CN116257809A - 一种基于机器学习算法的供热管网异常诊断方法 - Google Patents
一种基于机器学习算法的供热管网异常诊断方法 Download PDFInfo
- Publication number
- CN116257809A CN116257809A CN202310222062.6A CN202310222062A CN116257809A CN 116257809 A CN116257809 A CN 116257809A CN 202310222062 A CN202310222062 A CN 202310222062A CN 116257809 A CN116257809 A CN 116257809A
- Authority
- CN
- China
- Prior art keywords
- temperature
- backwater
- abnormal
- algorithm
- water supply
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 70
- 238000003745 diagnosis Methods 0.000 title claims abstract description 63
- 230000005856 abnormality Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 239000002245 particle Substances 0.000 claims description 30
- 238000010438 heat treatment Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于机器学习算法的供热管网异常诊断方法，属于智慧供热技术领域，具体包括：采用异常辨识模型对回水温度进行辨识，并当回水温度中存在异常回水温度时，获取其所对应的温度传感器，并基于温度传感器的历史温度数据，确定其不属于不良数据时，获取异常回水温度所对应的回水管道的回水管道压力、回水管道流量，以及回水管道所连接的供水管道的供水管道压力、供水管道流量、供水温度，并结合历史数据进行不良数据的辨识，并当均不属于不良数据时，以回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度构建输入集，基于PSO‑GA‑SVM算法的故障诊断模型得到故障诊断结果，从而保证了故障诊断结果的可靠性和准确性。
Description
技术领域
本发明属于智慧供热技术领域，尤其涉及一种基于机器学习算法的供热管网异常诊断方法。
背景技术
在实际工程中，供热管网发生故障的时间与规律大多都无迹可寻，尤其是热网发生堵塞、泄漏故障位置无从判断，这就对供热系统运营与维护管理工作造成了极大的困扰，也严重影响了供热系统运行的经济性与安全性，造成热量、水资源的浪费导致供热企业运行成本增加，因此如何实现对供热管网的异常诊断和定位成为一个亟待解决的技术问题。
为了实现对供热管网的异常诊断和定位，在论文《基于仿真技术的供热管网故障诊断研究》中通过运用BP神经网络原理建立了供热管网故障诊断模型，将仿真系统得到的供热管网故障工况下的部分运行参数作为学习样本以及预测样本，以主管段处压力、流量作为节点输入层，以故障管段位置编号为节点输出层，分别对两种故障进行定位，但是却存在以下技术问题：
1、未考虑对运行参数数据进行筛选，在实际的供热管网的故障诊断中，供热管网的测点的传感器由于运行环境较为恶劣，当运行时间过久时，则不可避免会发生故障，因此若不能将上述故障的运行参数数据进行筛选，则最终的故障诊断和定位结果同样不可能准确可靠。
2、未考虑进行异常回水温度的筛选情况进行故障诊断的确定，对于供热管网来说，特别是大型供热管网来说，其需要观测的节点和测点的数量十分庞大，因此若不能结合异常回水温度的筛选情况，判断是否进行故障诊断，则有可能会导致故障诊断的效率受到影响。
针对上述技术问题，本发明提供了一种基于机器学习算法的供热管网异常诊断方法。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于机器学习算法的供热管网异常诊断方法。
一种基于机器学习算法的供热管网异常诊断方法，其特征在于，具体包括：
S11实时获取供热管网的回水温度，并采用基于Kmeans聚类算法的异常辨识模型对所述回水温度进行辨识，并当所述回水温度中存在异常回水温度时，进入步骤S12；
S12获取所述异常回水温度所对应的温度传感器，并基于所述温度传感器的历史温度数据，判断所述异常回水温度是否为不良数据，若是，则输出温度传感器存在异常，若否，则进入步骤S13；
S13获取所述异常回水温度所对应的回水管道的回水管道压力、回水管道流量，以及所述回水管道所连接的供水管道的供水管道压力、供水管道流量、供水温度，并结合历史数据，对所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度进行不良数据的辨识，并当所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度均不属于不良数据时，进入步骤S14；
S14以所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度构建输入集，并将所述输入集传输至基于PSO-GA-SVM算法的故障诊断模型中，得到故障诊断结果。
通过采用Kmeans聚类算法的异常辨识模型对所述回水温度进行辨识，从而实现了对回水温度的初步筛选，从而避免了原有的对所有的回水温度进行实时故障诊断所导致的诊断效率较低的技术问题，进一步保证了整体的可靠性和诊断的效率，避免了不必要的诊断和供热资源的浪费。
