CN114970309A - 一种火电设备状态预警评估方法 - Google Patents
一种火电设备状态预警评估方法 Download PDFInfo
- Publication number
- CN114970309A CN114970309A CN202210200019.5A CN202210200019A CN114970309A CN 114970309 A CN114970309 A CN 114970309A CN 202210200019 A CN202210200019 A CN 202210200019A CN 114970309 A CN114970309 A CN 114970309A
- Authority
- CN
- China
- Prior art keywords
- measuring point
- measuring points
- measuring
- early warning
- affected
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 92
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 18
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种火电设备状态预警评估方法，属于火电设备状态预警技术领域，所述方法包括以下步骤：选择设备测点集合作为建模参数，应用回归算法构建预警回归模型，根据相关性进行测点分组；对测点进行影响关联关系分析得到影响测点、受影响测点、无影响测点；基于影响测点、受影响测点、无影响测点进行模型评估值动态校准。本发明能够消除异常测点对其他测点估计值计算的偏离影响，使设备正常测点的评估值修正到符合其真实状态的水平，提升回归算法的准确性，有效减少异常测点影响产生的虚警。
Description
技术领域
本发明属于火电设备状态预警技术领域，具体涉及一种火电设备状 态预警评估方法。
背景技术
火电厂中拥有众多的重要设备，这些设备的运行状态好坏对工厂能 否正常生产影响巨大，一旦出现设备异常或者故障，将造成恶劣的后果 和严重的生产损失，因此，火电厂关键设备的状态实时监测与及时预判 工作尤为重要。近年来，设备智能预警系统愈来愈多地应用在火电厂， 并对火电设备的风险监测起到至关重要的作用，一定程度上确保生产人 员的生产安全，延长火电设备的使用寿命。
火电设备状态预警方面目前有两大类方法：一类属于传统的固定阈 值判别法，采用由制造工艺设定各个部件不同预警级别的阈值来判定生 产设备各个参数是否正常，这种方法比较保险，却容易忽视设备运行性 能退化的特点，而且不同部件因材质、使用程度、磨损程度会有不同的 退化程度，因此这种传统预警方法在设备使用后期往往有较多的漏警， 大大降低设备状态预警准确率。另一类是采用数据挖掘方法探索设备各 个参数之间的复杂非线性的影响关系，通过分析设备参数实际值与估计 值之间的偏差来进行状态分析，其基本原理在于运用选定的数学建模方 法充分挖掘设备参数的历史运行数据建立高效实用的模型进行设备实 时状态评价，模型对设备实时状态的可靠评估与否是设备预警成功的根 本。数据建模方法的模型参数对模型性能影响很大，这些参数一般都需 要在原方法嵌入参数寻优策略基础上进行优化以减少对设备实时值评 估的偏差。当设备中的某个参数发生异常时，其他参数在模型计算的估 计值会因模型中的非线性关系而产生不同程度的偏离，难以真实展现当 前设备部件的运行状态，带来一定的虚警，降低了设备状态预警方法的 精准性。
有鉴于此，本发明提供一种火电设备状态预警评估方法，解决现有 方法存在的不足，提高设备状态预警算法评估精准性，是非常有必要的。
发明内容
为解决当前各种回归算法在设备状态预警评估中精准性不高的问 题，本发明提供一种火电设备状态预警评估方法，消除异常测点对其他 测点估计值计算的偏离影响，使设备正常测点的评估值修正到符合其真 实状态的水平，提升回归算法的准确性，有效减少异常测点影响产生的 虚警。
为实现上述目的，本发明给出提下技术方案：
一种火电设备状态预警评估方法，包括以下步骤：
S1.选择设备测点集合作为建模参数，应用回归算法构建预警回归 模型，根据相关性进行测点分组；
S2.对测点进行影响关联关系分析得到影响测点、受影响测点、无 影响测点；
S3.基于影响测点、受影响测点、无影响测点进行模型评估值动态 校准。
作为优选,所述步骤S1包括以下步骤：
