CN116292367A - 基于一维卷积的电厂风机系统异常工况检测方法 - Google Patents

Abstract

本发明涉及电厂风机系统检测技术领域，具体涉及一种基于一维卷积的电厂风机系统异常工况检测方法，包括以下步骤：步骤一：数据处理，包括数据获取、剔除异常样本、进行数据标准化以及划分数据集；步骤二：构建辅助变量与风机功率的一维卷积回归模型，利用Adam优化算法整定模型参数；步骤三：采用模型预测性能评价指标对模型预测性能进行对比评价；步骤四：利用模型的预测值与风机功率实测值的偏差构建监控模型，实时监控偏差变化趋势，及时预警，可以在线监控设备状态，并在故障发生早期给出及时准确预警。

Description

基于一维卷积的电厂风机系统异常工况检测方法

技术领域

本发明涉及电厂风机系统检测技术领域，具体涉及一种基于一维卷积的电厂风机系统异常工况检测方法。

背景技术

风机是一种流体机械，它是电厂锅炉系统的重要组成部分。在发电过程中，需要各种风机同时配合主机工作，才能使整个机组正常运转。近年来，大容量火力发电机组在我国迅速发展，大型电站风机的可靠性不仅直接关系到发电机组的安全运行，也直接影响着电厂的经济利益。

电厂风机属于长时工作负载，一旦设备出现故障无法正常运行会直接影响电力生产安全，目前主要采用定期检修的方式维护设备正常运转。在检修周期内，设备故障难以及时检测，使得很多设备“带病”运行，这带来了极大地安全隐患。因此对电厂风机异常进行早期检测，对开展预测性维护、防止非计划停机意义重大。

现有风机类旋转机械故障诊断方法以分类诊断模型构建为主，在特定的应用领域可以取得较好的实验结果。然而，现有方法首先需要构建完备的故障数据集，然后才能用于设备的故障检测。在故障数据缺失、故障类型不完备的情况下，难以构建可在线应用的故障预警方案，这给数据驱动方法的在线应用带来困难。

电厂风机系统过程数据多、易于收集和处理，但是故障数据少、故障类型不完备。因此，在构建故障预警模型时难以采用传统的基于分类器的方法实现。为解决这一问题，本文提出一种基于一维卷积神经网络的预警方法。该方法首先构建风机功率与其他辅助变量的关系模型；然后基于功率预测偏差趋势判别风机运行工况异常。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于一维卷积的电厂风机系统异常工况检测方法。

