CN107622308A

CN107622308A - 一种基于dbn网络的发电设备参数预警方法

Info

Publication number: CN107622308A
Application number: CN201710838767.5A
Authority: CN
Inventors: 杨涛; 胡迪; 陈刚; 高伟; 张琛; 何佳豪; 齐江永; 杨嘉巍
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2017-09-18
Filing date: 2017-09-18
Publication date: 2018-01-23
Anticipated expiration: 2037-09-18
Also published as: CN107622308B

Abstract

本发明属于发电设备在线监测与故障诊断领域，并公开了一种基于DBN网络的发电设备参数预警方法。该预警方法包括：(a)获取发电设备运行参数数据；(b)建立设备运行参数之间交叉拟合的DBN网络模型；(c)训练DBN网络模型；(d)利用已训练网络模型实时获取目标参数预测值；(e)实时比较设备运行参数实际值与预测值进行参数预警。本发明根据设备当前运行参数反映设备状态这一基本想法，利用设备参数之间的相关性建立参数之间的交叉拟合模型，采用小批量训练方法实现了模型的增量训练。通过本发明，解决了变负荷工况下时间序列模型不准确的问题，同时可以避免设备维修活动和自然劣化对模型准确性的影响，提高设备安全经济运行能力。

Description

一种基于DBN网络的发电设备参数预警方法

技术领域

本发明属于发电设备在线监测与故障诊断领域，更具体地，涉及一种基于DBN网络的发电设备参数预警方法。

背景技术

随着我国电力改革的不断深入和跨大区互联电网的快速发展，发电设备安全可靠性运行已成为各大发电企业关注的重点问题。可以说发电设备安全可靠运行直接关乎企业生存，而传统的设备故障后处理模式已不能满足新形式下发电安全性，不仅不能保证发电设备运行的可靠性，而且无形中增加了维护成本。因此，能将设备隐患消除的萌芽状态的智能故障预警技术应运而生。

早期的智能故障预警技术是在检测技术的基础上，通过设备运行数据，综合领域专家知识建立专家系统。专家系统诊断结果的准确性主要取决于领域专家对故障知识的了解程度以及表述能力，因此，专家系统在使用过程中存在建立过程复杂、诊断准确性难以保证等缺点。随着传感器技术和数据库技术的发展，各发电企业储备了海量的发电设备运行参数，数据挖掘技术开始应用到发电设备故障预警上。工程师利用数据挖掘技术对海量数据进行分析，可以发现设备运行参数的变化规律和设备运行参数之间的关系，因此，可以方便地对设备运行参数进行预测，从而提前预知设备运行状态。数据挖掘技术较专家系统技术需要更少的人工经验和人工干预。

现在较流行的方法是利用设备运行参数历史数据，通过人工神经网络等机器学习算法来预测运行参数未来的数据来实现参数预警，通过调查发现，时间序列模型是发电设备运行参数预测的主要实现方式，即通过采集一段时间内某一运行参数的值，通过时间序列预测下一时刻该参数的值，这个过程中没有考虑由于其他参数的变化引起该参数发生的变化，也就是说当发电设备运行工况出现非计划调整时会出现严重偏差，例如，运行参数中的设备负载发生了变化，通过时间序列模型预测时，没有考虑负载这个参数的影响，因此最终的预测结果将会出现严重偏差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于DBN网络的发电设备参数预警方法，通过采集设备多个运行参数的历史数据和当前数据来构建和训练DBN网络模型，利用设备运行参数之间的相关性来预测运行参数下一时刻的监测值，由此解决设备运行工况出现非计划调整时时间序列模型预测不准确的技术问题。

为实现上述目的，按照本发明，提供了一种基于DBN网络的发电设备参数预警方法，其特征在于，该预警方法包括下列步骤：

(a)选取待处理发电设备的多个运行参数作为采样对象，并记录所述运行参数的数量，分别获取每个运行参数对应的历史运行数据和当前运行数据，并形成历史数据集和当前运行数据集；

(b)选取DBN网络作为所述运行参数预警的网络模型，根据步骤(a)中所述运行参数的数量确定该DBN网络模型的结构，并选取该DBN网络模型相应的激活函数，由此完成所述DBN网络模型的建立；

(c)利用步骤(a)中所述历史数据集中的数据训练所述DBN网络模型，通过在训练过程中调整该DBN网络模型隐藏层层数和各层神经元个数，从而使得训练误差和训练时间均最小，由此得到最优DBN网络模型；

