基于云边协同的水轮发电机组的寿命估计方法及系统与流程

摘要: 本发明涉及水电设备寿命预测,更具体地说,它涉及基于云边协同的水轮发电机组的寿命估计方法及系统。背景技术:1、水电作为开发技术成熟、规模庞大的可再生能源,凭借其运...
基于云边协同的水轮发电机组的寿命估计方法及系统与流程

本发明涉及水电设备寿命预测,更具体地说,它涉及基于云边协同的水轮发电机组的寿命估计方法及系统。

背景技术:

1、水电作为开发技术成熟、规模庞大的可再生能源,凭借其运行成本低、调节性能佳及负荷响应快等优势,在全球电力能源格局中占据重要地位。水轮发电机组是水电站的核心设备,其运行状态直接关系到电站的安全与效益。准确估计水轮发电机组的剩余寿命,能够为设备的维护、检修以及更新换代提供科学依据,避免因设备过早退役造成的资源浪费,或因超期运行引发的安全事故。

2、目前,水轮发电机组的寿命估计方法多依赖于设计寿命和运行时间,即按照设计时规定的使用年限,结合实际运行时长来大致判断机组的剩余寿命。这类方法仅考虑了固定的设计寿命与日历时间的简单减法关系,未能充分考虑设备在实际运行中因工况变化、环境因素、部件磨损老化以及潜在缺陷等多种复杂因素导致的性能衰退。此外,也有部分方法尝试引入单一维度的监测数据进行分析,但由于水轮发电机组结构复杂、运行环境多变,单一数据源往往无法全面反映设备的真实退化状态,导致估计结果与实际寿命之间存在较大偏差。

3、因此,研究设计一种能够克服上述缺陷的基于云边协同的水轮发电机组的寿命估计方法及系统是目前急需解决的问题。

技术实现思路

1、为解决现有技术中的不足,本发明的目的是提供基于云边协同的水轮发电机组的寿命估计方法及系统,综合利用现场实时特征参数、同类失效部件统计规律以及多源数据融合模型,从多个维度综合评估水轮发电机组的剩余寿命,克服单一方法固有的局限性,提高寿命估计的准确性。

2、本发明的上述技术目的是通过以下技术方案得以实现的:

3、第一方面,提供了基于云边协同的水轮发电机组的寿命估计方法,应用于边端设备,包括以下步骤:

4、在水轮发电机组的投入时长大于预设时长时,根据所述水轮发电机组从开始投入的时刻到当前时刻的目标时段内采集的多个特征参数,确定各所述特征参数随投入时长的变化规律;

5、根据所述变化规律和各所述特征参数对应的寿命结束参数,确定各所述特征参数对应的目标水力部件的第一剩余寿命;

6、向云端设备发送所述目标水力部件的设计数据、所述目标水力部件的投入时长、所述水轮发电机组在预设时段内的运行数据、所述水轮发电机组的历史维护数据、所述水轮发电机组的运行环境数据以及针对所述目标水力部件进行拍摄的目标射线探伤图片;

7、接收所述云端设备返回的第二剩余寿命和第三剩余寿命;其中,所述第二剩余寿命是所述云端设备基于与所述目标水力部件匹配的多个失效水力部件的寿命与失效概率的对应关系建立的威布尔分布函数,并结合所述目标水力部件的投入时长确定的;所述第三剩余寿命是所述云端设备将所述设计数据、所述运行数据、所述历史维护数据、所述运行环境数据以及所述目标射线探伤图片输入剩余寿命预测模型后得到的;

8、根据所述第一剩余寿命、所述第二剩余寿命以及所述第三剩余寿命,确定所述水轮发电机组的目标剩余寿命。

9、进一步的,该方法还包括:

10、在所述水轮发电机组的投入时长小于或等于所述预设时长时,根据所述水轮发电机组的投入时长和所述水轮发电机组的设计寿命,确定所述水轮发电机组的目标剩余寿命。

11、进一步的,所述根据所述水轮发电机组的投入时长和所述水轮发电机组的设计寿命,确定所述水轮发电机组的目标剩余寿命,包括:

12、在所述水轮发电机组为主运行机组时,根据所述水轮发电机组的设计寿命与所述水轮发电机组的投入时长之间的差值,确定所述主运行机组的目标剩余寿命;

