CN115201608A - 一种基于神经网络的电厂设备运行参数监测方法 - Google Patents
一种基于神经网络的电厂设备运行参数监测方法 Download PDFInfo
- Publication number
- CN115201608A CN115201608A CN202210882602.9A CN202210882602A CN115201608A CN 115201608 A CN115201608 A CN 115201608A CN 202210882602 A CN202210882602 A CN 202210882602A CN 115201608 A CN115201608 A CN 115201608A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- time
- parameter data
- power plant
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备运行智能监督技术领域，尤其涉及一种基于神经网络的电厂设备运行参数监测方法，包括步骤：获取电厂设备无故障运行的历史运行参数数据；进行预处理得到训练样本数据；训练神经网络模型，输出参数的预测值及与历史数据的残差范围；每间隔预设周期获取实时运行参数，通过神经网络模型输出预测值，判断实时数据与预测值的差值超出残差范围的总时长是否超过预设时间阈值，判断是否存在异常并发出预警信息；本发明提供的方法可用以解决现有监控设备对异常数据灵敏度不足的缺陷，对异常数据及时给出预警，在参数明确已偏离正常情况却还未达到系统设定的报警值时也能给出预警信号，有利于尽早消除数据隐患。
Description
技术领域
本发明涉及设备运行智能监督技术领域，尤其涉及一种基于神经网络的电厂设备运行参数监测方法。
背景技术
近年来发电机组以提高效率、节约能源、改善环境和降低成本为发展目标，对于具备深度调峰能力的机组，严格的考核标准与复杂的运行状况相互矛盾，造成依靠传统控制手段的火电机组的经济形势日趋严峻。对于集控运行工作而言，管理人员需要实时监视和分析系统工艺参数，时刻关注小指标考核标准以及系统、设备的安全缺陷，最大限度防止机组安全事故发生。
为了保障生产的安全、经济以及环保的运行环境，相关运行参数超限必定会对机组产生不良影响，轻则引起设备故障、停运，重则造成机组停机设备损害等重大事故。由此看来，机组生产运行中的参数报警功能对于管理人员而言是十分必要且重要的辅助操作手段。
目前，机组管理人员主要是通过定期抄表、不定期翻看画面、监控声光报警这三种传统方式来进行参数监控工作，而这些方式都存在着固有的弊端；其中，前两种方式的时间成本和人工成本较高，管理人员针对运行过程中各参数的趋势变化情况的判断依赖于自身的工作经验和技术水平，且难以对参数的趋势进行预测，无法实现实时的有效监控；第三种声光报警的方式当前仍采用固定门槛的超限报警方式，无法对参数的异常状态进行及时有效的准确判断和报警，如某些运行参数随机组负荷变化，在机组负荷稳定的情况下也基本稳定，有良好的重复再现特性，如果发生异常则此参数即会出现偏离，但可能远未达到正常运行的限值或报警值，此时声光报警系统无法及时进行报警提示，在这种情况下，即使有管理人员对参数进行了抄表或查看，如果不是对参数特别敏感或者专门进行了对比分析，也难以及时发现异常，容易遗漏部分异常现象，可能进一步导致无法挽回的损失。
由此可知，在实际生产过程中，待到实际运行参数超限再报警，在相当大的概率情况下只能减小运行参数超限的损失，而无法有效避免该超限事件的发生。
发明内容
本发明提供一种基于神经网络的电厂设备运行参数监测方法，用以解决现有设备运行参数监控工作对异常数据监测灵敏度不足的缺陷，帮助管理人员对实际运行中各参数变化趋势进行综合判断，对异常数据及时给出预警，在参数明确已偏离正常情况却还未达到系统设定的报警值时，也能够直接给出预警信号，有利于管理人员将参数超限事故消除在萌芽之中。
本发明提供一种基于神经网络的电厂设备运行参数监测方法，包括：
S1获取电厂设备无故障运行的历史运行参数数据；
S2对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据作为训练样本数据；
S3将所述训练样本数据输入神经网络模型进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
S4每间隔一预设周期获取电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；
每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常。
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，步骤S1包括：
通过设置在各个电厂设备的多个监测点位，通过所述监测点位采集预设时间段内对应设备的历史运行参数数据或实时运行参数数据；
获取的历史运行参数数据或实时运行参数数据包括采集时刻的时间标签。
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，在步骤S2中，输出训练样本数据之前，判断所述历史运行参数数据是否符合开关阈值条件，若任一数据不符合所述开关阈值条件，则判断对应设备处于停机状态，剔除对应的历史运行参数数据；若符合所述开关阈值条件，则判断对应设备处于运行状态，保留对应的历史运行参数数据作为所述训练样本数据。
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，在步骤S2中，将历史运行参数数据中不属于所述上限值和下限值之间的数据剔除，将剩余的数据作为所述训练样本数据。-
