CN109299201A - 基于两阶段聚类的电厂生产子系统异常监测方法及装置 - Google Patents

基于两阶段聚类的电厂生产子系统异常监测方法及装置 Download PDF

Info

Publication number
CN109299201A
CN109299201A CN201811308016.3A CN201811308016A CN109299201A CN 109299201 A CN109299201 A CN 109299201A CN 201811308016 A CN201811308016 A CN 201811308016A CN 109299201 A CN109299201 A CN 109299201A
Authority
CN
China
Prior art keywords
measuring point
data
power plant
cluster
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811308016.3A
Other languages
English (en)
Other versions
CN109299201B (zh
Inventor
唐静
彭轩
彭一轩
解来甲
叶琰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuanguang Software Co Ltd
Original Assignee
Yuanguang Software Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yuanguang Software Co Ltd filed Critical Yuanguang Software Co Ltd
Priority to CN201811308016.3A priority Critical patent/CN109299201B/zh
Publication of CN109299201A publication Critical patent/CN109299201A/zh
Application granted granted Critical
Publication of CN109299201B publication Critical patent/CN109299201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于两阶段聚类的电厂生产子系统异常检测方法及装置，属于火力发电技术领域，方法包括，抽取与待测电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；通过第一阶段聚类评估，得到每个测点的离群时间；通过进行第二阶段聚类评估，得到聚类的核心簇点所对应的测点数据和时间段，确定所述电厂生产子系统的异常情况。本发明从无监督学习出发，不需要大量的专业知识经验，仅从最近的历史数据学习，再配合少量的业务经验，能够快速的确定故障位置和对应时间；并且采用多次聚类，降低了异常误报率。