通过对温度传感器的异常的判断，从而避免了由于温度传感器的异常所导致的故障诊断结果，进一步保证了最终的故障诊断结果的准确性和可靠性，同时也避免了不必要的故障诊断。
通过采用基于PSO-GA-SVM算法的故障诊断模型进行故障诊断结果的确定，从而使得故障诊断的效率和准确性得到进一步的提升，也保证了故障诊断的结果的全面性。
进一步的技术方案在于，所述异常回水温度确认的具体步骤为：
S21实时获取所述供热管网的回水温度，并将所述回水温度送入到基于Kmeans聚类算法的异常辨识模型中；
S22基于所述异常辨识模型，确定所述回水温度中是否存在离群点，若是，则进入步骤S23；
S23将所述离群点作为异常回水温度。
进一步的技术方案在于，在进行所述供热管网的回水温度的获取之前，还需要基于所述供热管网的不同回水管道的运行时间、所述回水管道所对应的供热地区的投诉率、所述回水管道的故障次数确定所述回水管网的回水温度的获取频率，其中所述回水管道的运行时间越长、所述回水管道所对应的供热地区的投诉率越高、所述回水管道的故障次数越多，则所述供热管网的回水管道的回水温度的获取频率越高。
进一步的技术方案在于，当所述回水管道的故障次数大于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
其中P1为基础获取频率，TS为所述回水管道所对应的供热地区的投诉率，Tslimit为投诉率阈值，[]为取整函数。
当所述回水管道的故障次数小于或者等于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
通过结合多方面因素对回水温度的获取频率的计算公式的更新，从而实现了从多角度对不同回水管道的回水温度的获取频率的确定，使得对于回水管道的故障诊断变得更加具有针对性，也保证了供暖管道运行的稳定性和可靠性。
进一步的技术方案在于，进行异常回水温度的不良数据确认的具体步骤为：
S31获取所述温度传感器所对应的历史温度数据，并将所述温度传感器所对应的前日的历史温度数据的平均值作为温度平均值，并判断所述温度平均值与所述异常回水温度的差值是否大于第一阈值，若是，则进入步骤S32，若否，判断所述异常回水温度不属于不良数据；
S32基于所述历史温度数据，判断所述温度传感器的近一天的历史温度数据的变化率的最大值是否第一变化率阈值，若是，则进入步骤S33，若否，则判断所述异常回水温度不属于不良数据；
S33将所述异常回水温度作为不良数据。
通过结合变化率以及温度平均值进行不良数据的辨识，从而实现了从多个角度对不良数据的辨识，保证了不良数据辨识的准确性，并且进一步避免了由于不良数据导致的最终的故障结果准确性较差的技术问题。
进一步的技术方案在于，所述第一阈值根据所述温度传感器的历史温度数据、外部环境温度进行确定，其中所述温度传感器的历史温度数据越高，所述外部环境温度越低，则所述第一阈值越大。
进一步的技术方案在于，所述故障诊断模型构建的具体步骤为：
S41设置最大迭代次数Kmax＝100；
S42对种群参数进行初始化，种群规模N＝20，粒子群算法的两个学习因子c1和c2，粒子飞行速度V的取值范围，粒子群的进化代数T，GA算法中的交叉概率Pc＝0.8和变异概率Pm＝0.2；
S43计算粒子的适应度值，选取SVM中5折交叉验证下的准确率作为适应度值；
S44更新粒子的个体与群体极值，其依据是上一步计算得到的适应度值；如果粒子在第k次迭代的适应度值大于上一次计算得到的适应度值，则将本次的粒子的个体位置作为个体的最优值，否则则将上次的粒子的个体位置作为个体的最优值；如果粒子在第k次迭代的适应度值大于全局最优值，则将上一次迭代的群体极值作为全局最优值，否则保持所述全局最优值不变；
S45判断是否陷入局部最优，预先设置迭代次数c＝60，如果全局最优值超过这个迭代次数后仍未发生变化，则可认为此时算法陷入了局部最优值，此时执行遗传算法，对种群进行交叉和变异操作。
S46判断是否满足结束条件，结束条件选为预设的误差或者迭代次数；若不满足结束条件，则按公式对粒子的速度与位置进行更新并返回步骤S43；若满足结束条件，则停止运算，此时算法的输出为最优的SVM参数。
通过进一步结合GA算法对PSO算法陷入局部最优后进行交叉变异操作，从而进一步提升了PSO算法寻优的效率和准确性，并且也保证了SVM参数的准确性。
进一步的技术方案在于，所述最优的SVM参数为SVM算法的惩罚因子C和核函数的参数g的值。
进一步的技术方案在于，所述PSO算法的惯性权重的计算公式为:
其中wmax为惯性权重的最大值，wmin表示惯性权重的最小值，t为当前迭代次数，Tmax为最大迭代次数，min()为取最小值函数，rand(0，1)为取值范围在0到1之间的随机数；
所述PSO算法的学习因子的计算公式为：
其中c1、c2为学习因子。
通过对惯性权重和学习因子的优化，从而进一步提升了PSO算法寻优的效率和准确性，并进一步降低了由于陷入局部最优导致的寻优效率和准确性都较低的技术问题。
另一方面，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于机器学习算法的供热管网异常诊断方法。
另一方面，本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的一种基于机器学习算法的供热管网异常诊断方法。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于机器学习算法的供热管网异常诊断方法的流程图。
