基于深度神经网络的抽水蓄能机组稳定性劣化趋势预测研究

这是一篇关于抽水蓄能机组,健康状态模型,劣化状态评估,深度神经网络,变分模态分解,劣化趋势预测,误差校正,预测系统的论文, 主要内容为抽水蓄能电站担负削峰填谷、调频调相、旋转备用等职能,近几年来在我国能源体系中所占比重逐渐上升。抽水蓄能机组是受水力因素、机械因素和电磁因素等影响的复杂设备,且在抽水、发电、调相、备用、停机等多种工况间频繁转换,随着投运时间的增加,机组设备容易出现异常振动、设备疲劳、设备劣化等情况,威胁机组及电站安全。准确解析机组运行状态,开展抽水蓄能机组劣化预测研究,对预防早期故障,保障机组安全稳定运行具有重要意义。本文研究主要围绕抽水蓄能机组稳定性劣化趋势预测展开,研究了深度神经网络相关理论,提出抽水蓄能机组稳定性劣化状态评估方法,建立劣化趋势深度组合预测模型,致力于提升模型预测精度,并将理论应用至实践中,设计了抽水蓄能机组劣化趋势预测系统,有效提升电站运检维护效率。论文的主要工作及创新性成果如下:(1)针对现有机组劣化分析中未能充分考虑工况因素对机组状态影响的问题,研究最大信息系数方法分析工况参数与机组稳定性参数之间相关性,建立了多通道的DNN健康状态模型,准确解析工况参数与机组状态参数之间的映射关系,有效提取抽水蓄能机组在不同工况下各通道稳定性劣化趋势和整体劣化趋势对机组状态进行评估,并结合电站实际数据设计与其他三种算法的对比实验,验证了本文所提健康模型的准确性以及劣化状态评估的可靠度。(2)针对现有劣化趋势预测精度低、预见期短的问题,提出组合深度预测模型,引入变分模态分解算法对波动剧烈的非线性劣化趋势进行分解,对分解后的子模态分别建立GRU预测模型,提出误差预测校正方法对预测结果进行优化,实现对抽水蓄能机组劣化趋势的精准预测,并结合现场数据设计单步预测与多步预测对比实验,结果表明本文所提方法预测精度最高,适用于进行劣化趋势预测。(3)设计并研发了由数据服务层、业务逻辑层和应用服务层组成的三层B/S架构的劣化趋势预测系统,具备劣化趋势预警、时序趋势预警、分析模型预警、辅助分析等深层次、多方面的预警功能,充分弥补了传统状态监测系统单一静态阈值报警的不足,能够较为全面的挖掘机组主要设备的运行状态,对设备异常情况及时的做出预警。

