CN111445674B - 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 - Google Patents
一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 Download PDFInfo
- Publication number
- CN111445674B CN111445674B CN202010269592.2A CN202010269592A CN111445674B CN 111445674 B CN111445674 B CN 111445674B CN 202010269592 A CN202010269592 A CN 202010269592A CN 111445674 B CN111445674 B CN 111445674B
- Authority
- CN
- China
- Prior art keywords
- causal
- graph
- variables
- nodes
- sub
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,包括:步骤1、根据制粉系统结构进行分布式划分,划分出各个子设备变量组;步骤2、数据预处理;步骤3、粗糙图构建;步骤4、精细图构建;步骤5、因果网络图的修剪;步骤6、因果网络参数的确定。本发明的有益效果是:结合系统级分布式思想,基于数据驱动,将过程变量按照设备功能分组,对每个设备分别建模,解决大型系统因果关系挖掘困难的问题;确定性系统的角度解决了非线性工业过程中的因果关系识别问题,不涉及样本分布问题,降低了对样本质量的要求。此外,在因果定向性的识别中,考虑了因果传播的时滞效应,可以识别因果链中的间接因果关系。
Description
技术领域
本发明涉及工业过程异常工况诊断与溯因分析中的变量因果关系分析等技术领域,尤其包括一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法。
背景技术
现代工业系统的规模和复杂程度都在日益提高,火力发电过程日趋复杂化、大型化发展,一旦出现异常,都可能带来重大的财产损失和人员伤亡。同时电厂锅炉制粉系统是火电厂机组的一个重要组成部分,它的经济调整直接影响整个火电发电厂运行的经济效益。因此,为了保证制粉系统在运行的安全性与可靠性,提高火电机组经济效益,通常部署大量的传感器、执行器、通信设备和控制模块,设置报警系统。火力发电机组是由多个设备、多个子系统组成的复杂的大范围连续生产系统。各子系统之间存在着高维非线性的关联关系,并且故障类型多,机理各不相同,因此单个故障可能会传播到整个工厂设备,从而在报警系统中引起报警洪水。因此,在报警系统中识别报警洪水的根本原因是必要的,以支持决策,并帮助工厂采取即时有效的措施来处理异常情况,防止任何重大事故由于故障传播。由于单位之间的联系,系统中变量之间存在很强的因果关系。报警根跟踪是根据变量之间的因果关系,找出异常传播路径,找出异常条件的根本原因的一种方法。对于根源追踪,一种广泛使用的方法是首先用因果关系来描述过程,然后追踪根源。因此,需要准确描述过程中变量之间的因果关系,为根源的可追溯性提供基础。
近年来,人们提出了几种从历史数据中确定变量之间因果关系的方法。互相关函数通过两个时间序列的相似性和时间特征来确定变量之间的因果关系。另一种常用的方法是格兰杰因果关系。具体地说,一个时间序列可以被称为格兰杰随意到其他如果我们能更好地预测第二次系列通过合并的第一个知识。基于频域的方法也得到了发展,如有向传递函数(DTF)和部分有向相干(PDC)。然而,这些方法仅适用于线性系统,不能处理实际工业过程中的复杂非线性问题。为了处理非线性问题,Schreiber等提出了基于信息熵理论的传递熵。然而,由于信息熵的计算依赖于概率计算理论,因此很难保证计算结果的准确性。此外,传递熵不能计算变量之间的时延关系,这在因果挖掘中是非常重要的。
因此,处理非线性系统中变量之间的因果关系是很有必要的。上述描述工业厂房因果关系的方法都是从纯统计的角度出发,对样本质量的要求都很高。如果所观察到的样品不能代表整个过程的特征,或其统计特性随时间变化,就很难得到准确可靠的结果。然而,实际的工业过程是按照一定的规则运行的,我们可以用模型来描述工业过程,因此工业过程比完全随机的确定性系统描述的过程更合适。Sugihara等从确定性系统的角度提出了一种收敛交叉映射方法,该方法最初被应用于生态学领域。该方法利用非线性耦合系统中变量间的微分同胚映射特性,将原因果关系识别转化为嵌入流形相互预测效果的比较。差分同胚的特征在工业过程数据重构流形中也很常见。因此,CCM的思想也适用于工业过程。
