隨著清潔能源在能源結(jié)構(gòu)中重要性的提高,我國(guó)的水力發(fā)電工程不斷增加,傳統(tǒng)的水輪機(jī)機(jī)組也有向高比轉(zhuǎn)速、大容量方向發(fā)展的趨勢(shì)。水輪機(jī)機(jī)組的穩(wěn)定運(yùn)行對(duì)于避免安全隱患、提高發(fā)電企業(yè)的經(jīng)濟(jì)效益具有重大意義。目前,水電廠在異常診斷和在線檢測(cè)大都基于直觀的監(jiān)測(cè)數(shù)據(jù),一旦報(bào)警已經(jīng)出現(xiàn)了故障,會(huì)造成不可挽回的經(jīng)濟(jì)損失。本文在數(shù)據(jù)挖掘、深度學(xué)習(xí)等科學(xué)技術(shù)更加成熟,水輪機(jī)數(shù)據(jù)不斷積累的背景下,展開(kāi)基于數(shù)據(jù)挖掘的水輪機(jī)異常預(yù)警研究,力求做到異常的盡早發(fā)現(xiàn),做到提前的預(yù)防性維修。面對(duì)水輪機(jī)機(jī)組復(fù)雜多變的運(yùn)行模式,本文基于統(tǒng)計(jì)特征的時(shí)間序列聚類(lèi)算法實(shí)現(xiàn)了對(duì)水輪機(jī)運(yùn)行模式的有效識(shí)別,并完成各個(gè)工況的特征標(biāo)定。針對(duì)測(cè)點(diǎn)之間復(fù)雜的相互影響關(guān)系,對(duì)目標(biāo)預(yù)測(cè)參數(shù)引進(jìn)梯度提升決策樹(shù)算法（Gradient Boosting Decision Tree）進(jìn)行特征子集的選擇,不僅加強(qiáng)了模型的解釋性,也為后續(xù)的異常分析提供了便利�；谒啓C(jī)穩(wěn)定運(yùn)行狀態(tài)數(shù)據(jù),引進(jìn)深度學(xué)習(xí)中的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory）,以相關(guān)測(cè)點(diǎn)作為特征,建立水輪機(jī)設(shè)備測(cè)點(diǎn)的多元時(shí)序預(yù)測(cè)模型。建模過(guò)程中,結(jié)合各個(gè)參數(shù)完成了模型的優(yōu)化。... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１數(shù)據(jù)挖掘算法??分類(lèi)通常是有監(jiān)督學(xué)習(xí)模型．通過(guò)對(duì)數(shù)據(jù)集的學(xué)習(xí)，分類(lèi)模型最終可以將數(shù)??據(jù)集合中的數(shù)據(jù)樣木分配到幾個(gè)給定的類(lèi)別中［１９：

本文將傳統(tǒng)的數(shù)據(jù)挖掘算法與深度學(xué)習(xí)模型的配合使用，建立了異常預(yù)測(cè)與??報(bào)警模型。基于數(shù)據(jù)挖掘的水輪機(jī)設(shè)備異常檢測(cè)和傳統(tǒng)數(shù)據(jù)挖掘的流程大體一致，??主要的數(shù)據(jù)處理與建模流程如圖２－２：??水輪機(jī)機(jī)組監(jiān)測(cè)信號(hào)???—?—?１????ｉ模型訓(xùn)練?丨丨?模型測(cè)試］??Ｉ?ｉ??｜?！?！?｜?１??Ｉ?訓(xùn)練數(shù)據(jù)集合（健康狀態(tài)）Ｉ丨丨：測(cè)試數(shù)據(jù)集合（混合狀態(tài)）??Ｉ?｜??????，????Ｉ??ｉ?；?！??ｊ??ｊ??｜?！??ｊ??｜??！?運(yùn)行模式分析（Ｋ均值聚類(lèi)算法）１￣運(yùn)行模式判別（特征距離）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？????＾??????狀態(tài)評(píng)估與報(bào)警機(jī)釗??圖２－２水輪機(jī)預(yù)警模型基本框架圖??本文用到的數(shù)據(jù)是從某水電廠數(shù)據(jù)平臺(tái)中抽取的時(shí)間序列數(shù)據(jù)，涵蓋多個(gè)機(jī)??組，時(shí)間跨度為５個(gè)月份。模型是根據(jù)特定的機(jī)組進(jìn)行建模，將機(jī)組樣本數(shù)據(jù)分??為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分，分別用來(lái)訓(xùn)練模型和模型效果測(cè)試。首先，進(jìn)行??數(shù)據(jù)的相關(guān)預(yù)處理工作，包括缺失值的填充與離群點(diǎn)分析�？紤]到水輪機(jī)機(jī)組運(yùn)??行狀態(tài)的復(fù)雜性