Description

基于两阶段聚类的电厂生产子系统异常监测方法及装置
技术领域
本发明涉及火力发电技术领域，尤其是一种基于两阶段聚类的电厂生产子系统异常检测方法及装置。
背景技术
目前国内发电厂的异常检测主要从以下两个方面来：
1.针对特定部件的故障分析，如针对汽轮机和风机的振动监测；针对锅炉炉管的泄漏检测；针对锅炉寿命的分析。只针对局部设备进行异常检测和故障诊断，对运行系统缺乏整体把握，且方法扩展性较差。
2.针对大量的特定故障样本分析，需要整理大量的故障经验数据，建立知识库或案例集，方可以进行基于规则或机器学习的异常检测，例如，基于故障诊断专家知识建立的旋转机械振动的故障诊断系统和基于专家经验和机器学习方法构建的汽机诊断和检测模型。而在日常设备维护工作中，电厂设备故障种类多，故障重复频率低。设备故障的现象也会随工况的变化而变化，难以建立完备的专家经验库。
发明内容
鉴于上述的分析，本发明旨在提供一种基于两阶段聚类的电厂生产子系统异常检测方法及装置，通过采用多次聚类，降低异常检测的误报率；实现异常发生位置的实时监测。
本发明的目的主要是通过以下技术方案实现的：
一种基于两阶段聚类的电厂生产子系统异常监测方法，包括如下步骤：
抽取与待测电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；
对所述每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
对所述测点离群时间段矩阵，进行第二阶段聚类评估，得到聚类的核心簇点，根据所述核心簇点所对应的测点数据和时间段，确定所述待测电厂生产子系统的异常情况。
进一步地，所述对测点时间数据序列的特征数据进行第一阶段聚类评估，包括，
对测点时间数据序列进行分段；
提取每段数据的特征数据；
对特征数据进行降维；
对降维后的特征数据进行聚类，得到特征数据的离群时间信息。
进一步地，采用极值线性分段对测点时间数据序列进行分段，具体包括，
遍历时间数据序列，顺序寻找极值点，构成极值点序列M；
以极值点序列M中的极值点为分段点，进行时间数据序列的分段；
计算分段点的线性偏离度；
设置偏离程度阈值，当分段点的线性偏离度小于设置的偏离程度阈值时，则剪掉所述分段点。
进一步地，抽取测点监测数据，包括：
通过授权与电厂sis系统的pi数据库建立连接；
选择与待测电厂生产子系统对应的测点知识树中的测点；
从pi数据库中抽取所述测点的监测数据，得到每个测点的时间数据序列。
进一步地，所述测点知识树的建立包括：
采集电厂生产过程中积累的包括值班日志和缺陷单在内的文本数据；
通过对所述文本数据的实体词语及其属性进行识别，确定文本数据中与各测点相关的实体词语；
通过构建各测点相关的实体词语之间的关联关系，生成包括电厂各子系统、电厂各子系统中的测点、电厂子系统与测点之间及不同测点之间关联关系的测点体系图；
在所述测点体系图中，与特定子系统状态相关的所有测点构成一个测点知识树。
进一步地，还包括专家系统筛选步骤；通过专家系统对所述第二阶段聚类评估后测点的数据进一步筛选，得到所述第二阶段聚类评估没有发现的异常时段及异常时段中测点的数据；
所述专家系统，集合了根据以往测点检测数据，对电厂各生产子系统常见异常现象的正确判断和故障分析案例。
一种基于两阶段聚类的电厂生产子系统异常监测装置，包括监测数据抽取模块、第一阶段聚类检测模块和第二阶段聚类检测模块；
所述监测数据抽取模块，连接电厂sis系统的pi数据库，用于抽取与电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；
所述第一阶段聚类检测模块，连接监测数据抽取模块，用于对监测数据抽取模块输出的每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
所述第二阶段聚类检测模块，连接第一阶段聚类检测模块，用于对所述测点离群时间段矩阵进行第二阶段聚类评估，根据聚类的核心簇点，确定所述电厂生产子系统的异常情况。
