基于大數(shù)據(jù)挖掘的發(fā)電組溫升預(yù)警方法研究

張秋霞 韓彥敏 宋子濤 任黨培 周志榮

摘 要：傳統(tǒng)方法所測(cè)得的殘差無法作為判斷發(fā)電組溫升故障的依據(jù)，為解決這一問題，提出基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警方法研究。首先應(yīng)用大數(shù)據(jù)挖掘技術(shù)收集數(shù)據(jù)，分析影響發(fā)電組溫度的因素，依據(jù)發(fā)電組溫度的因素與發(fā)電組溫升故障預(yù)警基本原理，構(gòu)建發(fā)電組溫升故障預(yù)警邏輯判斷結(jié)構(gòu);最后考慮到傳統(tǒng)方法存在缺陷，運(yùn)用大數(shù)據(jù)挖掘技術(shù)已有算法建立模型，實(shí)現(xiàn)預(yù)警，由此，完成基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警方法的設(shè)計(jì)。

關(guān)鍵詞：大數(shù)據(jù)挖掘技術(shù); 故障預(yù)警; 機(jī)組功率; 環(huán)境溫度; 額定風(fēng)速

中圖分類號(hào)： TM31

文獻(xiàn)標(biāo)志碼： A

Abstract：The residual measured by the traditional method cannot be used as the basis for judging the temperature rise fault of the power generation group. In order to solve this problem， a fault early warning method for the temperature rise of the power generation group based on big data mining is proposed. Firstly， big data mining technology is used to collect data， and the factors affecting the temperature of power generation group are analyzed. On this basis， according to the basic principle of temperature rise fault early warning of power generation group， the logic judgment structure of temperature rise fault early warning of power generation group is constructed. Finally， considering the defects of the traditional method， the existing algorithm of big data mining technology is used to establish the model and realize the early warning. Therefore， the design of temperature rise fault early warning method based on big data mining is completed.

Key words：Large data mining technology; Fault warning; Unit power; Ambient temperature; Rated wind speed

0 引言

目前受到檢修水平的限制，發(fā)電組各式的安全隱患未能被檢測(cè)出來，如果故障得不到及時(shí)的處理，故障的不安全因素則會(huì)越來越嚴(yán)重而最終導(dǎo)致無法處理，因此高標(biāo)準(zhǔn)的預(yù)警與檢修方法的研究對(duì)發(fā)電組安全運(yùn)行具有明顯的現(xiàn)實(shí)意義[1]。

傳統(tǒng)的排查電阻故障，處理溫升預(yù)警情況的方法是：對(duì)比具體的溫升數(shù)據(jù)與正常運(yùn)行的各組數(shù)據(jù)偏差情況，如果溫差在正常范圍外，則會(huì)立刻啟動(dòng)報(bào)警裝置。但是這種故障預(yù)警方法測(cè)得的數(shù)據(jù)無法精確地判斷出發(fā)電組溫升的實(shí)時(shí)信息。為此，提出基于大數(shù)據(jù)的發(fā)電組溫升故障預(yù)警方法。該方法運(yùn)用大數(shù)據(jù)挖掘技術(shù)的優(yōu)勢(shì)和創(chuàng)新點(diǎn)在于，大數(shù)據(jù)挖掘的總體過程是以進(jìn)一步應(yīng)用為目標(biāo)，以集中數(shù)據(jù)為手段，以轉(zhuǎn)換數(shù)據(jù)理解為結(jié)果，在偏差分析的過程中，要依據(jù)意外規(guī)則挖掘各種異常信息。這可以有效解決對(duì)發(fā)電組產(chǎn)生重大影響的外部環(huán)境信息。最后，依據(jù)發(fā)電組故障預(yù)警模型的基本原理建模。以期本文研究方法與實(shí)驗(yàn)驗(yàn)證能夠?yàn)榘l(fā)電組溫升故障提供新的解決思路。

1 發(fā)電組溫升故障因素定性分析

應(yīng)用大數(shù)據(jù)挖掘技術(shù)收集數(shù)據(jù)，分析影響發(fā)電組溫度的因素。分析過程如下：

本次研究的發(fā)電組是聯(lián)合動(dòng)力機(jī)組1.5的發(fā)電組，啟動(dòng)風(fēng)速為5，設(shè)為工況1;隨后風(fēng)速固定值設(shè)置為12.5，設(shè)為工況2，每隔15分鐘采集一次發(fā)電機(jī)組的溫度值。當(dāng)發(fā)電組在運(yùn)行時(shí)，會(huì)將機(jī)械能轉(zhuǎn)化為電能。在這個(gè)過程中會(huì)受很多因素的影響[2]。在定性分析前，在發(fā)電組的兩種運(yùn)行模式下的兩種工況進(jìn)行最大風(fēng)能的選取，并且在發(fā)電組工作狀態(tài)為額定風(fēng)速的情況下調(diào)節(jié)槳距角，保持葉輪的旋轉(zhuǎn)速度不變，讓發(fā)電組的功率得到固定值并輸出，所輸出的數(shù)據(jù)在不同模式下的情況是不同的下圖為2018年5月25日至5月29日期間所獲取的發(fā)電組溫度變化趨勢(shì)圖，如圖1所示。

