CN109298697A - 基于动态基线模型的火电厂系统各部件工作状态评估方法 - Google Patents

Abstract

本发明涉及一种基于动态基线模型的火电厂系统各部件状态评估方法，属于火力发电技术领域，包括，采用多元状态估计技术建立系统健康状态模型；构建动态基线，对系统各部件工作状态的监测和预警，确定系统各部件的异常工作状态；对所述异常工作状态进行深度分析，确定系统中的异常测点、异常测点出现的时刻和异常部件。本发明可有效解决固定基线的设定存在不确定和滞后性问题，所建立的动态基线模型物理意义明确，建模简单，评估方法能够较好地把握系统整体运行状态情况，追踪故障发展过程，及时发现系统异常以及引起异常的主要测点信息，评估系统各部件的异常状态，从而辅助火电厂运维人员进行子系统的状态监测和预警，具有较好地实用价值。

Description

基于动态基线模型的火电厂系统各部件工作状态评估方法

技术领域

本发明涉及火力发电技术领域，尤其是一种基于动态基线模型的火电厂系统各部件工作状态评估方法。

背景技术

以状态监测实现故障预警是“事后诊断”的进一步发展方向，实现早期故障检测对火电生产的安全性和经济性具有重要意义，目前发电企业控制系统、SIS系统的大规模建设实现了多参数的监测，而电厂设备本身结构复杂、故障类型繁多、故障与征兆存在多对多关系，传统的设备状态监测把单个信号的当前值与报警阈值进行比较来判断是否“报警”，不能综合考虑与该系统状态相关的多个变量的情况，也无法实现准确的事前预警。

多元状态估计技术作为一种应用广泛的模式识别方法，可以对设备正常状态进行学习，再对新状态进行估计，实际状态和估计状态的差异包含异常信息，构造反映这一差异的统计指标并根据历史正常运行数据来设定固定阈值，若超出阈值则发出报警，该固定阈值可定义为“基线”，用于状态监测的多元状态估计技术也可定义为“基线模型”。

而在实际的工程应用中，固定阈值的设定多具有不确定性，选取历史数据的时间跨度和建模所需的过程矩阵的更新频率都会对阈值产生影响，而阈值的过大或过小会造成预警信号的漏报或误报；此外采用该技术一般只给出反映系统整体状况的自定义指标运行曲线及相关监测参数的实际值与模型估计值运行曲线对比来进行状态监测和故障分析，没有进一步挖掘引起异常的因素的强弱程度，以及异常在系统各部件的分布情况，不利于对故障类型的定位和识别。

发明内容

鉴于上述的分析，本发明旨在提供一种基于动态基线模型的火电厂系统各部件工作状态评估方法，对火电厂系统各部件工作状态进行评估，实现早期故障预警。

本发明的目的主要是通过以下技术方案实现的：

一种基于动态基线模型的火电厂系统各部件工作状态评估方法，包括如下步骤：

根据采集的系统测点历史数据，采用多元状态估计技术建立系统健康状态模型；

基于所述系统健康状态模型构建动态基线，对系统各部件工作状态的监测和预警，确定系统各部件的异常工作状态；

对所述异常工作状态进行分析，确定系统中的异常测点、异常测点出现的时刻和异常部件。

进一步地，所述建立系统健康状态模型，包括如下步骤：

采集所监测的火电厂子系统中与系统健康状态有关测点的历史数据；

对历史数据进行清洗，提取测点在健康状态下的历史数据；

对清洗后的测点历史数据进行归一化，得到归一化的历史数据A_m×N；其中，行数m代表健康状态相关的传感器测点个数，列数N代表正常运行状态个数；

利用归一化的历史数据A_m×N构造健康矩阵Z_m×k；其中，列数k代表观测向量的个数；

根据构造的健康矩阵，采用多元状态估计技术建立系统健康状态模型。

进一步地，数据清洗步骤包括：

排除电机开关机和停机阶段单测点采集的数据；

剔除单测点的离群点；

采用关联关系比较法排除关联测点的离群点。

进一步地，采用箱线图离群点检测方法识别单测点的离群点；

箱线图上边界设置为：X_upper＝Q₃+β×(Q₃-Q₁)；

箱线图下边界设置为：X_lower＝Q₃-β×(Q₃-Q₁)；

式中，Q₁为下分位数，Q₃为上分位数，β为经验系数；

单测点的离群点为{x|x＞X_upper，x∈X}和{x|x＜X_lower，x∈X}，X为排除电机开关机和停机阶段的单测点序列。

进一步地，所述构造健康矩阵，包括以下步骤：

1)将[0，1]区间等分为k份，以1/k为步距确定等间隔点集为：

2)从A_m×N的单测点x₁中提取出与p₁最近的点所对应的观测向量x₁(t₁)，加入到健康矩阵中；

3)依次遍历等间隔点集p中的其他点{p₂，…，p_k}进行2)中的操作；

4)依次遍历A_m×N中的其他单测点{x₂，…，x_m}进行2)和3)中的操作得到健康矩阵

进一步地，采用整体偏离度序列作为评估设备健康状态指标；

所述整体偏离度式中，X_obs(t_j)和X_est(t_j)分别为观测向量和估计向量，m为测点维度；

观测向量X_obs(t_j)＝[x₁(t_j)，x₂(t_j)，…，x_i(t_j)，…，x_m(t_j)]^T；t_j为观测时刻，x_i(t_j)表示测点i在t_j时刻的监测参数；

所述估计向量

Z_m×k为构造的健康矩阵，为非线性运算符。

进一步地，所述基于所述系统健康状态模型构建动态基线进行系统各部件工作状态的监测和预警，包括，

获取当前整体偏离度序列其中，t₁为监测时长，t₀为观测矩阵X_obs的采集间隔，序列长度t＝t₁/t₀；

计算每个时间段内数据的中位数M_i和四分位差Q_i,i＝1，2，…，t₁/t₀，形成M序列和Q序列；

对M序列做趋势预测，得到未来t+1时间段整体偏离度水平的预测值

设定未来第t+1个时间段的动态阈值M₀；

计算未来第t+1个时间段偏离度S_t+1(k)，设定动态报警基线，当偏离度S_t+1(k)与动态阈值M₀的偏差超过设定的动态报警基线时，进行报警。

进一步地，采用支持向量回归预测算法对偏离度M序列进行趋势预测，得到未来t+1时间段整体偏离度水平的预测值

定义未来t+1时间段的动态阈值式中：为Q序列的均值，a为放大系数；

动态报警基线根据公式设定，当δ大于设定的报警阈值时，进行报警。

进一步地，所述对异常工作状态进行分析中，

通过比较测点对异常的贡献率，确定对异常状态影响较大的测点；

通过定量衡量异常测点观测值和估计值的偏差程度，来确定测点异常出现时刻；

通过将监测测点划分到归属的部件中，计算每个部件中所有测点对异常的贡献率之和作为该部件的状态值，进行部件故障判断；

所述测点对异常的贡献率用公式表示；式中，cnp(i)为第i个测点的贡献率，X_obs(i，j)和X_est(i，j)分别是第i个测点在j时刻的观测向量和估计向量；

所述部件状态值用公式Sv(j)＝∑_icnp(i，j)表示；式中，Sv(j)为系统中第j个部件的状态值，cnp(i，j)为第j个部件中的第i个测点的贡献率。

进一步地，设定相对偏差率指标来定量衡量异常测点的观测值和估计值的偏差程度；

所述相对偏差率

当相对偏差率r超过设置的偏差阈值的时刻为异常发生的时刻。

本发明有益效果如下：

本发明可有效解决固定基线的设定存在不确定和滞后性问题，所建立的动态基线模型物理意义明确，建模简单，所采用的评估方法能够较好地把握系统整体运行状态情况，追踪故障发展过程，及时发现系统异常以及引起异常的主要测点信息，评估系统各部件的异常状态，从而辅助火电厂运维人员进行子系统的状态监测和预警，具有较好地实用价值。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中的工作状态评估方法流程图；

图2为本发明实施例中的建立系统健康状态模型流程图；

图3为本发明实施例中的动态阈值生成和报警操作方法流程图；

图4为本发明实施例中风烟系统模型整体偏离度时序图。

图5为本发明实施例中异常状态下测点贡献率排名前10的测点柱状图。

图6为本发明实施例中异常测点观测值和模型估计值的时序图。

图7为本发明实施例中异常测点相对偏差率时序图。

图8为本发明实施例中放大后的异常测点相对偏差率时序图。

图9为本发明实施例中机组风烟系统主要部件图。

图10为本发明实施例中风烟系统主要部件的状态值柱状图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明实施例公开了一种基于动态基线模型的火电厂系统各部件工作状态评估方法，如图1所示，包括如下步骤：

步骤S101、根据采集的系统测点历史数据，采用多元状态估计技术建立系统健康状态模型；

具体的，如图2所示，建立系统健康状态模型包括以下子步骤：

步骤S201、采集所监测的火电厂子系统中与系统健康状态有关的测点历史数据；

本实施例以包含一次风机、送风机、引风机等在内的某火电厂1号机组风烟系统为对象展开对实现基于动态基线模型的火电厂系统各部件工作状态评估方法的描述。

同样的，以火电厂其他子系统作为监测对象也属于本发明的保护范围。

本实施例的某火电厂1号机组风烟系统测点共计119个，其中包括有功功率、主汽压力等14个厂级公共测点，收集对应的测点历史运行数据；

收集的历史数据需要覆盖一段足够长的运行时间，以保证涵盖机组在不同负荷和不同环境下的运行状况；

基于历史数据采集的要求，从电厂SIS系统获取2016年上半年风烟系统测点数据集，数据采集频率为10分钟/次，结合专家经验和指导，确定与系统健康状态有关的测点参数，并排除监控失效测点以及不适用建模的位置测点参数，经筛选得到建模所需测点102个。

步骤S202、对历史数据进行清洗，提取健康状态下的测点历史数据；

由于采集的历史数据中包含了风烟系统非正常运行状态的数据、噪声数据以及相关设备停运数据，故需对所收集的测点运行数据进行数据清洗；

具体的，数据清洗步骤包括：

1)设定有功功率大于230KW作为筛选条件排除电机开关机和停机阶段数据；

2)剔除单测点的离群点；

具体的，采用箱线图离群点检测方法识别单测点的离群点，方法中，设单测点序列为X，箱线图的上下边界计算公式为：

上边界X_upper＝Q₃+k×(Q₃-Q₁)；

下边界X_lower＝Q₃-k×(Q₃-Q₁)；

式中Q₁为25％分位数，Q₃为75％分位数，k为经验系数，这里k取3，定义{x|x＞X_upper，x∈X}和{x|x＜X_lower，x∈X}为单测点的离群点。

3)排除关联测点的离群点；

具体的，采用关联关系比较法，将线性相关测点数据投射到二维空间，将相关性系数严重偏离大部分的数据作为关联测点的离群点进行排除。

步骤S203、对提取的测点历史数据进行归一化预处理；

通过据归一化处理消除测点的量纲不同，使实际值映射到[0,1]区间内，保证了模型中非线性运算符能正确衡量不同测点的欧氏距离。

风烟系统的观测向量表示为：

X_obs(t_j)＝[x₁(t_j)，x₂(t_j)，…，x_i(t_j)，…，x_m(t_j)]^T；式中，m为风烟系统中与健康状态相关的传感器测点个数，t_j为观测时刻，x_i(t_j)表示测点i在t_j时刻的监测参数。

归一化后的历史健康数据集的矩阵形式表示为：

其中N代表正常运行状态个数，m代表健康状态相关的传感器测点个数，即测点维数。

可选的，在归一化过程中，可采用公式式中，Y为单测点值X的归一化值，X_min和X_max依次为单测点值X的最小值和最大值。最后需要保留各测点分布参数(X_min和X_max)用于对实际运行状态数据进行归一化。

步骤S204、利用归一化的测点历史数据构造健康矩阵；

从处理后的历史健康数据集中提取出典型健康数据用于构造健康矩阵，提取步骤包括：

1)将[0，1]区间等分为k＝20份，以1/k为步距确定等间隔点集：

2)从A_m×N的单测点x₁中提取出与p₁最近的点所对应的观测向量x₁(t₁)，加入到健康矩阵中；

3)依次遍历等间隔点集p中的其他点{p₂，…，p_k}进行2)中的操作，则，单测点x₁有{x₁(t₂)，…，x₁(t_k)}；

4)依次遍历A_m×N中的其他单测点{x₂，…，x_m}进行2)和3)中的操作；

将所有选择的状态向量用于构造健康矩阵，则健康矩阵可表示为m×k的矩阵形式，如下：

其中健康矩阵Z的列数k代表观测向量的个数，行数m代表m个测点维数。

步骤S205、采用多元状态估计技术建立系统健康状态模型；

对于获取的系统的实时观测向量X_obs(t_j)，根据分布参数表进行归一化处理后，其估计向量为健康矩阵Z与权值向量W的积，即：

X_est(t_j)＝Z·W＝[X(t₁)，X(t₂)，…，X(t_k)]·[w₁，w₂，…，w_k]^T＝w₁X(t₁)+w₂X(t₂)+…+w_kX(t_k)

