導(dǎo)航：安全管理網(wǎng)>> 安全論文>> 電力安全論文>>正文

基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究

文檔作者：段煉達(dá)，劉曉波文檔來(lái)源：中國(guó)水利水電科學(xué)研究院北京中水科水電科技開(kāi)發(fā)有限公司		點(diǎn) 擊數(shù)：	更新時(shí)間： 2024年03月05日
下載地址：點(diǎn)擊這里	文件大?。?1.16 MB 共5頁(yè)	文檔格式： PDF	下載點(diǎn)數(shù)： 1 點(diǎn)（VIP免費(fèi)）

全屏查看

內(nèi)容預(yù)覽 [文件共5頁(yè)]

本文件共5頁(yè)，如需編輯使用，請(qǐng)下載。

注：預(yù)覽效果可能會(huì)出現(xiàn)部分文字亂碼（如口口口）、內(nèi)容顯示不全等問(wèn)題，下載是正常的。

	文件大?。?.16 MB 共5頁(yè) 文件格式：PDF 下載點(diǎn)數(shù)：1 點(diǎn)（VIP會(huì)員免費(fèi)）

下一篇：土石壩安全的集對(duì)分析-可變模糊集評(píng)價(jià)模型

上一篇：夾巖水利樞紐壩后電站裝機(jī)方案及選型設(shè)計(jì)

