本發(fā)明涉及水蓄能機組智能預警，尤其涉及一種用于水蓄能機組劣化狀態(tài)趨勢快速預警系統(tǒng)及方法。

背景技術：

1、抽水蓄能電站在電力系統(tǒng)中扮演著重要的角色，特別是在可再生能源迅速發(fā)展的背景下。隨著電網(wǎng)對靈活性和可靠性的要求不斷提高，抽水蓄能電站不僅僅是簡單的儲能設施，還成為了電力調(diào)度和調(diào)頻的重要組成部分，因此，對于抽水蓄能機組的維護和管理變得尤為重要，現(xiàn)有的水蓄能機組運行狀態(tài)監(jiān)測系統(tǒng)主要依賴于定期的人工檢查和簡單的故障報警系統(tǒng)，存在實時性差、準確性低、預警滯后的問題，無法有效預防機組劣化導致的故障，為此，亟需一種能夠實時監(jiān)測和預測水蓄能機組劣化狀態(tài)的系統(tǒng)和方法，以提高機組運行的可靠性和維護效率。

2、中國專利公開號：cn113268835b公開了一種基于擴展隔離林和云模型的抽水蓄能水電機組健康評估方法和裝置，包括獲取抽水蓄能水電機組實時運行時軸承擺度的當前穩(wěn)態(tài)數(shù)據(jù)，根據(jù)所述當前穩(wěn)態(tài)數(shù)據(jù)、云模型和擴展隔離林模型，得到所述抽水蓄能水電機組實時運行的當前異常分數(shù)值；利用預設異常分數(shù)閾值范圍對所述當前異常分數(shù)值進行歸一化，得到所述抽水蓄能水電機組實時運行的當前健康度；采用所述抽水蓄能水電機組運行的歷史健康度和所述當前健康度，對所述抽水蓄能水電機組的當前健康狀態(tài)進行評估。但該方案無法對水蓄能機組的運行狀態(tài)進行預測，難以提高運行可靠性和維護效率。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種用于水蓄能機組劣化狀態(tài)趨勢快速預警系統(tǒng)及方法，用以克服現(xiàn)有技術中水蓄能機組運行可靠性和維護效率低的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供一種用于水蓄能機組劣化狀態(tài)趨勢快速預警系統(tǒng)，包括：

3、數(shù)據(jù)采集模塊，用以對水蓄能機組運行數(shù)據(jù)進行實時采集；

4、特征處理模塊，用以對水蓄能機組運行數(shù)據(jù)進行特征處理，得到特征運行數(shù)據(jù)；

5、實時監(jiān)測模塊，用以構建實時監(jiān)測模型，并對水蓄能機組劣化狀態(tài)進行實時監(jiān)測；

6、劣化預測模塊，用以構建劣化預測模型，并對水蓄能機組劣化狀態(tài)趨勢進行預測；

7、預測調(diào)整模塊，用以根據(jù)各時間節(jié)點的預測結果和識別結果對劣化預測模塊進行調(diào)整；

8、預測優(yōu)化模塊，用以根據(jù)優(yōu)化周期內(nèi)的調(diào)整次數(shù)和預設調(diào)整對預測調(diào)整模塊進行優(yōu)化。

9、進一步地，所述特征處理模塊包括：

10、預處理單元，用以對水蓄能機組運行數(shù)據(jù)進行預處理，得到預處理運行數(shù)據(jù)；

11、特征提取單元，用以構建特征提取模型，并根據(jù)特征提取模型對預處理運行數(shù)據(jù)進行特征提取，得到特征運行數(shù)據(jù)，特征提取單元與預處理單元連接

12、進一步地，所述預處理單元，通過數(shù)據(jù)編輯工具對水蓄能機組運行數(shù)據(jù)進行預處理，得到預處理運行數(shù)據(jù)；

13、所述特征提取單元，在構建特征提取模型時，將歷史特征提取數(shù)據(jù)庫劃分為75％的特征訓練集、15％的特征驗證集和10％的特征測試集，將特征訓練集輸入卷積神經(jīng)網(wǎng)絡模型中對卷積神經(jīng)網(wǎng)絡模型進行訓練，將特征驗證集輸入訓練后的卷積神經(jīng)網(wǎng)絡模型中對訓練后的卷積神經(jīng)網(wǎng)絡模型的參數(shù)進行迭代優(yōu)化，并將特征測試集輸入至迭代優(yōu)化后的卷積神經(jīng)網(wǎng)絡模型中進行測試，設定特征測試集樣本總數(shù)量為m0，迭代優(yōu)化后的卷積神經(jīng)網(wǎng)絡模型正確輸出的樣本數(shù)量為m1，特征準確率為q，q＝m1/m0，將特征準確率q與預設特征準確率q0進行比對，根據(jù)比對結果對卷積神經(jīng)網(wǎng)絡模型的訓練達標情況進行判斷，并根據(jù)判斷結果進行輸出，其中：

14、當q≥q0時，判定該卷積神經(jīng)網(wǎng)絡模型訓練達標，將該卷積神經(jīng)網(wǎng)絡模型作為特征提取模型進行輸出，并將預處理運行數(shù)據(jù)輸入特征提取模型中進行特征提取，得到特征運行數(shù)據(jù)；

15、當q＜q0時，判定該卷積神經(jīng)網(wǎng)絡模型訓練不達標，對歷史特征提取數(shù)據(jù)庫進行更新，并初始化該卷積神經(jīng)網(wǎng)絡模型，根據(jù)更新后的歷史特征提取數(shù)據(jù)庫對初始化后的卷積神經(jīng)網(wǎng)絡模型進行訓練，直至該卷積神經(jīng)網(wǎng)絡模型訓練達標。

16、進一步地，所述實時監(jiān)測模塊，將預設運行數(shù)據(jù)組劃分為70％的運行訓練集、15％的運行驗證集和15％的運行測試集，將運行訓練集輸入決策樹模型中進行訓練，得到訓練后的決策樹模型，將運行驗證集輸入訓練后的決策樹模型中對訓練后的決策樹模型的參數(shù)進行迭代優(yōu)化，并將運行測試集輸入迭代優(yōu)化后的決策樹模型中，對迭代優(yōu)化后的決策樹模型進行測試，得到運行正確率k，將運行正確率k與預設運行正確率k0進行比對，根據(jù)比對結果對決策樹模型的訓練合格情況進行判斷，并根據(jù)判斷結果對決策樹模型進行輸出，其中：

17、當k≥k0時，判定該決策樹模型訓練合格，將該決策樹模型作為實時監(jiān)測模型進行輸出；

18、當k＜k0時，判定該決策樹模型訓練不合格，更新預設運行數(shù)據(jù)組，并根據(jù)更新后的預設運行數(shù)據(jù)組對該決策樹模型重復訓練，直至該決策樹模型訓練達標。

19、進一步地，所述實時監(jiān)測模塊，還將特征運行數(shù)據(jù)輸入實時監(jiān)測模型中進行識別，得到識別結果，根據(jù)識別結果對水蓄能機組劣化狀態(tài)進行判斷，并根據(jù)判斷結果進行輸出，其中：

20、當識別結果為運行正常時，判定水蓄能機組劣化狀態(tài)合格，不對水蓄能機組進行維護；

21、當識別結果為運行異常時，判定水蓄能機組劣化狀態(tài)不合格，將特征運行數(shù)據(jù)與預設維護模板進行比對，根據(jù)比對結果進行輸出，其中：

22、若預設維護模板中存在與特征運行數(shù)據(jù)一致的預設特征運行數(shù)據(jù)時，將與預設特征數(shù)據(jù)對應的預設維護方案進行輸出，根據(jù)該預設維護方案對水蓄能機組進行維護；

23、若預設維護模板中不存在與特征運行數(shù)據(jù)一致的預設特征運行數(shù)據(jù)時，向管理員發(fā)出告警，由管理員對水蓄能機組進行維護，并更新預設維護模板。

24、進一步地，所述劣化預測模塊，在構建劣化預測模型時，將預設預測數(shù)據(jù)組劃分為70％的預測訓練集、20％的預測驗證集和10％的預測測試集，將預測訓練集輸入lstm模型中進行訓練，得到訓練后的lstm模型，將預測驗證集輸入訓練后的lstm模型中對訓練后的lstm模型的參數(shù)進行迭代優(yōu)化，并將預測測試集輸入迭代優(yōu)化后的lstm模型中，對迭代優(yōu)化后的lstm模型進行測試，得到預測正確率l，將預測正確率l與預設預測正確率l0進行比對，根據(jù)比對結果對lstm模型的訓練成功情況進行判斷，并根據(jù)判斷結果對lstm模型進行輸出，其中：

25、當l≥l0時，判定該lstm模型訓練成功，將該lstm模型作為劣化預測模型進行輸出；

26、當l＜l0時，判定該lstm模型訓練不成功，更新預設測試數(shù)據(jù)組，并根據(jù)更新后的預設測試數(shù)據(jù)組對該lstm模型重復訓練，直至該lstm模型訓練成功。

27、進一步地，所述劣化預測模塊，在對水蓄能機組劣化狀態(tài)趨勢進行預測時，將特征運行數(shù)據(jù)輸入至劣化預測模型中進行預測，得到預測結果，根據(jù)預測結果對水蓄能機組劣化狀態(tài)趨勢的安全情況進行判斷，并根據(jù)判斷結果進行輸出，其中：

28、當預測結果為趨勢正常時，判定水蓄能機組劣化狀態(tài)趨勢安全，不對水蓄能機組進行維護；

29、當預測結果為趨勢異常時，判定水蓄能機組劣化狀態(tài)趨勢不安全，將特征運行數(shù)據(jù)與預設維護模板進行比對，根據(jù)比對結果進行輸出，其中：

30、若預設維護模板中存在與特征運行數(shù)據(jù)一致的預設特征運行數(shù)據(jù)時，將與預設特征數(shù)據(jù)對應的預設維護方案進行輸出，根據(jù)該預設維護方案對水蓄能機組進行維護；

31、若預設維護模板中不存在與特征運行數(shù)據(jù)一致的預設特征運行數(shù)據(jù)時，向管理員發(fā)出告警，由管理員對水蓄能機組進行維護，并更新預設維護模板。

32、進一步地，所述預測調(diào)整模塊，獲取劣化預測模塊對各時間節(jié)點t的預測結果和實時監(jiān)測模塊在各時間節(jié)點t時的識別結果，將預測結果與識別結果進行比對，根據(jù)比對結果對劣化預測模塊的有效性進行判斷，并根據(jù)判斷結果對劣化預測模塊進行調(diào)整，其中：

33、當預測結果與識別結果一致時，判定劣化預測模塊有效，不對劣化預測模塊進行調(diào)整；

34、當預測結果與識別結果不一致時，判定劣化預測模塊失效，對劣化預測模塊進行調(diào)整，并向管理員發(fā)出劣化預測模塊失效告警；

35、所述預測調(diào)整模塊，在對劣化預測模塊進行調(diào)整時，對訓練成功的lstm模型進行重置，更新預設測試數(shù)據(jù)組，并根據(jù)更新后的預設測試數(shù)據(jù)組對該lstm模型重復訓練，直至該lstm模型訓練成功。

36、進一步地，所述預測優(yōu)化模塊，獲取優(yōu)化周期內(nèi)預測調(diào)整模塊對劣化預測模塊進行調(diào)整的調(diào)整次數(shù)h，將調(diào)整次數(shù)h與預設調(diào)整次數(shù)h0進行比對，根據(jù)比對結果對預測調(diào)整模塊的實用性達標情況進行判斷，并根據(jù)判斷結果對預測調(diào)整模塊進行優(yōu)化，其中：

37、當h＜h0時，判定預測調(diào)整模塊的實用性達標，不對預測調(diào)整模塊進行優(yōu)化；

38、當h≥h0時，判定預測調(diào)整模塊的實用性不達標，將預測調(diào)整模塊的判斷結果優(yōu)化為劣化預測模塊失效，并向管理員推送預測調(diào)整模塊的實用性不達標告警，由管理員對系統(tǒng)進行維護。

39、另一方面，本發(fā)明提供一種用于水蓄能機組劣化狀態(tài)趨勢快速預警系統(tǒng)的方法，包括：

40、步驟s1，對水蓄能機組運行數(shù)據(jù)進行實時采集；

41、步驟s2，對水蓄能機組運行數(shù)據(jù)進行特征處理，得到特征運行數(shù)據(jù)；

42、步驟s3，構建實時監(jiān)測模型，并對水蓄能機組劣化狀態(tài)進行實時監(jiān)測；

43、步驟s4，構建劣化預測模型，并對水蓄能機組劣化狀態(tài)趨勢進行預測；

44、步驟s5，根據(jù)各時間節(jié)點的預測結果和識別結果對步驟s4進行調(diào)整；

45、步驟s6，根據(jù)優(yōu)化周期內(nèi)的調(diào)整次數(shù)和預設調(diào)整對步驟s5進行優(yōu)化。

46、與現(xiàn)有技術相比，本發(fā)明的有益效果在于，所述系統(tǒng)通過數(shù)據(jù)采集模塊實時采集水蓄能機組運行數(shù)據(jù)，確保數(shù)據(jù)的及時性和準確性，為后續(xù)特征處理和劣化預測提供豐富的數(shù)據(jù)基礎，所述系統(tǒng)通過特征處理模塊對采集到的水蓄能機組運行數(shù)據(jù)進行預處理，去除異常值和無效數(shù)據(jù)，確保數(shù)據(jù)質(zhì)量，從而提高數(shù)據(jù)分析和模型訓練的效率，所述系統(tǒng)通過實時監(jiān)測模塊構建用于實時監(jiān)測水蓄能機組劣化狀態(tài)的模型，確保實時監(jiān)控的準確性和可靠性，并實時監(jiān)測水蓄能機組的運行狀態(tài)，及時發(fā)現(xiàn)和預警潛在的劣化問題，避免故障的發(fā)生，所述系統(tǒng)通過劣化預測模塊構建并優(yōu)化用于預測水蓄能機組劣化狀態(tài)趨勢的lstm模型，確保預測的準確性和可靠性，并對水蓄能機組的劣化狀態(tài)進行趨勢預測，提前識別可能出現(xiàn)的劣化問題，進行預防性維護，所述系統(tǒng)通過預測調(diào)整模塊根據(jù)各時間節(jié)點t的預測結果和實時監(jiān)測結果，對劣化預測模塊進行動態(tài)調(diào)整，確保預測模型的持續(xù)優(yōu)化和準確性，增強系統(tǒng)的自適應能力，能夠根據(jù)實時監(jiān)測數(shù)據(jù)和歷史預測數(shù)據(jù)，動態(tài)調(diào)整預測模型，提高預測的準確性，所述系統(tǒng)通過預測優(yōu)化模塊根據(jù)優(yōu)化周期內(nèi)的調(diào)整次數(shù)和預設的調(diào)整目標，對預測調(diào)整模塊進行優(yōu)化，減少不必要的調(diào)整，提高系統(tǒng)效率，通過對調(diào)整策略的優(yōu)化，提高劣化預測模型的整體性能，確保系統(tǒng)在長期運行中的穩(wěn)定性和高效性。

47、尤其，所述與處理單元通過使用數(shù)據(jù)編輯工具對水蓄能機組運行數(shù)據(jù)進行預處理，有效去除噪聲、修正異常值和填補缺失值，確保數(shù)據(jù)的準確性和完整性，從而降低計算資源的消耗，提高處理效率。

48、尤其，所述特征提取單元，將特征提取過程自動化，減少人工干預和人為錯誤，提高效率和準確性，當卷積神經(jīng)網(wǎng)絡模型訓練不達標時，自動更新歷史特征提取數(shù)據(jù)庫并重新訓練卷積神經(jīng)網(wǎng)絡模型，直至卷積神經(jīng)網(wǎng)絡模型達到預期標準，保證卷積神經(jīng)網(wǎng)絡模型的持續(xù)改進和優(yōu)化，當卷積神經(jīng)網(wǎng)絡模型訓練達標，將其作為特征提取模型用于預處理數(shù)據(jù)的特征提取，能夠高效地獲取特征運行數(shù)據(jù)，提升后續(xù)數(shù)據(jù)處理和分析的質(zhì)量。