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，步骤S4包括：
获取所述实时运行参数数据之后，判断所述实时运行参数是否符合开关阈值条件，若任一数据不符合所述开关阈值条件，则判断对应设备处于停机状态，不将数据输入所述神经网络模型进行预测；
若符合所述开关阈值条件，则进一步判断所述实时运行参数数据是否处于上下限范围内，若不处于所述上下限范围内，则判断所述实时运行参数数据为异常数据，不将数据输入所述神经网络模型进行预测；若处于所述上下限范围内，则将数据输入所述神经网络模型，输出对应参数的预测值。
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，步骤S5之后，包括：
基于实时运行参数数据的时间标签，分别生成各类参数对应设备的预警总数与时间的曲线。
根据本发明提供的一种基于神经网络的电厂设备运行参数监测方法，进一步包括：
将多个预设周期内获取的预测值与实时运行参数数据比对，输出实时运行参数数据与所述预测值差值大于所述残差范围的最早时间节点。
另一方面，本发明还提供一种基于神经网络的发电机组运行参数监测系统，包括：
数据采集模块，用于获取电厂设备无故障运行的历史运行参数数据；
模型配置模块，用于对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据输出为训练样本数据；
模型训练模块，用于获取所述模型配置模块输出的所述训练样本数据，将所述数据输入神经网络模块进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
神经网络模块，每间隔一预设周期获取数据采集模块输出的电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述电厂设备运行参数监测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电厂设备运行参数监测方法的步骤。
本发明提供的一种基于神经网络的电厂设备运行参数监测方法，与现有技术相比，具有以下有益效果：
(1)本发明通过采集电厂设备正常运行阶段的数据作为神经网络的训练样本，有利于神经网络输出正确的数值变化趋势，且通过箱型图对数据进行预处理，能有效降低神经网络的训练开销，有利于神经网络模型的快速收敛；
(2)通过训练后的神经网络模型对参数的趋势做出预测，根据此模型与实时数据进行对比，有利于管理人员准确地找到劣化起点，能提高技术人员排除故障节点的效率；可有效辅助管理人员对电厂内整体设备盘面参数的监督，减少管理人员从业经验差距导致的技术水平差异，减轻管理人员监盘劳动强度，提高工作效率；
(3)通过训练后的神经网络模型对参数的趋势做出预测，在运行参数未达到机组约束阈值前给出预警，提醒管理人员对相关节点进行检验，从而将参数超限事故消除在萌芽之中。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的基于神经网络的电厂设备运行参数监测方法的流程示意图；
图2是本发明提供的基于神经网络的电厂设备运行参数监测方法的预测值与实际值趋势示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作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。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或模块。
在一个实施例中，如图1所示，本发明提供一种基于神经网络的电厂设备运行参数监测方法，其特征在于，包括：
S1获取电厂设备无故障运行的历史运行参数数据；
S2对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据作为训练样本数据；
S3将所述训练样本数据输入神经网络模型进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
S4每间隔一预设周期获取电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；
每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常。
需要说明的是，火电厂厂级监控信息系统是为火电厂全厂实时生产过程综合优化服务的厂级监控管理信息系统，简称SIS，即Supervisory Information System，集过程实时监测、性能优化及生产过程管理为一体，从而在整个电厂范围内实现信息共享，能够实现对电厂各个设备的监控；
其中电厂SIS系统包括实时/历史数据库，用于提供设备运行参数数据，可根据需要设定读取频率，可选1分钟/次；
SIS系统实时/历史数据库存储有工业现场生产的采集频率为秒级的采集密度高达数万点的带时间标签的实时及历史数据，这些数据来自电厂设备的各个设备节点；
具体的，步骤S1中，从电厂SIS系统的实时数据库中获取电厂设备无故障运行的历史运行参数数据；通过设置在各个电厂设备的多个SIS监测点位采集预设时间段内对应设备的历史运行参数数据或实时运行参数数据；
获取的历史运行参数数据或实时运行参数数据包括采集时刻的时间标签；
具体的，所述电厂SIS系统中需要建立多个类型设备对应的参数数据模型，包括设备基本信息、参数模型关联、模型监督触发条件和模型训练设置；
其中参数数据模型包括对应设备的机组号、所属SIS系统、设备参数模型名称、设备系统版本号、创建时间以及系统数据编辑历史；
