考虑工况参数的水电机组性能劣化趋势预测方法和系统

1.本发明属于水电机组状态评估和预警领域，更具体地，涉及考虑工况参数的水电机组性能劣化趋势预测方法和系统。


背景技术：

2.水电机组是水电站建设的核心装备，保障其稳定、安全、可靠的运行是电厂管理运维人员的重要工作，其关系着电站本身的安全，也关系到电网能否稳定地为社会生产提供电力负荷。水电机组受到电磁、机械和水力等多端因素影响，随着机组累积运行时间的增加，容易造成机组设备产生异常振动，导致机组发生疲劳、损伤甚至劣化，影响机组的安全可靠运行，给电网安全性和稳定性带来更大的影响，造成重大的社会经济损失。在发展水-机-电-磁多重耦合约束下的水电机组安全运行控制理论是保障水利工程安全的重要依据，对提高水资源利用率、确保水电站下游生态用水、促进国民经济发展具有重要意义。水电机组在长期运行过程中会经历从健康状态、性能劣化、设备故障甚至失效的过程，若能从机组劣化过程中监控到机组运行状态，评估其健康状态变化，预测出机组的未来劣化趋势，将能够及时觉察机组异常情况，制定合理的维修计划，实现现实意义上的水电机组状态检修，保障发电企业生产效益最大化。作为机组检修维护的关键环节，水电机组健康状态评估和性能劣化趋势预测对于提高水电机组稳定运行维护水平、降低可预见性故障导致的停机检修损失具有很强研究价值和应用价值。
3.因此，为了保障机组设备安全稳定地运转，亟需开展水电机组性能劣化趋势预测研究。以水电机组海量的状态监测数据为基础，剖析机组运行参数与机组运行状态间的高维函数映射关系，实时掌握水电机组设备的健康状态，对水电机组历史运行过程进行健康性能评价，并对机组未来的健康状态进行预测评估，及时地发现机组的异常状态，科学合理地判断机组故障、安排相应检修和主动维护，为机组的故障检测和主动维护提供决策技术支持，从而保障水电机组得以安全稳定地运行。
4.现有的基于振动信号的水电机组劣化趋势预测方法中，存在选择的健康指标过于局部和单一的问题，导致劣化趋势预测结果难以反映机组整体运行状态；在复杂运行条件下，劣化趋势预测模型精度不足，无法准确得到未来时刻劣化趋势；此外，劣化预测模型忽视了历史工况参数自身对劣化趋势预测的影响，进一步限制了模型的预测效果和稳健性。


技术实现要素：

5.针对现有技术的缺陷，本发明的目的在于提供考虑工况参数的水电机组性能劣化趋势预测方法和系统，旨在解决水电机组劣化趋势预测方法难以反映机组整体运行状态，预测精度不足、稳健性受限制的问题。
6.为实现上述目的，第一方面，本发明提供了一种考虑工况参数的水电机组性能劣化趋势预测方法，该方法包括：
7.s1.获取水电机组历史工况参数，计算可反映水电机组整体健康状态水平和劣化
性能的劣化趋势时间序列；
8.s2.将水电机组历史工况参数和历史劣化趋势时间序列输入至训练好的概率区间预测模型，得到水电机组未来劣化度的可靠性预测区间；
9.所述概率区间预测模型由多头注意力模块、bi-gru模块和分位数损失模块组成；所述多头注意力模块，用于从水电机组历史工况参数提取水电机组运行工况隐藏特征图，隐藏特征图和水电机组历史劣化度残差连接后，输入至bi-gru模块；所述bi-gru模块，用于经过前向gru和后向gru计算，获得水电机组劣化度深度时序特征，输出至分位数损失模块；所述分位数损失模块，用于将水电机组劣化度深度时序特征输入至前馈全连接层，计算得到不同分位数下的水电机组劣化度概率预测结果。
10.需要说明的是，训练概率区间预测模型的样本是工况参数和历史劣化趋势时间序列，标签为未来时刻的趋势时间序列。
11.优选地，步骤s1包括：
12.s11.将水电机组运行过程中的工况参数输入至训练好的单通道健康状态模型中，得到各时刻运行工况下水电机组各通道的振摆健康状态值，与水电机组实时振摆状态参数对比，得到各通道下的劣化度，所述单通道健康状态模型包括随机森林和rfecv，所述随机森林用于拟合工况参数和振摆状态参数之间的关系，所述rfecv用于在随机森林训练过程中剔除非重要的工况参数；
13.s12.将水电机组各稳态运行过程中的单部件健康劣化度进行时间融合，获得可描述水电机组整个稳态过程的各个部件健康劣化度；