圖３－１時(shí)間序列形態(tài)特征??３）基于時(shí)頻特征的時(shí)間序列聚類(lèi)??某些時(shí)間序列存在趨勢(shì)性的結(jié)構(gòu)特征和季節(jié)周期的特性，例如周期、自相關(guān)??性、混沌性等，都是時(shí)間序列特有的特性。此外，通過(guò)小波變換等頻域分析方法??進(jìn)行時(shí)間序列的頻域分析，可以提出到更高層的特征［３９］。??４）基于模型的時(shí)間序列聚類(lèi)??通過(guò)給定的數(shù)據(jù)，學(xué)習(xí)發(fā)現(xiàn)其中的具有代表性的參數(shù)模型，再將各個(gè)時(shí)間序??列數(shù)據(jù)與各個(gè)不同參數(shù)的模型進(jìn)行匹配，實(shí)現(xiàn)數(shù)據(jù)分組。??要依據(jù)待處理的數(shù)據(jù)的特點(diǎn)選取相應(yīng)的聚類(lèi)算法。本文的水輪機(jī)數(shù)據(jù)采樣時(shí)??間不滿足頻域分析的要求，又考慮到基于形狀特征聚類(lèi)對(duì)于長(zhǎng)時(shí)間序列的局限性，??且相關(guān)形態(tài)特征可以通過(guò)統(tǒng)計(jì)量表征，最終選擇基于統(tǒng)計(jì)特征的時(shí)間序列聚類(lèi)對(duì)??水輪機(jī)運(yùn)行模式進(jìn)行研宄。??表３－１時(shí)間序列基本統(tǒng)計(jì)量??

【參考文獻(xiàn)】：
期刊論文
[1]分析神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法[J]. 朱亞兵,武粉利.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2018(03)
[2]K均值聚類(lèi)算法的研究與優(yōu)化[J]. 陶瑩,楊鋒,劉洋,戴兵.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(06)
[3]基于特征聚類(lèi)的封裝特征選擇算法[J]. 胡峰,楊夢(mèng).  計(jì)算機(jī)工程與設(shè)計(jì). 2018(01)
[4]水輪機(jī)運(yùn)行穩(wěn)定性的研究與展望[J]. 林道遠(yuǎn),林建興.  山東工業(yè)技術(shù). 2018(01)
[5]基于大數(shù)據(jù)的數(shù)據(jù)挖掘技術(shù)在工業(yè)信息化中的應(yīng)用探究[J]. 許寧.  現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化. 2017(22)
[6]水電站發(fā)電機(jī)組的運(yùn)行與維護(hù)探討[J]. 李旭.  內(nèi)燃機(jī)與配件. 2018(01)
[7]基于類(lèi)別方差的特征權(quán)重算法[J]. 周鵬程,劉旭敏,徐維祥.  計(jì)算機(jī)應(yīng)用研究. 2018(12)
[8]蒲石河抽水蓄能電站#4機(jī)組水輪機(jī)工況運(yùn)行區(qū)域劃分[J]. 袁波,李承龍,馮雁敏.  水電能源科學(xué). 2017(11)
[9]三層BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)確定方法探究[J]. 蔡榮輝,崔雨軒,薛培靜.  電腦與信息技術(shù). 2017(05)
[10]基于多維時(shí)間序列形態(tài)特征的相似性動(dòng)態(tài)聚類(lèi)算法[J]. 王玲,孟建瑤,徐培培,彭開(kāi)香.  工程科學(xué)學(xué)報(bào). 2017(07)

碩士論文
[1]特征選擇與特征學(xué)習(xí)算法研究[D]. 周琪.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[2]時(shí)間序列的特征表示與聚類(lèi)方法研究[D]. 熊英志.重慶大學(xué) 2016



本文編號(hào)：2993275