S11.选择设备测点集合，从数据库中获取设备的历史数据；
S12.对历史数据进行数据清洗得到训练数据，应用回归算法和训练 数据构建预警回归模型；
S13.使用预警回归模型计算设备每个测点的偏差阈值；
S14.使用训练数据计算相关性系数矩阵并进行测点分组。
所述应用回归算法和训练数据构建预警回归模型，包括：
将训练数据全部参数作为预警回归模型的输入层，节点个数为设备 测点个数n，同时将训练数据全部参数作为预警回归模型的输出层，节 点个数为设备测点个数n；
预警回归模型的构建过程具体包括：
首先建立BP神经网络结构,BP神经网络结构包括一个输入层、三个 隐藏层和一个输出层,其各层节点数为[n,20,30,20,n]，输入层与输出层的神 经元数n为设备测点个数；
然后对训练数据进行归一化处理，得到归一化训练数据；
最后使用归一化训练数据对BP神经网络进行网络参数的训练，BP 神经网络各层激活函数均选择非线性函数sigmod函数
各层 神经元连接权值和阈值通过全部数据不断的迭代优化，获取使得网络损 失函数数值最小的网络参数作为最终结果。
作为优选,所述步骤S13包括：
将训练数据代入预警回归模型中进行训练得到训练评估值；
计算训练数据与训练评估值的差值作为训练偏差数据；
选取训练偏差数据的最值作为测点的偏差阈值。
作为优选，所述步骤S2包括以下步骤：
S21.将实时运行数据代入预警回归模型中计算每个测点的评估值， 将测点的评估值与测点实时运行数据作差得到测点偏差；
S22.根据测点偏差和测点报警事件条件获取候选测点集；
S23.根据测点实时运行数据和测点相关关系分析候选测点集获取 影响测点、受影响测点、无影响测点。
作为优选，所述步骤S22包括：
判断测点偏差是否超过该测点的偏差阈值；
若是，则判定测点属于第一候选测点集；
若否，则进一步判断该测点是否处于报警事件中，若测点处于报警 事件中则判定测点属于第一候选测点集，若测点未处于报警事件中则判 定测点属于第二候选测点集；
其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小 时的认定为处于报警事件中，否则认定未处于报警事件中。
作为优选，所述步骤S23包括：
判断第一候选测点集中测点实时运行数据是否超过该测点的历史 最值；
若是，则测点判定为影响测点；
若否，则进一步判断当前报警事件中测点是否超过最值异常，若当 前报警事件中测点超过最值异常则判定为影响测点，否则判定为受影响 测点；
根据相关性系数矩阵判断第二候选测点集中的测点与影响测点是 否强相关，若强相关则测点判定为影响测点，否则判定为无影响测点。
作为优选，所述步骤S3包括以下步骤：
S31.将影响测点集根据测点分组结果进行分组，并通过对每组影响 测点进行模型重构，以校准对应测点的评估值；
S32.对受影响测点集进行模型重构，以校准对应测点的评估值；
S33.无影响测点不进行评估值校准处理。
作为优选，步骤S31中通过对每组影响测点进行模型重构，以校准 对应测点的评估值包括：
S311.剔除其他组的影响测点，使用该影响测点组的训练数据、受 影响测点组的训练数据、无影响测点组的训练数据重新构建预警回归模 型；
S312.将该影响测点组的实时运行数据、受影响测点组的实时运行 数据、无影响测点组的实时运行数据代入步骤S311重新构建的预警回 归模型，以得到修正的影响测点评估值；
S313.使用修正的影响测点评估值对火电设备状态预警评估。
作为优选，所述步骤S32包括：
S321.剔除全部影响测点，使用受影响测点的训练数据和无影响测 点的训练数据重新构建预警回归模型；
S322.将受影响测点的实时运行数据、无影响测点的实时运行数据 代入步骤S321重新构建的预警回归模型，以得到修正的受影响测点评 估值；
S323.使用修正的受影响测点评估值对火电设备状态预警评估。
本发明的有益效果在于，本发明可以实时动态地避免异常测点在评 估计算时对其他正常测点的干扰，经过回归补偿技术校准的评估值更能 体现设备测点的实际运行状态，并且不会对异常测点的异常程度产生弱 化，极大地提高回归模型在设备状态预警方面的精确性，同时本发明通 用性良好，能对多种回归算法的准确率提升；本发明使用相关性辨析方 式从历史训练数据中挖掘出设备测点之间的关联关系强弱，在不需要人 为经验的参与情况下，在建模过程中实现基于相关性的模型测点分组， 因此在线校准设备受影响测点的评估值时不会产生延时，确保了模型的 实时预警效果；本发明具备多重条件实时辨析影响源测点及受影响测 点，使用轻巧简洁且精确适用的逻辑判断条件，使得模型实时性得以保 