基本信息应包括设备对应的模型名称、预警监测周期、训练数据采样周期、预处理方式、异常时间阈值；
通过参数模型关联将设备参数、SIS系统参数、设备基本信息关联作为一个整体，从而实现对一个功能系统内所有对应设备的相关信息，且可以对相关信息进行编辑，例如用送风机轴承温度、电机线圈温度、电机电流、振动、环境温度等参数构成一个模型，可以对设备本体建模；例如二次风及送风机系统，选取系统中风压、风温、送风机电流、风门开度、环境温度等建模，也可以将二次风、电机等系统结合作为一个整体监测单元建立参数模型；
模型训练设置中设定训练样本起始时间和终止时间，在步骤S1中可选获取过去一年且机组无大修相应SIS参数历史数据，良好的历史数据有利于神经网络模型的训练；
可选的，设置训练数据采样周期设置为60s；
进一步，在步骤S2中，输出训练样本数据之前，判断所述历史运行参数数据是否符合开关阈值条件：
在参数数据模型中设置模型监督触发条件，即所述开关阈值条件，通过对设备的运行参数设置开关条件，使得系统仅在满足该开关条件时才执行监测并发出预警信息，以风机为例，设置风机电机电流大于某阈值，电流大于这个阈值表明该设备处于运行状态，针对运行的设备才需要针对该设备的运行参数进行监测并发出预警信息，若不满足开关条件则只监测不预警；
保留符合开关阈值条件的历史运行参数数据作为所述训练样本数据。
具体的，步骤S2中，对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据作为训练样本数据；
可选的，采集的历史运行参数数据可通过箱形图(Box-plot)方法计算出设备对应的参数上限值和下限值，从而避免少数的离群数据导致模型的整体特征的偏移，预处理后将符合开关条件的训练样本数据输入至神经网络模型(LSTM)进行训练；
具体的，在步骤S2中，将历史运行参数数据中不属于所述上限值和下限值之间的数据剔除，将剩余的数据作为所述训练样本数据；
在步骤S3中，将所述训练样本数据输入神经网络模型进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围，即各类设备各自的运行参数残差，残差是一个范围值，即模型学习训练之后实际值与预测值允许偏差；
进一步，在步骤S4中，每间隔一预设周期获取电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；
每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常；
具体的，采集的实时运行参数数据需要剔除不符合开关阈值条件、不符合上下限范围的数据，即：
获取所述实时运行参数数据之后，判断所述实时运行参数是否符合开关阈值条件，若任一数据不符合所述开关阈值条件，则判断对应设备处于停机状态，不将数据输入所述神经网络模型进行预测；
若符合所述开关阈值条件，则进一步判断所述实时运行参数数据是否处于上下限范围内，若不处于所述上下限范围内，则判断所述实时运行参数数据为异常数据，不将数据输入所述神经网络模型进行预测；若处于所述上下限范围内，则将数据输入所述神经网络模型，输出对应参数的预测值。
从而确保对设备运行状态下的参数数据进行监督预警；
可选的，通过箱型图获取参数的上限值和下限值；
需要说明的是，所述箱型图是一种用于显示一组数据分散情况资料的统计图，计算SIS参数上限值和下限值，不在上下限范围内值系统视为异常值而剔除；
作为示例的，以10分钟为一个监督周期，以1分钟为一个数据采集周期，每1分钟从SIS设备节点实时读取数据并通过训练好的神经网络模型输出预测数据，并生成数据趋势曲线图；本发明对此不作限定；
在一个监督周期内，完成10次预测后，判断实际数值偏离预测值的上限值或下限值的次数，输出实际值与预测值之差超出残差范围的总时长，进一步计算该总时长占时间阈值的比例；
可选的，一般设置允许的时间阈值比例为0.8，若十次预测中，存在8次及以上实际值与预测值之差超出残差范围即预警，则认为该设备的运行参数趋势异常，向管理人员发出预警；本发明对此不作限定；
可选的，将多个预设周期内获取的预测值与实时运行参数数据比对，输出实时运行参数数据与所述预测值差值大于所述残差范围的最早时间节点；
可选的，输出预测数值与实际数值的曲线图，如图2所示，可以看到“4”点为劣化起点；从而直观的看出数据拐点，有利于管理人员、检修人员快速找到数据拐点，有利于定位故障节点；
进一步的，在多个监督周期后，对预警信息进行统计分析：
输出预警总数与时间曲线、预警处理率(已处理/未确定和已确认之和)以及预警总数；
可选的，生成各机组预警数柱形图；所生成各系统各设备预警数分布图；本发明对此不作限定；
进一步的，在给出预警信息，由技术人员对预警信息对应的设备给出处理意见，确定是否消除隐患，在排除隐患后消除预警信息。
可选的，本发明所述神经网络模型可以为LSTM数学模型或NARX数学模型；其中，LSTM即长短期记忆网络，已被广泛用于语音识别，语言建模，情感分析和文本预测；NARX是带有外部输入的非线性自回归神经网络，是一种有效的时间序列预测技术；
优选的，选择LSTM即长短期记忆网络模型进行设备运行参数的监测；
所述参数模型“预警”，超过残差的显著性和持续性，获得报警策略：
需要说明的是，神经网络模型输出的预测值是基于历史正常运行工况的历史运行数据进行训练后输出的数值，若实时测量的实际值与预测值的偏差明显较大，即实际值与历史工况的偏差较大，虽然运行参数未达到原始的报警阈值，但仍需给出“预警”；
在一整个监督周期内，运行参数的偏差持续性明显，即参数持续走高或走低且维持时间长，并未出现历史情况的一定范围波动情况，则认为参数进入“故障”的早期阶段，从而提前给出“预警”。
下面对本发明提供的发电机组运行参数监测系统进行描述，具体的，本发明提供的一种基于神经网络的发电机组运行参数监测系统，包括：