14.s13.将水电机组的各个部件的健康劣化度进行空间融合，获得水电机组融合劣化度，从而构成水电机组性能劣化趋势时间序列。
15.需要说明的是，本发明选取水电机组的振摆作为研究对象，利用基于随机森林的递归式特征消除方法选取每个振动摆度的关键工况参数，构建单一通道健康性能指标模型，建立水电机组运行工况参数和振动摆度等因变量之间的函数关系，获得水电机组多部件健康性能趋势。在此基础上，构建基于稳态过程下的水电机组健康性能时空模型，形成表现某一关键部件和整台机组的性能劣化趋势，从而准确反映机组的整体健康性能状态，获得机组性能劣化趋势时间序列，为后续的预测任务提供数据支撑。训练单通道健康状态模型的样本是工况参数，标签为实际振摆状态参数。
16.优选地，步骤s11中，各通道下的劣化度dc
i，t
计算公式如下：
[0017][0018]
其中，dc
i，t
表示水电机组t时刻通道i下的劣化度，relu表示线性整流函数，r
i，t
表示水电机组t时刻通道i的实际振摆状态参数，v
i，t
表示t时刻下运行工况下水电机组通道i的振摆健康状态值。
[0019]
需要说明的是，本发明优选上述劣化度计算公式，relu可保证了水电机组单传感通道劣化度不小于0。
[0020]
优选地，步骤s12中，可描述水电机组整个稳态过程的各个部件健康劣化度计算公式如下：
[0021][0022][0023]
其中，t时刻表示某个稳态运行过程的开始时刻，dj(t)表示水电机组t时刻部件j的健康劣化度，t表示从开机至停机过程中水电机组稳态运行时间，d
j，t
表示欧式距离。
[0024]
需要说明的是，本发明优选上述时间融合方式，由于劣化度计算考虑了每个完整的稳态运行过程，得到的各部件劣化度能够更加客观地描述整个稳态过程的机组运行状况。
[0025]
优选地，步骤s13中，空间融合后的水电机组性能劣化趋势时间序列计算公式如下：
[0026][0027]
其中，n表示水电机组中部件的数量，t时刻表示某个稳态运行过程的开始时刻，d(t)表示水电机组性能劣化趋势时间序列，dj(t)表示水电机组t时刻部件j的健康劣化度。
[0028]
需要说明的是，本发明优选上述空间融合方式，由于综合考虑了各部件的劣化状况，得到的劣化度能够准确反映机组的整体健康性能状态。
[0029]
优选地，所述多注意力模块包含位置编码单元、第一残差连接单元、带掩码的多头自注意力单元、全局平局池化层、前馈层和第二残差连接单元；
[0030]
所述位置编码单元，用于对水电机组历史工况参数进行位置编码；
[0031]
第一残差连接单元，用于残差连接位置编码和工况参数后，输入至带掩码的多头自注意力单元；
[0032]
所述带掩码的多头自注意力单元，用于进行多头注意力特征提取，将提取到的注意力向量输入至前馈层；
[0033]
所述前馈层，用于串联合并形成水电机组运行工况隐藏特征图；
[0034]
所述第二残差连接单元，用于残差连接隐藏特征图和水电机组历史劣化趋势时间序列后，输入至bi-gru模块。
[0035]
需要说明的是，本发明优选上述结构的多头注意力模块，其利用位置编码和多头注意力机制在降低模型训练时间的同时提取到机组运行工况参数间的隐藏关联特征，得到的工况隐藏特征图能够克服环境因素导致的劣化预测不准问题，提高劣化趋势预测的精度。
[0036]
为实现上述目的，第二方面，本发明提供了一种考虑工况参数的水电机组性能劣化趋势预测系统，包括：处理器和存储器；
[0037]
所述存储器用于存储计算机程序或指令；
[0038]
所述处理器用于执行存储器中的所述计算机程序或指令，使得第一方面所述的方法被执行。
[0039]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
[0040]
本发明提出一种考虑工况参数的水电机组性能劣化趋势预测方法，采用概率区间预测模型，该预测模型由多头注意力模块、bi-gru模块和分位数损失模块组成。模型的输入不仅包含机组性能历史劣化度，还包含机组运行工况参数。首先，多头注意力模块用于提取机组运行工况参数间的隐藏关联特征；其次，bi-gru模块用于提取工况隐藏特征图和机组劣化度的时序特征；最后通过分位数损失模块获得机组性能劣化度的置信概率预测区间结果。克服了因环境因素造成的机组振动和摆度发生异常导致机组性能劣化预测不准确的缺点，实现了机组性能劣化趋势的精确预测，提高了模型预测的可靠性。由于考虑机组运行工况参数信息，使得水电机组性能劣化趋势预测模型具有更强的稳健性。