综上所述,提出一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,就显得尤为重要。
发明内容
本发明的目的是克服现有技术中的不足,提供一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法。
这种因果网络构建方法,包括以下步骤:
步骤1、根据制粉系统结构进行分布式划分,划分出各个子设备变量组;每个子设备变量组包括该设备的可测变量;设每个子设备包含J个可测变量,每次采样得到一个1×J的向量,采样M次后得到一个正常过程下的二维设备变量矩阵Xdi(M×J),其中i表示第i个子设备,i=1,2,……n,n为子设备个数;
步骤2、数据预处理:经过上述步骤得到了若干个设备变量矩阵Xdi(M×J),工业中会对同一属性会利用冗余传感器从而提高对该属性的监测可信度;对同一属性的冗余变量取均值代表该属性的数据,所述冗余变量包含在J个可测变量中;经过数据预处理后的若干设备的二维设备变量矩阵记为Xdi(M×N),N为预处理后的可测变量个数;
步骤3、粗糙图构建:对每个子设备单独进行建模,子设备中的可测变量作为构建图的节点,构建一个全连接无向图:
P={<xi,xj>} (1)
上式中,i≠j,代表不存在节点自身与自身的连接关系;设定阈值为ε;
初始化N×N的邻接矩阵Ad以及权值矩阵Aw为零矩阵,设V={x1,x2,…,xN}为全连接无向图P网络模型的节点全集,其中xi为设备变量矩阵Xdi(M×N)中的第i个变量;对每一对节点变量xi,xj∈V,i≠j,使用CCM算法计算每一对节点变量间的收敛交叉映射能力:
对于一对节点变量xi,xj,假设其长度为L,利用时延坐标状态空间重构对流形Mxi进行重构,在t时刻的重构流形坐标为:
Mxi(t)=<xi(t),xi(t-τ),xi(t-2τ),…,xi(t-(E-1)τ)> (2)
上式中,t为时间,E为流形Mxi的维度,τ为时间间隔;
从流形Mxi中找到距离Mxi(t)最近的E+1个点Mxi,t={Mxi(t1),…,Mxi(tE+1)};
步骤3.1、如果xi的收敛交叉映射值收敛于一个大于阈值ε的值,而xj的收敛交叉映射值不收敛于一个大于阈值ε的值,则连接节点xi,xj的方向为xi→xj,并且令adi,j=1,adj,i=0;反之连接节点xi,xj的方向为xj→xi,并且令adi,j=0,adj,i=1;其中i,j分别代表邻接矩阵Ad的行数和列数;
步骤3.2、如果xi和xj的收敛交叉映射值都不能收敛于一个大于阈值ε的值,则xi和xj二者之间不存在因果关系,删除节点xi和xj之间的连接,并且令adi,j=0,adj,i=0;
步骤3.3、如果xi和xj的收敛交叉映射值都收敛于一个大于阈值ε的值,则进一步分析变量间的因果方向,将xi,xj作为待定节点放入待定集合T:
T={xi,xj},i,j∈N (6)
步骤4、精细图构建:确定变量之间存在的时间延迟范围[-Δt,Δt],对待定集合T中的每一对节点xi,xj∈T使用CCM算法计算不同时滞下的收敛交叉映射能力,比较不同时滞下的收敛交叉映射能力;然后根据最优交叉映射对应的时滞确定两个变量的因果关系方向;得到因果网络图G=(V,Ad);
步骤4.1、如果最优收敛交叉映射能力对应的时滞为负,则表示xj的未来值更能准确的反映xi的过去值,存在从xi到xj的因果关系;连接节点xi,xj,方向为xi→xj,令邻接矩阵Ad的第i行和第j列的元素adi,j=1;
步骤4.2、如果最优收敛交叉映射能力对应的时滞为正,则表示xi的未来值更能准确的反映xj的过去值,存在从xj到xi的因果关系;连接节点xi,xj,方向为xj→xi,令邻接矩阵Ad的第j行和第i列的元素adj,i=1;
由于扩展的CCM方法的计算量比原CCM方法大得多,这种由粗到细的网络结构构建方法可以用较少的计算量来解决这一问题。
步骤5、因果网络图的修剪:若x1影响x2,x2影响x3,则x1和x3之间存在间接的因果关系;由步骤4得到的因果网络图中会存在类似x1和x3的冗余连接关系,在最终的因果网络图中不希望得到间接的因果连接关系,因此进行因果网络图的修剪;具体包括以下步骤:
步骤5.1、将所有构成间接因果关系的节点以及其间的连接关系看作一个子图;使用遍历的方法,从一个节点开始,搜索任何可能的传递因果链;将每个传递因果链看作一个子图gm,记录子图节点集vm和邻接表adm;遍历步骤4)得到的因果网络图G中所有N个节点,找出因果网络图G=(V,Ad)中所有存在潜在间接因果关系的子图,放入待定子图集合GT:
GT={g1,g2,…gm} (7)
上式中,gm代表子图:
gm=<vm,adm> (8)
上式中,vm为子图gm中的节点集合,adm为子图gm的邻接表;
