本发明涉及水轮水轮发电机领域，尤其涉及一种水轮发电机定子铁心状态确定方法。
背景技术：
目前流域大型水轮发电机定子铁心主要是通过在背部上中下各部位埋设的测温电阻监测温度，在端部安装垂直、水平振动传感器监测垂直、水平振动，在监控系统中设置告警值，在温度振动等越限时发出告警。但在中低负荷运行时温度一般较低离告警阈值较远，通常不容易发现潜在的缺陷，然而机组运行大多数时候都不是满载。另外目前没有较客观的方法评价机组检修前后的阶段性状态变化、同型机组间状态差异，不能为状态检修提供数据支撑。如何综合发电机监测传感器安装、数据采集传输，水轮发电机定子铁心故障特点，以多变量状态评估算法为基础开发水轮发电机铁心状态评估，是值得研究的。
技术实现要素：
为了解决上述问题，本发明提出一种水轮发电机定子铁心状态确定方法，通过特征量反映状态，能在定子铁心状态特征量温度到达阀值告警前及时发现动态过程中的定子异常，能比较同一机组不同阶段状态和同型号不同机组间状态差异。
本发明的技术方案具体如下：
一种水轮发电机定子铁心状态确定方法，包括如下步骤：
步骤(1)、构建水轮发电机正常状态样本集矩阵
将铁心温度作为铁心的状态特征目标变量，其余发电机运行工况变量有功、无功、绕组各测点温度、冷却器冷风各测点温度、冷却器热风各测点温度作为自变量，所有变量1，2，3，...m编号即选择铁心状态相关的变量为m维向量x；
以时间轴t为坐标在时间轴上选择1，2，3，...n个点截取n个样本构成n行m列的矩阵d；
在选择样本1到n时，发电机正常且n足够大能涵盖所有发电机正常状态；
x＝[x1，x2，x3，...，xm-1，xm]；
x1到xm依次分别是有功、无功、铁芯温度1号、铁芯温度2号....绕组温度1号、绕组温度2号、....冷却器冷风温度1号、冷却器冷风温度2号、....冷却器热风温度1号、冷却器热风温度2号；
d＝[x(1)，x(2)，x(3)，....x(n-1)，x(n)]；
d由来自不同时间不同工况的n个样本向量组成n*m矩阵；构成d的x向量足够丰富能涵盖正常状态下的各种工况；
步骤(2)、构建相似度权值矩阵
从监控系统导出与样本集相同的具有m个特征维度的观测样本集xobs，通过下式计算观测样本集xobs与正常状态样本集矩阵d的相似度权值矩阵w：
其中，
步骤(3)、计算预测值
通过下式计算基于正常状态的观测样本集xobs的预测值集xest：
其中·表示两向量的内积(点乘/数量积)；
步骤(4)、计算差值
通过下式计算观测样本集xobs与其预测值集xest的差值集c：
c＝xobs-xest；
步骤(5)、绘制趋势曲线
抽取差值c中状态特征目标变量铁心温度值在时间轴上绘制曲线，即得到铁心状态的趋势曲线。
进一步地，步骤(2)中，观测样本集xobs是1个或多个向量；
xobs＝[xo(1)，xo(2)，...，xo(k)]；
w(i)＝[wi1，wi2，wi3，...，win-1，win]；
i＝1，2，3，...，k则
w＝[w(1)，w(2)，w(3)，.....w(k)]；
k大于等于1即可，即观测样本是1个或多个。
进一步地，步骤(4)中，差值c由k个有m维度特征的向量组成，与观测样本集xobs形状一致，均为k行m列。
进一步地，k维度为时间轴。
进一步地，步骤(4)中，差值c(i)＝[ci1,ci2,ci3,...,cim-1,cim]，i＝1,2,3...k则c＝[c(1)，c(2)，c(3)，.....c(k)]；
ci1，ci2，ci3，...，cim-1，cim分别对应有功残差、无功残差、铁芯温度1号残差、铁芯温度2号残差....绕组温度1号残差、绕组温度2号残差、....冷却器冷风温度1号残差、冷却器冷风温度2号残差、....冷却器热风温度1号残差、冷却器热风温度2号残差。
与现有技术相比，本发明的有益效果如下：
1.本发明将发电机正常数据建立样本集，运行中不断采集实时数据计算，通过真实值与基于正常状态的预测值之差进行状态监视，实现实时趋势预警。