附图说明
[0041]
图1是本发明实施例提供的水电机组劣化趋势预测方法流程图；
[0042]
图2是本发明实施例提供的时空融合劣化趋势序列结果示意图；
[0043]
图3是本发明实施例提供的劣化趋势预测模型结构图；
[0044]
图4是本发明实施例提供的劣化趋势区间预测结果示意图；
[0045]
图5是本发明实施例提供的劣化趋势区间预测q-q图。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0047]
本发明提供了一种水电机组劣化趋势预测方法，整体方案介绍为：首先利用rfecv(recursive feature elimination cross-validation，递归式特征消除交叉验证) rf(random forests，随机森林)模型建立多个单通道健康指标模型，该模型在训练过程中自适应实现输入特征重要性评分，筛选出最优工况特征，健康模型最终拟合出最优工况特征与各通道振动摆度之间的关系；通过振动摆度健康状态值与实际振摆值的差异性，计算各通道劣化度指标，计算各通道的欧式距离得到各部件的劣化度，利用稳态运行过程对每个部件的劣化度进行时间融合，最终对每个部件进行空间融合得到机组融合劣化度；建立基于healthformer的水电机组劣化趋势预测模型，对历史运行工况信息和机组性能历史劣化度进行特征提取，最终预测得到未来劣化度的可靠性预测区间。
[0048]
图1是本发明实施例提供的水电机组劣化趋势预测方法流程图。如图1所示，本发明提供了一种考虑工况参数的水电机组性能劣化趋势预测方法，包括以下步骤：
[0049]
步骤(1)：将水电机组工况参数作为健康状态模型的自变量，将机组健康状态下的振动摆度状态参数作为模型因变量，分别建立n个基于rfecv rf的单通道健康状态指标模型，模型可表示为fi：x
t
→vi，t
，i∈[1，...，n]，其中，x
t
表示t时刻水电机组工况参数，v
i，t
表示t时刻第i维振动摆度测点，fi表示本发明需要求解的rfecv rf单通道拟合模型。
[0050]
步骤(1)具体包括如下步骤：
[0051]
(1-1)：首先，选取水电机组前期运行阶段(即机组仍处于完全健康状态下)所收集
的状态监测数据作为模型的数据集z，并从数据集中随机选取80％的样本作为模型训练集z
t
，其余20％作为模型验证集zv。
[0052]
(1-2)：选取随机森林模型作为特征筛选的学习器，并设置最小特征选择数、每个阶段移除特征个数以及交叉验证次数，同时选取决定系数r2作为每次特征重要性评分的指标。决定系数r2的计算公式如下：
[0053][0054][0055]
其中，yi表示实测值，表示模型预测值，n表示样本数。
[0056]
(1-3)：rfecv rf健康模型训练过程具体可分为如下步骤：
[0057]
(1-3-1)：将训练数据集z
t
输入到rfecv rf模型对原始特征集进行建模，计算每个特征重要性评分，移除部分重要性评分低的特征，更新特征集，获得特征子集；
[0058]
(1-3-2)：根据阶段确定的特征重要性，依次选择不同数量的特征，将该训练子集划分为子训练集和子验证集，通过对选定的特征集进行基于随机森林模型的k折交叉验证，确定平均分最高的特征数量。
[0059]
(1-3-3)：若特征数量满足特征最优数量条件，则结束训练，完成工况参数特征筛选，保存随机森林模型；否则，返回(1-3-1)，直至满足特征最优条件。
[0060]
步骤(2)：将未来运行过程的工况参数分别输入到多个单通道健康状态模型中，对比振摆健康状态值与水电机组实时振摆状态值得到各通道劣化度；根据每个部件的所有传感通道空间位置关系求取对应劣化度的欧式距离，实现空间融合；将水电机组稳态运行过程中的单部件健康劣化度进行时间融合，获得可以描述机组整个稳态过程的每个部件健康劣化度；将多个部件的健康劣化度进行融合，获得机组融合劣化度；具体包括如下步骤：
[0061]