文本預(yù)覽

僅提取頁(yè)面文字內(nèi)容，供快速閱讀使用。

第15卷第6期
2017年12月
中國(guó)水利水電科學(xué)研究院學(xué)報(bào)v。1．15 N0．6
Joumal of China Institute of Water Resources and Hydropower Research Decembe。，2017
文章編號(hào)：1672—3031(2017)06一0439—05
基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究
段煉達(dá)，劉曉波
(中國(guó)水利水電科學(xué)研究院北京中水科水電科技開(kāi)發(fā)有限公司，北京lO0038)
摘要：水電廠積累的海量生產(chǎn)數(shù)據(jù)對(duì)發(fā)電機(jī)故障預(yù)測(cè)具有重要價(jià)值。本文采用蒙特卡洛方法對(duì)擺度大數(shù)據(jù)分析處
理以進(jìn)行故障預(yù)測(cè)。選取了某水電廠水輪發(fā)電機(jī)下導(dǎo)軸承擺度x峰峰值作為研究對(duì)象，在處理453 601組擺度數(shù)
據(jù)時(shí)，選取3種典型工況進(jìn)行研究。引入歸一化加權(quán)平均值作為統(tǒng)計(jì)量，使用蒙特卡洛方法進(jìn)行分析，發(fā)現(xiàn)該統(tǒng)
計(jì)量服從正態(tài)分布。通過(guò)監(jiān)測(cè)該統(tǒng)計(jì)量的實(shí)時(shí)值，依據(jù)正態(tài)分布3盯準(zhǔn)則對(duì)水輪發(fā)電機(jī)工作狀態(tài)做出定性評(píng)價(jià)，
依據(jù)計(jì)算出的概率P值對(duì)水輪發(fā)電機(jī)工作狀態(tài)定量評(píng)價(jià)，利用這些評(píng)價(jià)可以進(jìn)行故障預(yù)測(cè)。
關(guān)鍵詞：大數(shù)據(jù)；水電廠；機(jī)器學(xué)習(xí)；蒙特卡洛方法；故障預(yù)測(cè)；擺度
中圖分類(lèi)號(hào)：TP206．+3 文獻(xiàn)標(biāo)識(shí)碼：A doi：10．13244，i．cn ki．iiwhr．2017．06．005
1 研究背景
“大數(shù)據(jù)”一詞由未來(lái)學(xué)家托夫勒(Alvin Tomer)在《第三次浪潮》中提出。盡管至今仍然沒(méi)有“大數(shù)
據(jù)”的準(zhǔn)確定義，但維克托·邁爾一舍恩伯格(viktor Mayer—sch6nberger)和肯尼斯·克耶(Kenneth cuki．
er)在其合著的《大數(shù)據(jù)時(shí)代》中提出“大數(shù)據(jù)”具有4V特點(diǎn)：Volume(數(shù)據(jù)量大)、Velocity(輸入和處理
速度快)、Varietv(數(shù)據(jù)多樣性)、Value(價(jià)值密度低)，已得到普遍認(rèn)可。
近年來(lái)我國(guó)水電機(jī)組單機(jī)容量不斷增長(zhǎng)，對(duì)水電廠安全生產(chǎn)提出了更高的要求。水電廠運(yùn)行過(guò)
程中產(chǎn)生了海量的監(jiān)控?cái)?shù)據(jù)。這些數(shù)據(jù)無(wú)論按照何種技術(shù)儲(chǔ)存，都會(huì)以每年上百TB的速度增加，而
隨著時(shí)間的推移，數(shù)據(jù)的價(jià)值將發(fā)生變化?。水電廠歷史數(shù)據(jù)庫(kù)中包含著豐富的機(jī)組信息，可以為故
障預(yù)測(cè)提供決策依據(jù)。盡管“大數(shù)據(jù)”的定義沒(méi)有統(tǒng)一，但筆者認(rèn)為電廠的海量數(shù)據(jù)就是“大數(shù)據(jù)”。
采用什么方法對(duì)水電廠進(jìn)行大數(shù)據(jù)分析、怎樣進(jìn)行分析，都是值得深入研究的問(wèn)題。流行觀點(diǎn)認(rèn)為
“大數(shù)據(jù)”是無(wú)法通過(guò)目前主流軟件工具在合理時(shí)間內(nèi)采集、存儲(chǔ)、處理的數(shù)據(jù)集，但仍可以采用大
數(shù)據(jù)與小數(shù)據(jù)結(jié)合的方法來(lái)處理問(wèn)題怛1。AlphaGo在解決圍棋問(wèn)題中采用了蒙特卡洛方法與樹(shù)搜索相
結(jié)合的方法[31，因此本文也采用蒙特卡洛方法分析研究水電廠發(fā)電機(jī)擺度大數(shù)據(jù)，用于發(fā)電機(jī)故障預(yù)
測(cè)。
2水電廠的大數(shù)據(jù)故障預(yù)測(cè)方法的探索
故障預(yù)測(cè)是在故障診斷的基礎(chǔ)上發(fā)展起來(lái)的，目前故障預(yù)測(cè)的研究尚在發(fā)展之中。在故障診斷