数据采集模块，用于获取电厂设备无故障运行的历史运行参数数据；
模型配置模块，用于通过箱型图对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据输出为训练样本数据；
模型训练模块，用于获取所述模型配置模块输出的所述训练样本数据，将所述数据输入神经网络模块进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
神经网络模块，每间隔一预设周期获取数据采集模块输出的电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常；
此处描述的发电机组运行参数监测系统与上文描述的发电机组运行参数监测方法可相互对应参照，至此不再赘述。
另一方面，本发明还提供一种电子设备，该电子设备可以包括：处理器(processor)、通信接口(CommunicationsInterface)、存储器(memory)和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行上述的发电机组运行参数监测方法的步骤。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的发电机组运行参数监测方法的步骤。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的发电机组运行参数监测方法的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的电厂设备运行参数监测方法，其特征在于，包括：
S1获取电厂设备无故障运行的历史运行参数数据；
S2对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据作为训练样本数据；
S3将所述训练样本数据输入神经网络模型进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
S4每间隔一预设周期获取电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；
每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述总时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常。
2.根据权利要求1提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，步骤S1包括：
通过设置在各个电厂设备的多个监测点位采集预设时间段内对应设备的历史运行参数数据或实时运行参数数据；
获取的历史运行参数数据或实时运行参数数据包括采集时刻的时间标签。
3.根据权利要求1提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，在步骤S2中，输出训练样本数据之前，判断所述历史运行参数数据是否符合开关阈值条件，若任一数据不符合所述开关阈值条件，则判断对应设备处于停机状态，剔除对应的历史运行参数数据；若符合所述开关阈值条件，则判断对应设备处于运行状态，保留对应的历史运行参数数据作为所述训练样本数据。
4.根据权利要求3提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，在步骤S2中，将历史运行参数数据中不属于所述上限值和下限值之间的数据剔除，将剩余的数据作为所述训练样本数据。
5.根据权利要求4提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，步骤S4包括：
获取所述实时运行参数数据之后，判断所述实时运行参数是否符合开关阈值条件，若任一数据不符合所述开关阈值条件，则判断对应设备处于停机状态，不将数据输入所述神经网络模型进行预测；
若符合所述开关阈值条件，则进一步判断所述实时运行参数数据是否处于上下限范围内，若不处于所述上下限范围内，则判断所述实时运行参数数据为异常数据，不将数据输入所述神经网络模型进行预测；若处于所述上下限范围内，则将数据输入所述神经网络模型，输出对应参数的预测值。
6.根据权利要求5提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，步骤S5之后，包括：
基于实时运行参数数据的时间标签，分别生成各类参数对应设备的预警总数与时间的曲线。
7.根据权利要求5提供的一种基于神经网络的电厂设备运行参数监测方法，其特征在于，包括：
将多个预设周期内获取的预测值与实时运行参数数据比对，输出实时运行参数数据与所述预测值差值大于所述残差范围的最早时间节点。
8.一种基于神经网络的发电机组运行参数监测系统，其特征在于，包括：
数据采集模块，用于获取电厂设备无故障运行的历史运行参数数据；
模型配置模块，用于对所述历史运行参数数据作预处理，计算各类参数的上限值和下限值，将处于所述上限值和下限值之间的数据输出为训练样本数据；
模型训练模块，用于获取所述模型配置模块输出的所述训练样本数据，将所述数据输入神经网络模块进行训练，输出各类参数的预测值，并输出所述预测值与对应的所述历史运行参数数据的残差范围；