图2是根据实施例2的一种计算机可读存储介质的框架图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种方式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
在原有对不同的储能方式进行调度时，往往不能根据不同储能方式的特性以及负荷调节的需求，对不同储能方式之间进行优化调度，从而不能充分的应用不同的储能方式，同时也会影响机组的灵活性和设备的安全性。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于机器学习算法的供热管网异常诊断方法，其特征在于，具体包括：
S11实时获取供热管网的回水温度，并采用基于Kmeans聚类算法的异常辨识模型对所述回水温度进行辨识，并当所述回水温度中存在异常回水温度时，进入步骤S12；
S12获取所述异常回水温度所对应的温度传感器，并基于所述温度传感器的历史温度数据，判断所述异常回水温度是否为不良数据，若是，则输出温度传感器存在异常，若否，则进入步骤S13；
S13获取所述异常回水温度所对应的回水管道的回水管道压力、回水管道流量，以及所述回水管道所连接的供水管道的供水管道压力、供水管道流量、供水温度，并结合历史数据，对所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度进行不良数据的辨识，并当所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度均不属于不良数据时，进入步骤S14；
S14以所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度构建输入集，并将所述输入集传输至基于PSO-GA-SVM算法的故障诊断模型中，得到故障诊断结果。
通过采用Kmeans聚类算法的异常辨识模型对所述回水温度进行辨识，从而实现了对回水温度的初步筛选，从而避免了原有的对所有的回水温度进行实时故障诊断所导致的诊断效率较低的技术问题，进一步保证了整体的可靠性和诊断的效率，避免了不必要的诊断和供热资源的浪费。
通过对温度传感器的异常的判断，从而避免了由于温度传感器的异常所导致的故障诊断结果，进一步保证了最终的故障诊断结果的准确性和可靠性，同时也避免了不必要的故障诊断。
通过采用基于PSO-GA-SVM算法的故障诊断模型进行故障诊断结果的确定，从而使得故障诊断的效率和准确性得到进一步的提升，也保证了故障诊断的结果的全面性。
具体的举个例子，所述异常回水温度确认的具体步骤为：
S21实时获取所述供热管网的回水温度，并将所述回水温度送入到基于Kmeans聚类算法的异常辨识模型中；
S22基于所述异常辨识模型，确定所述回水温度中是否存在离群点，若是，则进入步骤S23；
S23将所述离群点作为异常回水温度。
具体的在另外一个可能的实施例中，对于供热挂网的回水温度分别为50度、25度、51度、61度，则通过基于Kmeans聚类算法的异常辨识模型，明确可以实现对25度的异常回水温度的离群点的识别，并将上述离群点作为异常回水温度。
具体的举个例子，在进行所述供热管网的回水温度的获取之前，还需要基于所述供热管网的不同回水管道的运行时间、所述回水管道所对应的供热地区的投诉率、所述回水管道的故障次数确定所述回水管网的回水温度的获取频率，其中所述回水管道的运行时间越长、所述回水管道所对应的供热地区的投诉率越高、所述回水管道的故障次数越多，则所述供热管网的回水管道的回水温度的获取频率越高。
具体的举个例子，当所述回水管道的故障次数大于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
其中P1为基础获取频率，TS为所述回水管道所对应的供热地区的投诉率，Tslimit为投诉率阈值，[]为取整函数。
当所述回水管道的故障次数小于或者等于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
通过结合多方面因素对回水温度的获取频率的计算公式的更新，从而实现了从多角度对不同回水管道的回水温度的获取频率的确定，使得对于回水管道的故障诊断变得更加具有针对性，也保证了供暖管道运行的稳定性和可靠性。
具体的举个例子，进行异常回水温度的不良数据确认的具体步骤为：
S31获取所述温度传感器所对应的历史温度数据，并将所述温度传感器所对应的前日的历史温度数据的平均值作为温度平均值，并判断所述温度平均值与所述异常回水温度的差值是否大于第一阈值，若是，则进入步骤S32，若否，判断所述异常回水温度不属于不良数据；
S32基于所述历史温度数据，判断所述温度传感器的近一天的历史温度数据的变化率的最大值是否第一变化率阈值，若是，则进入步骤S33，若否，则判断所述异常回水温度不属于不良数据；
S33将所述异常回水温度作为不良数据。
通过结合变化率以及温度平均值进行不良数据的辨识，从而实现了从多个角度对不良数据的辨识，保证了不良数据辨识的准确性，并且进一步避免了由于不良数据导致的最终的故障结果准确性较差的技术问题。
具体的举个例子，所述第一阈值根据所述温度传感器的历史温度数据、外部环境温度进行确定，其中所述温度传感器的历史温度数据越高，所述外部环境温度越低，则所述第一阈值越大。
具体的举个例子，所述故障诊断模型构建的具体步骤为：
S41设置最大迭代次数Kmax＝100；
S42对种群参数进行初始化，种群规模N＝20，粒子群算法的两个学习因子c1和c2，粒子飞行速度V的取值范围，粒子群的进化代数T，GA算法中的交叉概率Pc＝0.8和变异概率Pm＝0.2；
S43计算粒子的适应度值，选取SVM中5折交叉验证下的准确率作为适应度值；
