本发明涉及抽蓄机组健康评估，具体涉及一种抽水蓄能机组轴系姿态预测方法及装置。
背景技术：
1、风电、光伏等新能源发电占比提高后，电网的安全稳定面临新的挑战。抽蓄机组作为重要的调节器，其功能定位、运行模式、运行强度较也随之发生了极大变化，抽水蓄能机组启停频次成倍增长、机组经常需要在稳定区边界运行。
2、抽蓄机组轴系在频繁启停及工况切换过程中受到水力冲击、机械失效和电磁不平衡等因素可能诱发机组异常振动、结构疲劳、电气故障、运行方式破坏等各种故障与事故，危害性极其严重。抽蓄机组主轴在长期运行后姿态会发生扭曲变形，这会严重影响抽蓄机组的运行安全性与可靠性，抽蓄机组轴线是主轴的静态表现，轴线调整是机组安装与检修管理中必不可少的流程，轴线摆度是鉴定机组轴线质量的关键指标。抽蓄机组轴心轨迹是主轴中心的振动轨迹，是主轴在旋转时的动态表现。通过观察和监测轴心轨迹，可以形象、直观地获取设备的运行状况。目前专家学者对于轴心轨迹的研究较为深入，包括轴心轨迹形状识别、轴心轨迹提纯、轴心轨迹特征提取与基于轴心轨迹的故障诊断等，但是鲜有对于旋转状态下的主轴姿态的研究。
技术实现思路
1、为了克服上述缺陷，本发明提出了一种抽水蓄能机组轴系姿态预测方法及装置。
2、第一方面，提供一种抽水蓄能机组轴系姿态预测方法，所述抽水蓄能机组轴系姿态预测方法包括：
3、将当前时段内抽水蓄能机组中轴承的位移波形数据作为预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的输入，得到预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型输出的预测时段内抽水蓄能机组中主轴的曲度；
4、基于所述预测时段内抽水蓄能机组中主轴的曲度分析预测时段内抽水蓄能机组轴系姿态。
5、优选的，所述轴承的位移波形数据包括：上导轴承横向的位移波形数据、上导轴承纵向的位移波形数据、下导轴承横向的位移波形数据、下导轴承纵向的位移波形数据、水导轴承横向的位移波形数据、水导轴承纵向的位移波形数据。
6、优选的，通过电涡流位移传感器获取所述轴承的位移波形数据。
7、进一步的，所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的训练过程包括：
8、获取历史时段内抽水蓄能机组中轴承的位移波形数据，并计算历史时段内轴承的位移波形数据对应的标准化数据；
9、基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度；
10、利用所述历史时段内抽水蓄能机组中轴承的位移波形数据及历史时段内水蓄能机组中主轴的曲度构建训练数据；
11、利用所述训练数据对初始基于注意力机制和长短时记忆网络的卷积神经网络模型进行训练，得到所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型。
12、进一步的，所述历史时段内轴承的位移波形数据对应的标准化数据如下：
13、xs＝x-μ
14、上式中，xs为历史时段内轴承的位移波形数据对应的标准化数据，x为历史时段内轴承的位移波形数据，μ为历史时段内轴承的位移波形数据均值。
15、进一步的，所述基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度，包括：
16、以水导轴承为原点，主轴方向为z轴，上导轴承横向、下导轴承横向或水导轴承横向方向为x轴，上导轴承纵向、下导轴承纵向或水导轴承纵向方向为y轴构建三维坐标系；
17、将抽水蓄能机组中上导轴承横向的位移波形数据作为上导轴承在三维坐标系中x轴坐标值，上导轴承纵向的位移波形数据作为上导轴承在三维坐标系中y轴坐标值，上导轴承与水导轴承的相对距离作为上导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中上导轴承的三维坐标；
18、将抽水蓄能机组中下导轴承横向的位移波形数据作为下导轴承在三维坐标系中x轴坐标值，下导轴承纵向的位移波形数据作为下导轴承在三维坐标系中y轴坐标值，下导轴承与水导轴承的相对距离作为下导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中下导轴承的三维坐标；
19、将抽水蓄能机组中水导轴承横向的位移波形数据作为水导轴承在三维坐标系中x轴坐标值，水导轴承纵向的位移波形数据作为水导轴承在三维坐标系中y轴坐标值，0作为水导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中水导轴承的三维坐标；
20、基于历史时刻抽水蓄能机组中上、下和水导轴承的三维坐标确定历史时刻水蓄能机组中主轴的曲度。
21、进一步的，所述历史时刻水蓄能机组中主轴的曲度如下：
22、