(d)将步骤(a)所述当前运行数据集中的数据作为所述最优DBN网络模型的输入，经过该最优DBN网络模型运行后输出所述运行参数对应的预测值；

(e)将所述运行参数对应的预测值与从待处理设备上获取的该运行参数实际监测值P_i做差，并获得差值的绝对值|ΔP|，然后判断与预设阈值p0之间的关系，当时，则标记该预测值对应的时刻为待处理发电设备的警报点，并由现场工作人员处理，否则，持续监测，其中，i是监测点，i＝1,2,3,...,n。

进一步优选地，在步骤(e)中，当时，预设时间段t，在该时间段内继续监测该发电设备的运行参数，重复步骤(d)和(e)得到多个P_i并形成集合，在该集合中，与对应的P_i的数量占该集合中元素的总数量的比例小于预设值Q₀，取消当前标记的警报点，并继续监测该发电设备的运行参数，否则待处理发电设备报警，并由现场工作人员处理。

进一步优选地，在步骤(a)中，获取所述运行参数对应的历史运行数据和当前运行数据后，对所有数据进行预处理，该预处理包括下列步骤：

(a1)删除所述历史数据和当前数据中的异常值，该异常值包括0值和超出待处理发电设备上的传感器测量范围的值；

(a2)采用线性差值的方法填补步骤(a1)中被删除的异常值，由此得到新的历史数据和当前数据集合；

(a3)对所述新的历史数据和当前数据集合中的数据进行归一化处理，由此完成所述预处理过程。

进一步优选地，在步骤(b)中，所述DBN网络模型的结构确定按照下列方式，其中，Num_input是所述DBN网络模型的显层神经元个数，n是所述运行参数的数量，Num_output是所述DBN网络模型的输出神经元个数，

Num_input＝n-1

Num_output＝1。

进一步优选地，在步骤(c)中，所述DBN网络模型的训练方法采用小批量训练法，其中,存在下列情况时,对所述最优模型进行增量训练，

(I)每隔24h，选取将该时间段内前4000组所述参数对应的运行数据作为增量训练样本，重复步骤(c)获得新的最优DBN网络模型，并将其作为当前最优模型；

(II)设备维修后，将维修活动后前5000组所述参数对应的运行数据作为增量训练的样本，重复步骤(c)获得新的最优DBN网络模型，并将其作为当前最优模型。

进一步优选地，在步骤(c)中，所述激活函数优选采用ReLu函数或sigmoid函数。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1、本发明通过根据设备当前时刻运行参数反映设备状态，利用设备运行参数之间的相关性建立参数之间的交叉拟合模型，在设备运行过程中，实时比较设备参数真实值与拟合值进行参数预警，利用设备参数之间交叉拟合模型能够早期识别“蠕变”故障，远远早于到达实际的故障临界点；

2、本发明通过采用DBN神经网络模型，采用各个参数的历史运行数据训练DBN网络得到最优网络模型，相比于其它的神经网络而言，使得神经网络模型更适用于本发明中的问题，收敛速度快，训练时间短；

3、本发明通过在参数预警过程中，考虑了设备维修活动和自然劣化对模型准确性的影响，提出增量学习的方法可以有效降低误报率和提高准确性；

4、本发明通过采用DBN网络模型，随着设备不断运行，设备维修和自然劣化，易导致模型出现误报警，通过不断增加历史数据集中的数据来训练DBN网络模型，实现增量训练，从而进一步完善网络模型，有效解决了设备维修和自然劣化引起的误报警，保证模型准确性，提高模型可利用率；

5、本发明采用历史运行数据训练网络模型的小批量训练方法，实现在线的增量训练，该增量训练很好的避免了设备维修活动和自然劣化对模型准确性的影响。

附图说明

图1是按照本发明的优选实施例所构建的DBN网络发电设备参数预警方法的流程简图；

图2是按照本发明的优选实施例所构建的DBN网络发电设备参数预警方法的流程展开图；

图3是按照本发明的优选实施例所构建的DBN神经网络模型结构示意图；

图4是按照本发明的优选实施例所构建的引风机电流实际值与拟合值展示；

图5是按照本发明的优选实施例所构建的引风机电流误报警情况展示；

图6是按照本发明的优选实施例所构建的引风机电流增量训练效果展示。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

为了实现上述目的，本发明采用如下技术方案：

本发明提出的DBN网络的发电设备参数预警方法，该方法包括下列步骤：

步骤S1，发电设备运行参数获取；

步骤S2，建立发电设备运行参数的DBN网络模型；

步骤S3，训练DBN网络模型；

步骤S4，利用已训练DBN网络模型进行参数预警。

S1中发电设备运行参数获取包括：

步骤S101，发电设备运行参数获取规则为：每间隔10S获取设备当前时刻运行参数的数据。其中，采样时间间隔为设备运行时间段内实际需求任意时间长度；

步骤S102，依据步骤S101所述规则从电厂设备运行管理数据库中获取设备运行参数数据，其中，所获取数据包括历史运行数据和当前运行数据。其中，历史运行数据中设备正常运行数据用于训练步骤S3中发电设备运行参数的DBN网络模型，当前运行数据用于步骤S4中进行发电设备参数预警；