S44更新粒子的个体与群体极值，其依据是上一步计算得到的适应度值；如果粒子在第k次迭代的适应度值大于上一次计算得到的适应度值，则将本次的粒子的个体位置作为个体的最优值，否则则将上次的粒子的个体位置作为个体的最优值；如果粒子在第k次迭代的适应度值大于全局最优值，则将上一次迭代的群体极值作为全局最优值，否则保持所述全局最优值不变；
S45判断是否陷入局部最优，预先设置迭代次数c＝60，如果全局最优值超过这个迭代次数后仍未发生变化，则可认为此时算法陷入了局部最优值，此时执行遗传算法，对种群进行交叉和变异操作。
S46判断是否满足结束条件，结束条件选为预设的误差或者迭代次数；若不满足结束条件，则按公式对粒子的速度与位置进行更新并返回步骤S43；若满足结束条件，则停止运算，此时算法的输出为最优的SVM参数。
通过进一步结合GA算法对PSO算法陷入局部最优后进行交叉变异操作，从而进一步提升了PSO算法寻优的效率和准确性，并且也保证了SVM参数的准确性。
具体的举个例子，所述最优的SVM参数为SVM算法的惩罚因子C和核函数的参数g的值。
具体的举个例子，所述PSO算法的惯性权重的计算公式为:
其中wmax为惯性权重的最大值，wmin表示惯性权重的最小值，t为当前迭代次数，Tmax为最大迭代次数，min()为取最小值函数，rand(0，1)为取值范围在0到1之间的随机数；
所述PSO算法的学习因子的计算公式为：
其中c1、c2为学习因子。
通过对惯性权重和学习因子的优化，从而进一步提升了PSO算法寻优的效率和准确性，并进一步降低了由于陷入局部最优导致的寻优效率和准确性都较低的技术问题。
实施例2
如图2所示，本申请实施例中提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于机器学习算法的供热管网异常诊断方法。
实施例3
本申请实施例中提供一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施上述的一种基于机器学习算法的供热管网异常诊断方法。
在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于机器学习算法的供热管网异常诊断方法，其特征在于，具体包括：
S11实时获取供热管网的回水温度，并采用基于Kmeans聚类算法的异常辨识模型对所述回水温度进行辨识，并当所述回水温度中存在异常回水温度时，进入步骤S12；
S12获取所述异常回水温度所对应的温度传感器，并基于所述温度传感器的历史温度数据，判断所述异常回水温度是否为不良数据，若是，则输出温度传感器存在异常，若否，则进入步骤S13；
S13获取所述异常回水温度所对应的回水管道的回水管道压力、回水管道流量，以及所述回水管道所连接的供水管道的供水管道压力、供水管道流量、供水温度，并结合历史数据，对所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度进行不良数据的辨识，并当所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度均不属于不良数据时，进入步骤S14；
S14以所述回水管道压力、回水管道流量、供水管道压力、供水管道流量、供水温度构建输入集，并将所述输入集传输至基于PSO-GA-SVM算法的故障诊断模型中，得到故障诊断结果。
2.如权利要求1所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，所述异常回水温度确认的具体步骤为：
实时获取所述供热管网的回水温度，并将所述回水温度送入到基于Kmeans聚类算法的异常辨识模型中；
基于所述异常辨识模型，确定所述回水温度中是否存在离群点，若是，则进入下一步骤；
将所述离群点作为异常回水温度。
3.如权利要求1所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，在进行所述供热管网的回水温度的获取之前，还需要基于所述供热管网的不同回水管道的运行时间、所述回水管道所对应的供热地区的投诉率、所述回水管道的故障次数确定所述回水管网的回水温度的获取频率，其中所述回水管道的运行时间越长、所述回水管道所对应的供热地区的投诉率越高、所述回水管道的故障次数越多，则所述供热管网的回水管道的回水温度的获取频率越高。
4.如权利要求3所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，当所述回水管道的故障次数大于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
其中P1为基础获取频率，TS为所述回水管道所对应的供热地区的投诉率，Tslimit为投诉率阈值，[]为取整函数。
当所述回水管道的故障次数小于或者等于第一故障次数阈值时，所述回水温度的获取频率的计算公式为：
5.如权利要求1所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，进行异常回水温度的不良数据确认的具体步骤为：
获取所述温度传感器所对应的历史温度数据，并将所述温度传感器所对应的前日的历史温度数据的平均值作为温度平均值，并判断所述温度平均值与所述异常回水温度的差值是否大于第一阈值，若是，则进入下一步骤，若否，判断所述异常回水温度不属于不良数据；
基于所述历史温度数据，判断所述温度传感器的近一天的历史温度数据的变化率的最大值是否第一变化率阈值，若是，则进入下一步骤，若否，则判断所述异常回水温度不属于不良数据；
将所述异常回水温度作为不良数据。
6.如权利要求5所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，所述第一阈值根据所述温度传感器的历史温度数据、外部环境温度进行确定，其中所述温度传感器的历史温度数据越高，所述外部环境温度越低，则所述第一阈值越大。