步骤5.2、对待定子图集合GT的所有子图,使用扩展的CCM方法判断是否存在间接因果关系:若存在间接因果关系,则删除因果网络图G中对应的连接关系;得到简化后的因果网络图G=(V,Ad),作为因果网络的最终结构;
步骤6、因果网络参数的确定:对简化后的因果网络图G中的一对连通节点,从整个时间序列中随机选择m个长度为T的时间段使用CCM算法计算收敛交叉映射能力,对于所有的交叉映射计算,都使用交叉验证来估计相同的段;从m个计算得到的收敛交叉映射能力估计值中,由核密度估计取给定置信水平下的置信区间作为网络参数,将网络参数赋值给权矩阵Aw;
更新整个权值矩阵后,得到最终的因果网络图模型:
CN=(V,Ad,Aw) (9)
所述因果网络参数为有向图G中边的权值,在正常的运行条件下,变量之间的收敛交叉映射值在因果网络参数范围内波动。
作为优选,步骤5.2所述使用扩展的CCM方法判断是否存在间接因果关系的方式为:
对每个待定子图集合GT中的子图gm,计算节点间的收敛交叉映射能力,记为其中L为gm的节点个数;确定变量之间存在的时间延迟范围[-Δt,Δt],对每个待定子图集合GT中的子图gm,计算节点间不同时滞下的收敛交叉映射能力,由最优交叉映射对应的时滞确定两个节点间时滞关系,记为所述代表gm起始和终点节点间的时滞关系,代表gm起始和终点节点间的收敛交叉映射能力,当和满足下式(10)时,gm中存在间接因果关系;
作为优选,步骤1所述子设备变量组包括磨煤机变量组、给煤机变量组和一次风机变量组。
作为优选,步骤3所述权值矩阵Aw是正常运行条件下的方阵,其值是区间数。
作为优选,步骤3所述每一对节点流形估计值与原始序列的相关系数的收敛值越大,这对节点相互的收敛交叉映射能力越好。
本发明的有益效果是:
(1)针对百万千瓦超超临界机组制粉系统,结合系统级分布式思想,基于数据驱动,提出一种基于CCM的因果网络构建方法,将百万千瓦超超临界机组制粉系统众多过程变量按照设备功能分组,对每个设备分别建模,解决大型系统因果关系挖掘困难的问题。
(2)确定性系统的角度解决了非线性工业过程中的因果关系识别问题,不涉及样本分布问题,降低了对样本质量的要求。此外,在因果定向性的识别中,考虑了因果传播的时滞效应,可以识别因果链中的间接因果关系。
附图说明
图1为本发明的方法流程图;
图2为未修剪的因果网络结构图;
图3为磨煤机最终因果网络结构图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
电厂锅炉制粉系统是火电厂机组的一个重要组成部分,它的经济调整直接影响整个火电发电厂运行的经济效益,因此对火电机组制粉系统报警的因果关系挖掘以及根源追溯有着十分重要的意义。本发明以浙江台二电厂1号机组制粉系统为例,针对制粉系统过程的研究总共包含57个变量,其中包括12个给煤机相关变量,17个一次风机相关变量,25个磨煤机相关变量,这些变量包括压力、温度、流量等。
如图1所示,本发明是针对百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,包括以下步骤:
(1)首先根据制粉系统结构进行分布式划分,划分出各个子设备变量组(包括磨煤机变量组、给煤机变量组、一次风机变量组等),每个变量组包括该设备的可测变量。设对于一个子设备包含J个可测变量,每次采样可以得到一个1×J的向量,采样M次后得到一个正常过程下的二维设备变量矩阵Xdi(M×J),其中i表示第i个子设备,i=1,2,……n,其中n对应子设备个数,子设备数为3。
(2)数据预处理:经过上述步骤得到了若干个设备变量矩阵Xdi(M×J),
工业中会对同一属性会利用冗余传感器从而提高对该属性的监测可信度,因而J个变量中会包含冗余变量,在此步骤中,将对同一属性(例如温度)的冗余变量取均值代表该属性的数据。Xdi(M×N)为经过预处理后的若干个设备变量矩阵,N为预处理后的变量个数。
(3)粗糙图构建:对每个子设备单独进行建模。以磨煤机为例,N=6,下表1给出了变量的描述,并且用序号表示变量。磨煤机中的变量作为构建图的节点,首先构建一个全连接无向图。
表1磨煤机变量的描述
No. | Description |
1 | 动态分离器轴承温度 |
2 | 出口风粉混合物温度 |
3 | 磨碗上下差压 |
4 | 进口一次风量 |
5 | 电机轴承温度 |
6 | 润滑油 |
P={<xi,xj>} (1)
其中i≠j,代表不存在节点自身与自身的连接关系。
初始化N×N的邻接矩阵Ad以及权值矩阵Aw为零矩阵。设V={x1,x2,...,xN}为图网络模型的节点全集,其中xi为设备变量矩阵Xdi(M×N)中的第i个变量。对每一对节点变量xi,xj∈V,i≠j,使用CCM算法计算两两间的收敛交叉映射能力。粗糙图的构建包括以下步骤,设定阈值ε=0.6:
(3.1)如果xi的收敛交叉映射值收敛于一个大于阈值的值,而xj不能,则连接节点xi,xj,方向为xi→xj,并且令adi,j=1,adj,i=0,反之亦然。其中i,j分别代表邻接矩阵Ad的行数和列数。
(3.2)如果xi和xj的收敛交叉映射值都不能收敛于一个大于阈值的值,二者之前不存在因果关系,则删除节点xi,xj之间的连接,并且令adi,j=0,adj,i=0。
(3.3)如果xi和xj的收敛交叉映射值都收敛于一个大于阈值的值,则需要进一步分析变量间的因果方向。则将xi,xj作为待定节点放入待定集合T:
T={xi,xj},i,j∈N (2)
(4)精细图构建:根据工业过程的工艺大致确定变量之间可能存在的时间延迟范围[-Δt,Δt],对待定集合T中的每一对节点:xi,xj∈T执行扩展的CCM方法,计算不同时滞下的收敛交叉映射能力,比较不同时滞下的收敛交叉映射能力,然后根据最优交叉映射对应的时滞确定两个变量的因果关系方向。
如果最优收敛交叉映射能力对应的时滞为负,则表示时间序列xj的未来值更能准确的反映xi的过去值,因此存在从xi到xj的因果关系。连接节点xi,xj,方向为xi→xj,令邻接矩阵Ad的第i行和第j列的元素adi,j=1,反之亦然。由于扩展的CCM方法的计算量比原CCM方法大得多,这种由粗到细的网络结构构建方法可以用较少的计算量来解决这一问题。通过以上步骤,得到有向图G=(V,Ad),见图2。
(5)因果网络图的修剪:若x1影响x2,x2影响x3,则x1和x3之间存在间接的因果关系。由步骤(4)得到的因果网络图中会存在类似x1和x3的冗余连接关系,在最终的因果网络图中不希望得到间接的因果连接关系,因此进行因果网络图的修剪。具体包括以下步骤:
(5.1)将所有可能构成间接因果关系的节点以及其间的连接关系看作一个子图。使用遍历的方法,从一个节点开始,搜索任何可能的传递因果链。将每个传递因果链看作一个子图gm,记录子图节点集vm和邻接表adm。然后遍历G中所有N个节点,找出步骤(4)得到的有向图G=(V,Ad)中所有可能存在潜在间接因果关系的子图,放入待定子图集合GT:
GT={g1,g2,…gm} (3)
其中gm代表一个子图。
gm=<Vm,adm> (4)
其中Vm代表子图gm中的节点集合,adm代表子图gm的邻接表。
(5.2)对待定子图集合GT所有子图,使用扩展的CCM方法判断是否存在间接因果关系,如果存在,则删除原始图G中对应的连接关系。最终得到简化后的有向图G=(V,Ad),作为因果网络的最终结构,见图3。
(6)因果网络参数的确定:图中边的权值即为因果网络的参数。在正常的运行条件下,变量之间的收敛交叉映射应该在一定的范围内波动,这个范围就是边的权值。步骤(3)中的权值矩阵Aw是正常运行条件下的方阵,其值是区间数。
对于网络G中的一对连通节点,从整个时间序列中随机选择m个长度为T的时间段段进行CCM计算,并进行m次CCM估计。对于所有的交叉映射计算,都使用交叉验证来估计相同的段。从得到的m个CCM的估计结果,由核密度估计取给定置信水平下的置信区间作为网络参数,赋值给权矩阵Aw,见下表2。更新整个权值矩阵后,得到最终的因果网络图模型:
CN=(V,Ad,Aw) (5)
表2磨煤机最终因果网络图参数
No. | 1 | 2 | 3 | 4 | 5 | 6 |
1 | -- | (0.98,0.99) | ||||
1 | -- | (0.98,0.99) | (0.99,1.00) | |||
3 | -- | (0.98,0.99) | ||||
4 | (0.98,0.99) | (0.80,0.82) | -- | |||
5 | -- | |||||
6 | (0.98.0,99) | -- |
根据磨煤机的机理的知识,一次风影响出口风粉混合物温度的变化。煤粉的干燥过程是自下而上的,一次风的变化直接影响到磨碗压差。但是没有直接的证据表明,一次风影响动态分离(动态分离器轴承温度),所以这里的因果关系可能是一个不适当的结果。出口风粉混合物温度代表了煤粉的质量,动态分离器的工作状态(动态分离器轴承温度)影响煤粉的质量,导致磨碗的压差的变化(磨碗上下差压)。磨碗的压差变化表示一定程度的负载变化和输出变化,导致电动机的工作状态(电机轴承温度)改变。与此同时,润滑油也影响电动机的工作状态(电机轴承温度)。
从另一个角度,根据该电厂的实际异常情况,以一次风温度异常引起的磨碗差压报警为例,说明了该方法的可行性。虽然从电厂的故障记录来看,这种异常是由一次风异常引起的,但其故障特征仅表现为磨碗差压报警。它可以从构建因果网络模型的异常可能是由于进口一次风(进口一次风量),这是符合实际的故障原因,也可能是由于出口风粉混合物温度异常。该网络为报警系统的根源跟踪提供了基础。
Claims (3)