证，为设备数据进行在线动态校准提供了前提条件；本发明使用评估值 动态校准法进行受影响测点的评估值校准，评估值动态校准法能为正常 测点稳定输出无干扰的评估值，且对异常测点的评估值无任何波动影 响；本发明使用基于数据驱动来运行预警回归模型，评估值动态校准过 程完全基于数据本质特性使得回归模型不受专家经验知识以及设备工 艺结构的制约，使得预警回归模型的计算结果可靠性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提 下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中火电设备状态预警评估方法的流程图。
图2是实施例中步骤S2的流程图。
图3是实施例中步骤S3的流程图。
图4是实施例中一次风机A设备轴承X向振动参数评估校准的效 果图。
图5是一次风机A设备电机线圈C相温度1参数评估校准的效果 图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，所描述的实施例仅仅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，都应当属于 本发明保护的范围。
如图1所示，本发明实施例提供一种火电设备状态预警评估方法， 包括以下步骤：
S1.选择设备测点集合作为建模参数，应用回归算法构建预警回归 模型，根据相关性进行测点分组。
所述步骤S1具体包括以下步骤：
S11.选择设备测点集合，从PI数据库中获取设备的历史数据；
以北方某火电厂的一次风机A设备为例，从PI数据库中获取该设 备测点参数集在2020年1月至2020年12月时间段内的全部数据，根 据该设备的启停条件参数，识别并剔除全部数据中的停机数据，处理后 的数据作为一次风机A设备的历史数据。该设备回归模型主要以一次风 机的振动类测点、压力类测点、电流类测点、温度类测点等27个测点 集合作为模型建模参数，取数间隔为1分钟。
一次风机A设备数据文件分别保存为m×n的矩阵格式，包括m个时 刻和设备的n个测点，具体形式如下：
S12.对历史数据进行数据清洗得到训练数据，应用回归算法和训练 数据构建预警回归模型。
为了剔除历史数据中的异常数据而获取健康运行数据，需要对步骤 S11中获取的一次风机A设备历史数据进行清洗，筛选出正常状态的设 备历史运行数据作为构建回归模型的训练数据。其中在趋势图中如果数 据趋势中出现数值超保护定值、波动剧烈、数值不波动等现象，则本段 数据会被视作异常数据剔除，筛选过后的剩余数据即可作为回归建模的 训练数据。
假若n个测点的设备历史数据F经清洗后的训练数据T包含了k个 时刻，则该训练数据文件应当为k×n的矩阵形式，可表示为：
同时计算训练数据T的每个测点的最大值和最小值，存放到MaxMin 数组当中，MaxMin数组形式大小为2×n。
以BP神经网络回归算法为例介绍预警回归模型构建过程,为更好挖 掘一次风机A设备各个测点参数的非线性回归关系，使用训练数据T构 建5层的BP神经网络回归模型，训练数据T全部参数既作为回归模型 的输入层，节点个数为设备测点个数n，同时训练数据T全部参数也作 为模型的输出层，节点个数为设备测点个数n，中间搭建3层隐含层。 使用BP神经网络回归模型计算历史数据的评估值，历史数据减历史评 估值得到历史偏差数据，使用BP神经网络回归模型计算训练数据的评 估值，训练数据减训练数据的评估值得到训练偏差数据。
预警回归模型的构建过程具体包括：
首先建立BP神经网络结构,BP神经网络结构包括一个输入层、三个 隐藏层和一个输出层,其各层节点数为[n,20,30,20,n]，输入层与输出层的神 经元数n为一次风机A测点个数；
然后对训练数据T进行归一化处理，得到归一化训练数据Ta_norm，将 训练数据归一化映射到区间[0,1]公式如下：
其中，Ta_norm[i,j]为时间i参数j的归一化数值，Ta[i,j]为时间i参数j 的训练数值，Ta_max_j为参数j上最大值，Ta_min_j为参数j上的最小值。
最后使用归一化训练数据Ta_norm对BP神经网络进行网络参数的训 练，训练数据的全部参数既作为BP神经网络的输入节点也作为网络的 输出节点，BP神经网络各层激活函数均选择非线性函数sigmod函数
各层神经元连接权值和阈值通过全部数据不断的迭代优化， 获取使得网络损失函数数值最小的网络参数作为最终结果。
BP神经网络回归模型训练过程如下：