中，有很多處理監(jiān)控?cái)?shù)據(jù)的方法。比較傳統(tǒng)的方法有機(jī)器學(xué)習(xí)方法、信號(hào)處理方法、多元統(tǒng)計(jì)分析
方法等。H1
機(jī)器學(xué)習(xí)類(lèi)故障診斷方法基本思路是根據(jù)正常和故障狀態(tài)下的數(shù)據(jù)作為訓(xùn)練集，利用神經(jīng)網(wǎng)絡(luò)
或支持向量機(jī)¨1等算法來(lái)判別生產(chǎn)狀態(tài)是否正常。由于在實(shí)際生產(chǎn)中缺乏故障狀態(tài)的樣本數(shù)據(jù)，造成
該方法無(wú)法應(yīng)用于水電廠監(jiān)控?cái)?shù)據(jù)的處理。信號(hào)處理類(lèi)故障診斷方法是對(duì)監(jiān)控?cái)?shù)據(jù)進(jìn)行譜分析或小
波變換，提取與故障相關(guān)的時(shí)域或頻域特征，從而為故障診斷提供依據(jù)M。。該方法可用于早期故障的
收稿日期：2016一12—27
作者簡(jiǎn)介：段煉達(dá)(199l一)，男，河南南陽(yáng)人，碩士生，主要從事水電廠自動(dòng)化及計(jì)算機(jī)監(jiān)控系統(tǒng)研究。
E—mail： duanlianda@qq．com
一439—
萬(wàn)方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究段煉達(dá)劉曉波
診斷、突變故障的檢測(cè)，但是無(wú)法進(jìn)行故障預(yù)測(cè)。多元統(tǒng)計(jì)分析類(lèi)故障診斷方法根據(jù)歷史數(shù)據(jù)利用
多個(gè)變量之間的相關(guān)性進(jìn)行故障診斷。基于該方法進(jìn)行故障診斷算法簡(jiǎn)單，易于實(shí)現(xiàn)。但是，診斷
出來(lái)的故障物理意義不明確，難以解釋故障原因?！?。
蒙特卡洛方法是近年來(lái)逐漸引起關(guān)注的數(shù)理統(tǒng)計(jì)方法，加之以上故障診斷方法的啟發(fā)，本文嘗
試使用蒙特卡洛方法對(duì)水電廠大數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到某項(xiàng)隨機(jī)變化的指標(biāo)對(duì)應(yīng)的概率分布。從
而依據(jù)該分布來(lái)定量評(píng)估生產(chǎn)狀態(tài)，可以為故障預(yù)測(cè)提供依據(jù)。該方法的優(yōu)點(diǎn)是：無(wú)需故障數(shù)據(jù)，
而且可以根據(jù)某項(xiàng)指標(biāo)定量評(píng)判設(shè)備的健康狀態(tài)。
3蒙特卡洛方法
蒙特卡洛方法的基本原理是使用隨機(jī)抽樣的方法從隨機(jī)變量的概率分布中抽樣，產(chǎn)生隨機(jī)變量
的樣本值，確定統(tǒng)計(jì)量與隨機(jī)變量的函數(shù)關(guān)系，重復(fù)進(jìn)行模擬實(shí)驗(yàn)，由隨機(jī)變量的樣本值得到統(tǒng)計(jì)
量的取值n1；通過(guò)大量的統(tǒng)計(jì)量的取值便可以得出統(tǒng)計(jì)量的概率分布和數(shù)學(xué)特征[81。
下面先將歸一化加權(quán)平均值統(tǒng)計(jì)量b1引入水電廠大數(shù)據(jù)處理中，然后進(jìn)行蒙特卡洛模擬，最后根
據(jù)模擬結(jié)果進(jìn)行分析。
3．1 隨機(jī)變量同一工況下，以水輪發(fā)電機(jī)旋轉(zhuǎn)周期為采樣間隔采集擺度數(shù)據(jù)(擺度數(shù)據(jù)為下導(dǎo)擺度
X峰峰值，以下簡(jiǎn)稱(chēng)擺度)，則擺度可視作是相互獨(dú)立且具有相同分布規(guī)律的隨機(jī)變量。記擺度為
x，第i次采樣得到的擺度值記作x．，則根據(jù)中心極限定理大量擺度值的均值賈近似服從正態(tài)分布。
可以根據(jù)大量的采樣值估計(jì)出該正態(tài)分布的參數(shù)。本文以大量擺度值的均值作為隨機(jī)變量，記作y。
3．2統(tǒng)計(jì)量一種統(tǒng)計(jì)量只會(huì)從特定的角度揭示數(shù)據(jù)的部分特征n?，因此需要更多性能優(yōu)良的統(tǒng)計(jì)
量。歸一化加權(quán)平均值的加權(quán)值計(jì)算方法靈活、適用性強(qiáng)，而且可以在不提高硬件成本的前提下實(shí)
現(xiàn)測(cè)量精度的提高一3，因此采用歸一化加權(quán)平均值作為本文使用的統(tǒng)計(jì)量。歸一化加權(quán)平均值計(jì)算方
法如下：
測(cè)量得到一組擺度數(shù)據(jù)，數(shù)據(jù)數(shù)量為m×n，即置，i∈【l，mn】，歸一化加權(quán)平均值統(tǒng)計(jì)量z的計(jì)