本发明为解决其技术问题所采用的技术方案为：基于一维卷积的电厂风机系统异常工况检测方法，包括以下步骤：

步骤一：数据处理，包括数据获取、剔除异常样本、进行数据标准化以及划分数据集；

步骤二：构建辅助变量与风机功率的一维卷积回归模型，利用Adam优化算法整定模型参数；

步骤三：采用模型预测性能评价指标对模型预测性能进行对比评价；

步骤四：利用模型的预测值与风机功率实测值的偏差构建监控模型，实时监控偏差变化趋势，及时预警。

所述步骤一中，包括以下子步骤：

1-1：数据获取：通过电气设备上的传感器和互感器获取电厂风机系统时序运行数据集；

1-2：采用拉依达准则剔除数据集中的异常样本，随后对数据集进行重采样；

1-3：采用最小最大值归一化对数据集中数据进行标准化处理；

1-4：采用自助采样法将数据集划分为训练集和测试集。

所述1-1中获取电厂风机系统时序运行数据集D的表示如下：

D＝{X₁,X₂,X₃,...,X_M,Y}；

其中X₁,X₂,X₃,...,X_M为对电厂风机功率有影响的相关变量，Y为风机功率；

1-2采用拉依达准则(3σ准则)剔除异常样本，按照贝塞尔公式计算其标准差(σ)，公式如下：

式中：

为y₁,y₂,...,y_n的平均值，v_z为偏差，n为样本数，y_z为第z个样本的风机功率值；

若某一样本数据y_z的v_z满足∣v_z∣＞3σ，则认为该样本数据是异常数据，将其剔除。

1-3使用Min-Max对剔除样本后的数据集进行标准化处理，标准化公式如下：

其中，x_{normalization}为数据集D中剔除了异常样本的原始数据x归一化后的值，x_max和x_min分别为辅助变量X_M的最大值和最小值。

所述1-4中采用自助采样法将标准化处理后的数据集划分为训练集和测试集，从标准化处理后的数据集中随机选取一个样本，将其加入到新的自助样本集合中，然后将该样本放回已进行标准化的数据集中，使得该样本在下一次采样中有可能被再次选中，重复上述步骤，直至生成的自助样本集合中包含n个样本，则将该自助样本集作为测试集，其他未被选中的样本构成训练集。由下式知，训练集约占已进行标准化的数据集的36.8％。

上式代表原始数据集中样本在n次采样中始终不被采样到的概率，n代表原始数据集样本个数。

所述步骤二中包括以下子步骤：

2-1：搭建一维卷积神经网络；

2-2：使用训练集对一维卷积神经网络进行训练，迭代m次，直至回归模型损失函数达到阈值或0，得到的模型参数为最优模型参数，保存该参数；

2-3：将测试集数据带入训练好的模型，得到风机功率的预测值。

所述2-1中，一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和输出层，一维卷积神经网络设置三层卷积层和三层池化层，所述输入层接收输入的一维信号，卷积层完成可学习的卷积核与来自上一层输出的特征的卷积操作，卷积后的值经过激活层的激活函数输入到池化层，在池化层内完成下采样操作后，得到下一层的输入，神经网络循环三次卷积池化操作后，最后一个池化层的输出与全连接层相连，经过激活函数激活后，得到回归值。

一维卷积神经网络卷积层的卷积运算公式如下：

式中，y^l表示第l层的输出向量y，c^l-1表示第l-1层中第c个通道，

表示第l层的卷积核参数权重矩阵，其中i表示第l层中第i个通道，*符号表示卷积运算，/>

表示第l-1层中第i个通道的输出向量x，也是本层的输入向量，/>

表示第l层的第i个通道的偏置项b；

所述激活函数采用ReLU函数，其表达式如下：

a^l(k,h)＝ReLU(x^l(k,h))＝max(0,x^l(k,h)) (6)；

式中，a^l(k,h)表示输入值x^l(k,h)经过激活函数之后的激活值，x^l(k,h)表示卷积层l的第k个特征向量中的第h个特征值；

所述池化层采用最大池化作为下采样操作，其公式如下式：

式中，y^l(i,j)表示第l层的第i个通道的第j个神经元的输出值，W表示池化核宽度，x^l(i,t)表示第l层的第i个通道的第t个神经元的输入值；

所述全连接层公式如下：

式中，y^l表示全连接层l的输出向量y,ns表示全连接层上一层即第l-1层的神经元个数，

表示第l-1层的第t个神经元到第l层的第j个神经元的连线的权值，x^l-1(t)表示第l-1层的第t个神经元的输出值x，/>

表示第l-1层的第j个神经元的偏置项b；

所述一维卷积神经网络采用均方差作为损失函数，表达式如下式：

其中，n表示样本个数，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值。

所述2-2中将训练集的数据带入一维卷积神经网络，随机初始化网络参数；训练集数据经过卷积层、池化层和全连接层，完成神经网络前向传播，得到预测值；

将预测值与实测值进行比较，得到两者的绝对误差，即得到损失值，计算公式如下：

其中，L_z表示第Z条样本的损失值，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

一维卷积神经网络进行反向传播，利用优化算法Adam完成梯度更新。

所述2-2中全连接层先计算损失函数值Loss与输出层输出的向量y的偏导数，然后得到损失函数Loss同全连接层连线的权重值

和偏置项值/>

的推导，其推导过程如下式：

最终得到损失函数Loss值同全连接层的x^l(t)以及未经过ReLU的y^l(j)的梯度；

本层输入向量x^l(t)和输出向量y^l(j)的梯度推导过程如下式:

联立(12)(13)(14)三式求解Loss关于y^l(j)的梯度，即可求出全连接层的权值

和偏置/>

的偏导数，然后在反向传播过程中对二者的权重进行更新；

卷积神经网络在池化层的前向传播过程中未进行线性或非线性变化，只是在卷积区域进行了下采样操作，所以梯度更新仅需更新卷积区域选择的值；卷积神经网络在池化层的反向传播公式为：

卷积神经网络在卷积层的反向传播需要结合激活函数求梯度；在计算卷积层反向传播梯度时，需要计算Loss和输出向量y^l的梯度，公式如式(16)所示：

基于下式(17)、(18)分别计算Loss关于卷积层的权重

和偏置/>

的偏导数，修正

和/>

的值以完成算法的全流程；

所述步骤三中将测试集数据输入训练好的模型，得到风机功率的预测值；

使用模型性能指标对模型性能进行评价，性能指标包括RMSE、平均绝对百分比误差和相关系数；RMSE主要描述预测值与实测值之间的偏差，平均绝对百分比误差主要描述预测值偏离真实值的百分比，相关系数主要用于判定预测值与实测值之间的相关性。

所述步骤四包括以下子步骤：

4-1：将测试集数据输入到已构建的一维卷积模型得到风机功率的预测值后，与功率实测值比较，计算预测误差，预测误差计算公式如下所示：

上式中err表示预测误差，y表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

4-2：取预测误差err后，给定异常检测窗口mw，对该窗口内的误差点进行最小二乘拟合，拟合误差曲线；

4-3：设置报警规则，采用滑动t-检验法判断前后两段曲线斜率是否发生突变，分段线性化的误差曲线的斜率如果发生突变，则产生报警信号，进行预警。

与现有技术相比，本发明具有以下有益效果：

本发明提供一种基于一维卷积的电厂风机系统异常工况检测方法，本申请利用风机系统过程数据构建辅助变量与风机功率(目标变量)的一维卷积模型，用于表征过程变量与风机运行工况的实际关系；在诊断过程中，利用一维卷积模型的预测值与风机功率实测值的偏差构建监控模型，以实时监控偏差变化趋势；当时序数据偏差出现统计异常时，给出报警信号。该方法不需要预先准备完备的故障数据，算法原理简单易于实现，可以在线监控设备状态，并在故障发生早期给出及时准确预警，可以方便的用于电厂风机系统的长周期故障预警。

附图说明

图1是本发明流程图。

图2是风机功率时序图。

具体实施方式

下面结合附图对本发明实施例做进一步描述：

实施例1

如图1所示，基于一维卷积的电厂风机系统异常工况检测方法，包括以下步骤：

步骤一：数据处理，包括数据获取，剔除异常样本，进行数据标准化以及划分数据集；所述步骤一中，包括以下子步骤：

1-1：数据获取：通过电气设备上的传感器和互感器获取电厂风机系统时序运行数据集，所述1-1中获取电厂风机系统时序运行数据集D的表示如下：

D＝{X₁,X₂,X₃,...,X_M,Y}；

数据集D中包括多个样本，M个变量，其中X₁,X₂,X₃,...,X_M为对电厂风机功率有影响的相关变量(如风机电流、风机侧轴承温度等等，称为辅助变量)，Y为风机功率；

上述数据集D为原始数据集，是风机系统的过程数据。

1-2：剔除数据集中的异常样本，随后对数据集进行重采样；异常样本包括空值和野点。本实施例采用拉依达准则(3σ准则)对数据集D中的异常值进行剔除，按照贝塞尔公式计算其标准差(σ)，公式如下：