1.一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法,其特征在于,包括以下步骤:
步骤1、根据制粉系统结构进行分布式划分,划分出各个子设备变量组;每个子设备变量组包括该设备的可测变量;设每个子设备包含J个可测变量,每次采样得到一个1×J的向量,采样M次后得到一个正常过程下的二维设备变量矩阵Xdi(M×J),其中i表示第i个子设备,i=1,2,……n,n为子设备个数;
步骤2、数据预处理:对同一属性的冗余变量取均值代表该属性的数据,所述冗余变量包含在J个可测变量中;经过数据预处理后的若干设备的二维设备变量矩阵记为Xdi(M×N),N为预处理后的可测变量个数;
步骤3、粗糙图构建:对每个子设备单独进行建模,子设备中的可测变量作为构建图的节点,构建一个全连接无向图:
P={<xi,xj>} (1)
上式中,i≠j;设定阈值为ε;
初始化N×N的邻接矩阵Ad以及权值矩阵Aw为零矩阵,设V={x1,x2,...,xN}为全连接无向图P网络模型的节点全集,其中xi为设备变量矩阵Xdi(M×N)中的第i个变量;对每一对节点变量xi,xj∈V,i≠j,使用CCM算法计算每一对节点变量间的收敛交叉映射能力:
对于一对节点变量xi,xj,假设其长度为L,利用时延坐标状态空间重构对流形Mxi进行重构,在t时刻的重构流形坐标为:
Mxi(t)=<xi(t),xi(t-τ),xi(t-2τ),...,xi(t-(E-1)τ)> (2)
上式中,t为时间,E为流形Mxi的维度,τ为时间间隔;
从流形Mxi中找到距离Mxi(t)最近的E+1个点Mxi,t={Mxi(t1),...,Mxi(tE+1)};
步骤3.1、如果xi的收敛交叉映射值收敛于一个大于阈值ε的值,而xj的收敛交叉映射值不收敛于一个大于阈值ε的值,则连接节点xi,xj的方向为xi→xj,并且令adi,j=1,adj,i=0;反之连接节点xi,xj的方向为xj→xi,并且令adi,j=0,adj,i=1;其中i,j分别代表邻接矩阵Ad的行数和列数;
步骤3.2、如果xi和xj的收敛交叉映射值都不能收敛于一个大于阈值ε的值,则xi和xj二者之间不存在因果关系,删除节点xi和xj之间的连接,并且令adi,j=0,adj,i=0;
步骤3.3、如果xi和xj的收敛交叉映射值都收敛于一个大于阈值ε的值,则进一步分析变量间的因果方向,将xi,xj作为待定节点放入待定集合T:
T={xi,xj},i,j∈N (6)
步骤4、精细图构建:确定变量之间存在的时间延迟范围[-Δt,Δt],对待定集合T中的每一对节点xi,xj∈T使用CCM算法计算不同时滞下的收敛交叉映射能力,比较不同时滞下的收敛交叉映射能力;然后根据最优交叉映射对应的时滞确定两个变量的因果关系方向;得到因果网络图G=(V,Ad);
步骤4.1、如果最优收敛交叉映射能力对应的时滞为负,则表示xj的未来值更能准确的反映xi的过去值,存在从xi到xj的因果关系;连接节点xi,xj,方向为xi→xj,令邻接矩阵Ad的第i行和第j列的元素adi,j=1;
步骤4.2、如果最优收敛交叉映射能力对应的时滞为正,则表示xi的未来值更能准确的反映xj的过去值,存在从xj到xi的因果关系;连接节点xi,xj,方向为xj→xi,令邻接矩阵Ad的第j行和第i列的元素adj,i=1;
步骤5、因果网络图的修剪:
步骤5.1、将所有构成间接因果关系的节点以及其间的连接关系看作一个子图;使用遍历的方法,从一个节点开始,搜索传递因果链;将每个传递因果链看作一个子图gm,记录子图节点集vm和邻接表adm;遍历步骤4)得到的因果网络图G中所有N个节点,找出因果网络图G=(V,Ad)中所有存在潜在间接因果关系的子图,放入待定子图集合GT:
GT={g1,g2,...gm} (7)
上式中,gm代表子图:
gm=<vm,adm> (8)
上式中,vm为子图gm中的节点集合,adm为子图gm的邻接表;
步骤5.2、对待定子图集合GT的所有子图,使用扩展的CCM方法判断是否存在间接因果关系:若存在间接因果关系,则删除因果网络图G中对应的连接关系;得到简化后的因果网络图G=(V,Ad),作为因果网络的最终结构;使用扩展的CCM方法判断是否存在间接因果关系的方式为:
对每个待定子图集合GT中的子图gm,计算节点间的收敛交叉映射能力,记为 其中L为gm的节点个数;确定变量之间存在的时间延迟范围[-Δt,Δt],对每个待定子图集合GT中的子图gm,计算节点间不同时滞下的收敛交叉映射能力,由最优交叉映射对应的时滞确定两个节点间时滞关系,记为所述代表gm起始和终点节点间的时滞关系,代表gm起始和终点节点间的收敛交叉映射能力,当和满足下式(10)时,gm中存在间接因果关系;