算公式如下：
z=Σ畫(huà)?！畒i (1)
i=1
yyt。2=i去二Σ戈戈』川+(HHhh L(z2)J
其中：丘。為y。對(duì)應(yīng)的歸一化加權(quán)值；y；為n個(gè)擺度數(shù)據(jù)的均值；m為計(jì)算z所需要的均值yi的數(shù)
量。具體算法如下：
(1)求得yi的平均值穸；
(2)計(jì)算y。相對(duì)于平均值羅的偏差量△兒，即：
△y。=y。一羅(3)
(3)將偏差量△yi代人權(quán)值函數(shù)廠(z)得到△丘。，即：
△丘。=，(△y。) (4)
(4)再對(duì)△丘i進(jìn)行歸一化處理得到加權(quán)值a，，即：
△五
丘。=i—L (5)
Σ舳。
￡2l
(5)由加權(quán)值得到加權(quán)平均值z(mì)，即：
。=Σ丘。·y。(6)
一440—
萬(wàn)方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究段煉達(dá)劉曉波
(6)權(quán)值函數(shù)廠(z)取為如下形式：
／(z)=l÷^ 一lI (7)
l+ei
按照以上步驟可以得到歸一化加權(quán)平均值統(tǒng)計(jì)量，然后使用計(jì)算機(jī)進(jìn)行蒙特卡洛模擬。
3．3蒙特卡洛模擬通過(guò)計(jì)算機(jī)按照分布規(guī)律進(jìn)行隨機(jī)抽樣得到大量的擺度均值yi，再通過(guò)3．2節(jié)
計(jì)算得出對(duì)應(yīng)統(tǒng)計(jì)量的值。，進(jìn)而得出統(tǒng)計(jì)量z的直方圖和基于核密度估計(jì)的概率密度函數(shù)曲線，為
評(píng)估機(jī)組狀態(tài)提供依據(jù)。傳統(tǒng)方法通過(guò)設(shè)置閾值簡(jiǎn)單判斷水輪發(fā)電機(jī)的擺度數(shù)據(jù)是否越限，本文方
法結(jié)合統(tǒng)計(jì)規(guī)律判斷數(shù)據(jù)是否正常，是否更加合理。具體步驟詳見(jiàn)實(shí)例分析。
4實(shí)例分析
以并網(wǎng)條件下某水電廠的一臺(tái)水輪發(fā)電機(jī)為實(shí)例，按照時(shí)間間隔為12 s取得453 60l組擺度數(shù)
據(jù)。為分析數(shù)據(jù)方便起見(jiàn)，對(duì)數(shù)據(jù)進(jìn)行如下處理，選取3種工況數(shù)據(jù)進(jìn)行分析研究：
工況l：水頭在215 m～216 m、有功功率在9l％額定功率附近的3 840組數(shù)據(jù)；
工況2：水頭在213 m～215 m、有功功率在90．9％額定功率附近的7 10l組數(shù)據(jù)；
工況3：水頭在216 m～217 m、有功功率在88．8％額定功率附近的2 66l組數(shù)據(jù)。
使用MATLAB得到擺度頻數(shù)直方圖，如圖l所示。
25(
20(
15(
輟
葵10(
5(
(
40 160 18
擺度，“m
(1))工況2
擺度頻數(shù)直方圖
20 130 140 150 16
擺度／“m
(c)T：況3
從圖1可以看出3種工況擺度近似服從正態(tài)分布。下面將以工況l為例進(jìn)行分析，其余工況分析
步驟相同因此不再贅述。
． 100
記數(shù)據(jù)為戈．、z：、?、戈。、?、x3啪，取n=100，有)，。=志Σo+。。。(。叫，因?yàn)闀r(shí)間相鄰的數(shù)據(jù)時(shí)
J 2
間間隔是旋轉(zhuǎn)周期的整數(shù)倍，在正常運(yùn)行狀態(tài)下各個(gè)旋轉(zhuǎn)周期的擺度相互獨(dú)立，所以擺度數(shù)據(jù)相互
獨(dú)立，根據(jù)中心極限定理易得y～Ⅳ(肛，盯2)，使用MATLAB對(duì)y進(jìn)行jbtest測(cè)試發(fā)現(xiàn)服從正態(tài)分布。由
樣本值得到)，。、)，：、?、)，38，將此組值分為兩部分，)，I、y：、?、y30作為訓(xùn)練組，y3。、y32、?、y38
作為測(cè)試組。
根據(jù)訓(xùn)練組的數(shù)據(jù)計(jì)算得到樣本均值弘=143．7，樣本方差為盯2=11．9，進(jìn)而得到y(tǒng)~Ⅳ(143．7，11．9)。
根據(jù)y的概率分布進(jìn)行蒙特卡洛模擬，得到y(tǒng)。、y：、?、)，㈣。。。。，按照3．2節(jié)中的算法計(jì)算歸一化加
權(quán)平均值統(tǒng)計(jì)量的值。=F丘．·)，。。m如果取值過(guò)大會(huì)導(dǎo)致數(shù)據(jù)需求量加大，計(jì)算時(shí)間變長(zhǎng)，無(wú)法及時(shí)
j
發(fā)現(xiàn)故障；如果過(guò)小則無(wú)法提高加權(quán)平均值的精度【71，在兼顧實(shí)時(shí)性和精度的前提下取m=5。由此得
