[发明专利]一种电站辅机故障预警方法及系统

说明书

本发明涉及一种电站辅机故障预警方法及系统，构建辅机状态预测模型，根据状态参数历史数据集获得多个预测时刻的每个状态参数的预测值，基于欧氏距离相似度函数，计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度，构建基于LSTM的动态阈值预测模型，获得每个预测时刻的动态预警阈值，实现预警阈值的自适应调整，降低误报警率；基于各建模变量预测值和测量值的相对误差，计算恒定阈值作为静态预警阈值，结合误差大小和误差出现时间实现故障点追溯，提高了故障点追溯的准确性。

技术领域

本发明涉及电站辅机故障预警技术领域，特别是涉及一种电站辅机故障预警方法及系统。

背景技术

辅机是电站设备的重要组成部分，也是电站正常运行必不可少的设备。辅机的运行条件恶劣，随着运行时间的增加，磨损、老化程度增高，容易出现辅机出力不足、卡涩等故障状态，严重影响机组的安全性和经济性。辅机的故障预警有助于提升辅机的运行可靠性，保证电站的安全经济运行。

现有技术中使用固定阈值进行辅机的故障预警，固定阈值在辅机运行过程中一直保持恒定，而由于随机干扰和噪声的影响，固定阈值设定地过高会导致误报警率升高，过低会导致报警的及时性下降，且不能适应电站频繁变工况的要求。并且在故障点追溯时也没有结合误差大小和误差出现时间去实现故障点的追溯，使得故障点追溯的不够准确。

发明内容

本发明的目的是提供一种电站辅机故障预警方法及系统，以实现预警阈值的自适应调整，降低误报警率，并能结合误差大小和误差出现时间提高故障点追溯的准确性。

为实现上述目的，本发明提供了如下方案：

一种电站辅机故障预警方法，所述方法包括：

获取待检测电站辅机的不同状态参数在每个历史时刻的采样值，构成状态参数历史数据集；

采用多元状态估计方法或神经网络方法，构建辅机状态预测模型；

将所述状态参数历史数据集输入所述辅机状态预测模型，获得多个预测时刻的每个状态参数的预测值，每个预测时刻的所有状态参数的预测值构成每个预测时刻的所有状态参数的预测值向量；

获取每个预测时刻的所有状态参数的测量值，构成每个预测时刻的所有状态参数的测量值向量；

基于欧氏距离相似度函数，计算每个预测时刻的所有状态参数的预测值向量和每个预测时刻的所有状态参数的测量值向量的相似度，并将所有预测时刻的相似度构成相似度序列；

采用滑动窗口方法对所述相似度序列进行处理，计算每个窗口的平均相似度，将每个窗口的平均相似度作为每个窗口内最后一个预测时刻的平均相似度，并将所有窗口的平均相似度构成平均相似度序列；

构建基于LSTM的动态预警阈值预测模型；

将所述平均相似度序列输入所述基于LSTM的动态预警阈值预测模型，获得每个预测时刻的动态预警阈值；

若所述平均相似度序列中平均相似度持续低于对应预测时刻的动态预警阈值的数量大于或等于数量阈值，则发出报警信号。

可选的，所述采用多元状态估计方法或神经网络方法，构建辅机状态预测模型，具体包括：

获取待检测电站辅机的不同状态参数在多个采样时刻的测量值，构成状态参数测量样本集，并将所述状态参数测量样本集划分为训练样本集和验证样本集；

采用多元状态估计方法或神经网络方法，构建初始的辅机状态预测模型；

根据所述训练样本集对所述初始的辅机状态预测模型进行训练，并根据所述验证样本集对训练后的辅机状态预测模型进行验证，获得辅机状态预测模型。