神经网络模块，每间隔一预设周期获取数据采集模块输出的电厂设备的实时运行参数数据，通过训练后的神经网络模型输出对应参数的预测值；每完成预设次数的预测后，输出实时运行参数数据与对应时刻的预测值的差值超出所述残差范围的总时长，若所述时长超过预设的时间阈值，则判断对应设备的参数异常，发出预警信息；否则判断对应的参数正常。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述电厂设备运行参数监测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电厂设备运行参数监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210882602.9A CN115201608A (zh) | 2022-07-26 | 2022-07-26 | 一种基于神经网络的电厂设备运行参数监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210882602.9A CN115201608A (zh) | 2022-07-26 | 2022-07-26 | 一种基于神经网络的电厂设备运行参数监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115201608A true CN115201608A (zh) | 2022-10-18 |
Family
ID=83583709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210882602.9A Pending CN115201608A (zh) | 2022-07-26 | 2022-07-26 | 一种基于神经网络的电厂设备运行参数监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115201608A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115497272A (zh) * | 2022-11-21 | 2022-12-20 | 中建安装集团有限公司 | 一种基于数字化建造的工期智能化预警系统及方法 |
| CN115729189A (zh) * | 2022-11-21 | 2023-03-03 | 无锡雪浪数制科技有限公司 | 一种融合数据模型和机理模型的生产控制方法 |
| CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
| CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
| CN116032359A (zh) * | 2022-12-27 | 2023-04-28 | 中国联合网络通信集团有限公司 | 特征网络数据的预测方法、系统及电子设备 |
| CN116703037A (zh) * | 2023-07-06 | 2023-09-05 | 中建二局第二建筑工程有限公司 | 一种基于道路施工的监控方法及装置 |
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
| CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
| CN117387056A (zh) * | 2023-12-13 | 2024-01-12 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
| CN117454121A (zh) * | 2023-12-22 | 2024-01-26 | 华能济南黄台发电有限公司 | 一种基于电厂安全预警的数据分析处理方法及系统 |
-
2022
- 2022-07-26 CN CN202210882602.9A patent/CN115201608A/zh active Pending
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
| CN115802199B (zh) * | 2022-10-26 | 2023-09-22 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
| CN115729189A (zh) * | 2022-11-21 | 2023-03-03 | 无锡雪浪数制科技有限公司 | 一种融合数据模型和机理模型的生产控制方法 |
| CN115497272A (zh) * | 2022-11-21 | 2022-12-20 | 中建安装集团有限公司 | 一种基于数字化建造的工期智能化预警系统及方法 |
| CN115729189B (zh) * | 2022-11-21 | 2024-02-27 | 无锡雪浪数制科技有限公司 | 一种融合数据模型和机理模型的生产控制方法 |
| CN116032359A (zh) * | 2022-12-27 | 2023-04-28 | 中国联合网络通信集团有限公司 | 特征网络数据的预测方法、系统及电子设备 |
| CN115986945A (zh) * | 2023-03-21 | 2023-04-18 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
| CN115986945B (zh) * | 2023-03-21 | 2023-06-16 | 山东聚发数字工业技术有限公司 | 一种基于工业互联网的电力设备监测方法、设备及介质 |
| CN116703037B (zh) * | 2023-07-06 | 2023-12-19 | 中建二局第二建筑工程有限公司 | 一种基于道路施工的监控方法及装置 |
| CN116703037A (zh) * | 2023-07-06 | 2023-09-05 | 中建二局第二建筑工程有限公司 | 一种基于道路施工的监控方法及装置 |