第1步，数据信号由输入层输入经过隐含层向输出层逐层传播，在 这过程中要经过神经元之间的权值与神经元中激活函数的计算，最终才 能从输出层输出神经网络的计算值。
以隐藏层或输出层的某个节点j为例，则节点j的输入Sj为上一层 i个神经元的加权累计输出值，即：Sj＝∑wijyi，其中wij为i到j的各个 权值，yi为i的输出值。
假设节点j的阈值为θj，那么节点j的实际输入为：uij＝∑wijyi-θj； 同时节点j的输出为yi＝f(uj)＝f(Sj-θj)，其中f(uj)激活函数sigmod函数。
第2步，网络进行误差反向传播，首先计算输出层的输出与网络期 望输出的误差，比较误差与网络设定的学习精度的大小，如果误差大于 学习精度，则计算误差对神经网络中的权值与阈值求偏导数，根据梯度 下降法调整神经元之间的权值与阈值。
这2个过程通过不断地循环运行，直到迭代次数大于设定的最大迭 代次数或者误差小于设定的学习精度等终止条件，则BP神经网络回归 模型BPModel训练成功。
S13.使用预警回归模型计算设备每个测点的偏差阈值，具体包括：
将训练数据代入预警回归模型中进行训练得到训练评估值；
计算训练数据与训练评估值的差值作为训练偏差数据；
选取训练偏差数据的最值作为测点的偏差阈值。
该步骤主要是将训练数据减训练评估值得到训练偏差数据，并以训 练偏差数据最值作为测点偏差阈值；将归一化训练数据Ta_norm代入BP神 经网络回归模型中进行训练得到训练评估值Tfore，计算训练数据T与训 练评估值Tfore的差值作为训练偏差数据Rta,训练偏差数据Rta是形式大小 为k×n的数据矩阵，通过计算Rta每列数据的最大值和最小值来生成测 点偏差阈值数组RE,形式大小为2×n。
S14.使用训练数据计算相关性系数矩阵并进行测点分组；
使用训练数据T计算相关性系数矩阵Corr用来度量测点两两之间 的相关性强弱。分类初始化，将每个测点作为一个分组。下面按照测点 组相似度公式进行相似测点组的聚类，多次轮巡将相似程度高的测点组 进行两两合并，直至各个测点组之间的相似度大于相似阈值CT，这里相 似阈值CT为0.7，计算测点组两两之间的相似程度公式如下：
其中，ρxy为测点x与测点y的相似系数，m为测点组1的个数,n为 测点组2的个数。经过相似性测点分组之后，27个测点可以分成3个测 点组，第1组主要是振动类测点，第2组主要是压力类测点，第3组主 要是温度类测点。
S2.对测点进行影响关联关系分析得到影响测点、受影响测点、无 影响测点，如图2所示，具体包括以下步骤：
以一次风机A设备在2021年1月至2021年7月期间发生的故障数 据作为实时运行数据。
S21.将实时运行数据代入预警回归模型中计算每个测点的评估值， 将测点的评估值与测点实时运行数据作差得到测点偏差。
将2021年1月至2021年7月期间的一次风机A设备的实时运行数 据代入到BP神经网络回归模型中计算评估值，将实时运行数据RTi进行 数据归一化处理得到RTnomi，将RTnomi代入训练完成的BP神经网络回归模 型BPModel中，先得到各个参数的评估数据RFi，再计算其偏差Li，即： Li＝RTi-RFi。
S22.根据测点偏差和测点报警事件条件获取候选测点集，具体包 括：
判断测点偏差是否超过该测点的偏差阈值；
若是，则判定测点属于第一候选测点集；
若否，则进一步判断该测点是否处于报警事件中，若测点处于报警 事件中则判定测点属于第一候选测点集，若测点未处于报警事件中则判 定测点属于第二候选测点集；
其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小 时的认定为处于报警事件中，否则认定未处于报警事件中。
本步骤主要为下一步识别不同类型测点做铺垫准备，从选择全部测 点当中获取第一候选测点集和第二候选测点集，第一候选测点集主要为 进一步计算影响测点和受影响测点，第二候选测点集主要是为进一步计 算影响测点和无影响测点。其中测点报警事件形成的报警规则为24小 时内该测点有累积时长超1小时超偏差阈值报警情况。
S23.根据测点实时运行数据和测点相关关系分析候选测点集获取 影响测点、受影响测点、无影响测点，具体包括：
判断第一候选测点集中测点实时运行数据是否超过该测点的历史 最值；
若是，则测点判定为影响测点；
若否，则进一步判断当前报警事件中测点是否超过最值异常，若当 前报警事件中测点超过最值异常则判定为影响测点，否则判定为受影响 测点；
根据相关性系数矩阵判断第二候选测点集中的测点与影响测点是 否强相关，若强相关则测点判定为影响测点，否则判定为无影响测点。