分析圖3可知，發(fā)電組溫升故障預(yù)警模型運(yùn)行過程如下：運(yùn)用大數(shù)據(jù)挖掘技術(shù)挑選出與挖掘有關(guān)的數(shù)據(jù)，再利用已有的算法分析整理。驗(yàn)證挖掘結(jié)果，核實(shí)數(shù)據(jù)信息的統(tǒng)一性。并對(duì)比發(fā)電組溫升故障預(yù)測(cè)結(jié)果。若對(duì)比結(jié)果偏大，說明存在故障。若對(duì)比結(jié)果偏小，說明不存在故障。如果預(yù)測(cè)結(jié)果理想，會(huì)自動(dòng)返回?cái)?shù)據(jù)庫。最終，實(shí)現(xiàn)預(yù)警。

由此，完后基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警方法的設(shè)計(jì)。

3 實(shí)驗(yàn)分析

通過分析發(fā)電組溫升故障因素，建立基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警模型的設(shè)計(jì)。該方法可以幫助現(xiàn)場(chǎng)管理人員更加直觀地展示發(fā)電組運(yùn)行狀態(tài)，實(shí)現(xiàn)對(duì)發(fā)電組溫升故障預(yù)警的功能。

為驗(yàn)證所提方法的可行性，計(jì)算隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解方法、發(fā)電組軸系靜特性分析方法和本文所提方法正常狀態(tài)下的殘差值。根據(jù)殘差值結(jié)果，判斷這三種方法殘差的變化趨勢(shì)是否能作為判斷發(fā)電組狀態(tài)的依據(jù)，最終實(shí)現(xiàn)預(yù)警。其實(shí)驗(yàn)環(huán)境如圖4所示。

圖5、圖6和圖7是應(yīng)用式（5）計(jì)算得到的發(fā)電組溫升故障預(yù)測(cè)模型的殘差變化趨勢(shì)。根據(jù)圖5、圖6和圖7分析可知，在相同正常狀態(tài)下隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解方法、發(fā)電組軸系靜特性分析方法殘差變化趨勢(shì)分布混亂，且在相同數(shù)據(jù)樣本個(gè)數(shù)的分布中，所提方法的殘差變化趨勢(shì)呈現(xiàn)規(guī)律性。在發(fā)電組正常狀態(tài)下，所提方法的殘差在0-4之間變化，變化劇烈程度最小。而使用隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解方法和發(fā)電組軸系靜特性分析方法利用RMSE的變化趨勢(shì)無法完全表明預(yù)測(cè)模型殘差變化劇烈程度，因此，同樣以1天為統(tǒng)計(jì)區(qū)間，運(yùn)用公式（5）計(jì)算預(yù)測(cè)模型每天的殘差，從變化結(jié)果可以看出，殘差的變化趨勢(shì)無法作為判斷發(fā)電組狀態(tài)的依據(jù)。由此表明，所提方法相比隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解方法、發(fā)電組軸系靜特性分析方法殘差變化程度更小，可作為判斷依據(jù)，可實(shí)現(xiàn)發(fā)電組溫升故障預(yù)警的目的。

為了驗(yàn)證發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)，對(duì)發(fā)動(dòng)機(jī)工作狀態(tài)進(jìn)行檢測(cè)，發(fā)電組預(yù)警穩(wěn)定性是在排除誤報(bào)，跳躍，干擾三種預(yù)警情況下的報(bào)警率，報(bào)警率越高則安全性越強(qiáng)。驗(yàn)證隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解方法、發(fā)電組軸系靜特性分析方法和本文所提方法正常狀態(tài)下的穩(wěn)定性，進(jìn)行1 000次發(fā)電組預(yù)警，記錄故障預(yù)警錯(cuò)誤個(gè)數(shù)，驗(yàn)證結(jié)果如圖8所示。

如圖8所示，本文方法的誤報(bào)，跳躍，干擾三種預(yù)警情況的報(bào)警次數(shù)皆低于其他兩種方法，說明本文方法可改善發(fā)電組數(shù)據(jù)參數(shù)穩(wěn)定性，實(shí)現(xiàn)實(shí)時(shí)且準(zhǔn)確的故障報(bào)警。

4 總結(jié)

針對(duì)傳統(tǒng)方法存在問題，提出基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警方法研究。首先分析發(fā)電組溫升故障因素，因

