基于监控参数的设备稳定性状态预测及评价方法

本发明属于系统稳定性评价，具体涉及基于监控参数的设备稳定性状态预测及评价方法。

背景技术：

1、目前系统运行状态相关的各参数之间的耦合性强，导致设备排故困难，排故成本高。目前尚没有基于系统当前运行状态预估未来参数变化的成熟方法，导致系统的状态评估和维护主要基于系统失稳或失稳瞬间记录的状态参数，实际上在失稳现象发生前，系统的相关参数往往会发生状态参数漂移、运行特性改变等先兆，如果未能及时发现、调整，设备状态可能会进一步恶化，最终导致出现各种故障。

2、例如，在蒸汽动力及核动力船的极限变工况、交叉供汽和特殊工作环境中，发电汽轮机的运行不稳定状况尤为明显。尽管监控系统通过对系统中各个设备的运行状态参数进行严格实时监控来保证发电汽轮机的运行状态的稳定，但是仍旧存在由于热惯性等因素造成的参数状态过渡时间偏长、预定控制参数与逻辑不能适应设备技术状态改变等问题。对于蒸汽发电系统中的发电汽轮机而言，影响其运行状况的参数众多、耦合关系复杂，目前的监控系统难以保证在所有特殊状况及扰动下发电汽轮机能够维持其稳定状态，在其运行即将失稳时缺乏相应的预警和预先调节能力，只能依赖于大量监控人员针对系统中参数运行失稳时发生的失稳警报做出局部调节，由此带来的人力和设备运行成本格外庞大。

3、另外在多参数的相关性分析方面，熵权-理想解法通过距离测度来描述两种评价对象的接近程度，这种方法只能体现位置关系，无法体现出各待评对象数据序列间的态势变化情况；而灰关联算法通过两种研究对象的曲线几何相似程度来描述相关性大小，此方法只能反映数据曲线的态势变化情况，无法反映位置关系；采用基于熵权法-理想解法和灰关联分析的参数相关性计算模型，可以在确定参数自身重要程度的基础上，兼顾参数之间的变化趋势和位置关系的相似性。

4、其中，现有topsis方法根据研究对象的主要特征构造正理想解与负理想解，计算设备各评价指标与正、负理想解的距离，然后以接近正理想解与负理想解的距离程度作为评价影响因素重要程度的依据。其通过距离测度来描述两种评价对象的接近程度，这种方法只能体现位置关系，无法体现出各待评对象数据序列间的态势变化情况，而且对于含有非平稳参数的数据，利用现有topsis方法无法得到负理想解，无法应用于含有非平稳参数的设备稳定性评价。

5、因此需要提供一种改进的topsis算法，通过其与现有的b型灰色关联分析法相融合，将两种方法结合起来，来对含有非平稳参数的设备参数在未来一段时间内设备运行的稳定性。

技术实现思路

1、本发明提供了基于监控参数的设备稳定性状态预测及评价方法，来实现对含有非平稳参数的设备运行稳定性状态的预测和评价，并通过稳定性状态评分及时对相关设备运行操作进行调整，提高在未来一段时间内设备运行的稳定性。

2、本发明公开了基于监控参数的设备稳定性状态预测及评价方法，包括以下步骤：

3、s1、分析影响设备运行状态的不稳定性因素，选定与设备运行稳定性相关的多个评价指标，采集各个评价指标在一段时间内长度为n的数据集，并将各个数据集组成评价指标运行的初始时间序列；

4、s2、采用mremd分解方法对所述初始时间序列进行分解，得到n个imf分量和一个最终残余分量；

5、s3、设定筛选阈值对所述imf分量进行筛选，对满足筛选阈值的imf分量进行小波阈值降噪处理，重新组合得到新的imf分量矩阵，对所述新的imf分量矩阵进行处理得到最终的预测趋势项；

6、s4、通过对所述新的imf分量矩阵进行转化处理得到各个评价指标的参数时间序列，再利用熵权法得到各个评价指标的加权评价参数序列，并通过所述加权评价参数序列得到各个时刻点的正负理想解；

7、s5、分别计算各评价指标的波动值与正负理想解之间的距离关系值；

8、s6、采用b型灰色关联分析法分别计算各评价指标的波动值与正负理想解的灰色关联度；

9、s7、分别对所述距离关系值和灰色关联度进行无量纲化处理，并将经过所述无量纲化处理后的灰色关联度与距离关系值融合为各个评价指标与设备整体运行稳定性状态的相关性权值；