步骤6、因果网络参数的确定:对简化后的因果网络图G中的一对连通节点,从整个时间序列中随机选择m个长度为T的时间段使用CCM算法计算收敛交叉映射能力,从m个计算得到的收敛交叉映射能力估计值中,由核密度估计取给定置信水平下的置信区间作为网络参数,将网络参数赋值给权矩阵Aw;
更新整个权值矩阵后,得到最终的因果网络图模型:
CN=(V,Ad,Aw) (9)
所述因果网络参数为有向图G中边的权值,在正常的运行条件下,变量之间的收敛交叉映射值在因果网络参数范围内波动。
2.根据权利要求1所述因果网络构建方法,其特征在于:步骤1所述子设备变量组包括磨煤机变量组、给煤机变量组和一次风机变量组。
3.根据权利要求1所述因果网络构建方法,其特征在于:步骤3所述权值矩阵Aw是正常运行条件下的方阵,其值是区间数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269592.2A CN111445674B (zh) | 2020-04-08 | 2020-04-08 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010269592.2A CN111445674B (zh) | 2020-04-08 | 2020-04-08 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445674A CN111445674A (zh) | 2020-07-24 |
CN111445674B true CN111445674B (zh) | 2021-09-14 |
Family
ID=71651127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010269592.2A Active CN111445674B (zh) | 2020-04-08 | 2020-04-08 | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651910B (zh) * | 2020-08-07 | 2020-10-30 | 浙江浙能嘉华发电有限公司 | 一种面向磨煤机的分段概率性状态监测方法 |
CN117251960B (zh) * | 2023-11-20 | 2024-01-30 | 合肥工业大学 | 一种缺失数据的最优轴承故障因果结构生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504637A (zh) * | 2014-12-11 | 2015-04-08 | 广东工业大学 | 基于行为时间序列的社交网络因果关系发现算法 |
CN107357858A (zh) * | 2017-06-30 | 2017-11-17 | 中山大学 | 一种基于地理位置的网络重构方法 |
CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6831743B2 (ja) * | 2017-04-19 | 2021-02-17 | 株式会社日立製作所 | 因果関係モデルの検証方法およびシステム、および不良原因抽出システム |
-
2020
- 2020-04-08 CN CN202010269592.2A patent/CN111445674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504637A (zh) * | 2014-12-11 | 2015-04-08 | 广东工业大学 | 基于行为时间序列的社交网络因果关系发现算法 |
CN107357858A (zh) * | 2017-06-30 | 2017-11-17 | 中山大学 | 一种基于地理位置的网络重构方法 |
CN108171142A (zh) * | 2017-12-26 | 2018-06-15 | 中南大学 | 一种确定复杂工业过程中关键变量因果关系的方法 |
Non-Patent Citations (2)
Title |
---|
基于非线性Granger因果检验的股市间联动关系研究;潘越;《数量经济技术经济研究》;正文第87-99页;20080930(第9期);正文第87-99页 * |
风电场风电功率预测误差分析及置信区间估计研究;叶瑞丽等;《陕西电力》;20170228;第45卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111445674A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Approaches to wind power curve modeling: A review and discussion | |