到對(duì)應(yīng)的。。、z2、?、z2。0000，進(jìn)而得到z的直方圖，如圖2(a)，其余工況如圖2(b)(c)。
根據(jù)核密度估計(jì)得出其概率密度函數(shù)曲線，如圖3。
一44l一
" ：合
擺h ?尉憶 岬剮
幻 "
萬(wàn)方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究段煉達(dá)劉曉波
38 142 146 150 154
：，Um
(a)I：況1
42 146 150
=，um
1j況l
4l 2 142 142．4 142．8
：，LLm
)丁況2
量z直力’同
6 142 142．4 142．8
：／um
(h)I：況2
az概率密度函數(shù)圖像
2
1．8
】．6
1．4
觀察圖3猜想該統(tǒng)計(jì)量近似服從正態(tài)分布，通過(guò)jbtest測(cè)試發(fā)現(xiàn)統(tǒng)計(jì)量z服從正態(tài)分布。因此，
可以參照正態(tài)分布的3盯準(zhǔn)則制定評(píng)價(jià)標(biāo)準(zhǔn)。
(1)當(dāng)檢測(cè)值處于[肛一盯，肛+盯]區(qū)間內(nèi)時(shí)，判定水輪發(fā)電機(jī)狀態(tài)為A(狀態(tài)優(yōu))；
(2)當(dāng)檢測(cè)值處于[肛一2盯，肛一盯]u[p+盯，肛+2盯]區(qū)間內(nèi)時(shí)，判定水輪發(fā)電機(jī)狀態(tài)為B(狀態(tài)良)；
(3)當(dāng)檢測(cè)值處于[肛一3盯，p一2盯]u[肛+2盯，肛+3盯]區(qū)間內(nèi)時(shí)，判定水輪發(fā)電機(jī)狀態(tài)為C(狀態(tài)
一般)；
(4)其他區(qū)域時(shí)，判定水輪發(fā)電機(jī)狀態(tài)為D(狀態(tài)異常)。
在此引入概率P值，P值是一種在原假設(shè)為真的前提下出現(xiàn)觀察樣本以及更極端情況的概率，原
假設(shè)為水輪發(fā)電機(jī)組狀態(tài)正常。按照正態(tài)分布近似計(jì)算檢測(cè)值對(duì)應(yīng)的尸值，以此作為定量評(píng)判的標(biāo)
準(zhǔn)，P值越小說(shuō)明水輪發(fā)電機(jī)狀態(tài)越不正常。計(jì)算得到工況1時(shí)進(jìn)行兩次測(cè)試得到的檢測(cè)值對(duì)應(yīng)的尸
值分別為0．5710、0．6480，：r：況2時(shí)進(jìn)行兩次測(cè)試P值分別為0．9527、0．888l，工況3時(shí)進(jìn)行一次測(cè)試
JP值為0．7026。根據(jù)測(cè)試組數(shù)據(jù)得到的3種工況統(tǒng)計(jì)量的檢測(cè)值均在[肛一盯，肛+盯]區(qū)間內(nèi)，如圖4所
示，即水輪發(fā)電機(jī)狀態(tài)為A。根據(jù)上述評(píng)價(jià)標(biāo)準(zhǔn)以及圖4，通過(guò)檢測(cè)值可以判斷發(fā)電機(jī)狀態(tài)。
／
34 1 38 142 146 150 154
z，um
(a)r況l
42 142．4 142．8
0，LLnl
，)I：況2
綜合評(píng)價(jià)圖
6
統(tǒng)
4
鞫 2
2●8
6
4
2
0
●
O
O
O
O
一¨l廠
J，IJl●j
一
～
～
～
～
五
5
2
5
●
5
04
王
卜
m
卜
一。1廠
一弛 _) ^■ 恥Ⅲ
0
2
8
6
4，一，8
6
4
2
0
巧
腱
”
¨
∞
0
O
O
0
一¨l，
6
4
扎
圖
2
萬(wàn)方數(shù)據(jù)
基于擺度大數(shù)據(jù)的水輪發(fā)電機(jī)故障預(yù)測(cè)方法研究段煉達(dá)劉曉波
5 結(jié)論
本文采用蒙特卡洛方法，根據(jù)3種典型工況水輪發(fā)電機(jī)擺度大數(shù)據(jù)，得出歸一化加權(quán)統(tǒng)計(jì)量的概
率分布。根據(jù)歸一化加權(quán)平均值統(tǒng)計(jì)量檢測(cè)值處于的區(qū)間，可以定性判斷發(fā)電機(jī)的工作狀態(tài)。另
外，根據(jù)該檢測(cè)值的P值，可以定量評(píng)價(jià)發(fā)電機(jī)的工作狀態(tài)。無(wú)需使用故障數(shù)據(jù)，通過(guò)以上的定性
分析和定量計(jì)算即可對(duì)水輪發(fā)電機(jī)進(jìn)行故障預(yù)測(cè)。另外，這種擺度大數(shù)據(jù)的處理方法可以應(yīng)用到水
電廠其他大數(shù)據(jù)的處理中，具有較大的參考價(jià)值。
參考文獻(xiàn)：
[ 2]
[ 3 ]
[4]
[ 5 ]
[ 6]
[ 7]
[ 8 ]
(9]
[10]
王德文，楊力平．智能電網(wǎng)大數(shù)據(jù)流式處理方法與狀態(tài)監(jiān)測(cè)異常檢測(cè)[J]．電力系統(tǒng)自動(dòng)化，2016，40
(14)：122一128．
李國(guó)杰．對(duì)大數(shù)據(jù)的再認(rèn)識(shí)[J]．大數(shù)據(jù)，2015(1)：l～9．
SILVER D，HUANG A，MADDISON C J，et a1．Mastering the game of Go with deep neural networks and tree
search．【J]．Nature，2016，529：484—489．
周東華，胡艷艷．動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)[J]．自動(dòng)化學(xué)報(bào)，2009，35(6)：748～758．
周葉，唐澍，潘羅平，等．基于支持向量機(jī)的水電機(jī)組軸系運(yùn)行故障診斷及預(yù)測(cè)研究[J]．水利學(xué)報(bào)，
2013，44(S1)：lll—115．
唐擁軍，潘羅平，水電機(jī)組故障診斷系統(tǒng)信號(hào)預(yù)處理[J]．中國(guó)水利水電科學(xué)研究院學(xué)報(bào)，2005，3(3)：
173—178．
康崇祿．蒙特卡羅方法理論和應(yīng)用[M]．北京：科學(xué)出版社，2015．
杜林，袁蕾，熊浩，等．應(yīng)用蒙特卡羅模擬法的電力變壓器熱特性絕緣壽命評(píng)估[J]．高電壓技術(shù)，20lO，
36(4)：856—861．
龍宏波，葉曉慧，譚思煒．歸一化加權(quán)平均值算法在測(cè)量中的應(yīng)用[J]．電光與控制，2010，17(12)：
68—70．
胡儉勇，蘇錦海．一種隨機(jī)性實(shí)時(shí)檢測(cè)方案[J]，計(jì)算機(jī)工程，2009，35(9)：136—138．
Study on fhilure prediction fbr hydro—generator based on big data of run—out Vahle
DUAN Lianda．LIU Xiaobo
L chtn。Instttute《Wnter Resources在nd Hydropo"er Resenrch．Be玨tng 、Q∞3s．Chtn曲
Abstract： The hydropowe‘ plants have accumulated mass production data， which is of great value to fail—
ure prediction． In this paper， the Monte Carlo method is applied to analyze the big data of run—out Value
to predict the failure． The X peak—peak values of the run—out of the lower guide bearing of a hydropower
pknt are taken as 出e invesfigation obiecf． In the trea￡ment of 453，60l sefs of fhe run—ouf vaJue， three
typical operating conditions are selected to study． The normalized weighted aVerage is used as the statistic，
and the Monte Carlo method is adopted to analyze it． It is found that the statistic obeys normal distribu—
tion． By monitoring the real—time value of the statistic， the working status of the hydro—generator is eValuat—
ed qualitatively according to the normal distribution 3盯criterion， and eVaIuated quantitatiVely according to
the calculated probabj】jIy P—value． Failure can be predicted by using these evaluations．
Keywords： big data； hydropower plant； machine learning； Monte Carlo method； failure prediction；
run—out valIle
(責(zé)任編輯：楊虹)

網(wǎng)友評(píng)論 more

電力安全論文最新內(nèi)容

03-04