其中第二候选测点集中的测点与影响测点的相似系数超过强相关 阈值则判定两者为强相关，否则不是强相关。
S3.基于影响测点、受影响测点、无影响测点进行模型评估值动态 校准，如图3所示，具体包括以下步骤：
S31.将影响测点集根据测点分组结果进行分组，并通过对每组影响 测点进行模型重构，以校准对应测点的评估值；
其中影响测点集按照训练阶段的相关性分组结果进行分组。
分组后通过对每组影响测点进行模型重构，以校准对应测点的评估 值具体包括：
S311.剔除其他组的影响测点，使用该影响测点组的训练数据、受 影响测点组的训练数据、无影响测点组的训练数据重新构建预警回归模 型；
S312.将该影响测点组的实时运行数据、受影响测点组的实时运行 数据、无影响测点组的实时运行数据代入步骤S311重新构建的预警回 归模型，以得到修正的影响测点评估值；
S313.使用修正的影响测点评估值对火电设备状态预警评估。
其中重新构建预警回归模型即为按照步骤S12的方法进行模型重新 训练的意思。
例如在一次风机A设备的验证实例中，经过影响关联分析后一次风 机A设备轴承X向振动测点属于影响测点，评估校准的效果如图4所示， 一次风机A设备轴承X向振动测点数值逐渐偏大状态逐渐劣化，从评估 的效果上看，该测点的实时值和评估值偏离程度越来越大，符合该设备 的实际情况。
S32.对受影响测点集进行模型重构，以校准对应测点的评估值,具 体包括；
S321.剔除全部影响测点，使用受影响测点的训练数据和无影响测 点的训练数据重新构建预警回归模型；
S322.将受影响测点的实时运行数据、无影响测点的实时运行数据 代入步骤S321重新构建的预警回归模型，以得到修正的受影响测点评 估值；
S323.使用修正的受影响测点评估值对火电设备状态预警评估；
例如在一次风机A设备的验证实例，经过影响关联分析后一次风机A设备电机线圈C相温度1测点属于受影响测点，一次风机A设备电机 线圈C相温度1测点数值在验证时间段内属于正常范围，未发生异常状 态的一次风机A设备电机线圈C相温度1参数由于受一次风机A设备轴 承X向振动异常状态参数的影响，其回归数值与实际数值之间的偏差很 大，经过本发明的模型测点影响关联分析及模型评估值动态校准应用 后，该测点的评估校准效果如图5所示，未发生异常状态的一次风机A 设备电机线圈C相温度1参数不再受一次风机A设备轴承X向振动异常 状态参数的影响，评估值与实际值比较接近，6个月时间内仅有11.5天 的数据偏离较大，评估校准有效率达到94.5％。
S33.无影响测点不进行评估值校准处理。
应用影响关联分析技术确定的无影响测点，其评估值不再进行评估 校准处理，直接使用步骤上S21中原始评估值RF。
经过本次一次风机A设备的技术验证，可以看出本发明在火电设备 预警状态评价效果，在一次风机A设备轴承X向振动测点处于劣化异常 状态时，该设备预警回归模型的其他测点不再受异常测点的影响，不再 产生虚假报警事件。本发明对火电设备评估效果符合当时的设备实际情 况，可有效提高预警回归模型的准确性。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详 细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提 下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改 或替换，而这些修改或替换都应在本发明的涵盖范围内/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)
1.一种火电设备状态预警评估方法，其特征在于，包括以下步骤：
S1.选择设备测点集合作为建模参数，应用回归算法构建预警回归模型，根据相关性进行测点分组；
S2.对测点进行影响关联关系分析得到影响测点、受影响测点、无影响测点；
S3.基于影响测点、受影响测点、无影响测点进行模型评估值动态校准。
2.根据权利要求1所述的火电设备状态预警评估方法，其特征在于,所述步骤S1包括以下步骤：
S11.选择设备测点集合，从数据库中获取设备的历史数据；
S12.对历史数据进行数据清洗得到训练数据，应用回归算法和训练数据构建预警回归模型；
S13.使用预警回归模型计算设备每个测点的偏差阈值；
S14.使用训练数据计算相关性系数矩阵并进行测点分组。
3.根据权利要求2所述的火电设备状态预警评估方法，其特征在于，所述应用回归算法和训练数据构建预警回归模型，包括：