抽水蓄能机组振动信号降噪与趋势预测方法研究

这是一篇关于抽水蓄能机组,信号降噪,趋势预测,信号分解,混合神经网络的论文, 主要内容为抽水蓄能机组作为抽水蓄能电站能效转换的核心设备,发挥着维护电网稳定运行的重要作用。抽水蓄能机组负荷变化频繁、多种运行工况相互交替,易加剧机组振动,增加了振动事故发生的风险,甚至导致水淹厂房等严重后果,因此亟需对抽水蓄能机组开展振动状态在线监测及趋势预测研究。本文以抽水蓄能机组运行过程中的振动信号为研究对象,重点围绕抽水蓄能机组振动信号降噪、非线性趋势预测等科学问题展开研究,以变分模态分解、BA算法、小波分析和神经网络等为理论依据,分析了现有方法在理论或应用上存在的缺陷与不足,并做出相应改进,同时将研究成果应用于工程实际中,设计并开发了一种B/S架构的抽水蓄能机组振动实时监测与趋势预测系统,为抽水蓄能机组状态检修策略的完善提供了新思路,具有一定的理论和工程意义。论文主要研究内容和成果如下:(1)为了解决振动状态监测中数据存储效率低的问题,设计了一种面向抽水蓄能机组振动状态监测的分布式时效数据库。采用内存型数据库Redis与关系型数据库My SQL结合的方式,对实时数据进行快速读写并缓存,对历史数据进行长期稳定保存,从而实现了高效的数据存储,为后续机组振动信号降噪研究、趋势预测分析提供了稳定、可靠的抽水蓄能振动数据源。(2)为了能在强噪声背景下精确提取出表征抽水蓄能机组实际运行状态的振动信号,提出了一种BA-VMD与小波阈值结合的降噪方法。首先,选用BA算法对VMD分解中的参数K和α进行全局优化,自适应搜寻获得最优的[K,α]组合;然后利用优化VMD方法将原始振动信号分解成一系列IMFs分量;其次利用自相关能量函数准则筛选出噪声主导的高频IMF分量,并对其进行小波阈值降噪处理;最后将未经小波阈值降噪处理的低频IMF分量和经过小波阈值降噪处理的高频IMF分量进行重构,进而得到降噪后的振动信号。将所提方法应用于机组仿真振动信号的降噪实验中,并与单一VMD降噪和单一小波阈值降噪方法进行对比,实验结果表明所提方法具有良好的降噪效果。(3)针对传统方法难以对抽水蓄能机组非线性振动量进行趋势预测的问题,将VMD信号处理方法与神经网络预测方法相结合,提出了一种基于VMD与CNN-GRU相结合的混合状态趋势预测模型。首先利用VMD将原始非平稳信号分解为较平稳的模态分量,然后用CNN-GRU混合神经网络模型对各分量进行训练,在提高预测精度的同时降低了复杂度。将所提混合模型成功应用于某机组振动状态趋势预测,并与CNN-RNN模型、单一CNN模型和单一GRU模型进行消融实验,验证了所提混合模型的有效性,为抽水蓄能机组振动趋势预测方法研究拓展了新思路。(4)基于上述研究成果,研究B/S网络架构特点和前后端分离技术,设计并开发了具有实时振动数据监测、趋势预测等业务的高级应用软件系统,验证了本文提出的抽水蓄能电站振动信号降噪、趋势预测方法的有效性,部分理论成果已集成至国内大型抽水蓄能电站机组振动状态监测与故障诊断系统,有效提高了电站的运维水平,有力推动了新能源背景下抽水蓄能电站智能化发展。