式中：

为y₁,y₂,...,y_n的平均值，v_z为偏差，n为样本数，y_z为第z个样本的风机功率值；

若某一样本数据y_z的v_z满足∣v_z∣＞3σ，则认为该样本数据是异常数据，将其剔除。

1-3：为消除不同指标由于量纲不同所造成的影响，对数据集中数据进行标准化处理；本实施例采用最小最大值归一化(Min-Max)对剔除样本后的数据集进行标准化处理，使辅助变量的取值范围在0到1之间，具体地说，标准化公式如下：

其中，x_{normalization}为数据集D中剔除了异常样本的原始数据x归一化后的值，x_max和x_min分别为辅助变量X_M的最大值和最小值。

1-4：将数据集划分为训练集和测试集。本实施例中采用自助采样法将标准化处理后的数据集划分为训练集和测试集。首先，从标准化处理后的数据集中随机选取一个样本，将其加入到新的自助样本集合中，然后将该样本放回原始数据集中，使得该样本在下一次采样中有可能被再次选中，重复上述步骤，直至生成的自助样本集合中包含n个样本，则将该自助样本集作为测试集，其他未被选中的样本构成训练集。由下式知，训练集约占原始数据集的36.8％。

上式代表原始数据集中样本在n次采样中始终不被采样到的概率，n代表原始数据集样本个数。

步骤二：构建辅助变量与风机功率(目标变量)的一维卷积回归模型，利用Adam优化算法整定模型参数；

所述步骤二中包括以下子步骤：

2-1：搭建一维卷积神经网络；所述2-1中，一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和输出层，一维卷积神经网络设置三层卷积层和三层池化层，所述输入层接收输入的一维信号，卷积层完成可学习的卷积核与来自上一层输出的特征的卷积操作，卷积后的值经过激活层的激活函数输入到池化层，在池化层内完成下采样操作后，得到下一层的输入，神经网络循环三次卷积池化操作后，最后一个池化层的输出与全连接层相连，经过激活函数激活后，得到回归值。本实施例中一维卷积神经网络第一个卷积层采用16个6×1的卷积核，第二个卷积层采用32个3×1的卷积核，第三个卷积层采用64个2×1的卷积核，各卷积核移动步长为1；三个池化层的池化核均采用2×1的池化核，步长为2。

一维卷积神经网络卷积层的卷积运算公式如下：

式中，y^l表示第l层的输出向量y，c^l-1表示第l-1层中第c个通道，

表示第l层的卷积核参数权重矩阵，其中i表示第l层中第i个通道，*符号表示卷积运算，/>

表示第l-1层中第i个通道的输出向量x，也是本层的输入向量，/>

表示第l层的第i个通道的偏置项b；

所述激活函数采用ReLU函数，其表达式如下：

a^l(k,h)＝ReLU(x^l(k,h))＝max(0,x^l(k,h)) (6)；

式中，a^l(k,h)表示输入值x^l(k,h)经过激活函数之后的激活值，x^l(k,h)表示卷积层l的第k个特征向量中的第h个特征值；

所述池化层采用最大池化作为下采样操作，其公式如下式：

式中，y^l(i,j)表示第l层的第i个通道的第j个神经元的输出值，W表示池化核宽度，x^l(i,t)表示第l层的第i个通道的第t个神经元的输入值；

所述全连接层公式如下：

式中，y^l表示全连接层l的输出向量y,ns表示全连接层上一层即第l-1层的神经元个数，

表示第l-1层的第t个神经元到第l层的第j个神经元的连线的权值，x^l-1(t)表示第l-1层的第t个神经元的输出值x，/>

表示第l-1层的第j个神经元的偏置项b；

所述一维卷积神经网络采用均方差作为损失函数，表达式如下式：

其中，n表示样本个数，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值。

2-2：使用训练集对一维卷积神经网络进行训练，迭代m次，直至回归模型损失函数达到阈值或0，得到的模型参数为最优模型参数，保存该参数；所述2-2中将训练集的数据带入一维卷积神经网络，随机初始化网络参数；训练集数据经过卷积层、池化层和全连接层，完成神经网络前向传播，得到预测值；

