本技术涉及轴瓦温差预测领域，尤其涉及基于多相似度辨识的水轮机上导轴瓦温差预测方法及系统。
背景技术：
1、水力发电过程中往往伴随动力势能、电能等能量之间的转换，关系复杂且多为非线性，水电站电气设备作为电网发电的主要设备，确保其安全稳定运行是首要目标。变压器、发电机组和水泵水轮机作为水电站发电的关键电气设备，正朝着大容量方向发展，但大部分水电站仍需人工值守，自动化程度不高，国内外水电站电气设备引起的事故时有发生，预警设备运行状态趋势，降低事故发生概率是保障水电站安全的重中之重。传统的水电站电气设备检修一般是事后检修或计划检修，事后检修指故障后修理，无法杜绝事故发生；计划检修依照修理计划进行检修，包括正常运行时段，从而造成人力资源的浪费和设备故障率的提高，因此这两类检修方式均存在弊端。
2、为了消除这些弊端，引入状态检修。状态检修即根据先进的监测技术检测到设备实时运行状态与标准参数产生的偏差，从而预警可能发生的故障。状态检修保证了水电站电气设备运行的安全性和电力生产的持续性。电气设备状态趋势预测是状态检修的基础，通过研究设备的结构特性与实时监测的状态参数准确预测未来时刻的设备状态，并对异常情况预警，可提前做好相应的故障检修准备，延长状态检修周期。设备温升和振动猛然加剧是水电站电气设备实际运行中最容易发生的两类情况，若未及时发现异常，随时可能导致设备损坏、停运，并且诱发事故，严重威胁经济效益和安全生产，因此，结合水电站关键电气设备属性特征，利用现代化智能技术对设备温度和振摆状态变量数据进行高效汇集和精准预测，可及时发现设备温度和振摆数据是否异常，当预测值超出电站规定阈值时提前报警，从而提高设备运行的安全性。
3、水电站电气设备状态趋势预测是设备预警的必要步骤，通过对设备关键工况参量的预测，可以判断设备的温度、振摆等属性是否属于正常范畴，提高水电站检修效率。近年来即时学习(jit)方法被广泛应用于电气设备状态趋势预测领域。在jit测量建模中，相似度的定义并不唯一。不同的相似度指标从不同的角度衡量样本之间的相似性。例如，距离相似度是从样本在空间中的距离远近的角度来评估样本的相似程度，距离越近，两个样本之间的相似性越大；反之，距离越小，两个样本之间的相似性越小。角度相似度则根据样本在空间中夹角的大小来衡量样本间的相似程度，角度越小，表明两个样本在空间中的方向越接近，则相似性越强。其他的相似度如相关性相似度、非高斯相似度等，分别从输入输出变量间的相关性和数据的非高斯特性的角度评估样本之间的相似度。由于实际过程的复杂特性，仅从单一角度出发难以充分挖掘过程的丰富信息，使得预测精度较低。因此，亟需从不同的角度评估样本之间的相似性，进而提高预测精度。
技术实现思路
1、本技术提供基于多相似度辨识的水轮机上导轴瓦温差预测方法及系统，以至少解决仅从单一角度出发难以充分挖掘过程的丰富信息，使得预测精度较低的技术问题。
2、本技术第一方面实施例提出一种基于多相似度辨识的水轮机上导轴瓦温差预测方法，所述方法包括：
3、获取待预测水轮机历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差和所述水轮机当前时刻的运行数据，并对所述运行数据、实际温差进行预处理；
4、分别基于预先设置的各相似度函数、所述历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差构建所述水轮机当前时刻的运行数据在各所述相似度函数下筛选出的样本集数据；
5、基于所述各相似度函数下筛选出的样本集数据构建多相似度gpr模型，并确定所述多相似度gpr模型中各子模型的权重；
6、根据所述多相似度gpr模型中各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值。
7、优选的，所述对所述运行数据、实际温差进行预处理，包括：
8、将所述历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差和所述水轮机当前时刻的运行数据进行归一化处理。
9、进一步的，所述预先设置的各相似度函数，包括：
10、欧氏距离相似度函数、马氏距离相似度函数、协方差加权距离相似度函数、角度相似度函数和pearson相关系数函数。
11、进一步的，所述基于所述各相似度函数下筛选出的样本集数据构建多相似度gpr模型，包括：
12、分别基于所述欧氏距离相似度函数下筛选出的样本集数据、所述马氏距离相似度函数下筛选出的样本集数据、所述协方差加权距离相似度函数下筛选出的样本集数据、所述角度相似度函数下筛选出的样本集数据和所述pearson相关系数函数下筛选出的样本集数据构建第一gpr子模型、第二gpr子模型、第三gpr子模型、第四gpr子模型和第五gpr子模型；
