《Energies》:Thermal Intelligence for Hydro-Generators: Data-Driven Prediction of Stator Winding Temperature Under Real Operating Conditions
Zangpo,
Munira Batool and
Imtiaz Madni
编辑推荐:
水电仍然是发电的主要来源之一。由于具有快速、易启动和停机能力,它既可以作为基荷电厂,也可以作为峰荷电厂运行。然而,新旧电厂都需要优化运行和维护,以满足能源需求并最大化经济效益。缺乏数字控制系统(如监控与数据采集系统(SCADA))的老电厂无法利用包括大数据和人
水电仍然是发电的主要来源之一。由于具有快速、易启动和停机能力,它既可以作为基荷电厂,也可以作为峰荷电厂运行。然而,新旧电厂都需要优化运行和维护,以满足能源需求并最大化经济效益。缺乏数字控制系统(如监控与数据采集系统(SCADA))的老电厂无法利用包括大数据和人工智能(AI)在内的新兴技术,而拥有某种形式数据采集系统的新电厂或已有电厂则具备利用更先进平台进行高效运行、监测和故障诊断的优势。因此,本研究选择了人工神经网络(ANN)——一种机器学习(ML)算法——作为案例研究方法,通过选择六个可能影响发电机定子温度的参数来预测其运行温度。研究人员使用来自不丹336 MW Chhukha水电站(CHP)的真实数据训练ANN。在MATLAB?中使用ANN进行温度预测,得到了96.8%的R2(相关系数),这令人印象深刻,但可以通过增加数据量和复杂性,利用各种优化和调优方法进一步提高。研究人员将ANN预测的性能与其他回归模型进行了验证,发现ANN优于它们。这证明了其在故障发生前预测和检测发电机温度故障的能力,从而提高了水电运行与维护(O&M)效率。还通过沙普利加法解释(SHAP)对模型进行了解释。
**论文解读文章**
**研究背景**
水电在全球电力结构中占据重要地位,占总发电量的14.3%,并随着抽水蓄能和小水电的发展持续增长。然而,水电厂的运行与维护(O&M)面临严格电网承诺的挑战,需要借助技术进步提升效率。老电厂(如不丹Chhukha水电站,1986年投运)缺乏完整的监控与数据采集系统(SCADA),无法充分利用大数据和人工智能(AI)技术。传统的基于物理和规则的监测工具能检测阈值、参数梯度及异常,但难以处理复杂、高维、非线性的数据,尤其在涉及水文和机电不确定性时。因此,需要一种能够从多维运行数据中学习并预测关键参数(如定子绕组温度)的机器学习方法,以实现早期故障检测和预测性维护。人工神经网络(ANN)因其对非线性、多模态数据的良好泛化能力,以及从浅层到深度神经网络(DNN)的可扩展性,成为本研究的理想选择。
**研究内容与结论**
研究人员以不丹Chhukha水电站的4×84 MW机组为研究对象,利用2022年全年每小时运行数据(共61,320个数据点)训练ANN模型,并用2023年的8,750个数据点进行测试。预测目标为定子槽13温度。通过比较其他回归模型(如决策树(DT)、线性回归(LR)、支持向量机(SVM)、集成学习、高斯过程回归(GPR)和核回归),ANN表现最优:决定系数(R2)达94.1%,均方根误差(RMSE)低于2.4%。测试集相关系数(R)达97.01%(Levenberg–Marquardt算法)和97.3%(贝叶斯正则化算法)。特征重要性分析(通过沙普利加法解释(SHAP))显示发电机功率贡献最大(>40%)。研究表明,ANN能有效预测定子温度趋势,为故障预警和运行优化提供支持。论文发表在《Energies》期刊上,为缺乏数字化的老电厂提供了机器学习应用蓝图。
**主要技术方法**
研究人员采用人工神经网络(ANN)作为核心模型,使用Levenberg–Marquardt(L-M)和贝叶斯正则化(BR)两种训练算法。数据来自不丹Chhukha水电站(4×84 MW),采集Unit-1的2022年每小时运行数据,包含发电功率、UGB振动、发电机端电流、冷却水系统参数(发电机空气冷却器压力、冷却水滤器入口/出口压力)及定子槽13温度。缺失值通过k-最近邻(kNN)法(k=5)填充,数据经Z-score标准化。模型评估指标为决定系数(R2)和均方根误差(RMSE)。与其他回归模型(决策树(DT)、线性回归(LR)、支持向量机(SVM)、集成学习(装袋树)、高斯过程回归(GPR)、核回归(最小二乘回归))进行性能比较,并通过沙普利加法解释(SHAP)进行特征可解释性分析。
**研究结果**
- **ANN预测响应**:通过Levenberg–Marquardt(L-M)和贝叶斯正则化(BR)训练,ANN在训练、验证和测试中均表现出强泛化能力。L-M的相关系数(R)超过0.955,BR略高,但BR训练迭代次数达868次,远高于L-M的17次,表明BR时间成本更高。
- **训练方法对比**:L-M训练的R2为94.1%,RMSE为2.4%;BR训练的R2为94.6%,RMSE为2.3%。BR性能略优,但训练时间显著增加。
- **外部测试集验证**:使用2023年8,750个数据点测试,L-M和BR分别获得97.01%和97.3%的R值,预测值与实际值趋势吻合良好。
- **与其他模型比较**:ANN的R2和RMSE(94.1%,2.4%)优于集成学习(92.2%,2.0%)、SVM和DT(各90.3%,2.3%)、GPR(90.1%,2.3%)及核回归(79.2%,3.2%),证实ANN在处理真实水电站多维非线性数据时的优越性。
- **特征重要性(SHAP)**:发电机功率贡献>40%,冷却水滤器入口压力次之,发电机端电流第三,而冷却水滤器出口压力影响最小(约7%)。SHAP蜂群图显示所有特征对预测既有正向也有负向贡献,反映了实际影响强度。
**讨论与结论**
讨论部分指出,ANN预测值与实际值的误差可用于趋势分析和故障检测,即使存在数据尖峰,模型仍能保持良好泛化。L-M和BR的权衡在于性能与训练时间。与其他模型对比显示ANN最具潜力,但数据缺失(如环境温度、冷却水温度、励磁参数)限制了进一步优化。未来需改进数据采集系统和引入智能传感器。研究结论翻译如下:研究人员在MATLAB?中使用真实水电站运行参数成功训练、验证和测试了人工神经网络。结果表明,ANN学习了输入信号的非线性动力学,从而输出发电机定子温度预测。在训练、验证和测试中R > 0.97,R2达94.1%,展现出强泛化能力,可在实际故障发生前预测趋势和故障。考虑到Chhukha水电站数据有限(因负荷需求、流量波动、维护等导致数据缺失),其RMSE和R2表现值得肯定。若数据缺失更少、结构更优且异常值更少,性能可进一步提升。与其他模型(SVM、DT、集成、GPR、核、LR)比较,ANN表现最佳,集成学习次之(R2=94.1%,RMSE=2.0%)。通过SHAP进行的特征交互解释表明所有特征均对预测有正负贡献。预测发电机定子温度仅是ANN在水电领域应用的一例,未来可扩展至电厂运行控制、水库管理、洪水预报、发电优化、故障检测及预测性维护,使水电系统更智能、安全、高效。后续研究可加入环境温度、冷却水温度与流量、励磁参数等,并通过混合优化和集成智能系统(如图像处理、物联网、区块链)进一步提升模型性能。