(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110651612.7 (22)申请日 2021.06.12 (71)申请人 国网东北分部绿源水力发电公司检 修公司 地址 118000 辽宁省丹东市振兴区兴一路 1-1号 (72)发明人 梁雪山　赵欣然　秦爽　徐兴伟　 曲洪钧　于群　谭诚　徐同科　 丛晓兵　金文宝　陈铁男　房栋梁　 陈超　高世东　张建军　罗希军　 孙海　闫广志　徐向东　安胜东　 孙壮　于闯　安斌　梁志　郭桉麟　 史恩泽　李骅峻　梁子正　罗敏嘉　 孙可　赵中晖　于之川　刘筱靓　 赵玉璐　(51)Int.Cl. F03B 11/00(2006.01) F03B 3/00(2006.01) G06F 30/27(2020.01) (54)发明名称 一种基于Lightgbm的水轮机组轴线轨迹异 常检测方法 (57)摘要 水轮机组轴线轨迹是表征水轮机是否正常 运行的关键参量， 轴线运行状态异常直接影响水 轮机组运行状态， 对水利发电质量产生不利影 响。 本发明公开了一种基于Lightgbm的水轮机组 轴线轨迹异常检测方法。 其特点是， 首先， 根据盘 车数据抽取关键属性表征轴线的状态， 构建轴线 轨迹表征数据集； 然后， 采用核主成分分析方法 对数据进行降维和去冗余处理， 提升检测精度和 效率； 最后， 采用正则损失函数优化的Lightgbm 算法对水轮机组轴线状态进行异常诊断。 使用本 发明提出的水轮机组轴线轨迹异常检测方法可 以获得97.18％的检测精度。 该方法科学合理， 准 确性和实时性较高， 对保障水轮机组的正常运行 有重要意 义。 权利要求书3页 说明书6页 附图3页 CN 115467773 A 2022.12.13 CN 115467773 A 1.本发明的目的是： 提升水轮机组轴线轨迹异常检测效率和精度。 为水轮机组的状态 感知提供一种智能的手段， 保障水轮机组安全稳定的运行。 2.一种基于L ightgbm的水轮机组轴线轨 迹异常检测方法。 其特 征是， 它包括的内容有： 步骤1， 从历史盘车数据中抽取最能表征水轮机组轴 线状态的若干特征， 构建水轮机组 轴线轨迹结构化数据， 为水轮机组轴线轨 迹异常检测提供 数据支持。 步骤2， 基于核主成分分析(Kernel  principal  component  analysis,KPCA)算法设计 水轮机组轴线轨迹结构化数据特征提取方法， 通过在特征空间内的核映射以及投影变换， 实现降维和去冗余的目的， 提升水轮机组轴线轨 迹异常检测的效率和精度。 步骤3， 构建Lightgbm集成学习分类器， 检测水轮机组的轴线轨迹是否异常， 在损失函 数中加入正则化项来降低模型过拟合的风险， 使模型对水轮机组轴线异常轨迹结果更加可 靠、 稳定。 步骤4， 采用步骤2得到 的降维后盘车数据， 训练步骤3得到 的改进Lightgbm算法， 经盘 车数据驱动后获取水轮机组轴线轨迹异常检测模型， 该模型可以对水轮机组轴线异常轨迹 进行的智能、 动态化检测。 3.根据权利要求2所述的一种基于Lightgbm的水轮机组轴线轨迹异常检测方法， 其特 征在于， 所述 步骤1具体包括： 水轮机组盘车数据分为X， Y轴两个方向， 每个方向各有8个测点； X轴方向盘车获取192 个状态量， Y轴方向盘车获取184个状态量， 共包含376个状态 量； 为了简化数据复杂程度， 抽 取测量值的操作油管上以及操作油管下的8个点位， 共32个关键状态组成结构化数据集， 为 机器学习算法提供 数据支持。 4.根据权利要求3所述的一种基于Lightgbm的水轮机组轴线轨迹异常检测方法， 其特 征在于， 所述 步骤2具体包括： KPCA可以将数据通过非线性映射转换到高维特征空间， 然后在此高维空间中使用标准 PCA算法将其映射到另外一个低维空间中， 使数据呈现线性可分的特 征； KPCA算法原理如下， 对于 数据集{xi,i＝1,2,...,n}， 对其协方差矩阵 进 行特征分解后如公式(1)所示： φ(X)φ(X)Twj＝ λjwj     (1) 其中， 为D×1维的高维映射样本向量(D≥d)， λJ(J＝1,2,...,d)为协 方差矩阵C的 特征值， wj对应的D×1维向量且 用高维特 征向量 表示特征向量wj， wj计算方式如公式(2)所示： 其中， α为n ×1维列向量； 将公式(2)代入到公式(1)， 公式两边同时乘以φ(X)T得公式 (3). φ(X)Tφ(X)φ(X)Tφ(X)α ＝ λJφ(X)Tφ(X)α               (3) 定义核函数如公式(4)所示： K＝φ(X)Tφ(X)＝(ki,j)n×n                     (4)权　利　要　求　书 1/3 页 2 CN 115467773 A 2其中K为n×n维核函数矩阵， 将 带入到公式(3)可 得公式(5)： 求解公式(5)可得α ＝( α1, α2,..., αn)T,且对于任意样本x， 将其高维映射到wj方向进行 投影得到x降维后的新特 征xnew,xnew如公式(6)所示： 5.根据权利要求4所述的一种基于Lightgbm的水轮机组轴线轨迹异常检测方法， 其特 点在于， 所述 步骤3具体包括： 对于第m棵决策树， 对于Lightgbm算法， 损失函数一般是对数损失函数， 如公式(7)所 示： 其中， Fm‑1(xi,Am‑1)表示由前m ‑1棵树组成的模型在参数为Am‑1的条件下对输入xi的预测 值， Am‑1包括了前m ‑1棵树的参数a1,...,am‑1， L(yi,Fm‑1(xi； Am‑1))是描述真实值yi与当前模 型预测值误差的函数； 改进后的第m棵树的损失函数为如公式(8)所示： 其中， λ是正则化系数； λ 除以二是为了和平方项 求导后相互抵消， 简化计算； 系数αi如公 式(9)所示： 其中， yi＝0表示稳定样本， yi＝1表示失稳样本； c是一个大于 1的常数， 具体计算方式和 样本类别比例有关。 6.根据权利要求5所述的一种基于Lightgbm的水轮机组轴线轨迹异常检测方法， 其特 点在于， 所述 步骤4具体包括： 步骤401， 根据步骤1所述的盘车结构化数据集构 建， 收集历史盘车数据， 抽取最具代表 性的若干特 征表征故障前后轴线状态； 步骤402， 根据步骤2所述的基于KPCA的盘车数据特征提取方法， 将数据通过非线性映 射转换到高维特征空间， 在此高维空间中使用标准PCA算法将其映射到另外一个低 维空间 中， 使数据呈现线性可分的特 征； 步骤403， 根据步骤3所述基于集成学习的水轮机组轴线异常轨迹检测方法， 对传统的 Lightgbm算法的损失函数进行改进， 在原来的函数中加入正则化项来减少过拟合； 步骤404， 结合步骤401、 402、 403提出的方案， 设计一种水轮机组轴线故障检测方法模 型KPCA‑Lightgbm(K FLGB)。 7.本发明提出的水轮机组轴线异常轨迹检测方法， 首先依据历史盘车数据构建结构化权　利　要　求　书 2/3 页 3 CN 115467773 A 3