13、分别确定所述第一gpr子模型、所述第二gpr子模型、所述第三gpr子模型、所述第四gpr子模型和所述第五gpr子模型对应的均方根误差，并将所述均方根误差从小到大进行排序，选取前a个均方根误差对应的子模型构成所述多相似度gpr模型。
14、进一步的，所述多相似度gpr模型中各子模型的权重的计算式如下：
15、
16、式中，ωm,new为多相似度gpr模型中第m个子模型的权重，为多相似度gpr模型中第m个子模型的输出值，σm,new为多相似度gpr模型中第m个子模型的标准差，m为多相似度gpr模型中子模型的个数，p为调节参数。
17、进一步的，所述根据所述多相似度gpr模型中各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值，包括：
18、将所述水轮机当前时刻的运行数据分别代入到所述多相似度gpr模型中的各子模型中，得到各所述子模型输出的上导轴瓦温差初始值；
19、根据各所述子模型输出的上导轴瓦温差初始值和各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值。
20、优选的，所述运行数据包括：
21、水轮机的机组负荷、坝前水位、坝下水位、毛水头、导叶开度、机组流量、上导轴瓦实时温度、上导轴瓦温度最大值、上导轴瓦温度最小值和上导轴瓦温度极差。
22、本技术第二方面实施例提出一种基于多相似度辨识的水轮机上导轴瓦温差预测系统，包括：
23、获取模块，用于获取待预测水轮机历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差和所述水轮机当前时刻的运行数据，并对所述运行数据、实际温差进行预处理；
24、构建模块，用于分别基于预先设置的各相似度函数、所述历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差构建所述水轮机当前时刻的运行数据在各所述相似度函数下筛选出的样本集数据；
25、第一确定模块，用于基于所述各相似度函数下筛选出的样本集数据构建多相似度gpr模型，并确定所述多相似度gpr模型中各子模型的权重；
26、第二确定模块，用于根据所述多相似度gpr模型中各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值。
27、本技术第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
28、本技术第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。
29、本技术的实施例提供的技术方案至少带来以下有益效果：
30、本技术提出了一种基于多相似度辨识的水轮机上导轴瓦温差预测方法及系统，其中所述方法包括：获取待预测水轮机历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差和所述水轮机当前时刻的运行数据，并对所述运行数据、实际温差进行预处理；分别基于预先设置的各相似度函数、所述历史时段内各时刻的运行数据及历史时段内各时刻的运行数据对应的实际温差构建所述水轮机当前时刻的运行数据在各所述相似度函数下筛选出的样本集数据；基于所述各相似度函数下筛选出的样本集数据构建多相似度gpr模型，并确定所述多相似度gpr模型中各子模型的权重；根据所述多相似度gpr模型中各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值。本技术提出的技术方案，基于多相似度局部状态辨识方法，充分挖掘不同视角的数据特征，有效丰富了局部预测模型的多样性，提高了预测的精度。
31、本技术附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
1.一种基于多相似度辨识的水轮机上导轴瓦温差预测方法，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，所述对所述运行数据、实际温差进行预处理，包括：
3.如权利要求2所述的方法，其特征在于，所述预先设置的各相似度函数，包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述各相似度函数下筛选出的样本集数据构建多相似度gpr模型，包括：
5.如权利要求4所述的方法，其特征在于，所述多相似度gpr模型中各子模型的权重的计算式如下：
6.如权利要求5所述的方法，其特征在于，所述根据所述多相似度gpr模型中各子模型的权重确定所述水轮机当前时刻的运行数据对应的上导轴瓦温差预测值，包括：
7.如权利要求1所述的方法，其特征在于，所述运行数据包括：
8.一种基于多相似度辨识的水轮机上导轴瓦温差预测系统，其特征在于，所述系统包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的方法。
