基于数据挖掘的水轮机异常预警方法研究
发布时间：2021-01-22 13:03
随着清洁能源在能源结构中重要性的提高,我国的水力发电工程不断增加,传统的水轮机机组也有向高比转速、大容量方向发展的趋势。水轮机机组的稳定运行对于避免安全隐患、提高发电企业的经济效益具有重大意义。目前,水电厂在异常诊断和在线检测大都基于直观的监测数据,一旦报警已经出现了故障,会造成不可挽回的经济损失。本文在数据挖掘、深度学习等科学技术更加成熟,水轮机数据不断积累的背景下,展开基于数据挖掘的水轮机异常预警研究,力求做到异常的尽早发现,做到提前的预防性维修。面对水轮机机组复杂多变的运行模式,本文基于统计特征的时间序列聚类算法实现了对水轮机运行模式的有效识别,并完成各个工况的特征标定。针对测点之间复杂的相互影响关系,对目标预测参数引进梯度提升决策树算法（Gradient Boosting Decision Tree）进行特征子集的选择,不仅加强了模型的解释性,也为后续的异常分析提供了便利。基于水轮机稳定运行状态数据,引进深度学习中的长短期记忆网络（Long Short-Term Memory）,以相关测点作为特征,建立水轮机设备测点的多元时序预测模型。建模过程中,结合各个参数完成了模型的优化。...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２－１数据挖掘算法??分类通常是有监督学习模型．通过对数据集的学习，分类模型最终可以将数??据集合中的数据样木分配到几个给定的类别中［１９：
本文将传统的数据挖掘算法与深度学习模型的配合使用，建立了异常预测与??报警模型。基于数据挖掘的水轮机设备异常检测和传统数据挖掘的流程大体一致，??主要的数据处理与建模流程如图２－２：??水轮机机组监测信号???—?—?１????ｉ模型训练?丨丨?模型测试］??Ｉ?ｉ??｜?！?！?｜?１??Ｉ?训练数据集合（健康状态）Ｉ丨丨：测试数据集合（混合状态）??Ｉ?｜??????，????Ｉ??ｉ?；?！??ｊ??ｊ??｜?！??ｊ??｜??！?运行模式分析（Ｋ均值聚类算法）１￣运行模式判别（特征距离）Ｉ??Ｉ?Ｉ?；；?；??ｉ?ｉ??特征工程（ＧＢＤＴ算法）?！?！?ｉ??Ｉ?Ｉ?ｉ?????Ｉ?ｊ??ｉ??Ｊ??！?ｉ??ｖ??ｊ??｜?ｉ?＇?／?＼?！??ｉ?丨丨＼?／?ｉ??｜?？?＾?ＺＵ?！??■—．?—．?—?？?—．?—．?—．?—．?—．?—．?—ｉ＿．?一．?一．?一．?—?????—．?一?？一．?一．?一．?—．?一．?＿．?一？????＾??????状态评估与报警机钊??图２－２水轮机预警模型基本框架图??本文用到的数据是从某水电厂数据平台中抽取的时间序列数据，涵盖多个机??组，时间跨度为５个月份。模型是根据特定的机组进行建模，将机组样本数据分??为训练数据和测试数据两部分，分别用来训练模型和模型效果测试。首先，进行??数据的相关预处理工作，包括缺失值的填充与离群点分析。考虑到水轮机机组运??行状态的复杂性
图３－１时间序列形态特征??３）基于时频特征的时间序列聚类??某些时间序列存在趋势性的结构特征和季节周期的特性，例如周期、自相关??性、混沌性等，都是时间序列特有的特性。此外，通过小波变换等频域分析方法??进行时间序列的频域分析，可以提出到更高层的特征［３９］。??４）基于模型的时间序列聚类??通过给定的数据，学习发现其中的具有代表性的参数模型，再将各个时间序??列数据与各个不同参数的模型进行匹配，实现数据分组。??要依据待处理的数据的特点选取相应的聚类算法。本文的水轮机数据采样时??间不满足频域分析的要求，又考虑到基于形状特征聚类对于长时间序列的局限性，??且相关形态特征可以通过统计量表征，最终选择基于统计特征的时间序列聚类对??水轮机运行模式进行研宄。??表３－１时间序列基本统计量??
【参考文献】：
期刊论文
[1]分析神经网络的数据挖掘方法[J]. 朱亚兵,武粉利. 网络安全技术与应用. 2018(03)
[2]K均值聚类算法的研究与优化[J]. 陶莹,杨锋,刘洋,戴兵. 计算机技术与发展. 2018(06)
[3]基于特征聚类的封装特征选择算法[J]. 胡峰,杨梦. 计算机工程与设计. 2018(01)
[4]水轮机运行稳定性的研究与展望[J]. 林道远,林建兴. 山东工业技术. 2018(01)
[5]基于大数据的数据挖掘技术在工业信息化中的应用探究[J]. 许宁. 现代工业经济和信息化. 2017(22)
[6]水电站发电机组的运行与维护探讨[J]. 李旭. 内燃机与配件. 2018(01)
[7]基于类别方差的特征权重算法[J]. 周鹏程,刘旭敏,徐维祥. 计算机应用研究. 2018(12)
[8]蒲石河抽水蓄能电站#4机组水轮机工况运行区域划分[J]. 袁波,李承龙,冯雁敏. 水电能源科学. 2017(11)
[9]三层BP神经网络隐层节点数确定方法探究[J]. 蔡荣辉,崔雨轩,薛培静. 电脑与信息技术. 2017(05)
[10]基于多维时间序列形态特征的相似性动态聚类算法[J]. 王玲,孟建瑶,徐培培,彭开香. 工程科学学报. 2017(07)
硕士论文
[1]特征选择与特征学习算法研究[D]. 周琪.中国科学技术大学 2017
[2]时间序列的特征表示与聚类方法研究[D]. 熊英志.重庆大学 2016
本文编号：2993275
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２－１数据挖掘算法??分类通常是有监督学习模型．通过对数据集的学习，分类模型最终可以将数??据集合中的数据样木分配到几个给定的类别中［１９：
本文将传统的数据挖掘算法与深度学习模型的配合使用，建立了异常预测与??报警模型。基于数据挖掘的水轮机设备异常检测和传统数据挖掘的流程大体一致，??主要的数据处理与建模流程如图２－２：??水轮机机组监测信号???—?—?１????ｉ模型训练?丨丨?模型测试］??Ｉ?ｉ??｜?！?！?｜?１??Ｉ?训练数据集合（健康状态）Ｉ丨丨：测试数据集合（混合状态）??Ｉ?｜??????，????Ｉ??ｉ?；?！??ｊ??ｊ??｜?！??ｊ??｜??！?运行模式分析（Ｋ均值聚类算法）１￣运行模式判别（特征距离）Ｉ??Ｉ?Ｉ?；；?；??ｉ?ｉ??特征工程（ＧＢＤＴ算法）?！?！?ｉ??Ｉ?Ｉ?ｉ?????Ｉ?ｊ??ｉ??Ｊ??！?ｉ??ｖ??ｊ??｜?ｉ?＇?／?＼?！??ｉ?丨丨＼?／?ｉ??｜?？?＾?ＺＵ?！??■—．?—．?—?？?—．?—．?—．?—．?—．?—．?—ｉ＿．?一．?一．?一．?—?????—．?一?？一．?一．?一．?—．?一．?＿．?一？????＾??????状态评估与报警机钊??图２－２水轮机预警模型基本框架图??本文用到的数据是从某水电厂数据平台中抽取的时间序列数据，涵盖多个机??组，时间跨度为５个月份。模型是根据特定的机组进行建模，将机组样本数据分??为训练数据和测试数据两部分，分别用来训练模型和模型效果测试。首先，进行??数据的相关预处理工作，包括缺失值的填充与离群点分析。考虑到水轮机机组运??行状态的复杂性
图３－１时间序列形态特征??３）基于时频特征的时间序列聚类??某些时间序列存在趋势性的结构特征和季节周期的特性，例如周期、自相关??性、混沌性等，都是时间序列特有的特性。此外，通过小波变换等频域分析方法??进行时间序列的频域分析，可以提出到更高层的特征［３９］。??４）基于模型的时间序列聚类??通过给定的数据，学习发现其中的具有代表性的参数模型，再将各个时间序??列数据与各个不同参数的模型进行匹配，实现数据分组。??要依据待处理的数据的特点选取相应的聚类算法。本文的水轮机数据采样时??间不满足频域分析的要求，又考虑到基于形状特征聚类对于长时间序列的局限性，??且相关形态特征可以通过统计量表征，最终选择基于统计特征的时间序列聚类对??水轮机运行模式进行研宄。??表３－１时间序列基本统计量??
【参考文献】：
期刊论文
[1]分析神经网络的数据挖掘方法[J]. 朱亚兵,武粉利. 网络安全技术与应用. 2018(03)
[2]K均值聚类算法的研究与优化[J]. 陶莹,杨锋,刘洋,戴兵. 计算机技术与发展. 2018(06)
[3]基于特征聚类的封装特征选择算法[J]. 胡峰,杨梦. 计算机工程与设计. 2018(01)
[4]水轮机运行稳定性的研究与展望[J]. 林道远,林建兴. 山东工业技术. 2018(01)
[5]基于大数据的数据挖掘技术在工业信息化中的应用探究[J]. 许宁. 现代工业经济和信息化. 2017(22)
[6]水电站发电机组的运行与维护探讨[J]. 李旭. 内燃机与配件. 2018(01)
[7]基于类别方差的特征权重算法[J]. 周鹏程,刘旭敏,徐维祥. 计算机应用研究. 2018(12)
[8]蒲石河抽水蓄能电站#4机组水轮机工况运行区域划分[J]. 袁波,李承龙,冯雁敏. 水电能源科学. 2017(11)
[9]三层BP神经网络隐层节点数确定方法探究[J]. 蔡荣辉,崔雨轩,薛培静. 电脑与信息技术. 2017(05)
[10]基于多维时间序列形态特征的相似性动态聚类算法[J]. 王玲,孟建瑶,徐培培,彭开香. 工程科学学报. 2017(07)
硕士论文
[1]特征选择与特征学习算法研究[D]. 周琪.中国科学技术大学 2017
[2]时间序列的特征表示与聚类方法研究[D]. 熊英志.重庆大学 2016
本文编号：2993275
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/2993275.html