步骤S103，对步骤S102中获取的设备运行参数数据进行预处理，主要工作包括：异常值处理、数据归一化，其中，异常值包括0值和超出待处理发电设备上的传感器测量范围的值；首先，对于异常值中非零数据直接删除该时刻点设备运行参数数据；其次，对于异常值中的零值采用线性插值的方法来填充该空值；最后，所有获取数据按照参数名称进行归一化处理。

S2中发电设备运行参数的DBN网络模型的建立包括：

步骤S201，确定网络模型框架，包括DBN网络显层神经元个数，隐层层数和神经元个数，输出层神经元个数。其中，若步骤S1中所获取设备运行参数个数为n，则显层神经元个数为(n-1)，输出神经元个数为1；通过这种方式实现设备运行参数之间的交叉拟合；

步骤S202，确定网络模型中各层激活函数。本实施例中激活函数为sigmoid函数。

S3中发电设备运行参数的DBN网络模型训练包括：

步骤S301，将步骤S1中所获取的设备运行参数历史数据作为输入，训练步骤S2中建立的DBN网络模型。其中，训练方法采用小批量(mini-batch)训练，其目的是方便实现增量训练；

步骤S302，训练过程中综合步骤S2，通过调整网络结构和激活函数来实现最优的网络模型的获取，其中，最优网络模型的标准是：训练误差和训练时间综合最优，具体做法是：设置网络模型的训练误差为一定值，如10-⁶，比较不同模型训练时间，训练时间最短的模型选为最优网络模型；

步骤S303，存储已训练网络，其中，网络模型应按照设备名称和所属机组进行存储。

步骤S304，随着设备累计运行时间的增加，每隔24h将最新的4000组正常运行数据作为增量训练样本对当前模型进行训练，并保存为最新模型；当设备经历过维修活动后，将维修活动后机组正常运行的5000组数据作为增量训练的样本对当前模型进行训练，并保存最新模型。

S4中设备参数预警过程包括：

步骤S401，将步骤S1中所获取的设备当前运行数据作为输入，通过步骤S3中存储的设备运行参数的DBN网络模型，自动给出运行参数对应时刻的拟合值；

步骤S402，将所述运行参数对应的预测值与该运行参数的实际监测值做差并获得差值的绝对值|ΔP|，然后计算|ΔP|与该参数当前实际值P_i的比值为p，判断p值与预设阈值p₀之间的关系，当p≥p₀时，则标记该预测值对应的时刻为待处理发电设备的警报点，否则继续监测，其中，随着设备不断运行，考虑到设备维修和自然劣化，导致模型出现误报警，因此，通过增量学习的方式将正常运行数据不断加入模型中进行训练，保证模型准确性，增量学习的方式有效解决了设备维修和自然劣化引起的误报警；

步骤S403，当设备运行过程中出现警报点时，则持续监测该参数一段时间，统计所述时间段内总共超出阈值的时间占整个时间段的比例，定义为持续系数Q，若Q＜Q₀，则取消当前标记的警报点，并继续监测该发电设备的运行参数，否则，待处理发电设备报警，并由现场工作人员处理，其中，提出持续系数的目的是防止设备运行过程中数据采集出现异常值而导致故障误报；警报点持续系数阈值Q₀可根据设备实际运行条件人为调整；

步骤S404，当DBN网络模型发出警报时，由现场工作人员查看引风机实际运行状态，如果设备运行状态确实不符合正常运行标准，则工作人员处理该报警；否则，判断DBN网络模型出现误报警对当前DBN网络模型进行增量训练。其中，将包含误报情况的一段时间内的数据作为小批量样本对先前模型进行增量训练，并存储新的网络模型；其目的是不断保证模型的准确性，提高模型可利用率。

下面将结合具体的实施例对本发明的方案进行进一步的说明。

步骤S101，每间隔1min获取引风机当前时刻运行参数的数据；

步骤S102，按照步骤S101中的规则从电厂SIS系统中获取引风机运行参数，本实施例中选择2016年4月30号—2016年5月10号这段时间内设备正常运行的历史数据用于训练步骤S3中所建立的DBN网络模型。

步骤S103，对步骤S102中获取的引风机运行参数数据进行预处理。首先，剔除数据中非零值及该时刻点对应的所有参数；其次，对于数据中的零值采用线性插值的方法进行填充，最终得到3300组数据。最后，将所有数据按照参数名称进行归一化处理，处理结果为所有参数数据处于[0,1]。