将预测值与实测值进行比较，得到两者的绝对误差，即得到损失值，计算公式如下：

其中，L_z表示第Z条样本的损失值，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

一维卷积神经网络进行反向传播，利用优化算法Adam完成梯度更新。

所述2-2中全连接层先计算损失函数值Loss与输出层输出的向量y的偏导数，然后得到损失函数Loss同全连接层连线的权重值

和偏置项值/>

的推导，其推导过程如下式：

最终得到损失函数Loss值同全连接层的x^l(t)以及未经过ReLU的y^l(j)的梯度；

本层输入向量x^l(t)和输出向量y^l(j)的梯度推导过程如下式：

联立(12)(13)(14)三式求解Loss关于y^l(j)的梯度，即可求出全连接层的权值

和偏置/>

的偏导数，然后在反向传播过程中对二者的权重进行更新；

卷积神经网络在池化层的前向传播过程中未进行线性或非线性变化，只是在卷积区域进行了下采样操作，所以梯度更新仅需更新卷积区域选择的值；卷积神经网络在池化层的反向传播公式为：

卷积神经网络在卷积层的反向传播需要结合激活函数求梯度；在计算卷积层反向传播梯度时，需要计算Loss和输出向量y^l的梯度，公式如式(16)所示：

基于下式(17)、(18)分别计算Loss关于卷积层的权重

和偏置/>

的偏导数，修正

和/>

的值以完成算法的全流程；

一维卷积神经网络的参数采用Adam算法求解，Adam算法能基于训练数据迭代地更新网络参数，通过计算梯度的一阶矩估计和二阶矩估计，为不同的神经网络参数设计独立地自适应学习率；初始学习率lr设置为0.001，矩估计的指数衰减率p₁和p₂分别设置为0.9和0.999；神经网络训练过程中每个批次的大小为128，训练120个epoch。

2-3：将测试集数据带入训练好的模型，得到风机功率的预测值。

步骤三：采用模型预测性能评价指标对模型预测性能进行对比评价；所述步骤三中将测试集数据输入训练好的模型，得到风机功率的预测值；

使用模型性能指标对模型性能进行评价，性能指标包括RMSE、平均绝对百分比误差(MAPE)和相关系数(R²)；RMSE主要描述预测值与实测值之间的偏差，平均绝对百分比误差主要描述预测值偏离真实值的百分比，相关系数主要用于判定预测值与实测值之间的相关性，相关系数越接近1，表明模型拟合度越好。

各评价指标计算公式如下：

式中：n为样本数量，y_z为第z个实测值，

为第z个预测值，/>

为实测值的平均值。

步骤四：利用模型的预测值与风机功率实测值的偏差构建监控模型，实时监控偏差变化趋势，及时预警。

所述步骤四包括以下子步骤：

4-1：将测试集数据输入到已构建的一维卷积模型得到风机功率的预测值后，与功率实测值比较，计算预测误差，预测误差计算公式如下所示：

上式中err表示预测误差，y表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

4-2：取预测误差err后，给定异常检测窗口mw，对该窗口内的误差点进行最小二乘拟合，拟合误差曲线；

预测误差获取后，需要根据误差趋势判别系统是否发生异常工况；电厂风机正常运行时，预测误差应该稳定在一个较小的范围内，当系统发生异常，异常工况的出现会使辅助变量与目标变量的关系出现扰动，这种扰动最终使得预测偏差出现统计异常；基于此，对误差进行分析，可以在异常工况不明显时及时给出设备异常预警信息，具体方法如下：