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN116797053B (zh) * | 2023-08-25 | 2023-11-10 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、系统和介质 |
| CN117076260A (zh) * | 2023-10-17 | 2023-11-17 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
| CN117076260B (zh) * | 2023-10-17 | 2024-01-26 | 杭州和利时自动化有限公司 | 一种参数及设备异常检测方法及装置 |
| CN117215356B (zh) * | 2023-11-01 | 2024-02-27 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
| CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
| CN117387056A (zh) * | 2023-12-13 | 2024-01-12 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
| CN117387056B (zh) * | 2023-12-13 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种火电厂深度调峰状态监测方法及系统 |
| CN117454121A (zh) * | 2023-12-22 | 2024-01-26 | 华能济南黄台发电有限公司 | 一种基于电厂安全预警的数据分析处理方法及系统 |
| CN117454121B (zh) * | 2023-12-22 | 2024-04-05 | 华能济南黄台发电有限公司 | 一种基于电厂安全预警的数据分析处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115201608A (zh) | 一种基于神经网络的电厂设备运行参数监测方法 | |
| CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN110320893B (zh) | 一种基于rcm的火电机组设备检修方法 | |
| CN114488996A (zh) | 一种设备健康监控与预警方法及系统 | |
| CN106649755A (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
| CN108846511A (zh) | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 | |
| CN114862275B (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
| CN112348699A (zh) | 一种供电系统电力设备生命周期管理方法及系统 | |
| CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
| Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
| CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策系统 | |
| CN112578213A (zh) | 轨道电源屏的故障预测方法及装置 | |
| CN113187650A (zh) | 一种智能水电厂全厂水轮机调速系统及诊断方法 | |
| Zhao | A PROCESS ORIENTED QUALITY CONTROL APPROACH BASED ON DYNAMIC SPC AND FMEA REPOSITORY. | |
| CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
| CN113987027A (zh) | 一种基于故障预测的设备状态确定方法、装置及介质 | |
| JP2008015775A (ja) | プラントの保全支援システムおよびその保全支援方法 | |
| Rasay et al. | Integration of the decisions associated with maintenance management and process control for a series production system | |
| CN116880337A (zh) | 一种流域梯级电厂集控中心监控系统告警辅助决策方法 | |
| CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
| CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及系统 | |
| CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
| CN105469148A (zh) | 船舶机电设备保障时机确定方法 | |
| CN105809257B (zh) | 一种基于电力通信网络的触发式状态检修方法 | |
| CN115378136A (zh) | 一种电网二次设备安全风险智能预警方法及预警装置 |
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 |