發(fā)電組共有兩種發(fā)電模式，需要針對(duì)不同工況分析影響發(fā)電組溫升故障的因素。在此基礎(chǔ)上，依據(jù)發(fā)電組溫升故障預(yù)警模型原理，建立基于大數(shù)據(jù)挖掘的發(fā)電組溫升故障預(yù)警模型，完成本次的設(shè)計(jì)。最后，在實(shí)驗(yàn)中，選取10組發(fā)電組設(shè)備，給出各項(xiàng)參數(shù)，作為實(shí)驗(yàn)樣本。實(shí)驗(yàn)分別測(cè)試三種方法在正常狀態(tài)下殘差變化趨勢(shì)是否能夠作為判斷發(fā)電組溫升故障的依據(jù)。通過分析發(fā)電組殘差變化趨勢(shì)，驗(yàn)證該方法能夠?qū)崿F(xiàn)發(fā)電組溫升故障預(yù)警的目的。在未來的研究中可以就解決發(fā)電組溫升故障預(yù)警變量重要性差異問題進(jìn)行進(jìn)一步討論。

參考文獻(xiàn)

[1] 段煉達(dá)， 劉曉波. 基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究[J]. 中國(guó)水利水電科學(xué)研究院學(xué)報(bào)， 2017， 23（6）：439-443.

[2] 鄭茂然， 余江， 陳宏山，等. 基于大數(shù)據(jù)的輸電線路故障預(yù)警模型設(shè)計(jì)[J]. 南方電網(wǎng)技術(shù)， 2017， 11（4）：30-37.

[3] 王新浩， 羅云， 李桐，等. 基于大數(shù)據(jù)的特種設(shè)備宏觀安全風(fēng)險(xiǎn)預(yù)警方法研究[J]. 中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2018， 14（4）：162-168.

[4] 曲力濤. 基于振動(dòng)能量趨勢(shì)預(yù)測(cè)和K均值聚類的水電機(jī)組故障預(yù)警方法研究[J]. 水力發(fā)電， 2019， 45（5）：98-102.

[5] 孟玲霞， 徐小力， 徐楊梅，等. 變工況時(shí)頻脊流形早期故障預(yù)警方法研究[J]. 北京理工大學(xué)學(xué)報(bào)， 2017， 37（9）：942-947.

[6] 肖元強(qiáng)， 牟玉雷， 鄭仁釗，等. 某水輪發(fā)電組碳刷溫度分布和溫升特性分析[J]. 水電能源科學(xué)， 2018， 12（6）.125-126.

[7] 李爽， 畢海濤， 魯旭臣，等. GIS局部過熱故障紅外成像技術(shù)診斷靜態(tài)試驗(yàn)研究[J]. 高壓電器， 2017， 26（10）：76-82.

[8] 賈嶸， 李濤濤， 夏洲，等. 基于隨機(jī)共振和經(jīng)驗(yàn)?zāi)B(tài)分解的水力發(fā)電組振動(dòng)故障診斷[J]. 水利學(xué)報(bào)， 2017， 48（3）：334-340.

[9] 徐波， 韓學(xué)山， 孫宏斌，等. 一種適用于發(fā)電組的機(jī)會(huì)維修模型[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 2018， 38（1）：120-129.

[10] 李汪繁， 蔣俊， 孫慶，等. 大型汽輪發(fā)電組軸系靜特性分析方法研究[J]. 中國(guó)電力， 2017， 50（2）：52-56.

[11] 楊勤， 張震偉， 楊茉， 等. 基于故障預(yù)警系統(tǒng)的燃煤發(fā)電設(shè)備狀態(tài)檢修[J]. 中國(guó)電力， 2019， 52（3）：114-119.

[12] 劉帥， 劉長(zhǎng)良， 曾華清. 基于核極限學(xué)習(xí)機(jī)的風(fēng)電機(jī)組齒輪箱故障預(yù)警研究[J]. 中國(guó)測(cè)試， 2019， 45（2）：121-127.

[13] 段曉波， 高晶晶， 胡文平，等. 基于Microsoft時(shí)序算法的電容器組電容預(yù)測(cè)及預(yù)警[J]. 電力電容器與無功補(bǔ)償， 2017， 38（1）：22-27.

[14] 周水斌， 梁武民， 雍明超，等. 一種避雷器阻性電流趨勢(shì)分析和故障預(yù)警方法[J]. 電瓷避雷器， 2017（2）：44-48.

[15] 王博， 吳智群. 電站風(fēng)機(jī)故障智能預(yù)警技術(shù)的應(yīng)用研究[J]. 熱能動(dòng)力工程， 2017， 32（32）：66-70.

（收稿日期： 2019.11.06）