CN114758483B - 一种基于余弦相似性的电力设备动态智能预警方法 - Google Patents

一种基于余弦相似性的电力设备动态智能预警方法 Download PDF

Info

Publication number
CN114758483B
CN114758483B CN202210392832.7A CN202210392832A CN114758483B CN 114758483 B CN114758483 B CN 114758483B CN 202210392832 A CN202210392832 A CN 202210392832A CN 114758483 B CN114758483 B CN 114758483B
Authority
CN
China
Prior art keywords
measuring points
early warning
model
data
model measuring
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
Application number
CN202210392832.7A
Other languages
English (en)
Other versions
CN114758483A (zh
Inventor
张军军
陈果
曹玲燕
卢应强
乔苏朋
胡忠忠
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.)
Guodian Nanjing Automation Haiji Technology Co ltd
Original Assignee
Guodian Nanjing Automation Haiji Technology 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 Guodian Nanjing Automation Haiji Technology Co ltd filed Critical Guodian Nanjing Automation Haiji Technology Co ltd
Priority to CN202210392832.7A priority Critical patent/CN114758483B/zh
Publication of CN114758483A publication Critical patent/CN114758483A/zh
Application granted granted Critical
Publication of CN114758483B publication Critical patent/CN114758483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08B21/185—Electrical failure 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
    • 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
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于余弦相似性的电力设备动态智能预警方法，包括如下步骤：步骤1：获取电力设备不同时间维度下所有测点的设备运行数据；步骤2：进行关联性分析，选取模型测点，构建不同时刻模型测点的状态矩阵；步骤3：利用余弦相似性算法计算模型测点的输入模式与模型测点的状态矩阵的相似度向量；步骤4：利用相似度向量和模型测点的状态矩阵构建预警模型的标准化权重向量；步骤5：利用监测变量与权重向量的线性组合构建预警模型，进行预警提醒。本发明提供一种基于余弦相似性的电力设备动态智能预警方法，解决了传统监测技术中设备预警即故障的问题，有效提升了电力设备预警准确率和巡检人员的工作效率。