(2-1)：将水电机组未来运行过程中的工况参数x
t
′
输入到所述单通道健康状态模型中，计算获得时刻t
′
下运行工况下水电机组各通道的振摆健康状态值v
i，t
′
，与水电机组实时振摆状态参数r
i，t
′
对比，得到通道i下的劣化度dc
i，t
′
，计算公式如下：
[0062][0063][0064]
其中，relu表示线性整流函数，是神经网络中常用的激活函数。
[0065]
(2-2)：针对每一个部件，根据每个部件的所有传感通道(摆度部件包括x、y向，振动部件则包含x、y和z向)求取其欧式距离：
[0066][0067]
(2-3)：然后，将水电机组稳态运行过程中的单部件健康劣化度进行时间融合，获得可以描述机组整个稳态过程的每个部件健康劣化度dj，通过下式所示求取均值获得。
[0068][0069]
其中，t表示从开机至停机过程中机组稳态运行时间。
[0070]
(2-4)：最后，将机组的n个部件的健康劣化度进行空间融合，获得水电机组融合劣化度d，从而构成水电机组性能劣化趋势时间序列。
[0071][0072]
步骤(3)：构建基于healthformer的水电机组劣化趋势预测模型，模型包含注意力、bi-gru、quantile loss三个模块。首先针对机组历史工况参数进行位置编码和多头注意力特征提取，然后将所提取到的注意力向量和机组历史劣化度进行残差连接，形成bi-gru模块的输入，将前馈层作为回归器并计算条件分位数，最后评估模型的分位数损失并据此进行模型参数的更新和优化。
[0073]
步骤(3)具体包括如下步骤：
[0074]
(3-1)：对机组历史工况参数进行位置编码和多头注意力特征提取，然后将所提取到的注意力向量和机组历史劣化度进行残差连接，该模块包含位置编码、带掩码的多头自注意力、全局平均池化层、前馈层四个部分。
[0075]
位置编码和多头注意力的具体步骤如下：
[0076]
(3-1-1)：对工况参数x
wc
按照时序位置进行编码，获得时序位置信息p＝(p1，...，pm)
t
，并以残差方式连接p和x
wc
。
[0077]
(3-1-2)：多头注意力机制通过query-key-value计算方法，采用缩放点积注意力，其计算公式由下式给出：
[0078][0079]
式中：q表示查询矩阵，k表示被查询信息与其他信息的相关性的矩阵，v表示被查询信息的矩阵。同时，其中，n和m分别代表查询矩阵长度和被查询信息的矩阵长度，dk和dv分别表示矩阵k(或q)和v的维度。多头注意力方法的计算公式如下：
[0080]
multihead(q，k，v)＝concat(head1，...，headh)wo[0081]
其中，其中，和wo均为需要训练的参数矩阵。
[0082]
将残差和输入到带掩码的多头自注意力网络中进行查询和匹配，通过query-key-value方法计算相似度，形成注意力矩阵，并使用一维全局平均池化层进行扁平化操作，形成注意力向量。
[0083]
xh＝multihead(x
wc
x
p
)
[0084]
(3-1-3)：最后，将扁平化注意力向量输入到前馈全连接层ff1中，串联合并形成机组运行工况隐藏特征图为最终的预测提供有效的特征参数。
[0085][0086]
(3-2)：将运行工况隐藏特征图和机组历史劣化度xd进行残差连接；其次，经过前向gru和后向gru计算，获得机组劣化度深度时序特征x
gru
。其计算公式如下：
[0087][0088]
(3-3)：将前馈层ff2作为产生条件分位数预测结果的回归器，将x
gru
输入其中，计算得到不同分位数γ下的机组劣化度概率预测结果。
[0089]yd，γ
＝ff2(x
gru
)
[0090]
采用分位数损失函数来计算模型输出与真实值之间的误差，分位数损失计算公式如下：
[0091][0092]
其中，yi和分别表示真实值和预测值，分位数γ的取值范围通常在[0，1]之间。当模型训练完成后，取分位数γ为0.95和0.05时的概率预测值分别作为预测模型输出的区间上、下界。
[0093]
实施例
[0094]
为了更加清楚说明本发明，突出本发明的优势，以某水电站状态监测分析故障诊断系统中的时序数据库数据对本发明进一步说明。
[0095]