23、上式中，s为历史时刻水蓄能机组中主轴的曲度，s为上导轴承与水导轴承的相对距离，s′为下导轴承与直线a的垂直距离，所述直线a的端点分别为上导轴承的三维坐标和水导轴承的三维坐标。
24、进一步的，所述上导轴承与水导轴承的相对距离如下：
25、
26、上式中，a上、b上和c上为上导轴承的三维坐标x、y和z轴坐标值，a水、b水和c水为水导轴承的三维坐标x、y和z轴坐标值。
27、进一步的，所述下导轴承与直线a的垂直距离如下：
28、
29、上式中，p上为上导轴承的三维坐标，p下为下导轴承的三维坐标，p水为水导轴承的三维坐标。
30、优选的，所述基于所述预测时段内抽水蓄能机组中主轴的曲度分析预测时段内抽水蓄能机组轴系姿态，包括：
31、当预测时段内抽水蓄能机组中主轴的曲度为正值时，抽水蓄能机组中主轴为外凸姿态，当预测时段内抽水蓄能机组中主轴的曲度为负值时，抽水蓄能机组中主轴为内凹姿态。
32、进一步的，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的卷积神经网络包括：
33、第1层：全连接层，输入特征为6，输出特征为30；
34、第2层：二维卷积层，输入通道为1，输出通道为64，步长为1，卷积核大小为3，采用same填充；
35、第3层：relu激活函数；
36、第4层：二维最大池化层，池化大小为2，步长为1，采用same填充；
37、第5层：二维dropout层，丢弃概率设置为0.3；
38、第6层：长短期记忆网络，输入大小为64*30，隐藏状态大小为256，循环网络层数为1，time_major设置为false；
39、第7层：长短期记忆网络，输入大小为256，隐藏状态大小为128，循环网络层数为1，time_major设置为false；
40、第8层：长短期记忆网络，输入大小为128，隐藏状态带小为64，循环网络层数为1，time_major设置为false；
41、第9层：全连接层，输入特征为64，输出特征为32；
42、第10层：relu激活函数；
43、第11层：全连接层，输入特征为32，输出特征为1。
44、进一步的，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的注意力机制包括：通道注意力模型和空间注意力模型；
45、所述通道注意力模型包括：
46、第1层：二维自适应平均池化层，输出特征图尺寸为1；
47、第2层：二维自适应最大池化层，输出特征图尺寸为1；
48、第3层：二维卷积层；
49、第4层：激活函数relu；
50、第5层：二维卷积层；
51、第6层：激活函数sigmoid；
52、所述空间注意力模型包括：
53、第1层：二维卷积层；
54、第2层：激活函数sigmoid。
55、进一步的，所述通道注意力模型放置于所述卷积神经网络中第3层：relu激活函数之后，所述空间注意力模型放置于所述通道注意力模型之后。
56、第二方面，提供一种抽水蓄能机组轴系姿态预测装置，所述抽水蓄能机组轴系姿态预测装置包括：
57、第一分析模块，用于将当前时段内抽水蓄能机组中轴承的位移波形数据作为预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的输入，得到预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型输出的预测时段内抽水蓄能机组中主轴的曲度；
58、第二分析模块，用于基于所述预测时段内抽水蓄能机组中主轴的曲度分析预测时段内抽水蓄能机组轴系姿态。
59、优选的，所述轴承的位移波形数据包括：上导轴承横向的位移波形数据、上导轴承纵向的位移波形数据、下导轴承横向的位移波形数据、下导轴承纵向的位移波形数据、水导轴承横向的位移波形数据、水导轴承纵向的位移波形数据。
60、优选的，通过电涡流位移传感器获取所述轴承的位移波形数据。
61、进一步的，所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的训练过程包括：
62、获取历史时段内抽水蓄能机组中轴承的位移波形数据，并计算历史时段内轴承的位移波形数据对应的标准化数据；
63、基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度；
64、利用所述历史时段内抽水蓄能机组中轴承的位移波形数据及历史时段内水蓄能机组中主轴的曲度构建训练数据；
65、利用所述训练数据对初始基于注意力机制和长短时记忆网络的卷积神经网络模型进行训练，得到所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型。
66、进一步的，所述历史时段内轴承的位移波形数据对应的标准化数据如下：
67、xs＝x-μ
68、上式中，xs为历史时段内轴承的位移波形数据对应的标准化数据，x为历史时段内轴承的位移波形数据，μ为历史时段内轴承的位移波形数据均值。