权值向量W可通过最小化残差向量ε来获得，即：

min{|ε|}＝min{|X_obs(t_j)-X_est(t_j)|}＝min{|X_obs(t_j)-Z×W|}

在最小化ε²的约束条件下：

min{ε²}＝min{(X_obs(t_j)-Z×W)^T(X_obs(t_j)-Z×W)}

令求得权值向量W：

W＝(Z^T·Z)^-1·(Z^T·X_obs(t_j))

为避免实际工程中数据存在一定相关性造成矩阵不可逆，这里选用非线性运算符来代替点积，即：

非线性运算符有多种类型，这里选择应用较为广泛的欧氏距离运算，即：

将权值向量W代入估计向量式中：

当风烟系统的实时运行状态与正常工作状态发生较大偏离的情况下，观测向量与估计向量之间的残差增大，残差记为：

ε＝X_obs(t_j)-X_est(t_j)

残差大小包含风烟系统异常状态的信息。

步骤S102、基于所述系统健康状态模型构建动态基线，对系统各部件工作状态的监测和预警，确定系统各部件的异常工作状态；

具体的，采用风烟系统整体偏离度序列作为评估设备健康状态指标；

其中，整体偏离度公式为式中，X_obs(t_j)和X_est(t_j)分别为观测向量和估计向量，m为测点维度，整体偏离度S用于定量衡量实时状态与风烟系统正常工作状态的偏离程度。

观测向量X_obs(t_j)通过在实时监控环境下，每隔t₀＝10min，以1s为采集频率获取观测数据，

获得的观测矩阵X_obs如下：

式中：k＝60t₀表示该时间段内的时间点个数，x_i(t_j)表示第i个测点在j时刻的观测值。

估计向量X_est(t_j)是按照步骤S205中多元状态估计技术对每个观测向量X_obs(t_j)进行估计获得，

然后，通过得到的观测向量X_obs(t_j)和估计向量X_est(t_j)计算整体偏离度，得到偏离度序列S＝{S₁，S₂，…，S_k-1，S_k}。

通过生成偏离度序列的动态阈值，即动态基线，进行系统各部件工作状态的监测和预警

具体的，如图3所示，动态阈值的生成和报警机制的运作操作步骤如下：

步骤S301、获取当前时间最近t₁时长的整体偏离度序列t₀为观测矩阵X_obs的采集每隔，t＝t₁/t₀；

例如，t₁＝1小时，t₀＝10min时，整体偏离度序列S＝{S_t-5，S_t-4，…，S_t-1，S_t}；

步骤S302、计算每个时间段内数据的中位数M_i和四分位差Q_i,i＝1，2，…，t₁/t₀，形成M序列和Q序列；

步骤S303、对序列做趋势预测，采用支持向量回归预测算法对偏离度M序列进行趋势预测，得到未来t+1时间段整体偏离度水平的预测值

对给定的输入输出样本对：

其中，

X∈R，Y∈R，通过非线性映射φ：R→H，将样本从输入空间映射到一个高维特征空间H中，在高维特征空间H构造最优分类面：

w·φ(x)+b＝0(w∈H，b∈R)