抽水蓄能机组振动信号降噪与趋势预测方法研究

这是一篇关于抽水蓄能机组,信号降噪,趋势预测,信号分解,混合神经网络的论文, 主要内容为抽水蓄能机组作为抽水蓄能电站能效转换的核心设备,发挥着维护电网稳定运行的重要作用。抽水蓄能机组负荷变化频繁、多种运行工况相互交替,易加剧机组振动,增加了振动事故发生的风险,甚至导致水淹厂房等严重后果,因此亟需对抽水蓄能机组开展振动状态在线监测及趋势预测研究。本文以抽水蓄能机组运行过程中的振动信号为研究对象,重点围绕抽水蓄能机组振动信号降噪、非线性趋势预测等科学问题展开研究,以变分模态分解、BA算法、小波分析和神经网络等为理论依据,分析了现有方法在理论或应用上存在的缺陷与不足,并做出相应改进,同时将研究成果应用于工程实际中,设计并开发了一种B/S架构的抽水蓄能机组振动实时监测与趋势预测系统,为抽水蓄能机组状态检修策略的完善提供了新思路,具有一定的理论和工程意义。论文主要研究内容和成果如下:(1)为了解决振动状态监测中数据存储效率低的问题,设计了一种面向抽水蓄能机组振动状态监测的分布式时效数据库。采用内存型数据库Redis与关系型数据库My SQL结合的方式,对实时数据进行快速读写并缓存,对历史数据进行长期稳定保存,从而实现了高效的数据存储,为后续机组振动信号降噪研究、趋势预测分析提供了稳定、可靠的抽水蓄能振动数据源。(2)为了能在强噪声背景下精确提取出表征抽水蓄能机组实际运行状态的振动信号,提出了一种BA-VMD与小波阈值结合的降噪方法。首先,选用BA算法对VMD分解中的参数K和α进行全局优化,自适应搜寻获得最优的[K,α]组合;然后利用优化VMD方法将原始振动信号分解成一系列IMFs分量;其次利用自相关能量函数准则筛选出噪声主导的高频IMF分量,并对其进行小波阈值降噪处理;最后将未经小波阈值降噪处理的低频IMF分量和经过小波阈值降噪处理的高频IMF分量进行重构,进而得到降噪后的振动信号。将所提方法应用于机组仿真振动信号的降噪实验中,并与单一VMD降噪和单一小波阈值降噪方法进行对比,实验结果表明所提方法具有良好的降噪效果。(3)针对传统方法难以对抽水蓄能机组非线性振动量进行趋势预测的问题,将VMD信号处理方法与神经网络预测方法相结合,提出了一种基于VMD与CNN-GRU相结合的混合状态趋势预测模型。首先利用VMD将原始非平稳信号分解为较平稳的模态分量,然后用CNN-GRU混合神经网络模型对各分量进行训练,在提高预测精度的同时降低了复杂度。将所提混合模型成功应用于某机组振动状态趋势预测,并与CNN-RNN模型、单一CNN模型和单一GRU模型进行消融实验,验证了所提混合模型的有效性,为抽水蓄能机组振动趋势预测方法研究拓展了新思路。(4)基于上述研究成果,研究B/S网络架构特点和前后端分离技术,设计并开发了具有实时振动数据监测、趋势预测等业务的高级应用软件系统,验证了本文提出的抽水蓄能电站振动信号降噪、趋势预测方法的有效性,部分理论成果已集成至国内大型抽水蓄能电站机组振动状态监测与故障诊断系统,有效提高了电站的运维水平,有力推动了新能源背景下抽水蓄能电站智能化发展。

抽水蓄能机组动态仿真、控制优化及应用系统集成

这是一篇关于抽水蓄能机组,Modbus工业通信,过渡过程建模仿真,导叶关闭规律优化,软件系统集成的论文, 主要内容为根据国家新时代能源战略部署,我国正逐渐加大抽水蓄能电站的建设开发程度。相比于普通水轮机组,可逆式抽蓄机组运行工况切换更加频繁多样,在极端工况下,水击压力脉动和机组转速等运行参量之间相互影响可能会出现极大的动态响应值,严重地威胁到抽蓄电站的运行安全稳定性。在不过多增加电站经济成本条件下,优化导叶关闭规律可以很大程度上提高抽水蓄能电站对可逆式机组的控制品质。搭建抽蓄机组高精度过渡过程模型,开展机组导叶关闭规律优化研究工作等相关工作是极其必要的。更进一步,在当下数字化和信息化高速发展的背景下,水电站也开始向着远程化、信息化、智能化发展。根据工程需求,开发一套包含机组运行状态监测参量存储、仿真分析和状态评估等业务模块在内的运维一体化高级软件应用系统,为电站运维工作人员提供辅助建议,对提高水电站设备健康管理水平具有重要的理论指导意义和工程应用价值。综合上述工程需求,本文主要围绕以下几点开展工作:(1)为全面可靠获取抽水蓄能电站机组和主辅设备的运行状态数据,深入研究Modbus工业通信协议,运用Java高级编程语言开发Modbus机组运行状态数据通信软件模块,通过RS-485总线连接南瑞监控设备接口,完成了电站现场数据通信与存储测试试验。为接下来开展抽蓄机组模型验证和状态评估业务模块集成工作提供数据支持。(2)从引水系统、水泵水轮机和发电机及负荷数学模型入手,采用改进Suter变换对全特性曲线进行变换,搭建抽水蓄能机组过渡过程模型。利用特征线法得到计算结果并与实测运行数据对比,验证了建立模型的正确性,为电站调保计算和导叶关闭规律优化方法的研究提供可靠模型基础。(3)选取机组转速和水击压力作为优化目标,综合考虑约束条件,结合多目标优化算法设计优化器搭建机组导叶关闭规律多目标优化模型;利用模糊函数评价法从计算出水泵断电和甩100%负荷两种工况下的Pareto非劣解集中选取最佳折衷解,经对比验证了提出的多目标导叶关闭规律优化方法的有效性。(4)围绕本文主要研究内容,设计应用系统总体框架,利用目前成熟的JavaWeb开发技术开发集成包括抽水蓄能主辅设备在线通信与存储查询,机组过渡过程仿真,状态评估以及报表管理等主要业务在内的高级应用系统,部分理论成果已集成到国内大型抽水蓄能电站机组状态监测与故障诊断系统,为保障机组安全高效运行发挥了重要作用。