49、尤其，所述實時檢測模塊，通過科學的數(shù)據(jù)分割、迭代優(yōu)化、準確性驗證和自動化訓練機制，確保決策樹模型的高準確性和可靠性，自動化的判斷和調(diào)整流程減少人工干預，提高系統(tǒng)的工作效率，降低維護成本，使得系統(tǒng)能夠在動態(tài)環(huán)境中保持高效、穩(wěn)定和可靠的實時監(jiān)測能力。

50、尤其，所述實時監(jiān)測模塊，通過將特征運行數(shù)據(jù)輸入實時監(jiān)測模型進行識別，能夠精確判斷水蓄能機組的運行狀態(tài)，確保系統(tǒng)能夠及時檢測到機組的劣化狀態(tài)，根據(jù)識別結果自動判斷水蓄能機組的劣化狀態(tài)，減少人工判斷的誤差和不確定性，提高判斷的準確性和效率，當識別結果為運行正常時，判定水蓄能機組劣化狀態(tài)合格，不進行維護，當識別結果為運行異常時，判定機組劣化狀態(tài)不合格，及時進行維護處理，若特征運行數(shù)據(jù)與預設維護模板中的數(shù)據(jù)一致時，自動輸出對應的預設維護方案，快速響應和處理異常情況，提高維護效率，若預設維護模板中不存在與特征運行數(shù)據(jù)一致的數(shù)據(jù)，系統(tǒng)將向管理員發(fā)出告警，使管理員能夠及時介入，進行必要的維護操作，防止?jié)撛趩栴}擴大。

51、尤其，所述劣化預測模塊，將預測測試集輸入迭代優(yōu)化后的lstm模型進行測試，得到預測正確率l，并與預設預測正確率l0進行比對，確保lstm模型在實際應用中的準確性，避免lstm模型訓練過程中可能出現(xiàn)的過擬合或欠擬合問題，當預測正確率l小于預設正確率l0時，系統(tǒng)會更新預設測試數(shù)據(jù)組并重新訓練lstm模型，直至lstm模型達到預期正確率，確保lstm模型的適應性和精確性，將特征運行數(shù)據(jù)輸入劣化預測模型，進行劣化狀態(tài)趨勢預測，根據(jù)預測結果，判斷水蓄能機組的劣化狀態(tài)趨勢是否安全，從而決定是否需要進行維護，當預測結果為趨勢異常時，系統(tǒng)會進一步將特征運行數(shù)據(jù)與預設維護模板進行比對，若存在一致的預設特征數(shù)據(jù)，將對應的預設維護方案輸出并執(zhí)行，確保快速響應和處理異常情況，若預設維護模板中不存在與特征運行數(shù)據(jù)一致的數(shù)據(jù)，系統(tǒng)會向管理員發(fā)出告警，管理員可以及時介入進行維護，并更新維護模板，從而提高系統(tǒng)的靈活性和響應速度。

52、尤其，所述預測調(diào)整模塊，能夠實時獲取劣化預測模塊的預測結果和實時監(jiān)測模塊的識別結果，并進行比對，確保系統(tǒng)能夠快速識別劣化預測模塊的有效性，當預測結果與識別結果不一致時，系統(tǒng)會自動對劣化預測模塊進行調(diào)整，提高系統(tǒng)的自適應能力，當劣化預測模塊失效時，系統(tǒng)會對訓練成功的lstm模型進行重置，并更新預設測試數(shù)據(jù)組，隨后對lstm模型進行重新訓練，直至訓練成功，保持預測的高準確性，同時，當劣化預測模塊失效時，系統(tǒng)會及時向管理員發(fā)出失效告警信息，有助于管理員迅速采取措施，減少系統(tǒng)失效可能帶來的風險。

53、尤其，所述預測優(yōu)化模塊，通過比對調(diào)整次數(shù)h和預設調(diào)整次數(shù)h0，能夠自動評估預測調(diào)整模塊的實用性有助于保持預測模型的高效性和準確性，當預測調(diào)整模塊的實用性不達標時，自動將預測調(diào)整模塊的判斷結果優(yōu)化為劣化預測模塊失效，并向管理員推送告警信息，確保系統(tǒng)在檢測到問題時能夠迅速采取措施，減少系統(tǒng)失效的風險。