13、在所述水轮发电机组为备用机组时,根据所述备用机组的投入时长与所述备用机组的启用时长之间的差值,确定所述备用机组的目标剩余寿命。

14、进一步的,该方法还包括:

15、在所述边端设备确定所述水轮发电机组在最近预设统计时段内均在额定功率或额定功率之下运行时,将所述水轮发电机组的设计寿命与第一系数的比值,确定为所述预设时长;

16、在所述边端设备确定所述水轮发电机组在所述最近预设统计时段内,大于额定功率运行的时长与所述最近预设统计时段对应的时长的比值大于0且小于或等于预设比值时,将所述水轮发电机组的设计寿命与第二系数的比值,确定为所述预设时长;

17、在所述边端设备确定所述水轮发电机组在所述最近预设统计时段内,大于额定功率运行的时长与所述最近预设统计时段对应的时长的比值大于所述预设比值时,将所述水轮发电机组的设计寿命与第三系数的比值,确定为所述预设时长;

18、其中,所述第一系数大于所述第二系数,所述第二系数大于所述第三系数。

19、进一步的,所述特征参数包括转轮的厚度、转轮的裂纹深度、导水机构的漏水量、轴承系统的轴承间隙以及轴承系统的运行温度中的至少一种。

20、进一步的,该方法还包括:

21、获取对所述目标水力部件进行拍摄的原始射线探伤图片;

22、对所述原始射线探伤图片进行降噪处理,得到预定射线探伤图片;

23、从所述预定射线探伤图片中识别出裂纹区域,将裁切出的所述裂纹区域的图像确定为所述目标射线探伤图片。

24、进一步的,所述根据所述第一剩余寿命、所述第二剩余寿命以及所述第三剩余寿命,确定所述水轮发电机组的目标剩余寿命,包括:

25、根据所述水轮发电机组的投入时长,确定所述第一剩余寿命对应的第一权重、所述第二剩余寿命对应的第二权重以及所述第三剩余寿命对应的第三权重;

26、分别采用所述第一权重、所述第二权重、所述第三权重对所述第一剩余寿命、所述第二剩余寿命、所述第三剩余寿命进行加权处理,得到所述目标水力部件的预设剩余寿命;

27、将所述水轮发电机组中包括的多个水力部件各自的预设剩余寿命中的最低剩余寿命,确定为所述水轮发电机组的目标剩余寿命。

28、进一步的,所述根据所述水轮发电机组的投入时长,确定所述第一剩余寿命对应的第一权重、所述第二剩余寿命对应的第二权重以及所述第三剩余寿命对应的第三权重,包括:

29、在所述水轮发电机组的投入时长小于目标时长时,确定所述第二权重大于所述第一权重,且所述第一权重大于所述第三权重;所述目标时长大于所述预设时长;

30、在所述水轮发电机组的投入时长大于或等于所述目标时长,且检修次数小于预设次数时,确定所述第一权重大于所述第三权重,且所述第三权重大于所述第二权重;

31、在所述水轮发电机组的投入时长大于或等于所述目标时长,且检修次数大于或等于所述预设次数时,确定所述第三权重大于所述第一权重,且所述第一权重大于所述第二权重。

32、进一步的,所述剩余寿命预测模型包括强化学习模型和神经网络模型;

33、所述第三剩余寿命为所述云端设备将所述设计数据、所述运行数据、所述历史维护数据以及所述运行环境数据输入所述强化学习模型得到的第四剩余寿命,与将所述目标射线探伤图片输入所述神经网络模型得到的第五剩余寿命中的较小值。

34、第二方面,提供了基于云边协同的水轮发电机组的寿命估计系统,包括边端设备和云端设备;

35、所述边端设备用于执行如第一方面中任一项所述的基于云边协同的水轮发电机组的寿命估计方法;

36、所述云端设备用于根据所述边端设备发送的所述目标水力部件的设计数据、所述目标水力部件的投入时长、所述水轮发电机组在预设时段内的运行数据、所述水轮发电机组的历史维护数据、所述水轮发电机组的运行环境数据以及所述目标射线探伤图片,确定所述第二剩余寿命和所述第三剩余寿命,并将所述第二剩余寿命和所述第三剩余寿命发送至所述边端设备。