Wang et al. | Echo state network based ensemble approach for wind power forecasting | |
Schlechtingen et al. | Using data-mining approaches for wind turbine power curve monitoring: A comparative study | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN107846014B (zh) | 一种基于随机特征和级数计算的电网概率脆弱性评估方法 | |
Annoni et al. | Wind direction estimation using SCADA data with consensus-based optimization | |
Tesfaye et al. | Short-term wind power forecasting using artificial neural networks for resource scheduling in microgrids | |
CN111445674B (zh) | 一种面向百万千瓦超超临界机组制粉系统报警管理的因果网络构建方法 | |
Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
CN105976257A (zh) | 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法 | |
CN112036089A (zh) | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 | |
Pandit et al. | Accounting for environmental conditions in data-driven wind turbine power models | |
CN112836941B (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
Du et al. | A SCADA data based anomaly detection method for wind turbines | |
Shi et al. | Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations | |
Villa-Acevedo et al. | Long-term voltage stability monitoring of power system areas using a kernel extreme learning machine approach | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
Pandit et al. | Performance assessment of a wind turbine using SCADA based Gaussian Process model | |
Li et al. | Dynamic multi-turbines spatiotemporal correlation model enabled digital twin technology for real-time wind speed prediction | |
Ali et al. | An Optimized Algorithm for Renewable Energy Forecasting Based on Machine Learning. | |
Annoni et al. | A framework for autonomous wind farms: Wind direction consensus | |
Datta et al. | Cyber Threat Analysis Framework for the Wind Energy Based Power System | |
Ruliandi | Geothermal power plant system performance prediction using artificial neural networks | |
Tian et al. | Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process |
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 |