69、进一步的，所述基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度，包括：
70、以水导轴承为原点，主轴方向为z轴，上导轴承横向、下导轴承横向或水导轴承横向方向为x轴，上导轴承纵向、下导轴承纵向或水导轴承纵向方向为y轴构建三维坐标系；
71、将抽水蓄能机组中上导轴承横向的位移波形数据作为上导轴承在三维坐标系中x轴坐标值，上导轴承纵向的位移波形数据作为上导轴承在三维坐标系中y轴坐标值，上导轴承与水导轴承的相对距离作为上导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中上导轴承的三维坐标；
72、将抽水蓄能机组中下导轴承横向的位移波形数据作为下导轴承在三维坐标系中x轴坐标值，下导轴承纵向的位移波形数据作为下导轴承在三维坐标系中y轴坐标值，下导轴承与水导轴承的相对距离作为下导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中下导轴承的三维坐标；
73、将抽水蓄能机组中水导轴承横向的位移波形数据作为水导轴承在三维坐标系中x轴坐标值，水导轴承纵向的位移波形数据作为水导轴承在三维坐标系中y轴坐标值，0作为水导轴承在三维坐标系中z轴坐标值，得到历史时刻抽水蓄能机组中水导轴承的三维坐标；
74、基于历史时刻抽水蓄能机组中上、下和水导轴承的三维坐标确定历史时刻水蓄能机组中主轴的曲度。
75、进一步的，所述历史时刻水蓄能机组中主轴的曲度如下：
76、
77、上式中，s为历史时刻水蓄能机组中主轴的曲度，s为上导轴承与水导轴承的相对距离，s′为下导轴承与直线a的垂直距离，所述直线a的端点分别为上导轴承的三维坐标和水导轴承的三维坐标。
78、进一步的，所述上导轴承与水导轴承的相对距离如下：
79、
80、上式中，a上、b上和c上为上导轴承的三维坐标x、y和z轴坐标值，a水、b水和c水为水导轴承的三维坐标x、y和z轴坐标值。
81、进一步的，所述下导轴承与直线a的垂直距离如下：
82、
83、上式中，p上为上导轴承的三维坐标，p下为下导轴承的三维坐标，p水为水导轴承的三维坐标。
84、优选的，所述第二分析模块具体用于：
85、当预测时段内抽水蓄能机组中主轴的曲度为正值时，抽水蓄能机组中主轴为外凸姿态，当预测时段内抽水蓄能机组中主轴的曲度为负值时，抽水蓄能机组中主轴为内凹姿态。
86、进一步的，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的卷积神经网络包括：
87、第1层：全连接层，输入特征为6，输出特征为30；
88、第2层：二维卷积层，输入通道为1，输出通道为64，步长为1，卷积核大小为3，采用same填充；
89、第3层：relu激活函数；
90、第4层：二维最大池化层，池化大小为2，步长为1，采用same填充；
91、第5层：二维dropout层，丢弃概率设置为0.3；
92、第6层：长短期记忆网络，输入大小为64*30，隐藏状态大小为256，循环网络层数为1，time_major设置为false；
93、第7层：长短期记忆网络，输入大小为256，隐藏状态大小为128，循环网络层数为1，time_major设置为false；
94、第8层：长短期记忆网络，输入大小为128，隐藏状态带小为64，循环网络层数为1，time_major设置为false；
95、第9层：全连接层，输入特征为64，输出特征为32；
96、第10层：relu激活函数；
97、第11层：全连接层，输入特征为32，输出特征为1。
98、进一步的，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的注意力机制包括：通道注意力模型和空间注意力模型；
99、所述通道注意力模型包括：
100、第1层：二维自适应平均池化层，输出特征图尺寸为1；
101、第2层：二维自适应最大池化层，输出特征图尺寸为1；
102、第3层：二维卷积层；
103、第4层：激活函数relu；
104、第5层：二维卷积层；
105、第6层：激活函数sigmoid；
106、所述空间注意力模型包括：
107、第1层：二维卷积层；
108、第2层：激活函数sigmoid。
109、进一步的，所述通道注意力模型放置于所述卷积神经网络中第3层：relu激活函数之后，所述空间注意力模型放置于所述通道注意力模型之后。
110、第三方面，提供一种计算机设备，包括：一个或多个处理器；
111、所述处理器，用于存储一个或多个程序；
112、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的抽水蓄能机组轴系姿态预测方法。
113、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的抽水蓄能机组轴系姿态预测方法。
114、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