step1：该数据集时间跨度为2017年5月31日至2020年11月20日，模型输入量包括有功功率、无功功率等13维特征变量，模型输出量则包括各机架振动、大轴各部位摆度等15个因变量。选取2017年5月31日至2018年5月31日共一年的数据来训练和验证健康模型，将2018年6月1日至2020年11月20日的数据用于生成水电机组性能劣化趋势时间序列。将实验数据以8：2的比例划分为训练集和验证集，获得29091条训练数据，7273条验证数据，每条数据包含13维特征输入和15维输出。
[0096]
由于多个环境运行工况参数影响着水电机组的振动和摆度，采用递归式特征消除方法剔除无用环境特征参数，获得和机组振摆相关性较强的关键工况参数，以提高机组单部件健康模型精度。分别对上导轴承、下导轴承、水导轴承、上机架振动、下机架和顶盖等6大机组关键部件不同传感通道下的相关工况参数进行计算求解。
[0097]
递归式特征消除算法采用随机森林回归作为学习器；选择5折交叉验证作为交叉验证模型；评价指标为决定系数r2；最小选择特征数量和特征递归删除个数分别设置为4和1。随机森林模型由20棵决策树组成，采用有放回的方式进行采样，选择均方误差mse作为决策树的评价指标，随机种子为42。
[0098]
表1给出了在某水电站数据集上的重要性特征排序实验结果。可以看出，所有振摆参数均与冷却水进o温度相关性强，而冷却水进水口温度又和季节性有关，说明水电机组的振摆值呈季节性变化；机组振摆参数和水头、有功功率、无功功率与导叶开度等研究中常见工况参数具有强相关性；机组振摆和励磁电流、励磁电压等工况相关性不强。
[0099]
表1工况参数特征重要性排序结果(值越小表示重要性越高)
[0100][0101]
step2：将上述rfecv阶段获得的特征输入和输出为数据基础，搭建随机森林拟合模型。首先将工况参数数据作为输入，运行已训练完成的基于随机森林的健康状态指标模型，获得15个单通道回归结果。根据每个部件的传感通道求取其欧式距离得到上、下、水导轴承和上、下机架以及顶盖等6个关键部件的性能劣化趋势；根据稳态运行过程对每个部件进行时间均值融合处理；最后，对各部件劣化度进行空间融合，得到如图2所示的水电机组性能融合劣化趋势时间序列。由图2可知，机组的整体劣化度两年半间逐渐从0上升至0.4，随时间呈上升趋势，这说明该机组在运行过程中其劣化程度逐渐加重；机组在经历检修之后整体劣化度小幅降低从侧面反映了本发明所提的健康状态指标模型的准确性。
[0102]
step3：采用温度、有功功率、无功功率、导叶开度以及水头等五个变量作为healthformer模型的机组工况参数输入，healthformer结构如图3所示。其中，由于上导进水口温度、下导进水口温度和水导进水口温度的趋势性一致，即和环境温度保持一致，因此，选择上导进水口温度作为温度变量代表。针对这些工况参数，由于缺乏时序间隔相同的数据，因此选择就近插值原则进行数据插值，形成healthformer模型的最终实验数据。将所形成的数据集中前80％数据用于模型训练，后20％数据用于模型测试。healthformer模型的多头注意力头数和维度设置为8，双向gru网络隐藏神经元数为8，两个前馈层的神经元分别设置为8和32，最终输出层维度为9，即包含9个不同的分位数：[0.005，0.025，0.05，0.1，0.5，0.9，0.95，0.975，0.995]。图4展示了机组劣化度的实际值、预测模型区间、预测区间中点以及预测区间中点与真实值之间的相对误差。图4中可以看到所提出的healthformer模型在保持区间宽度保持足够小的同时，预测区间中心值与机组劣化度实际值之间的差异较小，且分布较为均匀。q-q图通过计算pit值直观地展示预测值的累计分布函数是否服从均匀分布，用于验证模型的可靠性，图5是本发明实施例提供的劣化趋势区间预测q-q图。如图5所示，healthformer模型的pit值均匀地分布在对角线(即理论分布)周围，几乎所有pit点都位于5％置信边界附近，这表明了所提出模型的预测结果服从均匀分布，具有较强可靠性。
[0103]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。