7.如权利要求1所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，所述故障诊断模型构建的具体步骤为：
S41设置最大迭代次数Kmax＝100；
S42对种群参数进行初始化，种群规模N＝20，粒子群算法的两个学习因子c1和c2，粒子飞行速度V的取值范围，粒子群的进化代数T，GA算法中的交叉概率Pc＝0.8和变异概率Pm＝0.2；
S43计算粒子的适应度值，选取SVM中5折交叉验证下的准确率作为适应度值；
S44更新粒子的个体与群体极值，其依据是上一步计算得到的适应度值；如果粒子在第k次迭代的适应度值大于上一次计算得到的适应度值，则将本次的粒子的个体位置作为个体的最优值，否则则将上次的粒子的个体位置作为个体的最优值；如果粒子在第k次迭代的适应度值大于全局最优值，则将上一次迭代的群体极值作为全局最优值，否则保持所述全局最优值不变；
S45判断是否陷入局部最优，预先设置迭代次数c＝60，如果全局最优值超过这个迭代次数后仍未发生变化，则可认为此时算法陷入了局部最优值，此时执行遗传算法，对种群进行交叉和变异操作。
S46判断是否满足结束条件，结束条件选为预设的误差或者迭代次数；若不满足结束条件，则按公式对粒子的速度与位置进行更新并返回步骤S43；若满足结束条件，则停止运算，此时算法的输出为最优的SVM参数。
8.如权利要求7所述的一种基于机器学习算法的供热管网异常诊断方法，其特征在于，所述最优的SVM参数为SVM算法的惩罚因子C和核函数的参数g的值。
9.如权利要求7所述的一种基于机器学习算法的供热管网异常诊断方法，PSO算法的惯性权重的计算公式为:
其中wmax为惯性权重的最大值，wmin表示惯性权重的最小值，t为当前迭代次数，Tmax为最大迭代次数，min()为取最小值函数，rand(0，1)为取值范围在0到1之间的随机数；
所述PSO算法的学习因子的计算公式为：
其中c1、c2为学习因子。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9任一项所述的一种基于机器学习算法的供热管网异常诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222062.6A CN116257809A (zh) | 2023-03-09 | 2023-03-09 | 一种基于机器学习算法的供热管网异常诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222062.6A CN116257809A (zh) | 2023-03-09 | 2023-03-09 | 一种基于机器学习算法的供热管网异常诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116257809A true CN116257809A (zh) | 2023-06-13 |
Family
ID=86682361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222062.6A Pending CN116257809A (zh) | 2023-03-09 | 2023-03-09 | 一种基于机器学习算法的供热管网异常诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116257809A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216689A (zh) * | 2023-11-08 | 2023-12-12 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
| CN117436845A (zh) * | 2023-12-15 | 2024-01-23 | 山东齐芯智控科技有限公司 | 一种智慧小区供热系统异常数据监测方法 |
| CN117631719A (zh) * | 2024-01-24 | 2024-03-01 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
| CN117739405A (zh) * | 2023-12-22 | 2024-03-22 | 西藏中环热力技术有限公司 | 一种基于智能调节阀的供热控制方法及系统 |
-
2023
- 2023-03-09 CN CN202310222062.6A patent/CN116257809A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117216689A (zh) * | 2023-11-08 | 2023-12-12 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
| CN117216689B (zh) * | 2023-11-08 | 2024-02-27 | 山东辰智电子科技有限公司 | 一种基于城市水利数据的地下管道排放预警系统 |
| CN117436845A (zh) * | 2023-12-15 | 2024-01-23 | 山东齐芯智控科技有限公司 | 一种智慧小区供热系统异常数据监测方法 |
| CN117436845B (zh) * | 2023-12-15 | 2024-04-09 | 山东齐芯智控科技有限公司 | 一种智慧小区供热系统异常数据监测方法 |