进一步地，所述监测数据抽取模块包括系统登录单元、测点知识树建立单元和数据抽取单元；
所述系统登录单元，用于与sis系统的pi数据库建立连接；
所述测点知识树建立单元，用于从测点体系图中抽取与选择的子系统状态相关的多个关联的测点，组成测点知识树；
所述数据抽取单元，根据测点知识树中包括的测点从pi数据库中抽取与电厂生产子系统相关的多个测点的监测数据。
进一步地，所述第一阶段聚类检测模块包括数据分段单元、特征数据提取单元、数据降维单元、聚类单元和离群时间段矩阵构建单元；
所述数据分段单元，用于对每个测点时间数据序列进行分段；
所述特征数据提取单元，用于提取每段数据的特征数据；
所述数据降维单元，用于对特征数据进行降维处理；
所述聚类单元，用于对单测点特征数据进行聚类，发现和监测有偏离簇点的离群现象的时间段，确定为测点可能出现异常的时间段；
所述离群时间段矩阵构建单元，用于将每个测点可能出现异常的时间段组成测点的离群时间段矩阵。
进一步地，还包括专家系统模块，用于对第二阶段聚类检测模块输出的结果进行进一步筛选，抽离第二阶段聚类检测模块没有发现的异常时段及异常时段中测点的数据。
本发明有益效果如下：
1.更易于扩展，受机型等环境的变化的影响因素小。
2.从无监督学习出发，不需要大量的专业知识经验，仅从最近的历史数据学习，再配合少量的业务经验。
3.直接给出异常发生的位置，能够快速的确定故障位置，使工作人员及时采取反映措施。
4.根据业务知识，采用多次聚类，降低异常误报率。
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异常监测方法流程图；
图2为本发明实施例中的对测点数据进行第一阶段聚类评估方法流程图；
图3为本发明实施例中的线性偏离度计算方法示意图；
图4为本发明实施例中的异常监测装置组成示意图；
图5为本发明实施例中的第一阶段聚类检测模组成示意图。
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两阶段聚类的电厂生产子系统异常监测方法，如图1所示，包括如下步骤：
步骤S1、抽取与待测电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；
具体包括：
1)通过授权与电厂sis系统的pi数据库建立连接；
本实施例的测点监测数据是通过访问电厂sis系统的pi数据库获得的；由于电厂系统接入安全需要，不能直接连接pi数据库进行访问，需要在与电厂内与SIS系统连接的电脑上，通过SIS系统的授权后，才能访问pi数据库；
可选的授权方式包括，通过输入授权用户和密码的方式登录系统或者通过包括授权用户和密码的USB-key接入后自动方式登录系统。
2)选择与待测电厂生产子系统对应的测点知识树中的测点；
特殊的，在与待测电厂生产子系统相关的多个测点的选择上，本发明实施例是根据预先建立好的电厂生产子系统对应的测点知识树，选择相关测点进行数据抽取；
所述测点知识树的建立包括：
采集电厂生产过程中积累的包括值班日志和缺陷单在内的文本数据；
通过对所述文本数据的实体词语及其属性进行识别，确定文本数据中与各测点相关的实体词语；
通过构建各测点相关的实体词语之间的关联关系，生成包括电厂各子系统、电厂各子系统中的测点、电厂子系统与测点之间及不同测点之间关联关系的测点体系图；
在所述测点体系图中，与特定子系统状态相关的所有测点构成一个测点知识树。
3)根据测点知识树中的测点从pi数据库中抽取测点监测数据，得到每个测点的时间数据序列；
测点监测数据包括测点监测的历史数据和实时数据，根据监测的时间顺序，形成测点监测的时间数据序列。
步骤S2、对所述每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
在步骤S2中，逐个提取单测点监测的时间数据的特征数据，对特征数据进行聚类，检测测点数据的异常时间分布；