抽水蓄能机组运行状态分析与智能故障诊断研究

这是一篇关于抽水蓄能机组,智能故障诊断,经验小波变换,模糊聚类分析,应用系统集成的论文, 主要内容为随着我国能源结构转型的持续推进,抽水蓄能机组以其启停灵活、响应迅速、运行范围广等特点,在现代电力系统中发挥调峰调频、消纳电能、事故备用的关键作用,为提高供电侧电能质量、维护电网安全稳定运行,抽水蓄能电站智能化建设已成为水电行业发展的新方向。本文充分利用电站的基础设备信息和运行数据,对抽水蓄能机组进行模型机理探究和测量信号处理,开展系统运行状态的定量分析,实现了状态信号的特征提取和智能故障诊断,在此基础上,针对抽蓄电站特定工况下的实际工程应用场景,结合先进的系统集成理论和软件技术,完成电站网络化、可视化评估系统的设计与实现。本文主要研究内容和创新性成果如下:(1)与水电机组相比,抽水蓄能机组的运行状态更加复杂且转换频繁,工况切换过程中的水力大范围波动对过流管道、机组等设备的稳定运行产生了严重威胁。基于压力管道、调压室、球阀和水泵水轮机等关键过流部件的水力传播特性,引入各部件特征线方程构建了抽水蓄能机组调节系统的机理模型,提出基于GB-BP神经网络的水泵水轮机全特性曲线拟合方法,进而提升了机组参数的插值精度,通过将机组多种工况的数值仿真结果与实测数据对比,验证了所建机理模型的精度和适应性。(2)对水-机-电状态信号的预处理与分析,是评估抽水蓄能机组运行稳定水平的重要途径。本文结合压力脉动信号的特性,针对原始经验小波变换的信号分析方法的不足,提出了基于多尺度空间的自适应频谱分割改进措施和保证Hilbert谱图完整性的趋势项提取方法。在理论研究基础上,将该方法应用于某电站水泵断电工况下实测压力脉动信号的波形分析,有效提取出包含主要频率成分的模态分量,通过Hilbert谱图展现了特征频率的时空分布,并结合机理模型的机组参数仿真曲线对该工况下的机组运行状态进行了分析。(3)为实现抽水蓄能机组的无监督故障诊断和工况识别,解决传统FCM聚类无法自动优选聚类数,从而对未知故障模式识别失效的关键科学问题,研究提出混合编码的回溯搜索算法优化聚类有效性指标,对聚类数和聚类中心分别采取二进制和实数编码形式同时进行迭代进化,并通过经验小波分解、混合特征提取、主成分分析确定最终的信号特征子集。所提方法在轴承故障诊断实验和基于压力脉动信号的抽蓄机组运行工况识别实验(检验)中均取得了较高的分类精度。(4)依托工程项目中运行分析模块的实际业务需求,针对传统的电站控制优化与性能评估系统中存在的前后端高度耦合、开发任务不明确等缺点,设计了一种前端为Vue.js框架、后端基于Spring boot的前后端分离架构,实现了包含机组模型仿真、信号与指标分析等功能的抽水蓄能机组运行状态评估系统,并在实际工程中成功应用。

抽水蓄能机组状态趋势预测与系统集成应用研究

这是一篇关于抽水蓄能机组,Web实时通讯,信号分解,深度神经网络,软件系统集成的论文, 主要内容为新时代国家能源战略指出我国需进一步加大抽水蓄能电站建设,抽水蓄能电站是我国电力系统中必不可少的调节手段,在调峰填谷、调频调相、事故备用等保障电网安全稳定运行方面发挥着重要作用。当前抽水蓄能机组正朝着“高水头、大惯量”等方向发展,其作为电站能效转换的核心设备具有运行工况复杂且转换频繁的特点,安全问题日益凸显。为保障机组等设备安全稳定运行,提高电站的预知维护能力,需结合先进的信息技术,提高机组设备状态监测技术水平,实现对设备运行状态的实时跟踪;进一步需开展机组运行状态趋势分析,建立准确、完备的状态预测模型,捕捉设备故障发展征兆,为电站运维管理人员提供决策分析。综合上述工程实际需求,本文主要的研究内容与成果如下:(1)为提高机组状态监测平台的实时性、可靠性和跨平台性,全面了解机组状态监测主要内容框架与数据获取途径,针对机组振动、摆度、压力、流量等监测数据特点,设计了可靠稳定的B/S架构状态监测平台实时数据推送与存储方案。选择全双工通讯协议WebSocket作为Web实时监测的通讯协议,设计了多协议联合的实时数据推送模块和具有双层时效机制的数据库存储架构,将读写高效的内存型数据库Redis与关系型数据库Sql Server相结合,高效实现了数据存储,为后续趋势分析提供数据支持。(2)为提高电站事前决策分析能力,及时捕捉相关故障征兆,针对抽水蓄能机组状态监测中非线性状态量成分复杂、难以预测分析的特点。提出了基于信号分解VMD与CNN-LSTM混合神经网络趋势预测模型,采用信号分解的方式构造输入输出数据集,对比选用Adam优化算法用于模型训练,将该模型应用于某机组摆度趋势分析实验,并与单一的CNN和单一的LSTM进行消融实验,消融实验结果表明该预测模型具有较高的预测精度,并在多步预测结果上表现良好。(3)围绕上述主要研究内容,结合目前主流的JavaWeb技术,设计并开发了具有监测历史数据查询、状态评估、趋势预测、文件管理等主要业务的高级应用软件系统,在提升电站运维水平以及监测设备健康状态等方面具有实际意义。

