一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法与流程

摘要: 本发明属于汽轮机,尤其涉及一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法。背景技术:1、在电力系统负荷监测场景中,精准判别汽轮机负荷的上升、下降与稳态工况...
一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法与流程

本发明属于汽轮机,尤其涉及一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法。

背景技术:

1、在电力系统负荷监测场景中,精准判别汽轮机负荷的上升、下降与稳态工况,是开展系统分析、热耗核算及运行效率修正的重要前提。构建分类明确的负荷工况数据集,也能为后续相关研究夯实数据基础。

2、当前负荷状态识别主流方法为固定阈值判定法与滑动窗口平均法,二者均存在技术短板。其中,固定阈值判定法依托负荷变化斜率进行硬阈值划分,通过设定固定正负斜率阈值区分升负荷、降负荷与稳态,该方式抗干扰能力弱,负荷数据的小幅噪声易造成工况判定频繁跳变,出现状态“抖动”问题;同时判定结果时序连贯性差,相邻时刻工况易发生突变,违背汽轮机实际运行的物理惯性,且固定阈值无法适配多类运行工况,泛用性不足。滑动窗口平均法通过窗口平滑实现噪声抑制,虽具备一定滤波效果,但会引入明显时序滞后,大幅降低状态识别的实时性,且算法本身未引入状态惯性约束。汽轮机负荷变化存在能量累积过程,工况状态形成后会维持一定时长,而现有算法均未结合这一物理特性,识别结果中常出现大量短时孤立工况片段,与实际运行规律相悖。

3、为此,亟需研究一种融合历史变化趋势、兼顾设备物理惯性、可输出概率结果的新型负荷状态识别方法。

技术实现思路

1、本发明为解决传统固定阈值判定方法在负荷状态识别中对噪声敏感,导致状态频繁抖动、缺乏历史趋势惯性考虑和状态转换突兀不平滑的问题,进而提供一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法。

2、本发明采用的技术方案为:

3、一种基于贝叶斯概率和惯性机制的汽轮机升降负荷判定方法,获取基于时间序列的负荷监测数据,并计算各数据对应的瞬时斜率;基于升降状态判定阈值对每一时刻的负荷状态进行初步判定,得到原始状态标签序列;采用非线性连续函数分别计算各时刻的负荷数据处于上升、稳定、下降三种状态的似然概率;结合惯性滑动窗口内的标签数据,进行先验概率计算;基于贝叶斯公式融合先验概率和似然概率,以获得后验概率;基于前一时刻负荷状态修正当前时刻的后验概率,以最大后验概率判定当前时刻负荷状态。

4、进一步地,获取基于时间序列的负荷监测数据,并计算各数据对应的瞬时斜率的过程如下:

5、从实时数据库中获取基于时间序列的负荷监测数据:

6、,

7、其中,表示时间戳,表示对应时刻的负荷值,为数据点总数;

8、采用滑动窗口最小二乘线性拟合法,计算负荷监测数据中每个时刻所对应的负荷值的瞬时斜率,并形成瞬时斜率序列:

9、,

10、其中,为滑动窗口内数据的时间戳,为时间索引的均值,为窗口长度;为滑动窗口内每个时间戳所对应的负荷值,为滑动窗口内负荷值的均值。

11、进一步地,基于升降状态判定阈值对每一时刻的负荷状态进行初步判定,得到原始状态标签序列的过程如下:

12、将所得到的瞬时斜率,与升降状态判定阈值进行比较,以对负荷监测数据中每个时刻的负荷状态进行初步的状态划分并打上标签:

13、,

14、其中,为瞬时斜率,为上升状态判定阈值,为下降状态判定阈值,平稳状态判定的斜率范围在与之间;

15、遍历所有时刻,得到原始状态标签序列:

16、。

17、进一步地,采用非线性连续函数分别计算各时刻的负荷数据处于上升、稳定、下降三种状态的似然概率的过程如下:

18、利用sigmoid函数分别计算每个时刻的负荷数据处于上升状态的似然概率:

19、,

20、其中,为瞬时斜率,为sigmoid函数的中心点,为sigmoid函数曲线陡峭度;

21、利用sigmoid函数分别计算每个时刻的负荷数据处于下降状态的似然概率:

22、,

23、其中,为sigmoid函数的中心点;

24、利用高斯函数分别计算每个时刻的负荷数据处于稳态的似然概率:

25、,

26、其中,为高斯函数的标准差。

27、进一步地,计算上升、稳定和下降三种状态的似然概率的总和,并进行归一化:

28、,

29、,

30、其中,为上升状态似然概率,为稳定状态似然概率,为下降状态似然概率;

31、求得负荷监测数据中每个时刻的负荷数据的保存概率向量:

32、。

33、进一步地,结合惯性滑动窗口内的标签数据,进行先验概率计算的过程如下:

34、获取各时刻前续的惯性滑动窗口内的原始状态标签序列:

35、,

36、其中,为惯性滑动窗口大小;

37、统计中上升、下降和平稳三种状态的标签数量,并计算各时刻的负荷数据处于三种状态的先验概率:

38、,

39、其中,为上升状态的先验概率,为惯性滑动窗口内标签为+1的元素数量;为稳定状态的先验概率,为惯性滑动窗口内标签为0的元素数量;为下降状态的先验概率,为惯性滑动窗口内标签为-1的元素数量;

40、遍历所有时刻,得到负荷监测数据的先验概率序列:

41、。

42、进一步地,基于贝叶斯公式融合先验概率和似然概率,以获得后验概率的过程如下:

43、,

44、其中,为上升状态的后验概率,为稳定状态的后验概率,为下降状态的后验概率。

45、进一步地,计算后验概率的总和并进行归一化处理:

46、,

47、,

48、其中,为后验概率总和,为归一化后的处于上升状态的后验概率,为归一化后的处于稳定状态的后验概率,为归一化后的处于下降状态的后验概率。

49、进一步地,基于前一时刻负荷状态修正当前时刻的后验概率的过程如下:

50、获取前一时刻的原始状态标签,并根据前一时刻的原始状态标签对负荷监测数据中当前时刻的后验概率进行加权修正;

51、若前一时刻为上升状态标签,则当前时刻修正后的三种状态的后验概率为:

52、,

53、若前一时刻为下降状态标签,则当前时刻修正后的三种状态的后验概率为:

54、,

55、若前一时刻为稳定状态标签,则当前时刻修正后的三种状态的后验概率为:

56、,

57、其中,为修正后的处于上升状态的后验概率,为修正后的处于稳定状态的后验概率,为修正后的处于下降状态的后验概率,为状态保持概率。

58、进一步地,对修正后的三种状态的后验概率进行归一化:

59、,

60、其中,为当前时刻负荷状态属于上升的最终概率,为当前时刻负荷状态属于下降的最终概率,为当前时刻负荷状态属于稳定的最终概率。

61、本发明与现有技术相比产生的有益效果是:

62、1、本发明的升降负荷判定方法通过贝叶斯概率框架融合当前观测与历史趋势信息,结合马尔可夫状态转移机制,能够有效过滤数据噪声干扰,抗噪声能力强;

63、2、本发明的升降负荷判定方法利用马尔可夫惯性机制,消除短促、孤立的状态片段,确保状态序列的连续性与稳定性,保证状态的连贯性;

64、3、本发明的升降负荷判定方法采用多层次概率融合机制,综合斜率特征、历史趋势、时间约束等多维信息,输出结果不仅包含状态标签,还提供概率化的置信度评估,支持后续的风险评估与决策分析,判定准确率高;

65、4、本发明的升降负荷判定方法参数可调性好,提供多个可配置参数,可根据不同机组的特点自适应调整,在响应速度与稳定性之间取得最佳平衡;

66、5、本发明的升降负荷判定方法工程实用性强,算法复杂度低、实时性好,无需依赖未来时刻的负荷数据,避免了数据前瞻泄露问题,适用于在线监测等实际应用场景。