由于时间数据序列具有有序高维等特点，使用时间序列分段和分段信息提取，可以避免直接进行数据挖掘造成的计算成本高准确性低。
如图2所示，具体包括如下步骤：
1)对每个测点时间数据序列进行分段；
优选的，为最大保留数据特征，本实施例中采用极值线性分段方法进行时间数据的分段；
具体包括，
(1)遍历时间数据序列，顺序寻找极值点，构成极值点序列M；
所谓极值点，是指曲线中的转折点，寻找极值点的算法是：从序列第二点开始遍历，如果一个点同时比前后两点大，或者同时比前后两点小，那么这个点就是时间序列的一个极值点；
(2)以极值点序列M中的极值点为分段点，进行时间数据序列的分段；
(3)计算分段点的线性偏离度；
(4)设置偏离程度阈值，当分段点的偏离度小于设置的偏离程度阈值时，剪掉这个分段点，保存数据的趋势特征，降低噪声干扰。
具体的，如图3所示；以图中的连续三个分段点A、B、C为例计算线性偏离度；
首先，计算分段点B到分段点A和分段点C连接构成的直线AC的距离h；h作为分段点B的线性偏离程度；h越大，偏离程度越大，分段点的重要性越高；h越小，偏离程度越小，分段点的重要性越低；
依次对连续的三个分段点分别计算线性偏离程度，得到线性偏离程度序列hi,i＝1,…,n；n＝length(M)-2；
设置的偏离程度阈值,当hi小于阈值时，就可以剪掉这个分段点，保存数据的趋势特征，降低噪声干扰。
2)提取每段数据的特征数据；
提取方式就是在时间数据序列的分段数据基础上，通过下述统计计算，得到特征数据记录保存。
特征数据包括反映趋势的指标、反映波动的指标、反映分布特征的指标和反映变异的指标；
所述反映趋势的指标如斜率；
所述反映波动的指标如变异系数、方差；
反映分布特征的指标如：分位距，均值，
反映变异的指标如方差变异、块度指标等。
3)对特征数据进行降维；
由于各指标间存在一定的信息重叠，需进行降维处理，消除信息重叠；
优选的，本实施例采用主成分分析(PCA)进行降维。
主成分分析(PCA)降维，只是机器学习中比较多用的一种降维方法，采用其他的已公开的适用于信息重叠的降维处理方法，都可以应用于本发明的技术方案中。
通过对每段数据提取的特征数据并进行降维处理，避免了后续聚类步骤的效果会受数据量和簇的个数影响。
4)对降维的特征数据进行第一阶段聚类，得到特征数据的离群时间信息；
优选的，本实施例采用EM聚类对单测点特征数据进行聚类；
所述第一阶段聚类，是采用已有的EM聚类算法对特征数据的结果进行计算，针对的是一个测点，多个时间分段中提取的特征值聚类，当计算发现和监测到有偏离簇点的离群现象时，记录特征值所在的时间段，即离群时间段。该测点离群的离群时间段为该测点监测数据有可能出现异常的时间段。
采用上述方法，对每个测点的历史数据都进行计算处理后，记录每个测点的离群时间段信息，组成测点的离群时间段矩阵。
步骤S3、对得到的测点离群时间段矩阵，进行第二阶段聚类评估，剔除离群测点，得到聚类的核心簇点，根据核心簇点所对应的的测点和时间段，确定所述电厂生产子系统的异常情况。
可选的，第二阶段聚类采用层次聚类法进行聚类；
利用层次聚类算法，对这个测点离群时间段矩阵进行聚类，由于一般故障都表现为多测点同时体现症状和联动状态特征，采用层次聚类法，在多测点的离群时间段上聚类，寻找核心簇点；所述簇点所对应的时间段一般将会是异常问题发生的时间段；核心簇点中的测点监测的数据为子系统在各测点对应的异常数据；
而，第二阶段聚类后的离群点则是表现单体特征异常，一般不具备发生子系统异常或故障的条件。
将获得的各测点对应的异常数据反馈到，第一阶段聚类和第二阶段聚类，用于真实评价异常的结果，标记异常对错，决策学习和优化异常的阈值参数。
通过上述步骤，能抽离出绝大部分由系统变化导致异常的测点，仍有一小部分系统变化导致的异常无法抽离。
优选的，对无法抽离的异常，可再通过建立的专家系统进行筛选，最终得到由系统变化导致异常的测点。