式中w，b归结为下面最优化问题的解：

s.t.y_i(w·φ(x_i)+b)≥1-ξ_i

ξ_i≥0，i＝1，2，…，t₁/t₀

其中c为可调参数，ξ_i为输入样本对最优分类面的偏差值。

通过引入Lagrange函数，将上述约束优化问题转化为无约束优化：

式中α_i为非负的Lagrange乘子，进而求出最优化问题的对偶问题为：

式中K(x_i，x_j)＝φ(x_i)·φ(x_j)称为核函数，最后求得非线性回归函数为：

式中x为未知输入样本，核函数K(x_i，x_j)在实际应用中有多种选择，如多项式核函数、高斯基径向基核函数和sigmoid核函数等，

本发明实施例采用高斯径向基核函数：

这里因输入样本X∈R，取δ为1。

令x＝t₁/t₀+1，则f(t₁/t₀+1)即为未来t+1时间段整体偏离度水平的预测值，记为

步骤S304、定义未来第t+1时间段的动态阈值：

式中：为Q序列的均值，a为放大系数，在本实施例中a＝3。

步骤S305、获取第t+1时间段观测向量，计算得到偏离度为S_t+1，设定报警判定条件：

其中δ＝25％，表示偏离度S_t+1(k)与动态阈值M₀的相对偏差率。

当相对偏差率超过25％，判定偏离度S_t+1(k)显著偏离动态阈值M₀，即该时间点的观测向量不在正常运行状况允许的范围内，认为当前系统处于异常状态，发出报警信息。

如图4为风烟系统在"2017/6/26 8:00"至"2017/6/28 14:00"期间的模型整体偏离度时序图，其中虚线为动态阈值线，圈点为异常状态下的偏离度值。

步骤S103、对所述异常工作状态进行分析，确定系统中的异常测点、异常测点出现的时刻和异常部件。

具体的，对系统异常状态进行深度分析，包括：

1)异常状态下测点贡献率分析

测点对异常的贡献率为：

cnp(i)为第i个测点的贡献率，X_obs(i，j)和X_est(i，j)分别是第i个测点在j时刻的观测向量和估计向量。通过比较各测点的贡献率可以进一步找到报警发生时对异常状态影响较大的测点，将这些测点判定为异常测点。如图5为该时段某一异常状态时刻下测点贡献率由大到小排名前10的测点贡献率柱状图，可以看到编号为W3.UNIT1.10HTC10CP301的测点(#1炉增压风机失速压力)对异常贡献率最大，即该测点发生异常。

2)异常测点的偏差分析

设定相对偏差率指标来定量衡量异常测点的观测值和估计值的偏差程度。

异常测点相对偏差率为：

图6是#1炉增压风机失速压力的观测值和模型估计值的时序对比图，可以看到增压风机失速压力观测值出现剧烈波动，显著超出模型估计值，图7是该异常测点相对偏差率时序图，图8是放大后的异常测点相对偏差率时序图。

3)系统各部件状态分析

确定系统各部件的测点集，图9是该机组风烟系统主要部件图，将监测测点划分到归属的部件中，计算每个部件的测点集贡献率之和作为该部件的状态值，部件状态值为：

Sv(j)＝∑_icnp(i，j)

Sv(j)为第j个部件的状态值，cnp(i，j)为第j个部件第i个测点的贡献率。图10是风烟系统主要部件的状态值，可以看到增压风机的状态值达到72.3％，远远超出其他部件的状态值，表明增压风机运行状态出现问题，需进行现场检查。经翻阅运行部缺陷单记录，在该时段记录有#1炉增压风机失速压力大(目前失速压力在200Pa左右波动，怀疑测点可能有堵灰)，与分析结果相一致，证实该评估方法具有较好的实际应用价值。

综上所述，本发明实施例公开的基于动态基线模型的火电厂系统各部件工作状态评估方法，可有效解决固定基线的设定存在不确定和滞后性问题，所建立的动态基线模型物理意义明确，建模简单，所采用的评估方法能够较好地把握系统整体运行状态情况，追踪故障发展过程，及时发现系统异常以及引起异常的主要测点信息，评估系统各部件的异常状态，从而辅助火电厂运维人员进行子系统的状态监测和预警，具有较好地实用价值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于动态基线模型的火电厂系统各部件工作状态评估方法，其特征在于，包括如下步骤：

