1.一种水轮机调速器接力器动作速率偏离度预警方法,其特征在于,包括如下步骤:
采集水轮机调速器接力器正常工作状态下的指标参数,并确定对应指标参数下的接力器动作速率;所述指标参数包括:调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位;
基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练,得到接力器动作速率标准模型;所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系;
基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型,确定接力器当前工作状态下的动作速率标准值;
将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比,得到接力器当前工作状态下的动作速率偏离度;
基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度,若未来工作状态下接力器的动作速率偏离度小于预设阈值,则产生预警信息,指示所述接力器的性能状态发生改变。
2.根据权利要求1所述的预警方法,其特征在于,还包括如下步骤:
基于正常工作状态下调速器接力器水轮机导叶开度确定对应的接力器行程数据,并对接力器行程数据做微分变换,得到对应的接力器动作速率。
3.根据权利要求1所述的预警方法,其特征在于,所述基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练,得到接力器动作速率标准模型,具体包括如下步骤:
搭建深度人工神经网络,其包含一个输入层,多个隐藏层和一个输出层,前一个隐藏层的输出作为后一个隐藏层的输入,最后一个隐藏层的输出作为输出层的输入,深度人工神经网络的输入为所述指标参数,输出为接力器动作速率;
将采集到的正常工作状态下的指标参数和对应的动作速率划分为训练数据和测试数据;
利用训练数据学习正常工作状态下的指标参数和对应的动作速率之间的映射关系,初步得到接力器动作速率标准模型;并利用所述测试数据测试初步得到的接力器动作速率标准模型的准确率,若准确率满足要求,则将其作为最终的接力器动作速率标准模型。
4.根据权利要求1所述的预警方法,其特征在于,所述接力器历史工作状态下的动作速率偏离度通过如下步骤确定:
取接力器运行多年后的多组不同工况下的数据,每组数据包括:接力器正常工作状态下的指标参数和对应指标参数下的接力器实际动作速率;
将每组数据中的指标参数输入到所述接力器动作速率标准模型中,得到不同工况下的接力器动作速率标准值;
将不同工况下的接力器动作速率标准值和对应的接力器实际动作速率进行比较,得到历史工作状态下接力器动作速率偏移度,组成接力器动作速率偏离度序列。
5.根据权利要求4所述的预警方法,其特征在于,所述基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度,具体包括如下步骤:
构建时间卷积网络残差块:残差块包含两个膨胀卷积层、两个relu激活函数层与两层dropout层;构建基于时间卷积网络残差块的深度神经网络,深度神经网络包含多个时间卷积网络残差块和多个全连接网络层;前一个残差块的输出作为后一个残差块的输入,最后一个残差块的输出作为全连接网络层的输入,全连接网络层中神经元数依次递减,最终由包含一个神经元的全连接网络层作为模型的输出层;
基于所述接力器动作速率偏离度序列对所述深度神经网络进行训练,所述深度神经网络的输入是接力器动作速率偏离度序列中的前l-1个动作速率偏离度,输出是第l个动作速率偏离度,所述深度神经网络用于基于前l-1个数据对第l个数据进行预测;所述接力器动作速率偏离度序列共包含l个动作速率偏离度数据;
将当前工作状态下的动作速率偏离度加入所述接力器动作速率偏离度序列的末位,并淘汰首位的数据,组成新的接力器动作速率偏离度序列,将新的接力器动作速率偏离度序列输入到训练好的深度神经网络中,以预测未来工作状态下接力器的动作速率偏离度。
6.一种水轮机调速器接力器动作速率偏离度预警系统,其特征在于,包括:
参数采集单元,用于采集水轮机调速器接力器正常工作状态下的指标参数,并确定对应指标参数下的接力器动作速率;所述指标参数包括:调速器接力器导叶开度、调速器压力油罐压力、调速器配压阀位置、水库上游水位以及水库下游水位;
模型训练单元,用于基于深度人工神经网络对所述指标参数和对应的接力器动作速率进行学习训练,得到接力器动作速率标准模型;所述标准模型反映接力器正常工作状态下的指标参数与对应的动作速率之间的映射关系;
速率标准值确定单元,用于基于采集到的接力器当前工作状态下的指标参数和所述接力器动作速率标准模型,确定接力器当前工作状态下的动作速率标准值;
偏离度确定单元,用于将采集到的接力器当前工作状态下的实际动作速率和所述动作速率标准值进行对比,得到接力器当前工作状态下的动作速率偏离度;
偏离度预警单元,用于基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度,若未来工作状态下接力器的动作速率偏离度小于预设阈值,则产生预警信息,指示所述接力器的性能状态发生改变。
7.根据权利要求6所述的预警系统,其特征在于,所述参数采集单元基于正常工作状态下调速器接力器水轮机导叶开度确定对应的接力器行程数据,并对接力器行程数据做微分变换,得到对应的接力器动作速率。
8.根据权利要求6所述的预警系统,其特征在于,所述模型训练单元搭建深度人工神经网络,其包含一个输入层,多个隐藏层和一个输出层,前一个隐藏层的输出作为后一个隐藏层的输入,最后一个隐藏层的输出作为输出层的输入,深度人工神经网络的输入为所述指标参数,输出为接力器动作速率;将采集到的正常工作状态下的指标参数和对应的动作速率划分为训练数据和测试数据;以及利用训练数据学习正常工作状态下的指标参数和对应的动作速率之间的映射关系,初步得到接力器动作速率标准模型;并利用所述测试数据测试初步得到的接力器动作速率标准模型的准确率,若准确率满足要求,则将其作为最终的接力器动作速率标准模型。
9.根据权利要求6所述的预警系统,其特征在于,所述偏离度确定单元取接力器运行多年后的多组不同工况下的数据,每组数据包括:接力器正常工作状态下的指标参数和对应指标参数下的接力器实际动作速率;将每组数据中的指标参数输入到所述接力器动作速率标准模型中,得到不同工况下的接力器动作速率标准值;以及将不同工况下的接力器动作速率标准值和对应的接力器实际动作速率进行比较,得到历史工作状态下接力器动作速率偏移度,组成接力器动作速率偏离度序列。
10.根据权利要求9所述的预警系统,其特征在于,所述基于接力器历史工作状态下的动作速率偏离度和当前工作状态下的动作速率偏离度预测未来工作状态下接力器的动作速率偏离度,具体包括如下步骤:
构建时间卷积网络残差块:残差块包含两个膨胀卷积层、两个relu激活函数层与两层dropout层;构建基于时间卷积网络残差块的深度神经网络,深度神经网络包含多个时间卷积网络残差块和多个全连接网络层;前一个残差块的输出作为后一个残差块的输入,最后一个残差块的输出作为全连接网络层的输入,全连接网络层中神经元数依次递减,最终由包含一个神经元的全连接网络层作为模型的输出层;
基于所述接力器动作速率偏离度序列对所述深度神经网络进行训练,所述深度神经网络的输入是接力器动作速率偏离度序列中的前l-1个动作速率偏离度,输出是第l个动作速率偏离度,所述深度神经网络用于基于前l-1个数据对第l个数据进行预测;所述接力器动作速率偏离度序列共包含l个动作速率偏离度数据;
将当前工作状态下的动作速率偏离度加入所述接力器动作速率偏离度序列的末位,并淘汰首位的数据,组成新的接力器动作速率偏离度序列,将新的接力器动作速率偏离度序列输入到训练好的深度神经网络中,以预测未来工作状态下接力器的动作速率偏离度。