所述专家系统的建立，集合了根据以往测点检测数据，对系统常见异常现象的正确判断和故障分析案例。
通过集合专家系统和机器学习方法可在最大程度降低误报率。
本实施例还公开了一种基于两阶段聚类的电厂生产子系统异常监测装置，如图4所示，包括，监测数据抽取模块、第一阶段聚类检测模块和第二阶段聚类检测模块。
监测数据抽取模块，连接电厂sis系统的pi数据库，用于抽取与电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；所述时间数据序列包括测点监测的历史数据和实时数据。
具体的，监测数据抽取模块，包括系统登录单元、测点知识树建立单元和数据抽取单元；
所述系统登录单元，用于与sis系统的pi数据库建立连接，使本实施例的电厂生产子系统异常监测装置能够访问pi数据库，获取测点数据；
所述测点知识树建立单元，用于从建立的测点体系图中抽取与选择的子系统状态相关的多个关联的测点，组成测点知识树；
所述数据抽取单元，根据测点知识树中包括的测点从pi数据库中抽取与电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列。
第一阶段聚类检测模块，连接监测数据抽取模块，用于对监测数据抽取模块输出的每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
具体的，如图5所示，第一阶段聚类检测模块包括数据分段单元、特征数据提取单元、数据降维单元、聚类单元和离群时间段矩阵构建单元；
所述数据分段单元，用于对每个测点时间数据序列进行分段；
具体的，采用极值线性分段方法进行时间数据的分段；
所述特征数据提取单元，用于提取每段数据的特征数据；
具体的，在时间数据序列的分段数据基础上，通过统计方法，得到包括反映趋势指标、反映波动指标、反映分布特征指标和反映变异指标的特征数据记录保存。
数据降维单元，用于对特征数据进行降维处理；
为了，消除各指标间存在的信息重叠，特征数据提取单元还对特征数据进行降维处理，消除信息重叠；
优选的，可采用主成分分析(PCA)进行降维。
聚类单元，用于对单测点特征数据进行聚类，发现和监测有偏离簇点的离群现象的时间段，确定为测点可能出现异常的时间段。
具体的，聚类单元可采用EM聚类对单测点特征数据进行聚类；
离群时间段矩阵构建单元，用于将通过数据分段单元、特征数据提取单元和聚类单元得到的每个测点可能出现异常的时间段，组成测点的离群时间段矩阵。
第二阶段聚类检测模块，连接第一阶段聚类检测模块，用于对第一阶段聚类检测模块得到的测点离群时间段矩阵，进行第二阶段聚类评估，剔除离群测点，根据聚类的核心簇点，确定所述电厂生产子系统的异常情况。
可选的，第二阶段聚类检测模块采用层次聚类法进行聚类；对测点离群时间段矩阵进行聚类，由于一般故障都表现为多测点同时体现症状和联动状态特征，采用层次聚类法，在多测点的离群时间段上聚类，寻找核心簇点；所述簇点所对应的时间段一般将会是异常问题发生的时间段；核心簇点中的测点监测的数据为子系统在各测点对应的异常数据；而，离群点则是表现单体特征异常，一般不具备发生子系统异常或故障的条件。
可选的，本实施例的异常监测装置还包括专家系统模块，
所述专家系统模块，用于对第二阶段聚类检测模块输出的结果进行进一步筛选，抽离第二阶段聚类检测模块没有发现的异常时段及异常时段中测点的数据。
本实施例分两个阶段进行异常检测，主要是电厂的生产特点使然，根据电厂的生产运行特点会存在大量的人工调节而导致生产工况转变等现象，容易人为(工况变化)引发数据变动异样，因此仅仅进行单测点异常检测并不能够反映测点的异常与否。不过人为(工况)引发的数据变动大多具有联动性，即每次人为操作会导致系统内一批测点同时变化；因此，对系统异常检测结果再进行一次聚类，最终将离群的测点设为异常测点，避免了异常误报的问题。
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)

