CN114330494A - 一种融合BiLSTM与注意力的发电设备异常预测方法及系统 - Google Patents

Abstract

本发明涉及一种融合BiLSTM与注意力的发电设备异常预测方法及系统，所述方法包括：获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；将所述预处理后的数据转化为所述数据对应的词向量文本；将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达。本发明提供的技术方案，提高了发电设备异常预测的得分的精度，同时使得发电设备的异常预测更加方便，也降低了发电设备的异常预测成本。

Description

一种融合BiLSTM与注意力的发电设备异常预测方法及系统

技术领域

本发明涉及人工智能、深度学习、神经网络、自然语言处理、新能源、碳中和、碳达峰及发电设备异常预测领域，具体涉及一种融合BiLSTM与注意力的发电设备异常预测方法及系统。

背景技术

伴随自然语言理解、深度学习技术的快速发展及应用落地，深度学习在新能源与人工智能相结合的应用越来越多，特别是一些发电设备在外未遮挡、经受光照、严寒、风吹雨打等自然环境。与此同时，随着对发电设备运行数据的采集手段越来越丰富，故如何利用这些数据检测及预测发电设备异常状况尤为关键。再者，结合发电设备所在地理位置的气象数据进一步监控发电设备异常也是重要一环。

基于此，针对所采集的发电设备运行状况数据，如何获得最佳有效文本特征、如何获取文本特征上下文信息、如何通过设置不同的权重增强上下文信息的不同部分重要性，这些问题急需用新的方法来解决及监控发电设备运行状况。

然而，针对发电设备运行监控采用更多的数据采集手段，及如何更有效获取发电设备运行数据文本特征进而精准预测设备运行状况等关键问题，现有技术都是存在获取文本特征信息不足、不充分、缺乏上下文信息、无法区分来自文本特征信息的不同部分权重等非最佳有效文本特征表示的问题，进而使得发电设备异常预测精度较低。

发明内容

本申请提供一种融合BiLSTM与注意力的发电设备异常预测方法及系统，以至少解决相关技术中不能够精确预测发电设备异常的技术问题。

本申请第一方面实施例提出一种融合BiLSTM与注意力的发电设备异常预测方法，所述方法包括：

获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

将所述预处理后的数据转化为所述数据对应的词向量文本；

将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

其中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的；

所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

本申请第二方面实施例提出一种融合BiLSTM与注意力的发电设备异常预测系统，所述系统包括：

获取模块，用于获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

转化模块，用于将所述预处理后的数据转化为所述数据对应的词向量文本；

得分模块，用于将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

预测模块，用于基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

其中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的；

所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

本申请第三方面实施例提出一种计算机设备，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，处理器执行计算机程序时，实现如本申请第一方面的预测方法。

本申请第四方面实施例提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本申请第一方面的预测方法。

本申请的实施例提供的技术方案至少带来以下有益效果：

本发明提供的一种融合BiLSTM与注意力的发电设备异常预测方法及系统，所述方法包括：获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；将所述预处理后的数据转化为所述数据对应的词向量文本；将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达。本发明提供的技术方案，提高了发电设备异常预测的得分的精度，同时使得发电设备的异常预测更加方便，也降低了发电设备的异常预测成本。

本申请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，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请一个实施例提供的一种融合BiLSTM与注意力的发电设备异常预测方法的流程图；

图2是根据本申请一个实施例提供的一种融合BiLSTM与注意力的发电设备异常预测方法的具体流程图；

图3是根据本申请一个实施例提供的一种融合BiLSTM与注意力的发电设备异常预测系统的结构图；

图4是根据本申请一个实施例提供的一种融合BiLSTM与注意力的发电设备异常预测系统中得分模块的结构图；

图5是根据本申请一个实施例提供的一种融合BiLSTM与注意力的发电设备异常预测系统中预测模块的结构图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

本申请提出的一种融合BiLSTM与注意力的发电设备异常预测方法及系统，所述方法包括：获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；将所述预处理后的数据转化为所述数据对应的词向量文本；将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达。本发明提供的技术方案，提高了发电设备异常预测的得分的精度，同时使得发电设备的异常预测更加方便，也降低了发电设备的异常预测成本。

实施例1

图1为本公开实施例提供的一种融合BiLSTM与注意力的发电设备异常预测方法的流程图，如图1所示，所述方法包括：

步骤1：获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

在本公开实施例中，所述获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器即SCADA系统、手工参数输入获取的。

在本公开实施例中，所述对所述获取的数据进行预处理，包括：

对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。

步骤2：将所述预处理后的数据转化为所述数据对应的词向量文本；

步骤3：将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

需要说明的是，所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

在本公开实施例中，所述将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分，包括：

将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型的BiLSTM层中，提取出所述数据对应的词向量文本的特征向量文本信息；

将所述提取出的特征向量文本信息输入预先训练好的发电设备异常预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；

将所述分配了不同权重后的特征向量文本信息输入预先训练好的发电设备异常预测模型的全连接层中并采用Softmax函数计算，得到所述发电设备异常预测的得分。

在本公开实施例中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的。

具体的，所述预先训练好的发电设备异常预测模型的训练过程包括：

获取预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本；

将所述词向量文本输入初始发电设备异常预测模型的BiLSTM层、Attention层和全连接层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的发电设备异常预测模型。

步骤4：基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

在本公开实施例中，所述基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达，包括：

将所述预测得分反归一化，并检测所述预测得分是否在预设的异常分数范围内，若是，则所述发电设备异常，否则，所述发电设备正常；

将所述检查结果进行信息触达；

其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。

结合上述融合BiLSTM与注意力的发电设备异常预测方法对本申请的具体方法进行举例说明：

如图2所示提供一种融合BiLSTM与注意力的发电设备异常预测方法的具体流程图，所述方法包括：

Step1：数据采集101，完成来自不同多源异构数据的收集。

数据采集：通过图中智能仪表、传感器即SCADA系统、手工参数输入及气象数据4种采集方式对发电设备运行状况与周围气象数据采集。

Step2：数据处理102，实现文本数据的清洗，保障数据质量。

针对原始数据，这些数据质量不一定非常好，因此需要借助工具或脚本进行数据清洗，包括数据需要人工进行处理如个别噪音或句子补全、各厂家数据格式统一、归一化数据处理。

Step3：词向量103，实现文本数据的句子建模，目的是被计算机处理及识别的向量化二进制。

采用双词向量，分别获得词性和对应词典位置的词向量信息，再将其这两者进行合并操作构建文本数据的双词向量。

Step4：特征提取104，利用BiLSTM模型对文本数据进行编码提取文本的特征信息。

采用BiLSTM模型优势较好获得上下文信息，也就说获得前序列与后序列之间的语义信息。

Step5：注意力105，实现及体现文本上下不同部分的权重信息。

由于注意力机制能够较好区分文本不同词的重要性或权重信息，则对所得含有上下文信息的发电设备运行数据进行文本特征优化。

Step6：计算发电设备异常预测结果。

将含有上下文的不同部分权重信息特征向量输入全连接106及采用Softmax函数107得到发电设备异常预测得分结果，及归一化还原处理，这里为了防止出现过度拟合现象，Softmax函数以生成条件概率来实现发电设备异常识别分类得分结果，还有选择Adam优化器优化该网络损耗函数。

Step7：检测结果108展示，这里展现结果提出使用一体机软硬件、智能终端等方式，该方式也是创新的一种方法，其中，所述展现结果的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。

综合上述，本发明提供的融合BiLSTM与注意力的发电设备异常预测方法，一方面在数据采集方面充分利用各种手段：传感器、手工输入、气象数据、智能仪表，保障了发电设备运行数据获得方式可靠且实时性；另一方面因双向长记忆力网络模型本身固有获得前后序列语义关系优势，故采用BiLSTM模型获得发电设备运行文本数据的上下文信息，再利用注意力机制增强和区分文本特征上下信息的不同部分重要性，便于判别发电设备运行状况是设备本身因素或气象因素等预测；再一方面，针对发电设备异常预测结果首次提出了7种方式：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示，其中智能音箱、语音播报支持实时文语转换功能。

实施例2

图3为本公开实施例提供的一种融合BiLSTM与注意力的发电设备异常预测系统的结构图，如图3所示，所述系统包括：

获取模块，用于获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

转化模块，用于将所述预处理后的数据转化为所述数据对应的词向量文本；

得分模块，用于将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

预测模块，用于基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

其中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的；

所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

在本公开实施例中，所述获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器、手工参数输入获取的。

在本公开实施例中，所述对所述获取的数据进行预处理，包括：

对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。

在本公开实施例中，如图4所示，所述得分模块，包括：

提取单元，用于将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型的BiLSTM层中，提取出所述数据对应的词向量文本的特征向量文本信息；

分配单元，用于将所述提取出的特征向量文本信息输入预先训练好的发电设备异常预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；

计算单元，用于将所述分配了不同权重后的特征向量文本信息输入预先训练好的发电设备异常预测模型的全连接层中并采用Softmax函数计算，得到所述发电设备异常预测的得分。

在本公开实施例中，所述预先训练好的发电设备异常预测模型的训练过程包括：

获取预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本；

将所述词向量文本输入初始发电设备异常预测模型的BiLSTM层、Attention层和全连接层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的发电设备异常预测模型。

在本公开实施例中，如图5所示，所述预测模块，包括：

预测单元，用于将所述预测得分反归一化，并检测所述预测得分是否在预设的异常分数范围内，若是，则所述发电设备异常，否则，所述发电设备正常；

信息触达单元，用于将所述检查结果进行信息触达；

其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。

综上所述，本发明提供的融合BiLSTM与注意力的发电设备异常预测系统，一方面在数据采集方面充分利用各种手段：传感器、手工输入、气象数据、智能仪表，保障了发电设备运行数据获得方式可靠且实时性；另一方面因双向长记忆力网络模型本身固有获得前后序列语义关系优势，故采用BiLSTM模型获得发电设备运行文本数据的上下文信息，再利用注意力机制增强和区分文本特征上下信息的不同部分重要性，便于判别发电设备运行状况是设备本身因素或气象因素等预测；再一方面，针对发电设备异常预测结果首次提出了7种方式：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示，其中智能音箱、语音播报支持实时文语转换功能。

实施例3

为了实现上述实施例，本公开还提出一种计算机设备。

本实施例提供的计算机设备，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，处理器执行计算机程序时，实现实施例1中的方法。

实施例4

为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质。

本实施例提供的计算机设备，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种融合BiLSTM与注意力的发电设备异常预测方法，其特征在于，所述方法包括：

获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

将所述预处理后的数据转化为所述数据对应的词向量文本；

将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

其中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的；

所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

2.如权利要求1所述的方法，其特征在于，所述获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器、手工参数输入获取的。

3.如权利要求1所述的方法，其特征在于，所述对所述获取的数据进行预处理，包括：

对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。

4.如权利要求1所述的方法，其特征在于，所述将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分，包括：

将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型的BiLSTM层中，提取出所述数据对应的词向量文本的特征向量文本信息；

将所述提取出的特征向量文本信息输入预先训练好的发电设备异常预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；

将所述分配了不同权重后的特征向量文本信息输入预先训练好的发电设备异常预测模型的全连接层中并采用Softmax函数计算，得到所述发电设备异常预测的得分。

5.如权利要求1所述的方法，其特征在于，所述预先训练好的发电设备异常预测模型的训练过程包括：

获取预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本；

将所述词向量文本输入初始发电设备异常预测模型的BiLSTM层、Attention层和全连接层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的发电设备异常预测模型。

6.如权利要求1所述的方法，其特征在于，所述基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达，包括：

将所述预测得分反归一化，并检测所述预测得分是否在预设的异常分数范围内，若是，则所述发电设备异常，否则，所述发电设备正常；

将所述检查结果进行信息触达；

其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。

7.一种融合BiLSTM与注意力的发电设备异常预测系统，其特征在于，所述系统包括：

获取模块，用于获取发电设备当前时刻的运行数据和所述发电设备当前时刻对应的气象数据，并对所述获取的数据进行预处理；

转化模块，用于将所述预处理后的数据转化为所述数据对应的词向量文本；

得分模块，用于将所述数据对应的词向量文本输入预先训练好的发电设备异常预测模型中，得到所述发电设备异常预测的得分；

预测模块，用于基于所述发电设备异常预测的得分预测所述发电设备是否异常，并将预测结果进行信息触达；

其中，所述预先训练好的发电设备异常预测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据对应的词向量文本进行训练得到的；

所述预先训练好的发电设备异常预测模型包括：BiLSTM层、Attention层和全连接层。

8.如权利要求7所述的系统，其特征在于，所述预测模块，包括：

预测单元，用于将所述预测得分反归一化，并检测所述预测得分是否在预设的异常分数范围内，若是，则所述发电设备异常，否则，所述发电设备正常；

信息触达单元，用于将所述检查结果进行信息触达；

其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。

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至6中任一项所述的方法。

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至6中任一项所述的方法。

Images