根据采集的系统测点历史数据，采用多元状态估计技术建立系统健康状态模型；

基于所述系统健康状态模型构建动态基线，对系统各部件工作状态的监测和预警，确定系统各部件的异常工作状态；

对所述异常工作状态进行分析，确定系统中的异常测点、异常测点出现的时刻和异常部件。

2.根据权利要求1所述的工作状态评估方法，其特征在于，所述建立系统健康状态模型，包括如下步骤：

采集所监测的火电厂子系统中与系统健康状态有关测点的历史数据；

对历史数据进行清洗，提取测点在健康状态下的历史数据；

对清洗后的测点历史数据进行归一化，得到归一化的历史数据A_m×N；其中，行数m代表健康状态相关的传感器测点个数，列数N代表正常运行状态个数；

利用归一化的历史数据A_m×N构造健康矩阵Z_m×k；其中，列数k代表观测向量的个数；

根据构造的健康矩阵，采用多元状态估计技术建立系统健康状态模型。

3.根据权利要求2所述的工作状态评估方法，其特征在于，

所述数据清洗步骤包括：

排除电机开关机和停机阶段单测点采集的数据；

剔除单测点的离群点；

采用关联关系比较法排除关联测点的离群点。

4.根据权利要求3所述的工作状态评估方法，其特征在于，

采用箱线图离群点检测方法识别单测点的离群点；

箱线图上边界设置为：X_upper＝Q₃-β×(Q₃-Q₁)；

箱线图下边界设置为：X_lower＝Q₃-β×(Q₃-Q₁)；

式中，Q₁为下分位数，Q₃为上分位数，β为经验系数；

单测点的离群点为{x|x＞X_upper,x∈X}和{x|x＜X_lower,x∈X}，X为排除电机开关机和停机阶段的单测点序列。

5.根据权利要求2所述的工作状态评估方法，其特征在于，

所述构造健康矩阵，包括以下步骤：

1)将[0，1]区间等分为k份，以1/k为步距确定等间隔点集为：

2)从A_m×N的单测点x₁中提取出与p₁最近的点所对应的观测向量x₁(t₁)，加入到健康矩阵中；

3)依次遍历等间隔点集p中的其他点{p₂，…，p_k}进行2)中的操作；

4)依次遍历A_m×N中的其他单测点{x₂，…，x_m}进行2)和3)中的操作得到健康矩阵

6.根据权利要求5所述的工作状态评估方法，其特征在于，采用整体偏离度序列作为评估设备健康状态指标；

所述整体偏离度式中，X_obs(t_j)和X_est(t_j)分别为观测向量和估计向量，m为测点维度；

观测向量X_obs(t_j)＝[x₁(t_j),x₂(t_j),…,x_i(t_j),…,x_m(t_j)]^T；t_j为观测时刻，x_i(t_j)表示测点i在t_j时刻的监测参数；

所述估计向量Z_m×k为构造的健康矩阵，为非线性运算符。

7.根据权利要求6所述的工作状态评估方法，其特征在于，所述基于所述系统健康状态模型构建动态基线进行系统各部件工作状态的监测和预警，包括，

获取当前整体偏离度序列其中，t₁为监测时长，t₀为观测矩阵X_obs的采集间隔，序列长度t＝t₁/t₀；

计算每个时间段内数据的中位数M_i和四分位差Q_i,i＝1,2,…,t₁/t₀，形成M序列和Q序列；

对M序列做趋势预测，得到未来t+1时间段整体偏离度水平的预测值

设定未来第t+1个时间段的动态阈值M₀；

计算未来第t+1个时间段偏离度S_t+1(k)，设定动态报警基线，当偏离度S_t+1(k)与动态阈值M₀的偏差超过设定的动态报警基线时，进行报警。

8.根据权利要求7所述的工作状态评估方法，其特征在于，

采用支持向量回归预测算法对偏离度M序列进行趋势预测，得到未来t+1时间段整体偏离度水平的预测值

定义未来t+1时间段的动态阈值式中：为Q序列的均值，a为放大系数；

动态报警基线根据公式设定，当δ大于设定的报警阈值时，进行报警。

9.根据权利要求1所述的工作状态评估方法，其特征在于，所述对异常工作状态进行分析中，

通过比较测点对异常的贡献率，确定对异常状态影响较大的测点；

通过定量衡量异常测点观测值和估计值的偏差程度，来确定测点异常出现时刻；

通过将监测测点划分到归属的部件中，计算每个部件中所有测点对异常的贡献率之和作为该部件的状态值，进行部件故障判断；

所述测点对异常的贡献率用公式表示；式中，cnp(i)为第i个测点的贡献率，X_obs(i，j)和X_est(i，j)分别是第i个测点在j时刻的观测向量和估计向量；

所述部件状态值用公式Sv(j)＝∑_icnp(i，j)表示；式中，Sv(j)为系统中第j个部件的状态值，cnp(i，j)为第j个部件中的第i个测点的贡献率。

10.根据权利要求9所述的工作状态评估方法，其特征在于，

设定相对偏差率指标来定量衡量异常测点的观测值和估计值的偏差程度；

所述相对偏差率

当相对偏差率r超过设置的偏差阈值的时刻为异常发生的时刻。