1.一种基于两阶段聚类的电厂生产子系统异常监测方法，其特征在于，包括如下步骤：
抽取与待测电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；
对所述每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
对所述测点离群时间段矩阵，进行第二阶段聚类评估，得到聚类的核心簇点，根据所述核心簇点所对应的测点数据和时间段，确定所述待测电厂生产子系统的异常情况。
2.根据权利要求1所述的异常监测方法，其特征在于，所述对测点时间数据序列的特征数据进行第一阶段聚类评估，包括，
对测点时间数据序列进行分段；
提取每段数据的特征数据；
对特征数据进行降维；
对降维后的特征数据进行聚类，得到特征数据的离群时间信息。
3.根据权利要求2所述的异常监测方法，其特征在于，采用极值线性分段对测点时间数据序列进行分段，具体包括，
遍历时间数据序列，顺序寻找极值点，构成极值点序列M；
以极值点序列M中的极值点为分段点，进行时间数据序列的分段；
计算分段点的线性偏离度；
设置偏离程度阈值，当分段点的线性偏离度小于设置的偏离程度阈值时，则剪掉所述分段点。
4.根据权利要求1所述的异常监测方法，其特征在于，抽取测点监测数据，包括：
通过授权与电厂sis系统的pi数据库建立连接；
选择与待测电厂生产子系统对应的测点知识树中的测点；
从pi数据库中抽取所述测点的监测数据，得到每个测点的时间数据序列。
5.根据权利要求4所述的异常监测方法，其特征在于，
所述测点知识树的建立包括：
采集电厂生产过程中积累的包括值班日志和缺陷单在内的文本数据；
通过对所述文本数据的实体词语及其属性进行识别，确定文本数据中与各测点相关的实体词语；
通过构建各测点相关的实体词语之间的关联关系，生成包括电厂各子系统、电厂各子系统中的测点、电厂子系统与测点之间及不同测点之间关联关系的测点体系图；
在所述测点体系图中，与特定子系统状态相关的所有测点构成一个测点知识树。
6.根据权利要求1-5任一所述的异常监测方法，其特征在于，还包括专家系统筛选步骤；通过专家系统对所述第二阶段聚类评估后测点的数据进一步筛选，得到所述第二阶段聚类评估没有发现的异常时段及异常时段中测点的数据；
所述专家系统，集合了根据以往测点检测数据，对电厂各生产子系统常见异常现象的正确判断和故障分析案例。
7.一种基于两阶段聚类的电厂生产子系统异常监测装置，其特征在于，包括监测数据抽取模块、第一阶段聚类检测模块和第二阶段聚类检测模块；
所述监测数据抽取模块，连接电厂sis系统的pi数据库，用于抽取与电厂生产子系统相关的多个测点监测数据，得到每个测点的时间数据序列；
所述第一阶段聚类检测模块，连接监测数据抽取模块，用于对监测数据抽取模块输出的每个测点时间数据序列的特征数据进行第一阶段聚类评估，检测每个测点的离群时间，得到测点离群时间段矩阵；
所述第二阶段聚类检测模块，连接第一阶段聚类检测模块，用于对所述测点离群时间段矩阵进行第二阶段聚类评估，根据聚类的核心簇点，确定所述电厂生产子系统的异常情况。
8.根据权利要求7所述的异常监测装置，其特征在于，所述监测数据抽取模块包括系统登录单元、测点知识树建立单元和数据抽取单元；
所述系统登录单元，用于与sis系统的pi数据库建立连接；
所述测点知识树建立单元，用于从测点体系图中抽取与选择的子系统状态相关的多个关联的测点，组成测点知识树；
所述数据抽取单元，根据测点知识树中包括的测点从pi数据库中抽取与电厂生产子系统相关的多个测点的监测数据。
9.根据权利要求7所述的异常监测装置，其特征在于，所述第一阶段聚类检测模块包括数据分段单元、特征数据提取单元、数据降维单元、聚类单元和离群时间段矩阵构建单元；
所述数据分段单元，用于对每个测点时间数据序列进行分段；
所述特征数据提取单元，用于提取每段数据的特征数据；
所述数据降维单元，用于对特征数据进行降维处理；
所述聚类单元，用于对单测点特征数据进行聚类，发现和监测有偏离簇点的离群现象的时间段，确定为测点可能出现异常的时间段；
所述离群时间段矩阵构建单元，用于将每个测点可能出现异常的时间段组成测点的离群时间段矩阵。
10.根据权利要求7所述的异常监测装置，其特征在于，还包括专家系统模块，用于对第二阶段聚类检测模块输出的结果进行进一步筛选，抽离第二阶段聚类检测模块没有发现的异常时段及异常时段中测点的数据。
CN201811308016.3A 2018-11-05 2018-11-05 基于两阶段聚类的电厂生产子系统异常监测方法及装置 Active CN109299201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811308016.3A CN109299201B (zh) 2018-11-05 2018-11-05 基于两阶段聚类的电厂生产子系统异常监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811308016.3A CN109299201B (zh) 2018-11-05 2018-11-05 基于两阶段聚类的电厂生产子系统异常监测方法及装置