2.本发明以发电机修前数据建立样本集，将修后数据作为观测数据输入，通过真实值与基于修前状态的预测值之差进行状态评估，实现检修前后状态比较。
3.本发明以一台机的数据建立样本集，将另一台机数据作为观测数据输入，实现不同机组间状态比较。
附图说明
图1为评估时段2019年5月至2020年4月运行工况调整变化图，“ ”标记线为有功调整、“o”标记线为无功调整散点图；
图2为2019年5月至2020年4月定子铁心3号测点温度随运行工况调整的变化情况；图上部分“ ”标记线为实际温度、“o”标记线为基于2-4月状态预测温度，图上部分“o”标记线为偏差即该测点温度在同等工况下与2-4月相比的变化趋势；
图3为2019年5月至2020年4月定子铁心平均温度随运行工况调整的变化情况。图上部分“ ”标记线为实际平均温度、“o”标记线为基于2-4月状态预测平均温度，图上部分“o”标记线为偏差即铁心整体温度在同等工况下与2-4月相比的变化趋势。
具体实施方式
下面将结合本申请实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外定义，本申请实施例中使用的技术术语或者科学术语应当为所属领域内具有一般技能的人士所理解的通常意义。本实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”、“横”以及“竖”等仅用于相对于附图中的部件的方位而言的，这些方向性术语是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中的部件所放置的方位的变化而相应地发生变化。
本实施例以某水电厂650mw水轮发电机定子铁心阶段评估为例。
以该机2019年2月至4月工况数据为基础选择样本建立正常状态样本集，评估该机2019年5月至2020年4月在2019年2-4月基础上的状态的变化趋势。
本实施例的水轮发电机定子铁心状态确定方法，按以下步骤进行：
步骤(1)、建立水轮发电机铁心正常状态样本集d。
从该机组2019年2月至2019年4月监控数据128159个样本中，选出具有代表性的4603个样本，构成d，兼顾计算速度和模型准确度，d中样本即不重复又能充分体现3个月的各种正常运行工况。样本维度245个包含机组有功功率p、机组无功功率q、定子压指温度16个、定子铁心温度54个、定子绕组温度144个、空冷器热风温度14个、空冷器冷风温度14个。
x＝[x1,x2,x3,...,x244,x245]；
d＝[x(1)，x(2)，x(3)，....，x(4602)，x(4603)]；
x为245维度样本向量，d为4603个样本向量构成的样本矩阵，矩阵大小4603*245。
步骤(2)、构建相似度权值矩阵
从监控系统导出该机2019年5月至2020年4月数据每间隔40分选择1个样本共12924个245维度的实时样本xobs(12924*45)，通过公式(1)(2)计算观测样集xobs与正常状态样本集矩阵d的相似度权值矩阵w。xobs中的12924(k)个样本依次与d的4603(n)个向量分别计算相似度权值构成12924*4603的矩阵w。
xobs＝[xo(1)，xo(2)，...，xo(12924)]；
w的矩阵计算公式如下：
n＝1,2,3,...4603；则：
w(i)＝[wi1，wi2，wi3，...，wi4602，wi4603]；
i＝1，2，3，...，12924；则：
w＝[w(1)，w(2)，w(3)，.....w(12924)]。
步骤(3)、计算预测值
通过下式计算基于正常状态的观测样xobs预测值xest。
xest＝d·w；
步骤(4)、计算差值
4.通过公式(4)计算观测样本xobs与其预测值xest的差值c,c由12924(k)个有245(m)维度特征的向量组成,与xobs形状一致均为12924行245列。
步骤(5)、绘制趋势曲线