10、s8、在所述预测趋势项的基础上，建立各个评价指标运行稳定性状态评分公式，并得到各个评价指标在预测时间段上各个时刻点的评分值，根据所述各个评价指标的评分值和相关性权值，建立设备整体的预测趋势项的运行评价得分公式，得到所述设备整体的预测趋势项的运行评价得分；

11、s9、设定总的基准指标，通过对所述设备整体的预测趋势项的运行评价得分和总的基准指标进行比较，来判断是否需要对各个评价指标进行调整，从而确保最终所述设备整体的预测趋势项的运行评价得分高于总的基准指标。

12、进一步地，所述步骤s2包括以下步骤：

13、s21、利用ar预测模型对每个评价指标的初始时间序列左右端点进行预测延拓得到新序列，使得的端点处于延拓后新序列的两个极值点之间，其中所述ar预测模型表达式如下所示：

14、（1）

15、上式中，为t时刻的预测点；分别为t-1，t-2，···，t-p时刻的参数实际值，为p+1个实数，(t=p+1，p+2，···，n)为零均值的白噪声序列；

16、s22、计算所述新序列中相邻极值点间的均值，新序列中所得均值点即为初始时间序列的均值点序列，其中，k为的均值点个数，极值点个数为k+1个，通过3次样条插值得到的信号均值序列，使减去 得到1阶信号分量，其表达式如下式所示：

17、（2）

18、s23、将计算得到的信号分量作为原始信号，重复上面s21和s22进行迭代计算，直到经过r次迭代后的信号分量满足的终止条件，所述计算终止条件的判断式如下所示：

19、（3）

20、上式中，为归一化标准差，和为分别为第r-1次迭代后信号分量h1,r-1(t)的均值点序列和第r次迭代后信号分量的均值点序列的标准差，p为条件概率；根据sigma原则定义为初始时间序列中极值点绝对值的有义值；和分别为初始时间序列和第r次迭代后的时间序列均值点与的比值序列；所述、和的公式分别如下式所示；

21、

22、（4）

23、式中：为延拓后新序列的第z个极值点；为初始时间序列的k个均值点；为经过第r-1次迭代后时间序列分量的k个均值点；

24、s24、将作为1阶本征模态函数imf1的输出，减去 得到分量，并将作为原始信号重复上述步骤s21到s24，直到残余信号成为单调函数或分离不出新的imf分量为止，残余信号提取过程如下式所示：

25、（5）

26、式中，n为能够分解出的imf分量的个数；为最终残余分量；

27、s25、经过上述分解后，初始时间序列可表示为所述n个imf分量和最终残余分量之和，如下所示：

28、 （6） 。

29、进一步地，所述s3包括以下步骤：

30、s31、根据所述各个imf分量与初始时间序列的相关系数和均方根误差得到所述筛选阈值；

31、s32、利用所述筛选阈值对n个imf分量进行筛选，将所述imf分量分成未满足筛选阈值的imf分量和满足筛选阈值imf分量；

32、s33、对所述满足筛选阈值的分量进行小波阈值降噪处理，并将所述残余分量、未满足筛选阈值的imf分量和经过降噪处理后的imf分量重组成新的imf分量矩阵；

33、s34、对所述新的imf分量矩阵利用奇异值分解方法进行特征提取和降维，得到奇异值分量矩阵；

34、s35、再利用排列熵算法计算并得到各奇异值分量矩阵的排列熵值；

35、s36、利用k-means聚类算法，将新的imf分量矩阵根据排列熵值的大小分成两类，取其中熵值较低的一类分量，将其重构为原始趋势项，并对所述原始趋势项进行差分平稳化处理，再通过拟合得到arima模型，通过所述arima模型对所述原始趋势项进行预测，得到最终的预测趋势项。

36、进一步地，所述步骤s31包括以下步骤：

37、s311、计算所述各阶imf分量与初始时间序列的相关系数和均方根误差，其表达式如下式所示：

38、（7）

39、式中和分别初始时间序列和各阶imf分量的均值，n是各个参数的序列长度，n为imf分量个数；

40、s312、计算筛选阈值，所述筛选阈值包括相关系数阈值和均方差阈值，其表达式分别如下所示：

41、（8）

42、s313、选取满足如下条件的imf分量，进行小波阈值降噪，得到经过降噪的imf分量，所述筛选条件的判定式为：

43、（9）。

44、进一步地，所述步骤s32包括以下步骤：

45、s321、通过每层的小波细节系数对符合筛选条件的imf分量中每一层的噪声进行估计，同时利用系数逐层降低细节系数的阈值，所述阈值的选取准则公式如下所示：

46、     （10）

47、式中，为第j层小波细节系数的噪声阈值；为第j层小波细节系数；median为中间值函数，即将每层系数按照降序排列后，当系数个数为奇数时，取其中间数的值或当系数个数为偶数时，取中间两个数的均值；n是每个评价指标采集的数据点个数；

48、s322、利用复合阈值函数进行阈值处理，得到经过小波降噪后的imf分量，所述复合阈值函数的表达式为：

49、（11）

50、式中，为降噪处理后的第j层细节系数；sign为符号函数，a∈［0，1］时为调节系数，a=0时为硬阈值函数，a=1时为软阈值函数。

51、进一步地，所述步骤s4包括以下步骤：

52、s41、依次将各参数降噪后的imf分量和不需要进行降噪处理的分量以及残余分量通过累加重构形成降噪后的参数时间序列，根据各个所述评价指标的整定值，将所述降噪后的参数时间序列转化为波动值序列，再利用熵权法得到所述波动值序列的熵权值，再通过所述熵权值和波动值序列，得到各个评价指标的加权评价参数序列；

53、s42、分别选取所述各个评价指标的加权评价参数序列在相同时刻点上正向波动值最大的点作为正理想解，负向波动值最大的点作为负理想解，所求正、负理想解的计算公式如下式所示：

54、   （12）

55、式中，为正理想解，为负理想解；，，n表示评价指标的个数。

56、进一步地，所述各评价指标序列的波动值与正负理想解之间的距离关系的表达式为：

57、  （13）

58、式中，i=1,2,…,n；j=1,2,…,n，n表示评价指标的个数，为第j个评价指标的波动值与正理想解之间的距离关系值，为第j个评价指标的波动值与负理想解之间的距离关系值。

59、进一步地，所述各个评价指标运行稳定性状态评分公式的表达式为：

60、 （14）

61、式中，j=1,2,…,n；为第j个评价指标在第i个时刻点中的加权评价参数，和分别代表各个评价指标在设备运行范围内的正向最大波动值和负向最大波动值。

62、进一步地，所述步骤s9包括以下步骤：

63、计算设备整体的预测趋势项的运行评价得分，并设定总的基准指标；

64、通过对所述设备整体的预测趋势项的运行评价得分和总的基准指标进行比较；

65、当所述设备整体的预测趋势项的运行评价得分大于等于总的基准指标，则表示设备在未来预测时间段内运行良好；

66、当所述设备整体的预测趋势项的运行评价得分小于总的基准指标，则表示设备在未来预测时间段内将运行不稳定，则对得分较低的评价指标及时进行调整，使得设备整体的预测趋势项的运行评价得分大于等于总的基准指标。

67、进一步地，上述基于监控参数的设备稳定性状态预测及评价方法专用于蒸汽动力船的发电汽轮机。

68、相比于现有技术，本发明的有益效果为：

69、1、本发明提出了基于mremd分解和小波阈值降噪的非平稳时间序列单参数预测模型，提高了模型的预测精度；在其中mremd分解后的各个imf分量的噪声imf分量的界定中，摒弃仅去掉第一阶imf分量想要实现降噪目的主观imf分量界定方法，引入了相关系数和均方根误差两个指标实现了对imf分量的定量界定，降低了计算的误差；

70、2、本发明将改进的topsis方法与现有的b型灰色关联度结合了起来，根据各个评价指标的整定值，将所述降噪后的参数时间序列转化为波动值序列，使得能够确定设备各个评价指标的正负理想解，解决了现有topsis方法应用于含有非平稳参数的设备稳定性评价时，无法得到负理想解的问题；

71、3、传统topsis方法中正、负理想解无法计算评价指标波动性与设备稳定性的关联性，在本发明改进的topsis方法中的正、负理想解的计算时，提出改进的距离关系值公式，通过该公式计算各个评价指标的波动值与正、负理想解的相关性大小；另外由于两者之间的距离越小，表明该评价指标越不稳定，则这个评价指标在整个设备稳定性中所占的权重应该越大，即该评价指标的权重与其对应的距离关系应为反比关系，故距离关系值的公式中加了负号，这样能更好地反应出真实的情况，使得得到的结果更加准确；

72、4、本发明通过建立设备运行评价评分，通过对设备整体的预测趋势项的评价，通过软件生成状态稳定性评价分值曲线，可以直观的观察到发电汽轮机在未来一段时间内的运行状况，有助于运行操作人员及时观察设备的运行状态，节约了人力和设备运行成本。