Description

一种基于余弦相似性的电力设备动态智能预警方法
技术领域
本发明属于电力设备智能监测技术领域，具体涉及一种基于余弦相似性的电力设备动态智能预警方法。
背景技术
传统的监测技术，需要针对不同的业务场景来人工预定义固定阈值来实现系统的智能预警，此种方法依赖于大量的行业经验，无法及时发现设备潜在风险，经常出现设备预警即故障的问题。近年来随着发电厂电力设备数据量的日益增加，如何充分利用大量电力设备数据来监测反馈设备运行状态，提高机组的可靠性和发电量，实现对电厂的重要设备及系统故障状态的早期智能预警，实现设备的预防性检修，解决传统监测技术中设备预警即故障的问题迫在眉睫。
发明内容
本发明所要解决的技术问题是，提供一种基于余弦相似性的电力设备动态智能预警方法，解决了传统监测技术中设备预警即故障的问题，有效提升了电力设备预警准确率和巡检人员的工作效率。
为解决上述技术问题，本发明采用的技术方案为：
一种基于余弦相似性的电力设备动态智能预警方法，包括如下步骤：
步骤1：获取电力设备不同时间维度下所有测点的设备运行数据；
步骤2：利用设备运行数据进行所有测点数据的关联性分析，选取模型测点，构建不同时刻模型测点的状态矩阵；
步骤3：获取模型测点在不同时间维度下的运行数据作为模型测点的输入模式，利用余弦相似性算法计算模型测点的输入模式与模型测点的状态矩阵的相似度向量；
步骤4：利用相似度向量和模型测点的状态矩阵构建预警模型的标准化权重向量；
步骤5：利用监测变量与权重向量的线性组合构建预警模型，进行预警提醒。
优选的，步骤1中对设备运行数据进行预处理，预处理操作包括剔除监测变量历史数据中的错误数据。
进一步的，步骤2包括如下步骤：
步骤2.1：对设备运行数据进行所有测点的关联性分析，选取相关性高的p个测点，作为模型测点；
步骤2.2：在第i个时刻，将采集到的p个模型测点作为一个模式M(i)，如公式(1)所示：
M(i)＝[m1(i),m2(i),...,mp(i)]T (1)
其中，M(i)表示第i个时刻采集到的p个模型测点的数据值，
步骤2.3：选择不同时刻下的k个模式组成模型测点的状态矩阵S,如公式(2)所示：
Figure GDA0004062484990000021
其中，[M(1),M(2),…,M(k)]，i＝1,2,...,k，表示由k个时刻的p个测点所组成的k个模式，状态矩阵S中的每一列向量表示的是某一时刻i由p个相关联的测点所组成的一个模式，它代表了设备的一个正常运行工况，状态矩阵中的k个历史模式表示了整个设备运行的动态过程。
进一步的，步骤3包括如下步骤：
步骤3.1：获取模型测点在不同时间维度下的模式作为模型测点的输入模式，某一时刻模型测点的输入模式Minput(i')如公式(3)所示：
Figure GDA0004062484990000022
其中，Minput(i′)为第i'时刻下模型测点的输入模式，
步骤3.2：计算模型测点的输入模式与模型测点的状态矩阵中的每一模式的余弦相似度，得到模型测点的相似度向量C，如公式(4)所示：
Figure GDA0004062484990000023
其中，C表示模型测点的相似度向量，θ表示状态矩阵S与输入模式Minput之间的夹角，θa表示状态矩阵S中的第a个列向量与输入模式的夹角，
Figure GDA0004062484990000024
表示状态矩阵S中的每一模式向量与输入模式之间的余弦相似度的运算符，即
Figure GDA0004062484990000031
其中，M(i)T表示第i个时刻模型测点模式的转置，余弦相似度结果越靠近1，表示状态矩阵S中的每一模式向量与输入模式之间夹角的余弦值越接近1，表示它们越相似。
进一步的，步骤4包括如下步骤：
相似度向量C转化为标准化权重向量w，如公式(6)和(7)所示：
Figure GDA0004062484990000032
Figure GDA0004062484990000033
其中，w为预警模型的标准化权重向量，w0为未标准化的权重向量，A-1表示状态矩阵S的转置与状态矩阵S计算得到的余弦相似度所组成的逆矩阵。
进一步的，步骤5中预警模型的表达式为：
Y＝S·w (8)
其中，Y是模型测点的预警模型输出向量。
进一步的，获取某一时间点模型测点的实时值，将实时值输入预警模型可得此刻实时数据的预测值，根据输入的实际值与预测值的差值可得到偏差值，基于偏差值进行模型预警。
预警方式一是：基于预设阈值进行模型预警。
预警方式二是：动态调整预警阈值，基于动态阈值进行模型预警，具体包括如下步骤：
步骤5.1：对于任一模型测点，在选定的时间范围内，随机从历史数据中抽取b组数据，b≥3，按照时间由近及远的顺序，每组数据中分别n1,n2,……,nb个数据，n1≥n2≥……≥nb，并记录每组数据最近及最远的时刻，记为T1max,T1min；T2max,T2min；……；Tbmax,Tbmin；
步骤5.2：分别计算各组数据的平均值，记为
Figure GDA0004062484990000034
步骤5.3：计算该模型测点的考虑时间先后的优化平均值E(X)：
Figure GDA0004062484990000041
其中，E(X)是数据的优化平均值，|T1max-Tumin|表示时刻T1max到时刻Tumin的间隔时间；
步骤5.4：基于优化平均值E(X)，设定动态阈值Z：
Z＝E(X)±δE(X)
其中，δ为偏差容忍度，是预设值，根据电力设备运行状态关注情况进行定期调整。
优选的，n1＝n2＝……＝nb。
发明与现有技术相比，具有如下有益效果：
本发明所要解决的技术问题是，提供一种基于余弦相似性的电力设备动态智能预警方法，解决了传统监测技术中设备预警即故障的问题，有效提升了电力设备预警准确率和巡检人员的工作效率。
1、测点之间的关联性分析主要是查看所选取的测点之间是否存在关联性，选取与所建模设备关联度高的测点作为模型测点，是为了更好的构建真实反映设备状态的预警模型，关联性测点越多越能反映出设备的状态多样性，相比不进行关联性分析，能够更好的刻画设备的状态；
2、模型状态矩阵的构建，通过选取多个不同时间点的关联度高的测点来组成不同的模式，进而构建状态矩阵，状态矩阵的构建是为了更好的表示不同时间点的设备的正常运行工况，可以更好的代表设备正常运行的整个动态过程。
3、余弦相似性算法，是为了衡量代表设备的历史运行工况的状态矩阵与某一时刻的输入模式的设备工况的相似程度的，是预警模型权重向量产生的关键一步。
4、标准化权重向量的构建，是为了更好的衡量多测点中对预警模型的重要性，更好的区分出对模型贡献程度最高的测点，是预警模型构建的关键一步。
5、动态预警，可以更好的减少系统无效预警的触发，可以更好的保证系统所产生的的预警能更真实的反应设备的异常状态信息。
6、动态阈值的设定，首先，克服了传统预设阈值主观性强的问题，更加客观；然后可以根据业务的调整动态选择合适的时间范围；同时，基于时间和选取样本组的数据量的差异优化平均值，时间越近权重越高；另外，通过随机抽取数据的方式，既避免了样本量过大而降低计算速度，又比较客观。
附图说明
图1是本发明基于余弦相似性的电力设备动态智能预警方法的步骤图；
图2是本发明模型测点选择的关联分析示意图；
图3是本发明针对某一发电厂1#机组水轮机推力智能预警模型的雷达图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种基于余弦相似性的电力设备智能预警方法，如图1所示，包括设备历史数据的获取、数据预处理、状态矩阵的构建、余弦相似度的计算、权重向量的构造、预警模型的构建、设备预警的触发。
进一步地，设备历史数据的获取，根据项目业务场景，从发电厂后台数据系统获取设备半年时间窗口的监测变量历史数据。
进一步地，历史数据获取后，剔除故障错误数据，确保训练数据为正常数据。
进一步地，状态矩阵的构建，对预处理的某一设备数据进行测点关联性分析，这里测点关联性分析主要采用相关性分析，如图2所示，选取相关性高的p个测点。本专利中模式代表某一时刻由多个测点所形成的向量，从设备运行数据中选取一部分与设备相关联的p个测点，在某一时刻i对其取样，将采集到的p个测点作为一个模式M(i)，如公式(1)所示：
M(i)＝[m1(i),m2(i),...,mp(i)]T (1)
其中，M(i)表示第i个时刻采集到的p个模型测点的数据值，
选择k个模式组成状态矩阵S,如公式(2)所示：
Figure GDA0004062484990000061
其中，[M(1),M(2),…,M(k)]，i＝1,2,...,k，表示由k个时刻的p个测点所组成的k个模式，状态矩阵S中的每一列向量表示的是某一时刻i由p个相关联的测点所组成的一个模式，它代表了设备的一个正常运行工况，状态矩阵中的k个历史模式表示了整个设备运行的动态过程。
进一步地，余弦相似度的计算，从设备运行数据的另一部分中选取某一时刻的某一输入模式，输入模式与公式(1)中的M(i)向量个数相同，只是不同时刻的设备运行数据不同如公式(3)所示：
Figure GDA0004062484990000062
其中，Minput(i′)为第i'时刻下模型测点的输入模式，
计算输入模式Minput分别与状态矩阵S中的每一模式的余弦相似度，得到相似度向量C，如公式(4)所示：
Figure GDA0004062484990000063
其中，C表示模型测点的相似度向量，θ表示状态矩阵S与输入模式之间的夹角，θa表示状态矩阵S中的第a个列向量与输入模式的夹角，
Figure GDA0004062484990000064
表示状态矩阵S中的每一模式向量与输入模式之间的余弦相似度的运算符，即
Figure GDA0004062484990000065
其中，M(i)T表示第i个时刻模型测点模式的转置，余弦相似度结果越靠近1，表示状态矩阵S中的每一模式向量与输入模式Minput之间夹角的余弦值越接近1，表示它们越相似。
进一步地，权重向量的构造，将相似度向量C转化为权重向量w，如公式(6)和(7)所示：
Figure GDA0004062484990000071
Figure GDA0004062484990000072
其中，w为预警模型的标准化权重向量，w0为未标准化的权重向量，A-1表示状态矩阵S的转置与状态矩阵S计算得到的余弦相似度所组成的逆矩阵。
进一步的，步骤5中预警模型的表达式为：
Y＝S·w (8)
其中，Y是模型测点的预警模型输出向量。
进一步地，设备预警的触发，只有模式的误差值超过阈值，才会触发相应的预警。
实施例2
实施例2与实施例1的区别在于：预警方式由预设预警值调整为动态预警。
具体的：一种基于余弦相似性的电力设备动态智能预警方法，包括如下步骤：
步骤1：获取电力设备不同时间维度下所有测点的设备运行数据；
步骤2：利用设备运行数据进行所有测点数据的关联性分析，选取模型测点，构建不同时刻模型测点的状态矩阵；
步骤3：获取模型测点在不同时间维度下的运行数据作为模型测点的输入模式，利用余弦相似性算法计算模型测点的输入模式与模型测点的状态矩阵的相似度向量；
步骤4：利用相似度向量和模型测点的状态矩阵构建预警模型的标准化权重向量；
步骤5：利用监测变量与权重向量的线性组合构建预警模型，进行预警提醒。
优选的，步骤1中对设备运行数据进行预处理，预处理操作包括剔除监测变量历史数据中的错误数据。
进一步的，步骤2包括如下步骤：
步骤2.1：对设备运行数据进行所有测点的关联性分析，选取相关性高的p个测点，作为模型测点；
步骤2.2：在第i个时刻，将采集到的p个模型测点作为一个模式M(i)，如公式(1)所示：
M(i)＝[m1(i),m2(i),...,mp(i)]T (1)
其中，M(i)表示第i个时刻采集到的p个模型测点的数据值，
步骤2.3：选择不同时刻下的k个模式组成模型测点的状态矩阵S,如公式(2)所示：
Figure GDA0004062484990000081
其中，[M(1),M(2),…,M(k)]，i＝1,2,...,k，表示由k个时刻的p个测点所组成的k个模式，状态矩阵S中的每一列向量表示的是某一时刻i由p个相关联的测点所组成的一个模式，它代表了设备的一个正常运行工况，状态矩阵中的k个历史模式表示了整个设备运行的动态过程。
进一步的，步骤3包括如下步骤：
步骤3.1：获取模型测点在不同时间维度下的模式作为模型测点的输入模式，某一时刻模型测点的输入模式Minput(i')如公式(3)所示：
Figure GDA0004062484990000082
其中，Minput(i′)为第i'时刻下模型测点的输入模式，
步骤3.2：计算模型测点的输入模式与模型测点的状态矩阵中的每一模式的余弦相似度，得到模型测点的相似度向量C，如公式(4)所示：
Figure GDA0004062484990000083
其中，C表示模型测点的相似度向量，θ表示状态矩阵S与输入模式Minput之间的夹角，θa表示状态矩阵S中的第a个列向量与输入模式的夹角，
Figure GDA0004062484990000084
表示状态矩阵S中的每一模式向量与输入模式Minput之间的余弦相似度的运算符，即
Figure GDA0004062484990000085
其中，M(i)T表示第i个时刻模型测点模式的转置，
Figure GDA0004062484990000091
越靠近1，表示状态矩阵S中的每一模式向量与输入模式Minput之间夹角的余弦值越接近1，表示它们越相似。
进一步的，步骤4包括如下步骤：
相似度向量C转化为标准化权重向量w，如公式(6)和(7)所示：
Figure GDA0004062484990000092
Figure GDA0004062484990000093
其中，w为预警模型的标准化权重向量，w0为未标准化的权重向量，A-1表示状态矩阵S的转置与状态矩阵S计算得到的余弦相似度所组成的逆矩阵。
进一步的，步骤5中预警模型的表达式为：
Y＝S·w (8)
其中，Y是模型测点的预警模型输出向量。
进一步的，获取某一时间点模型测点的实时值，将实时值输入预警模型可得此刻实时数据的预测值，根据输入的实际值与预测值的差值可得到偏差值，基于偏差值进行模型预警，基于动态阈值进行模型预警，具体包括如下步骤：
步骤5.1：对于任一模型测点，在选定的时间范围内，随机从历史数据中抽取b组数据，b≥3，按照时间由近及远的顺序，每组数据中分别n1,n2,……,nb个数据，n1≥n2≥……≥nb，并记录每组数据最近及最远的时刻，记为T1max,T1min；T2max,T2min；……；Tbmax,Tbmin；
步骤5.2：分别计算各组数据的平均值，记为
Figure GDA0004062484990000094
步骤5.3：计算该模型测点的考虑时间先后的优化平均值E(X)：
Figure GDA0004062484990000095
其中，E(X)是数据的优化平均值，|T1max-Tumin|表示时刻T1max到时刻Tumin的间隔时间；
步骤5.4：基于优化平均值E(X)，设定动态阈值Z：
Z＝E(X)±δE(X)
其中，δ为偏差容忍度，是预设值，根据电力设备运行状态关注情况进行定期调整。
优选的，n1＝n2＝……＝nb。
具体应用例
以某一发电厂1#机组水轮机推力智能预警模型为例，图3为本发明针对某一发电厂1#机组水轮机推力智能预警模型的雷达图。
具体的，为某一发电厂1#机组水轮机推力智能预警模型处理方法包括以下步骤：
步骤1，获取与水轮机推力相关的2021年的测点历史数据，获取代表水轮机运行工况的测点数据包括#1机推力总供水压、#1机导叶位移、#1机推力外循环出口油压、#1机推力油槽油位、#1机定子电流Ia、#1机推力油槽油混水、#1机机组转速、#1机水轮机工作流量、#1机推力瓦温1、#1机推力瓦温2、#1机推力瓦温3、#1机推力瓦温4、#1机推力瓦温5、#1机推力瓦温6、#1机推力瓦温7、#1机推力瓦温8、#1机推力瓦温9、#1机推力瓦温10、#1机推力瓦温11、#1机推力瓦温12、#1机推力油温1、#1机推力油温2、#1机有功功率P交采、#1机无功功率Q交采。
步骤2，通过对水轮机测点历史数据的预处理，选取剔除故障错误数据，主要包括数据的筛选，可以进行数据的处理、模型的建立，设置#1机有功功率P交采的功率值小于50的不参与训练，从2021年6月1日0时0分0秒到2021年9月1日0时0分0秒的测点数据作为训练数据，2021年9月2日0时0分0秒到2021年12月31日23时59分59秒的测点数据作为测试数据。
步骤3，构建状态矩阵。从24个测点数据中选择与推力相关性比较高的20个测点，从2021年6月1日0时0分0秒到2021年9月1日0时0分0秒的测点数据中，设置时间间隔30分钟，形成多时刻点的推力模式来构成状态矩阵。选择的20个测点分别是#1机推力总供水压、#1机导叶位移、#1机推力外循环出口油压、#1机推力油槽油位、#1机定子电流Ia、#1机推力油槽油混水、#1机机组转速、#1机水轮机工作流量、#1机推力瓦温1、#1机推力瓦温2、#1机推力瓦温3、#1机推力瓦温4、#1机推力瓦温5、#1机推力瓦温6、
#1机推力瓦温7、#1机推力瓦温8、#1机推力瓦温9、#1机推力瓦温10、#1机推力瓦温11、#1机推力瓦温12、#1机推力油温1、#1机推力油温2、#1机有功功率P交采。
步骤4，计算余弦相似度向量。利用余弦相似度算法，分别计算状态矩阵与2021年9月2日0时0分0秒这一时刻的推力模式的相似度向量。
步骤5，构建权重向量。计算状态矩阵中每一模式与自身相似度的逆矩阵，通过逆矩阵相乘相似度向量，并对结果矩阵归一化后得到权重向量。
步骤6，预警模型。通过状态矩阵与权重向量的线性组合得到1#机组水轮机推力智能预警模型。
步骤7，设备预警触发。利用2021年6月1日0时0分0秒到2021年9月1日0时0分0秒的测点数据作为测试数据输入1#机组水轮机推力智能预警模型得到推力模式的预测值，进而得到实际值与预测值的误差。当误差值超过阈值时就触发相应的预警。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，包括如下步骤：
步骤1：获取电力设备不同时间维度下所有测点的设备运行数据；
步骤2：利用设备运行数据进行所有测点数据的关联性分析，选取模型测点，构建不同时刻模型测点的状态矩阵；
步骤3：获取模型测点在不同时间维度下的运行数据作为模型测点的输入模式，利用余弦相似性算法计算模型测点的输入模式与模型测点的状态矩阵的相似度向量；
步骤4：利用相似度向量和模型测点的状态矩阵构建预警模型的标准化权重向量；
步骤5：利用监测变量与权重向量的线性组合构建预警模型，进行预警提醒，动态调整预警阈值，基于动态阈值进行模型预警，具体包括如下步骤：
步骤5.1：对于任一模型测点，在选定的时间范围内，随机从历史数据中抽取b组数据，b≥3，按照时间由近及远的顺序，每组数据中分别n1,n2,……,nb个数据，n1≥n2≥……≥nb，并记录每组数据最近及最远的时刻，记为T1max,T1min；T2max,T2min；……；Tbmax,Tbmin；
步骤5.2：分别计算各组数据的平均值，记为
Figure FDA0004057001320000011
步骤5.3：计算该模型测点的考虑时间先后的优化平均值E(X)：
Figure FDA0004057001320000012
其中，E(X)是数据的优化平均值，|T1max-Tumin|表示时刻T1max到时刻Tumin的间隔时间；
步骤5.4：基于优化平均值E(X)，设定动态阈值Z：
Z＝E(X)±δE(X)
其中，δ为偏差容忍度，是预设值，根据电力设备运行状态关注情况进行定期调整。
2.根据权利要求1所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，步骤1中对设备运行数据进行预处理，预处理操作包括剔除监测变量历史数据中的错误数据。
3.根据权利要求2所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，步骤2包括如下步骤：
步骤2.1：对设备运行数据进行所有测点的关联性分析，选取相关性高的p个测点，作为模型测点；
步骤2.2：在第i个时刻，将采集到的p个模型测点作为一个模式M(i)，如公式(1)所示：
M(i)＝[m1(i),m2(i),...,mp(i)]T (1)
其中，M(i)表示第i个时刻采集到的p个模型测点的数据值，
步骤2.3：选择不同时刻下的k个模式组成模型测点的状态矩阵S,如公式(2)所示：
Figure FDA0004057001320000021
其中，[M(1),M(2),…,M(k)]，i＝1,2,...,k，表示由k个时刻的p个测点所组成的k个模式，状态矩阵S中的每一列向量表示的是某一时刻i由p个相关联的测点所组成的一个模式，它代表了设备的一个正常运行工况，状态矩阵中的k个历史模式表示了整个设备运行的动态过程。
4.根据权利要求3所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，步骤3包括如下步骤：
步骤3.1：获取模型测点在不同时间维度下的模式作为模型测点的输入模式，某一时刻模型测点的输入模式Minput(i')如公式(3)所示：
Figure FDA0004057001320000022
其中，Minput(i′)为第i'时刻下模型测点的输入模式，
步骤3.2：计算模型测点的输入模式与模型测点的状态矩阵中的每一模式的余弦相似度，得到模型测点的相似度向量C，如公式(4)所示：
Figure FDA0004057001320000023
Figure FDA0004057001320000031
其中，C表示模型测点的相似度向量，θ表示状态矩阵S与输入模式之间的夹角，θa表示状态矩阵S中的第a个列向量与输入模式的夹角，
Figure FDA0004057001320000032
表示状态矩阵S中的每一模式向量与输入模式之间的余弦相似度的运算符，即
Figure FDA0004057001320000033
其中，M(i)T表示第i个时刻模型测点模式的转置，余弦相似度结果越靠近1，表示状态矩阵S中的每一模式向量与输入模式之间夹角的余弦值越接近1，表示它们越相似。
5.根据权利要求4所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，步骤5中预警模型的表达式为：
Y＝S·w (8)
其中，Y是模型测点的预警模型输出向量。
6.根据权利要求5所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，获取某一时间点模型测点的实时值，将实时值输入预警模型可得此刻实时数据的预测值，根据输入的实际值与预测值的差值可得到偏差值，基于偏差值进行模型预警。
7.根据权利要求6所述的一种基于余弦相似性的电力设备动态智能预警方法，其特征在于，n1＝n2＝……＝nb。
CN202210392832.7A 2022-04-14 2022-04-14 一种基于余弦相似性的电力设备动态智能预警方法 Active CN114758483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392832.7A CN114758483B (zh) 2022-04-14 2022-04-14 一种基于余弦相似性的电力设备动态智能预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392832.7A CN114758483B (zh) 2022-04-14 2022-04-14 一种基于余弦相似性的电力设备动态智能预警方法

Publications (2)

Publication Number Publication Date
CN114758483A CN114758483A (zh) 2022-07-15
CN114758483B true CN114758483B (zh) 2023-03-21

Family

ID=82332166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392832.7A Active CN114758483B (zh) 2022-04-14 2022-04-14 一种基于余弦相似性的电力设备动态智能预警方法

Country Status (1)

Country Link
CN (1) CN114758483B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511106B (zh) * 2022-11-15 2023-04-07 阿里云计算有限公司 基于时序数据生成训练数据的方法、设备和可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101593212B1 (ko) * 2013-11-13 2016-02-11 한국전기연구원 상정고장 해석 기반의 전력계통 안전도 개선 방법
CN104156472B (zh) * 2014-08-25 2018-05-08 北京四达时代软件技术股份有限公司 一种视频推荐方法及系统
CN108460207A (zh) * 2018-02-28 2018-08-28 上海华电电力发展有限公司 一种基于运行数据模型的发电机组的故障预警方法
US11823057B2 (en) * 2019-12-30 2023-11-21 Dalian University Of Technology Intelligent control method for dynamic neural network-based variable cycle engine
CN113657268B (zh) * 2021-08-13 2023-01-31 江苏国电南自海吉科技有限公司 一种应用于风电机组齿轮箱故障诊断的信号自动分解方法
CN114065340A (zh) * 2021-10-15 2022-02-18 南方电网数字电网研究院有限公司 基于机器学习的施工场地安全监测方法及系统、存储介质
CN113895272A (zh) * 2021-10-15 2022-01-07 青岛科技大学 基于深度学习的电动汽车交流充电状态监测和故障预警方法

Also Published As

Publication number Publication date
CN114758483A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN105205569B (zh) 风机齿轮箱状态在线评估模型建立方法及在线评估方法
CN105134510A (zh) 一种风力发电机组变桨系统的状态监测和故障诊断方法
CN112733283A (zh) 一种风电机组部件故障预测方法
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN114758483B (zh) 一种基于余弦相似性的电力设备动态智能预警方法
CN107728059A (zh) 一种变桨系统状态评估方法
CN112613554A (zh) 一种风力发电机变桨系统故障预测方法和系统
CN114841580A (zh) 基于混合注意力机制的发电机故障检测方法
CN109356798B (zh) 一种基于协整分析的风力发电机齿轮箱状态监测方法
Cui et al. An anomaly detection approach using wavelet transform and artificial neural networks for condition monitoring of wind turbines' gearboxes
CN103925155A (zh) 一种风电机组输出功率异常的自适应检测方法
CN111927717B (zh) 一种风机机舱传动链噪声在线监测系统及方法
CN115750228A (zh) 一种风电机组变桨系统故障预警方法
CN115313930A (zh) 一种大型汽轮发电机励磁电流实时预测方法
CN115406483A (zh) 一种水电机组故障识别方法、装置、设备及可读存储介质
CN113468728B (zh) 一种基于神经网络的变桨系统故障预测方法
CN112986821B (zh) 海上风电机组变桨电机转子断条故障诊断方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
Yongjie et al. Research on early fault diagnostic method of wind turbines
CN116629641B (zh) 一种新能源场站并网稳定性评估方法
CN116050613B (zh) 水电机组顶盖排水泵剩余使用寿命预测方法
CN115929569A (zh) 一种风电机组变桨系统故障诊断方法
CN111563685A (zh) 一种基于自联想核回归算法的发电设备状态预警方法
CN114607571A (zh) 一种运用润滑系统监测的海上风电齿轮箱故障识别方法及系统
Tingting et al. Early warning method for power station auxiliary failure considering large-scale operating conditions

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