本发明涉及设备监测,尤其涉及发电机异常状态监测方法、系统、电子设备及存储介质。
背景技术:
1、发电机组作为发电厂的核心设备之一,其运行环境为多耦合场且长期处在高速、连续状态下运行;随着参与调节的机组日益增多,工业负荷比重逐步上涨,在运行中经常出现发电机组参数异常的情况。
2、若没有及时发现参数错误以及掌握发电机的动态特性,在系统故障、系统联调过程等扰动下,常规的系统调控策略可能会出现机组反调节,或者实际功率输出与下达指令有偏差等现象,严重时可能会扩大系统扰动范围、出现机组发生振荡,从而引发系统安全问题,若要监测发电机组运行情况,首先需要对单个发电机进行异常状态监测。
技术实现思路
1、基于此,有必要针对上述问题,提出了基于深度学习的采购意向方法。
2、一种发电机异常状态监测方法,所述方法包括下列步骤:
3、获取当前时刻的scada数据和pmu数据,并对其进行预处理;将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据;构建并且训练堆叠自编码网络模型;其中,所述堆叠自编码网络模型内设置警告阈值;根据所述堆叠自编码网络模型确定当前时刻融合数据的重构误差;根据所述警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态。
4、上述方案中,所述构建并且训练堆叠自编码网络模型,具体包括:
5、获取scada历史数据和pmu历史数据,并对其进行预处理;将预处理后的scada历史数据和pmu历史数据进行数据融合,获得历史融合数据;构建若干个自编码网络;通过历史融合数据分别对若干个自编码网络进行训练,将训练好的自编码网络组合获得堆叠自编码网络模型。
6、上述方案中,所述获取当前时刻的scada数据和pmu数据,并对其进行预处理,具体包括:通过热平台插补法对所述scada数据和pmu数据进行数据填充。
7、上述方案中,所述获取当前时刻的scada数据和pmu数据,并对其进行预处理还包括:利用滑动平均算法和指数平滑算法对所述scada数据和pmu数据进行降噪。
8、上述方案中,所述利用滑动平均算法和指数平滑算法对scada和pmu数据进行降噪,具体包括:滑动平均算法和指数平滑算法的表达式分别为:
9、
10、
11、其中:c为常数;p和q为模型的自回归阶数和移动平均阶数;和θ为非零的待定系数;εt为独立的误差项;xt为时间序列;y(p)为第p点的加权平均,p=3,4,…,n-2;w(k)为加权函数,x(p+k)为一条曲线上第p+k点的实测值。
12、上述方案中,所述将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据,具体包括:
13、基于绝对时间对所述预处理后的scada数据和pmu数据进行时间同步;使用d-s证据理论对所述scada数据与pmu数据进行数据融合,获得融合数据。
14、上述方案中,所述于绝对时间对所述预处理后的scada数据和pmu数据进行时间同步,具体包括:
15、确定状态基准时刻;确定状态基准时刻与实际时间同步的权值;确定同一时刻下scada数据和pmu数据之间的时间差,并通过所述状态基准时刻与实际时间同步的权值对所述时间差进行加权处理;根据所述加权处理后的时间差确定所述scada数据和pmu数据的时间戳;利用所述时间戳对同一时刻下scada数据和pmu数据中时间值小的数据进行补偿。
16、上述方案中,所述使用d-s证据理论对所述scada数据与pmu数据进行数据融合,获得融合数据,具体包括:
17、根据所述pmu数据和scada数据建立识别框架;建立初始信任分配,获取所述pmu数据和scada数据中同类别样本的概率分配函数;获取所述pmu数据和scada数据的信任度;根据pmu数据和scada数据的特征数据对所述pmu数据和scada数据进行证据合成;根据所述pmu数据和scada数据的信任度对所述pmu数据和scada数据进行加权处理,获取融合数据。
18、上述方案中,所述根据所述堆叠自编码网络模型确定当前时刻融合数据的重构误差,具体包括:
19、确定重构变量与实际变量的重构误差:对所述重构误差进行平滑处理,式中:x为模型的输入,为模型的输出。
20、上述方案中,所述警告阈值为:
21、
22、
23、式中:y为re当前平均变化率;yi表示重构误差rei;k为采样长度;u(t)为预警阈值;rei`为重构误差平滑处理后的当前值,n取3;σ为原始重构误差的标准差;
24、上述方案中,所述根据所述警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态,具体包括:
25、若所述重构误差>警告阈值;则所述自编码网络模型输出发电机异常预警;若所述重构误差≤警告阈值;则所述自编码网络模型输出发电机处于正常状态。
26、本技术还提供一种发电机异常状态监测系统,所述系统包括:获取、处理单元、数据融合单元、模型构建单元、误差重构单元和判断单元;
27、所述获取、处理单元,用于获取当前时刻的scada数据和pmu数据,并对其进行预处理;
28、所述数据融合单元,用于将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据;
29、所述模型构建单元,用于构建并且训练堆叠自编码网络模型;
30、所述误差重构单元,根据所述堆叠自编码网络模型确定当前时刻融合数据的重构误差;
31、所述判断单元,根据所述警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态。
32、本技术还提供一种可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
33、获取当前时刻的scada数据和pmu数据,并对其进行预处理;
34、将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据;
35、构建并且训练堆叠自编码网络模型;其中,所述堆叠自编码网络模型内设置警告阈值;
36、根据所述堆叠自编码网络模型确定当前时刻融合数据的重构误差;
37、根据所述警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态。
38、本技术还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
39、获取当前时刻的scada数据和pmu数据,并对其进行预处理;
40、将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据;
41、构建并且训练堆叠自编码网络模型;其中,所述堆叠自编码网络模型内设置警告阈值;
42、根据所述堆叠自编码网络模型确定当前时刻融合数据的重构误差;
43、根据所述警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态。
44、采用本发明实施例,具有如下有益效果:先获取当前时刻scada数据和pmu数据,并对其进行预处理;再将预处理后的scada数据和pmu数据进行数据融合,获得当前时刻融合数据;然后构建并且训练堆叠自编码网络模型,其中,堆叠自编码网络模型内设置警告阈值,并且根据堆叠自编码网络模型确定当前时刻融合数据的重构误差;最后根据警告阈值与当前时刻融合数据的重构误差的比较关系确定发电机的状态,本发明通过对scada数据和pmu数据进行融合,有效提升了发电机异常状态预警的精度和鲁棒性。