保护的技术使用者：中国大唐集团科学技术研究总院有限公司
技术研发日：2023.02.07
技术公布日：2023/8/5