115、本发明提供了一种抽水蓄能机组轴系姿态预测方法及装置，包括：将当前时段内抽水蓄能机组中轴承的位移波形数据作为预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的输入，得到预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型输出的预测时段内抽水蓄能机组中主轴的曲度；基于所述预测时段内抽水蓄能机组中主轴的曲度分析预测时段内抽水蓄能机组轴系姿态。本发明提供的技术方案，以量化指标评价抽蓄机组轴系姿态的扭曲程度，能够直观的展示抽蓄机组轴系姿态的实时状态以及准确的预测抽蓄机组不同工况下的轴系姿态。
1.一种抽水蓄能机组轴系姿态预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述轴承的位移波形数据包括：上导轴承横向的位移波形数据、上导轴承纵向的位移波形数据、下导轴承横向的位移波形数据、下导轴承纵向的位移波形数据、水导轴承横向的位移波形数据、水导轴承纵向的位移波形数据。
3.如权利要求1所述的方法，其特征在于，通过电涡流位移传感器获取所述轴承的位移波形数据。
4.如权利要求2所述的方法，其特征在于，所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的训练过程包括：
5.如权利要求4所述的方法，其特征在于，所述历史时段内轴承的位移波形数据对应的标准化数据如下：
6.如权利要求5所述的方法，其特征在于，所述基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度，包括：
7.如权利要求6所述的方法，其特征在于，所述历史时刻水蓄能机组中主轴的曲度如下：
8.如权利要求7所述的方法，其特征在于，所述上导轴承与水导轴承的相对距离如下：
9.如权利要求8所述的方法，其特征在于，所述下导轴承与直线a的垂直距离如下：
10.如权利要求1所述的方法，其特征在于，所述基于所述预测时段内抽水蓄能机组中主轴的曲度分析预测时段内抽水蓄能机组轴系姿态，包括：
11.如权利要求4所述的方法，其特征在于，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的卷积神经网络包括：
12.如权利要求4所述的方法，其特征在于，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的注意力机制包括：通道注意力模型和空间注意力模型；
13.如权利要求12所述的方法，其特征在于，所述通道注意力模型放置于所述卷积神经网络中第3层：relu激活函数之后，所述空间注意力模型放置于所述通道注意力模型之后。
14.一种抽水蓄能机组轴系姿态预测装置，其特征在于，所述装置包括：
15.如权利要求14所述的装置，其特征在于，所述轴承的位移波形数据包括：上导轴承横向的位移波形数据、上导轴承纵向的位移波形数据、下导轴承横向的位移波形数据、下导轴承纵向的位移波形数据、水导轴承横向的位移波形数据、水导轴承纵向的位移波形数据。
16.如权利要求14所述的装置，其特征在于，通过电涡流位移传感器获取所述轴承的位移波形数据。
17.如权利要求15所述的装置，其特征在于，所述预先训练的基于注意力机制和长短时记忆网络的卷积神经网络模型的训练过程包括：
18.如权利要求17所述的装置，其特征在于，所述历史时段内轴承的位移波形数据对应的标准化数据如下：
19.如权利要求18所述的装置，其特征在于，所述基于所述标准化数据确定历史时段内水蓄能机组中主轴的曲度，包括：
20.如权利要求19所述的装置，其特征在于，所述历史时刻水蓄能机组中主轴的曲度如下：
21.如权利要求20所述的装置，其特征在于，所述上导轴承与水导轴承的相对距离如下：
22.如权利要求21所述的装置，其特征在于，所述下导轴承与直线a的垂直距离如下：
23.如权利要求14所述的装置，其特征在于，所述第二分析模块具体用于：
24.如权利要求17所述的装置，其特征在于，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的卷积神经网络包括：
25.如权利要求17所述的装置，其特征在于，所述初始基于注意力机制和长短时记忆网络的卷积神经网络模型的注意力机制包括：通道注意力模型和空间注意力模型；
26.如权利要求25所述的装置，其特征在于，所述通道注意力模型放置于所述卷积神经网络中第3层：relu激活函数之后，所述空间注意力模型放置于所述通道注意力模型之后。
27.一种计算机设备，其特征在于，包括：一个或多个处理器；
28.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至13中任意一项所述的抽水蓄能机组轴系姿态预测方法。