将训练数据全部参数作为预警回归模型的输入层，节点个数为设备测点个数n，同时将训练数据全部参数作为预警回归模型的输出层，节点个数为设备测点个数n；
预警回归模型的构建过程具体包括：
首先建立BP神经网络结构,BP神经网络结构包括一个输入层、三个隐藏层和一个输出层,其各层节点数为[n,20,30,20,n]，输入层与输出层的神经元数n为设备测点个数；
然后对训练数据进行归一化处理，得到归一化训练数据；
最后使用归一化训练数据对BP神经网络进行网络参数的训练，BP神经网络各层激活函数均选择非线性函数sigmod函数
各层神经元连接权值和阈值通过全部数据不断的迭代优化，获取使得网络损失函数数值最小的网络参数作为最终结果。
4.根据权利要求2或3所述的火电设备状态预警评估方法，其特征在于,所述步骤S13包括：
将训练数据代入预警回归模型中进行训练得到训练评估值；
计算训练数据与训练评估值的差值作为训练偏差数据；
选取训练偏差数据的最值作为测点的偏差阈值。
5.根据权利要求4所述的火电设备状态预警评估方法，其特征在于，所述步骤S2包括以下步骤：
S21.将实时运行数据代入预警回归模型中计算每个测点的评估值，将测点的评估值与测点实时运行数据作差得到测点偏差；
S22.根据测点偏差和测点报警事件条件获取候选测点集；
S23.根据测点实时运行数据和测点相关关系分析候选测点集获取影响测点、受影响测点、无影响测点。
6.根据权利要求5所述的火电设备状态预警评估方法，其特征在于，所述步骤S22包括：
判断测点偏差是否超过该测点的偏差阈值；
若是，则判定测点属于第一候选测点集；
若否，则进一步判断该测点是否处于报警事件中，若测点处于报警事件中则判定测点属于第一候选测点集，若测点未处于报警事件中则判定测点属于第二候选测点集；
其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小时则认定为处于报警事件中，否则认定未处于报警事件中。
7.根据权利要求6所述的火电设备状态预警评估方法，其特征在于，所述步骤S23包括：
判断第一候选测点集中测点实时运行数据是否超过该测点的历史最值；
若是，则测点判定为影响测点；
若否，则进一步判断当前报警事件中测点是否超过最值异常，若当前报警事件中测点超过最值异常则判定为影响测点，否则判定为受影响测点；
根据相关性系数矩阵判断第二候选测点集中的测点与影响测点是否强相关，若强相关则测点判定为影响测点，否则判定为无影响测点。
8.根据权利要求7所述的火电设备状态预警评估方法，其特征在于，所述步骤S3包括以下步骤：
S31.将影响测点集根据测点分组结果进行分组，并通过对每组影响测点进行模型重构，以校准对应测点的评估值；
S32.对受影响测点集进行模型重构，以校准对应测点的评估值；
S33.无影响测点不进行评估值校准处理。
9.根据权利要求8所述的火电设备状态预警评估方法，其特征在于，步骤S31中通过对每组影响测点进行模型重构，以校准对应测点的评估值，包括：
S311.剔除其他组的影响测点，使用该影响测点组的训练数据、受影响测点组的训练数据、无影响测点组的训练数据重新构建预警回归模型；
S312.将该影响测点组的实时运行数据、受影响测点组的实时运行数据、无影响测点组的实时运行数据代入步骤S311重新构建的预警回归模型，以得到修正的影响测点评估值；
S313.使用修正的影响测点评估值对火电设备状态预警评估。
10.根据权利要求9所述的火电设备状态预警评估方法，其特征在于，所述步骤S32包括：
S321.剔除全部影响测点，使用受影响测点的训练数据和无影响测点的训练数据重新构建预警回归模型；
S322.将受影响测点实时运行数据、无影响测点实时运行数据代入步骤S321重新构建的预警回归模型，以得到修正的受影响测点评估值；
S323.使用修正的受影响测点评估值对火电设备状态预警评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200019.5A CN114970309A (zh) | 2022-03-01 | 2022-03-01 | 一种火电设备状态预警评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200019.5A CN114970309A (zh) | 2022-03-01 | 2022-03-01 | 一种火电设备状态预警评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114970309A true CN114970309A (zh) | 2022-08-30 |