基于深度神经网络的抽水蓄能机组稳定性劣化趋势预测研究

这是一篇关于抽水蓄能机组,健康状态模型,劣化状态评估,深度神经网络,变分模态分解,劣化趋势预测,误差校正,预测系统的论文, 主要内容为抽水蓄能电站担负削峰填谷、调频调相、旋转备用等职能,近几年来在我国能源体系中所占比重逐渐上升。抽水蓄能机组是受水力因素、机械因素和电磁因素等影响的复杂设备,且在抽水、发电、调相、备用、停机等多种工况间频繁转换,随着投运时间的增加,机组设备容易出现异常振动、设备疲劳、设备劣化等情况,威胁机组及电站安全。准确解析机组运行状态,开展抽水蓄能机组劣化预测研究,对预防早期故障,保障机组安全稳定运行具有重要意义。本文研究主要围绕抽水蓄能机组稳定性劣化趋势预测展开,研究了深度神经网络相关理论,提出抽水蓄能机组稳定性劣化状态评估方法,建立劣化趋势深度组合预测模型,致力于提升模型预测精度,并将理论应用至实践中,设计了抽水蓄能机组劣化趋势预测系统,有效提升电站运检维护效率。论文的主要工作及创新性成果如下:(1)针对现有机组劣化分析中未能充分考虑工况因素对机组状态影响的问题,研究最大信息系数方法分析工况参数与机组稳定性参数之间相关性,建立了多通道的DNN健康状态模型,准确解析工况参数与机组状态参数之间的映射关系,有效提取抽水蓄能机组在不同工况下各通道稳定性劣化趋势和整体劣化趋势对机组状态进行评估,并结合电站实际数据设计与其他三种算法的对比实验,验证了本文所提健康模型的准确性以及劣化状态评估的可靠度。(2)针对现有劣化趋势预测精度低、预见期短的问题,提出组合深度预测模型,引入变分模态分解算法对波动剧烈的非线性劣化趋势进行分解,对分解后的子模态分别建立GRU预测模型,提出误差预测校正方法对预测结果进行优化,实现对抽水蓄能机组劣化趋势的精准预测,并结合现场数据设计单步预测与多步预测对比实验,结果表明本文所提方法预测精度最高,适用于进行劣化趋势预测。(3)设计并研发了由数据服务层、业务逻辑层和应用服务层组成的三层B/S架构的劣化趋势预测系统,具备劣化趋势预警、时序趋势预警、分析模型预警、辅助分析等深层次、多方面的预警功能,充分弥补了传统状态监测系统单一静态阈值报警的不足,能够较为全面的挖掘机组主要设备的运行状态,对设备异常情况及时的做出预警。

抽水蓄能机组状态趋势预测与系统集成应用研究

这是一篇关于抽水蓄能机组,Web实时通讯,信号分解,深度神经网络,软件系统集成的论文, 主要内容为新时代国家能源战略指出我国需进一步加大抽水蓄能电站建设,抽水蓄能电站是我国电力系统中必不可少的调节手段,在调峰填谷、调频调相、事故备用等保障电网安全稳定运行方面发挥着重要作用。当前抽水蓄能机组正朝着“高水头、大惯量”等方向发展,其作为电站能效转换的核心设备具有运行工况复杂且转换频繁的特点,安全问题日益凸显。为保障机组等设备安全稳定运行,提高电站的预知维护能力,需结合先进的信息技术,提高机组设备状态监测技术水平,实现对设备运行状态的实时跟踪;进一步需开展机组运行状态趋势分析,建立准确、完备的状态预测模型,捕捉设备故障发展征兆,为电站运维管理人员提供决策分析。综合上述工程实际需求,本文主要的研究内容与成果如下:(1)为提高机组状态监测平台的实时性、可靠性和跨平台性,全面了解机组状态监测主要内容框架与数据获取途径,针对机组振动、摆度、压力、流量等监测数据特点,设计了可靠稳定的B/S架构状态监测平台实时数据推送与存储方案。选择全双工通讯协议WebSocket作为Web实时监测的通讯协议,设计了多协议联合的实时数据推送模块和具有双层时效机制的数据库存储架构,将读写高效的内存型数据库Redis与关系型数据库Sql Server相结合,高效实现了数据存储,为后续趋势分析提供数据支持。(2)为提高电站事前决策分析能力,及时捕捉相关故障征兆,针对抽水蓄能机组状态监测中非线性状态量成分复杂、难以预测分析的特点。提出了基于信号分解VMD与CNN-LSTM混合神经网络趋势预测模型,采用信号分解的方式构造输入输出数据集,对比选用Adam优化算法用于模型训练,将该模型应用于某机组摆度趋势分析实验,并与单一的CNN和单一的LSTM进行消融实验,消融实验结果表明该预测模型具有较高的预测精度,并在多步预测结果上表现良好。(3)围绕上述主要研究内容,结合目前主流的JavaWeb技术,设计并开发了具有监测历史数据查询、状态评估、趋势预测、文件管理等主要业务的高级应用软件系统,在提升电站运维水平以及监测设备健康状态等方面具有实际意义。