37、与现有技术相比,本发明具有以下有益效果:

38、1、本发明提供的基于云边协同的水轮发电机组的寿命估计方法,通过构建边端设备与云端设备协同工作的架构,由边端设备基于现场采集的特征参数变化规律计算第一剩余寿命,由云端设备基于失效部件统计规律计算第二剩余寿命并基于多源数据融合模型计算第三剩余寿命,最后由边端设备综合三者确定目标剩余寿命。本发明实现了从三个不同维度对同一部件进行寿命评估:第一剩余寿命反映设备当前实时状态,第二剩余寿命借鉴大量同类部件的失效规律,第三剩余寿命融合设计、运行、维护及无损探伤等多方面信息。三者相互补充与验证,降低了单一方法可能出现的偏差,使得最终确定的目标剩余寿命更贴近机组的真实情况,从而解决了现有技术中仅依赖设计寿命和运行时间进行粗估、无法综合反映设备实际运行状态与潜在缺陷的问题,提高了水轮发电机组寿命估计的准确性。

39、2、本发明在投入时长小于或等于预设时长时,直接根据设计寿命与投入时长或启用时长的差值确定目标剩余寿命,并进一步区分主运行机组和备用机组采用不同的计算方式。机组运行初期特征参数变化不明显,无需进行复杂的多源数据融合计算,直接采用减法估算即可快速获得结果;同时主运行机组的实际损耗主要由日历时间决定,而备用机组的实际损耗主要由实际启用时长决定,区分计算避免了用同一方式计算两种不同类型机组可能出现的偏差。由此既节省边端设备和云端设备的计算资源,又能针对不同运行模式的机组给出更符合其实际损耗特点的剩余寿命估计值。

40、3、本发明根据水轮发电机组在最近预设统计时段内的超额定功率运行占比,动态确定预设时长,使得超负荷越严重的机组预设时长越短,从而更早启动精细化评估。超额定功率运行会加速部件的老化和损伤,机组的实际损耗速度高于正常运行状态,因此需要提前介入精细化评估;反之,长期在额定功率或以下运行的机组损耗较慢,可以适当延长采用简易估算的时间。本发明既避免了运行初期损耗小、数据不足时进行复杂计算的资源浪费,又能在机组因超负荷运行而加速老化时及时启动精细化评估。

41、4、本发明通过对原始射线探伤图片进行降噪处理得到预定射线探伤图片,再从中识别并裁切出裂纹区域作为目标射线探伤图片。原始射线探伤图片往往包含大量噪声和无关背景信息,直接输入模型会影响缺陷识别的准确性;降噪处理可以滤除随机噪声和杂散信号,裁切裂纹区域则去除了大面积的无缺陷背景,使后续的神经网络模型能够聚焦于真正反映部件损伤的关键区域。本发明使得云端设备利用神经网络模型分析裂纹形态时能够更准确地评估缺陷严重程度。

42、5、本发明根据水轮发电机组的投入时长和检修次数,动态调整第一权重、第二权重和第三权重的相对大小关系,并对三个剩余寿命进行加权融合,最后取所有水力部件预设剩余寿命中的最低值作为机组目标剩余寿命。机组在不同运行阶段,不同来源的剩余寿命数据的可信度存在差异。运行初期同类部件的统计规律更具参考价值,故第二权重最高;运行中期且维护较少时现场实测数据最能反映实际状态,故第一权重最高;运行后期且多次检修后缺陷图像反映的信息最为关键,故第三权重最高。同时,取多个部件中的最低剩余寿命体现了木桶效应原则,即以最薄弱环节的寿命作为整机寿命的基准。

43、6、本发明将剩余寿命预测模型设置为包括强化学习模型和神经网络模型,由强化学习模型基于设计、运行、维护和环境数据输出第四剩余寿命,由神经网络模型基于目标射线探伤图片输出第五剩余寿命,取两者中的较小值作为第三剩余寿命。强化学习模型善于从时序运行数据中捕捉工况变化对部件退化的累积影响,神经网络模型擅长从图像中识别裂纹等局部缺陷的严重程度,两者从不同角度评估寿命,各有侧重且互为补充。取较小值作为最终结果是一种保守策略,确保即使某一模型因数据局限性而高估了寿命,另一模型的较低预测值也能起到兜底作用。