如图3，本发明实施例中引风机运行参数DBN网络模型框架。

步骤S201，选取引风机模型8个状态参数，分别是：发电机功率、风机电流、风机X向振动、风机Y向振动、风机中轴承温度、风机前轴承温度、风机动叶开度、环境温度。依次编号为1～8。因此，在本实施例中所建立的DBN网络模型中，显层神经元个数为7，输出层神经元为1，输出层采用BP网络；在该模型中设置3层隐层，神经元个数分别为[20,10,5]。

步骤S202，步骤S201所述网络模型中，每层激活函数均为‘sigmoid’函数。

步骤S301，本发明实施例中采用小批量训练方式对步骤S2中所建立的网络模型进行训练。本实施例中一共有3300组数据，选取其中3000组数据用于训练模型，剩余300组数据用于验证模型。在DBN网络模型训练中，设定mini-batch＝100，迭代次数为30次，在输出层BP网络中设定迭代次数为50次。

步骤S302，本实施例中引风机运行参数DBN网络模型结构最终为步骤S2中所述。

步骤S303，本发明实施例中将步骤S3中训练好的网络模型以某机组某引风机形式进行存储。例如A机组2A引风机。

步骤S304，本发明实施例中参数数据量不足以展示该步骤的增量训练。

如图4，本发明实施例以引风机电流为例，显示原始值和拟合值。

步骤S401，本发明实施例以引风机电流为例，通过引风机其他7个参数拟合出其电流值。

如图5，本发明实施例以引风机电流为例展示误报警情况。

步骤S402，本发明实施例中，3300组数据均为引风机正常运行数据，因此，本发明实施例中验证结果不出现警报点。图5是按照本发明的优选实施例所构建的引风机电流误报警情况展示，如图5所示，本发明实施例中，选取2016年10月3号的数据进行验证，网络模型标识出警报点。

步骤S403，本实施例中利用引风机2016年4月30号—2016年5月10号这段时间内设备正常运行的历史数据训练的DBN网络模型，用于2016年10月3号引风机正常运行参数数据验证，模型出现较多警报点，根据规则发出报警。

图6是按照本发明的优选实施例所构建的引风机电流增量训练效果展示，如图6所示，本发明实施例中，增量训练处理误报警效果展示。

步骤S404，由于2016年5月10号—2016年10月3号这段时间内该DBN网络模型未进行步骤S304中的增量训练，所以出现误报警，将包含警报点时间段内的数据作为增量训练样本对当前模型进行训练，训练结果如图5。

从图3，图5中，本发明可以很好拟合变负荷工况下各参数的实际值，因此在网络模型训练过程中不需要进行稳态工况提取。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于DBN网络的发电设备参数预警方法，其特征在于，该预警方法包括下列步骤：

2.如权利要求1所述的一种基于DBN网络的发电设备参数预警方法，其特征在于，在步骤(e)中，当时，预设时间段t，在该时间段内继续监测该发电设备的运行参数，重复步骤(d)和(e)得到多个P_i并形成集合，在该集合中，与对应的P_i的数量占该集合中元素的总数量的比例小于预设值Q₀，取消当前标记的警报点，并继续监测该发电设备的运行参数，否则待处理发电设备报警，并由现场工作人员处理。

3.如权利要求1或2所述的一种基于DBN网络的发电设备参数预警方法，其特征在于，在步骤(a)中，获取所述运行参数对应的历史运行数据和当前运行数据后，对所有数据进行预处理，该预处理包括下列步骤：

4.如权利要求1-3任一项所述的一种基于DBN网络的发电设备参数预警方法，其特征在于，在步骤(b)中，所述DBN网络模型的结构确定按照下列方式，其中，Num_input是所述DBN网络模型的显层神经元个数，n是所述运行参数的数量，Num_output是所述DBN网络模型的输出神经元个数，

Num_input＝n-1

Num_output＝1。

5.如权利要求1-4任一项所述的一种基于DBN网络的发电设备参数预警方法，其特征在于，在步骤(c)中，所述DBN网络模型的训练方法采用小批量训练法，其中,存在下列情况时,对所述最优模型进行增量训练，

(II)设备维修后，将维修后前5000组所述参数对应的运行数据作为增量训练的样本，重复步骤(c)获得新的最优DBN网络模型，并将其作为当前最优模型。

6.如权利要求1-5任一项所述的一种基于DBN网络的发电设备参数预警方法，其特征在于，在步骤(c)中，所述激活函数优选采用ReLu函数或sigmoid函数。