Family
ID=82975292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210200019.5A Pending CN114970309A (zh) | 2022-03-01 | 2022-03-01 | 一种火电设备状态预警评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970309A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115862302A (zh) * | 2023-02-24 | 2023-03-28 | 西安曜合信息科技有限公司 | 基于物联网的建筑工程信息查询系统 |
| CN116302848A (zh) * | 2023-05-19 | 2023-06-23 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
-
2022
- 2022-03-01 CN CN202210200019.5A patent/CN114970309A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115862302A (zh) * | 2023-02-24 | 2023-03-28 | 西安曜合信息科技有限公司 | 基于物联网的建筑工程信息查询系统 |
| CN115862302B (zh) * | 2023-02-24 | 2023-09-08 | 深圳高速公路集团数字科技有限公司 | 基于物联网的建筑工程信息查询系统 |
| CN116302848A (zh) * | 2023-05-19 | 2023-06-23 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
| CN116302848B (zh) * | 2023-05-19 | 2023-09-01 | 杭州安脉盛智能技术有限公司 | 一种评估值被带偏的检测方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN114970309A (zh) | 一种火电设备状态预警评估方法 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
| CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
| CN114386312A (zh) | 一种设备故障诊断方法 | |
| CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
| CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
| CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
| CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
| CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
| CN116578833A (zh) | 基于优化随机森林模型的igbt模块老化故障诊断系统 | |
| CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其系统 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
| CN116226679A (zh) | 考虑多机组运行状态相似性的风电机组齿轮箱异常检测方法 | |
| CN117114248B (zh) | 一种水质监测系统健康度评价方法、计算机设备及介质 | |
| Mun et al. | Ensemble learning for fault condition prediction and health status monitoring in military ground vehicles | |
| CN116842316A (zh) | 一种综合能源系统不良数据预处理方法及系统 |
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 |