抽取c中3号铁心温度列的12924个温度差值绘制曲线，对应日期时间2019年5月1日至2020年4月23日作为横坐标，就可得到3号测点位置铁心状态的趋势曲线图2下半部分图中“o”标记线。将全部铁心温度测点求平均后就可画出铁心整体状态的趋势曲线图3下半部分图中“o”标记线。
实施效果：
从图1、图2可看出该评估方法可排除运行工况变化引起的铁心温度正常波动，实现动态过程的趋势评估。
图3中图上半部分“ ”标记线为发电机不同运行工况下观测的铁心温度均值，“o”标记线为在相应工况下基于正常状态预测的铁心温度均值，图3中图下半部分“o”标记线为整体温度变化趋势线，该实例中为一条水平线即定子铁心从2019年5月至2020年4月近1年，趋势无变化、状态稳定。
尽管已经对本发明的技术方案做了较为详细的阐述和列举，应当理解，对于本领域技术人员来说，对上述实施例做出修改或者采用等同的替代方案，这对本领域的技术人员而言是显而易见，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
1.一种水轮发电机定子铁心状态确定方法，其特征在于：包括如下步骤：步骤(1)、构建水轮发电机正常状态样本集矩阵
将铁心温度作为铁心的状态特征目标变量，其余发电机运行工况变量有功、无功、绕组各测点温度、冷却器冷风各测点温度、冷却器热风各测点温度作为自变量，所有变量1，2，3，...m编号即选择铁心状态相关的变量为m维向量x；
以时间轴t为坐标在时间轴上选择1，2，3，...n个点截取n个样本构成n行m列的矩阵d；
在选择样本1到n时，发电机正常且n足够大能涵盖所有发电机正常状态；
x＝[x1，x2，x3，...，xm-1，xm]；
x1到xm依次分别是有功、无功、铁芯温度1号、铁芯温度2号....绕组温度1号、绕组温度2号、....冷却器冷风温度1号、冷却器冷风温度2号、....冷却器热风温度1号、冷却器热风温度2号；
d＝[x(1)，x(2)，x(3)，....x(n-1)，x(n)]；
d由来自不同时间不同工况的n个样本向量组成n*m矩阵；构成d的x向量足够丰富能涵盖正常状态下的各种工况；
步骤(2)、构建相似度权值矩阵
从监控系统导出与样本集相同的具有m个特征维度的观测样本集xobs，通过下式计算观测样本集xobs与正常状态样本集矩阵d的相似度权值矩阵w：
其中，
步骤(3)、计算预测值
通过下式计算基于正常状态的观测样本集xobs的预测值集xest：
其中·表示两向量的内积(点乘/数量积)；
步骤(4)、计算差值
通过下式计算观测样本集xobs与其预测值集xest的差值集c：
c＝xobs-xest；
步骤(5)、绘制趋势曲线
抽取差值c中状态特征目标变量铁心温度值在时间轴上绘制曲线，即得到铁心状态的趋势曲线。
2.根据权利要求1所述的水轮发电机定子铁心状态确定方法，其特征在于：步骤(2)中，观测样本集xobs是1个或多个向量；
xobs＝[xo(1)，xo(2)，...，xo(k)]；
w(i)＝[wi1，wi2，wi3，...，win-1，win]；
i＝1，2，3，...，k则
w＝[w(1)，w(2)，w(3)，.....w(k)]；
k大于等于1即可，即观测样本是1个或多个。
3.根据权利要求1所述的水轮发电机定子铁心状态确定方法，其特征在于：步骤(4)中，差值c由k个有m维度特征的向量组成，与观测样本集xobs形状一致，均为k行m列。
4.根据权利要求3所述的水轮发电机定子铁心状态确定方法，其特征在于：k维度为时间轴。
5.根据权利要求1所述的水轮发电机定子铁心状态确定方法，其特征在于：
步骤(4)中，差值c(i)＝[ci1,ci2,ci3,...,cim-1,cim]，i＝1,2,3...k则
c＝[c(1)，c(2)，c(3)，.....c(k)]；
ci1，ci2，ci3，...，cim-1，cim分别对应有功残差、无功残差、铁芯温度1号残差、铁芯温度2号残差....绕组温度1号残差、绕组温度2号残差、....冷却器冷风温度1号残差、冷却器冷风温度2号残差、....冷却器热风温度1号残差、冷却器热风温度2号残差。
技术总结