| CN117739405A (zh) * | 2023-12-22 | 2024-03-22 | 西藏中环热力技术有限公司 | 一种基于智能调节阀的供热控制方法及系统 |
| CN117631719A (zh) * | 2024-01-24 | 2024-03-01 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
| CN117631719B (zh) * | 2024-01-24 | 2024-05-31 | 山东欣历能源有限公司 | 一种基于物联网的智能供暖设备故障数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116257809A (zh) | 一种基于机器学习算法的供热管网异常诊断方法 | |
| US11747776B2 (en) | Adaptive training and deployment of single device and clustered device fault detection models for connected equipment | |
| CN107862463B (zh) | 用于调度电厂的负载的方法和控制系统 | |
| US10355478B2 (en) | System and method for asset health monitoring using multi-dimensional risk assessment | |
| Chuang et al. | Condition-based maintenance optimization for continuously monitored degrading systems under imperfect maintenance actions | |
| Liniger et al. | Reliability based design of fluid power pitch systems for wind turbines | |
| He et al. | Optimal sensor deployment for manufacturing process monitoring based on quantitative cause-effect graph | |
| CN117763449A (zh) | 一种多源故障自主定位与分类方法 | |
| Qian et al. | Condition monitoring of wind turbines based on extreme learning machine | |
| CN117638891A (zh) | 一种基于关联特性矩阵的新型配电网安全性分析评价方法 | |
| May et al. | Integrating structural health and condition monitoring: a cost benefit analysis for offshore wind energy | |
| CN117196220A (zh) | 一种智慧燃气应急方案评估方法、物联网系统与存储介质 | |
| Huber et al. | Toci: computational intelligence in an energy management system | |
| CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
| Goebel et al. | Modeling propagation of gas path damage | |
| Papa et al. | Cyber physical system based proactive collaborative maintenance | |
| CN113642937B (zh) | 风机集群的运维排程方法、装置、电子设备及存储介质 | |
| Wu et al. | Remaining useful life prediction method for multi-component system considering maintenance: subsea christmas tree system as a case study | |
| CN117927880B (zh) | 一种管网漏水诊断的智能检测定位方法 | |
| TWI735329B (zh) | 離岸風場維修決策系統 | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
| Zitrou et al. | Availability growth and state-of-knowledge uncertainty simulation for offshore wind farms | |
| KR102645580B1 (ko) | 머신 러닝에 기반하는 풍력 발전기 상태 진단 방법 및 이를 지원하는 상태 진단 시스템 | |
| US12032344B2 (en) | Adaptive selection of machine learning/deep learning model with optimal hyper-parameters for anomaly detection of connected equipment | |
| CN108092824B (zh) | 一种基于复杂动态网络的控制系统诊断方法 |
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 |