关键词:
水电机组
知识图谱
故障诊断
知识图谱补全
改进的快速区域级神经网络
摘要:
近年来,随着分布式新能源的大规模接入电网,水电站灵活的调峰填谷运行特性为新型电力系统的稳定运行提供了重要保障。水电机组的运行原理牵涉到水、机械和电气等多个系统的复杂耦合,导致机组监测系统获取的数据碎片化严重,关联性和全局性缺失给水电机组的运行维护和故障诊断带来了挑战。为了解决当前海量数据下水电机组数据壁垒严重、故障定位模糊等的问题,本文融合知识图谱补全模型和改进的快速区域级神经网络模型(Improved Fast Region Convolutional Neural Network,IF-RCNN),提出了基于多源海量数据一张图的水电机组故障监测与诊断的研究方法。本文研究的主要内容包括:
(1)针对水电机组监测数据的多源、海量和异构特点,本文构建了一个涵盖了设备、指标和故障等关键信息的水电机组一张图。首先,采用条件随机字段技术获取水电机组运行状况、设备状态、故障诊断的响应数据。其次,将获取的碎片化数据以设备、系统、故障等表征进行分类,并利用Neo4j图数据库将复杂的关联关系以图的形式存储。最后,整合实时更新的机组监测数据以及故障信息,形成了全面的水电机组知识图谱。该图谱不仅能够揭示机组运维数据间难以察觉的潜在联系,更在机组故障根源的诊断和定位方面发挥了关键作用。
(2)针对水电机组一张图构建中的数据混乱缺失的问题,本研究提出了一种基于改进的翻译模型(Improved Translation Model,Trans IE)的知识图谱补全策略。该方法旨在优化水电一张图中数据的预测链接,将实体间的关系映射到模空间的转换中,更加明确和严格地描述设备特征与故障根因之间的关联。本文以湖南某水电厂的实际故障数据为基础,用以验证所提模型在处理水电机组知识图谱补全任务中的有效性,结果展示了Trans IE模型在处理复杂关系模式时强大的推理能力。
(3)计及水电机组故障样本关联性较差问题,本研究提出了一种基于IF-RCNN的故障诊断策略。在保持参数数量不变的前提下,融合残差网络于快速区域级神经网络模型结构中,有效地增加了网络深度,进而获得了更为丰富的特征表示。IF-RCNN网络模型不仅提升了对深层次故障信息的捕获能力,还增强了模型对数据噪声和干扰的鲁棒性。仿真结果表明该方法处理水电机组中大规模和多样化的数据的适用性。