Publications (2)

Publication Number Publication Date
CN109299201A true CN109299201A (zh) 2019-02-01
CN109299201B CN109299201B (zh) 2020-09-04

Family

ID=65146559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811308016.3A Active CN109299201B (zh) 2018-11-05 2018-11-05 基于两阶段聚类的电厂生产子系统异常监测方法及装置

Country Status (1)

Country Link
CN (1) CN109299201B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529061A (zh) * 2020-12-03 2021-03-19 新奥数能科技有限公司 一种光伏功率异常数据的识别方法、装置及终端设备
CN113282065A (zh) * 2021-05-18 2021-08-20 西安热工研究院有限公司 一种基于图形组态的聚类极值实时计算方法
CN113722384A (zh) * 2021-11-02 2021-11-30 西安热工研究院有限公司 基于密度算法的测点数据异常值的检测方法、系统及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130151522A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Event mining in social networks
CN103559562A (zh) * 2013-11-20 2014-02-05 贵州电网公司电力调度控制中心 电网智能运行系统及其实现方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法
US20140195184A1 (en) * 2011-08-17 2014-07-10 Hitachi, Ltd Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System
CN105098843A (zh) * 2015-08-25 2015-11-25 南京南瑞继保电气有限公司 用于火电厂厂级自动发电控制系统的负荷优化分配方法和系统
US20160219067A1 (en) * 2015-01-28 2016-07-28 Korea Internet & Security Agency Method of detecting anomalies suspected of attack, based on time series statistics
CN107832896A (zh) * 2017-11-29 2018-03-23 广东电网有限责任公司电力科学研究院 一种电厂设备缓变故障预警方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140195184A1 (en) * 2011-08-17 2014-07-10 Hitachi, Ltd Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System
US20130151522A1 (en) * 2011-12-13 2013-06-13 International Business Machines Corporation Event mining in social networks
CN103559562A (zh) * 2013-11-20 2014-02-05 贵州电网公司电力调度控制中心 电网智能运行系统及其实现方法
CN103886512A (zh) * 2014-02-20 2014-06-25 东南大学 基于灰度聚类的火电机组经济指标评价方法
US20160219067A1 (en) * 2015-01-28 2016-07-28 Korea Internet & Security Agency Method of detecting anomalies suspected of attack, based on time series statistics
CN105098843A (zh) * 2015-08-25 2015-11-25 南京南瑞继保电气有限公司 用于火电厂厂级自动发电控制系统的负荷优化分配方法和系统
CN107832896A (zh) * 2017-11-29 2018-03-23 广东电网有限责任公司电力科学研究院 一种电厂设备缓变故障预警方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529061A (zh) * 2020-12-03 2021-03-19 新奥数能科技有限公司 一种光伏功率异常数据的识别方法、装置及终端设备
CN112529061B (zh) * 2020-12-03 2024-04-16 新奥数能科技有限公司 一种光伏功率异常数据的识别方法、装置及终端设备
CN113282065A (zh) * 2021-05-18 2021-08-20 西安热工研究院有限公司 一种基于图形组态的聚类极值实时计算方法
CN113722384A (zh) * 2021-11-02 2021-11-30 西安热工研究院有限公司 基于密度算法的测点数据异常值的检测方法、系统及设备

Also Published As

Publication number Publication date
CN109299201B (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN103996077B (zh) 一种基于多维时间序列的电气设备故障预测方法
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN111507376B (zh) 一种基于多种无监督方法融合的单指标异常检测方法
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN101989087B (zh) 工业化加工渣油的在线实时故障监测与诊断的系统装置
CN100465842C (zh) 数据分析系统和方法
CN108731923A (zh) 一种旋转机械设备的故障检测方法及装置
CN117251812A (zh) 一种基于大数据分析的高压电力线路运行故障检测方法
CN109299201A (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN111946559B (zh) 一种风机基础和塔架结构检测方法
CN109887122A (zh) 一种船闸机电故障远程智能诊断方法及系统
GB2476246A (en) Diagnosing an operation mode of a machine
CN110297207A (zh) 智能电表的故障诊断方法、系统及电子装置
CN109063885A (zh) 一种变电站异常量测数据预测方法
CN106776208A (zh) 一种软件运行时故障定位方法
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN117436569A (zh) 基于随机森林的核电设备故障预测和智能标定方法及系统
CN117743909A (zh) 一种基于人工智能的供热系统故障分析方法及装置
CN113962308A (zh) 一种航空设备故障预测方法
CN118332519A (zh) 基于分位循环神经网络的分布式光伏异常检测方法及设备
CN117932358A (zh) 一种智能远程电场故障诊断方法及系统
Li et al. Meteorological radar fault diagnosis based on deep learning
US11339763B2 (en) Method for windmill farm monitoring
Zheng et al. Spatio-Temporal Attention-based Neural Network for Wind Turbine Blade Cracking Fault Detection
CN113836203A (zh) 一种网络数据化诊断检测分析系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant