[发明专利]一种抽蓄机组振动趋势预测方法

权利要求书

1.一种抽蓄机组振动趋势预测方法，其特征在于，包括以下步骤：

a1、在线数据获取，通过采用485通讯协议，从抽蓄电站振摆监测和监控系统在线获取机组非平稳振动的历史和实时数据；

b1、数据传递，将在线获取的机组非平稳振动的历史和实时数据转换成机组非平稳振动信号，并依次经过网络隔离装置、WEB服务器、硬件防火墙和电厂局域网传递给用户终端；

c1、信号分析，用户终端对于机组非平稳振动信号，利用经验小波分解对机组非平稳振动信号进行时频域分析；

d1、特征提取，在利用经验小波分解对机组非平稳振动信号进行时频域分析的基础上，从机组非平稳振动信号中提取描述机组振动状态的综合特征，得能量熵和奇异值；

e1、振动的关联与定量分析，对能量熵和奇异值的数据集合，利用集合经验模态分解(EEMD)或经验小波分解法(EWT)对振动信号进行分解，得到一系列的单频率分量，再进行离散化处理后与机组运行工况进行关联分析，利用Apriori算法进行频繁项挖掘，解析机组振动数据特征与机组故障的时空相关性，通过关联分析结果划分出机组安全运行区域；

f1、构建时间序列分解模型、多元线性回归模型和ARMA模型，采用时间序列趋势预测方法，预测未来有限时间内的发展趋势，进而对机组运行状态趋势进行预测与评估，为实施机组状态检修提供技术支持。

2.根据权利要求1所述的一种抽蓄机组振动趋势预测方法，其特征在于：步骤f1中的时间序列趋势预测方法，包括以下步骤：

a2、提取机组状态参量的时间序列；

b2、利用经验小波分解将机组状态参量的时间序列分解为不同分解域的子序列，得平稳性的波动项和非线性的趋势项；

c2、对于平稳性的波动项采用AR预测模型，得信号A，对于非线性的趋势项采用最小二乘支持向量机的预测模型，得信号B；

d2、将信号A和信号B进行重构信号，实现机组状态趋势预测。

3.根据权利要求1所述的一种抽蓄机组振动趋势预测方法，其特征在于：步骤b1中，数据传递，还可以将在线获取的机组非平稳振动的历史和实时数据转换成机组非平稳振动信号，依次经过网络隔离装置、WEB服务器、硬件防火墙和阿里云传递给移动终端上的APP中。

4.根据权利要求2所述的一种抽蓄机组振动趋势预测方法，其特征在于：所述最小二乘支持向量机的预测模型表示为

其中X为输入向量，n为常数，k为1～n中的某一个值，m为空间维数，τ为延迟时间常数。

5.根据权利要求2所述的一种抽蓄机组振动趋势预测方法，其特征在于：所述AR模型表示为

式中：为自回归参数，i＝1…p，p为阶次；a_t为白噪声，表示残差。

6.根据权利要求5所述的一种抽蓄机组振动趋势预测方法，其特征在于：所述AR模型建模时通过AIC准则确定模型的阶次并进行模型的参数估计。

7.根据权利要求2所述的一种抽蓄机组振动趋势预测方法，其特征在于：步骤d2中重构信号的方法，包括以下步骤：

a3、对机组状态参量的时间序列进行多层小波分解，得到描述趋势项和波动项的各层子序列：

X＝a_k+d₁+d₂+…+d_k

式中，a_k为趋势项，d_i为波动项，i＝1，2，…,k为小波分解层数；

b3、对于趋势项a_k建立LSSVM预测模型，进行模型训练以及新值预测，对结果进行精确评价；

c3、对于各个波动项d_i，i＝1，2，…,k分别进行AR建模，对结果进行精度评价；

d3、得到趋势项和各个波动项的预测结果后进行叠加计算，得到原始振动序列的预测序列计算实测值和预测值的误差指标，进行精度评价；

e3、对原始振动序列的预测结果的精度进行评价，分析预测结果和实际值的偏离程度，对预测效果的评价采用以下常用误差指标。