基于已经构建的一维卷积神经网络模型，得到过程数据的预测偏差err；比较不同滑动窗口宽度下故障预警的灵敏度确定最佳的窗口宽度值mw，对该窗口内的误差点进行最小二乘拟合，拟合误差曲线；当预测偏差曲线斜率变化较大时，则意味着系统工况发生改变，斜率变化越大，工况异常的严重程度越高；因此，在线过程中，观测误差曲线斜率，在斜率发生明显统计异常时给出报警信号；

具体地说，异常检测窗口宽度设置为mw，对异常检测窗口mw内的误差点进行最小二乘拟合，最小二乘目标函数的表达式为：

上式中E表示数据之间的误差平方和，e_z表示数据点的误差，r_z表示原始数据点，

表示所求理论值，根据极值的必要条件/>

对式(23)求解可以得到最小二乘拟合曲线的斜率b。

4-3：设置报警规则，采用滑动t-检验法判断前后两段曲线斜率是否发生突变，分段线性化的误差曲线的斜率如果发生突变，则产生报警信号，进行预警。

采用滑动t-检验法判断拟合曲线斜率是否发生突变，即通过观察前后两组样本的平均值的差异是否显著来检验突变；把前后两个窗口内的数据记作x₁和x₂，μ_p，

和n_p分别代表x_p的平均值、方差和样本长度(p＝1，2)；本次检验中，原假设不存在均值突变，通过小概率事件的发生，否定原假设；则可证明这个过程中存在均值突变，具体过程如下：

原假设：H₀:μ₁-μ₂＝0，统一定义统计量为：

式中：

是联合方差，由式(26)确定：

t₀遵从自由度v＝n₁+n₂-2的t分布，给出显著性水平α，得到临界值α，计算t₀后在H₀下比较t₀和t_a，当|t₀|≥t_α时，否定原假设H₀，说明其存在显著性差异，即前后两段曲线的斜率发生突变；反之，不存在。

实施例2

参照图2，本实施例基于实施例1的方法，采用的实验对象为国内某电厂风机系统，数据采集时间为2018年10月10日0时-11日24时，原始数据采样频率为1s，共收集172800组数据，包含主通风机电流等共22组变量，其中通风机功率为目标变量；其余为辅助变量。过程数据变量详见下表。

电厂风机过程变量

为便于分析，本文将原始数据重采样，采样间隔为20s,共获得8640组数据。重采样后风机功率曲线如图2所示。在7940时刻，检测到风机系统振动偏大，并进行停机分析，在8476时刻系统修复，重新投入运行。为了便于与传统故障检测方法进行对比，采用自助采样法取3100组数据(约占数据集30％)作为训练集，剩余5540组数据作为测试集。所有数据均经过标准化处理。设置异常检测窗口mw＝100。使用本发明方法，共拟合了85段误差直线，实现了误差曲线的分段线性化。在该案例中共有4处斜率变化较大，分别是2687时刻，斜率变化为0.007；5786时刻，斜率变化为0.005；7900时刻，斜率变化为0.03；7994时刻，斜率变化为0.03。取显著性水平α＝0.001，t_a＝3.992，则由滑动t-检验法算得，在7900时刻|t₀|≥t_α，算法在7900时刻产生报警信息，比人工检测到系统异常提前了800秒，并且系统误报率很低。这一实验结果验证了本文方法的有效性。

Claims (10)

1.一种基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，包括以下步骤：

步骤一：数据处理，包括数据获取、剔除异常样本、进行数据标准化以及划分数据集；

步骤二：构建辅助变量与风机功率的一维卷积回归模型，利用Adam优化算法整定模型参数；

步骤三：采用模型预测性能评价指标对模型预测性能进行对比评价；

步骤四：利用模型的预测值与风机功率实测值的偏差构建监控模型，实时监控偏差变化趋势，及时预警。

2.根据权利要求1所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤一中，包括以下子步骤：

1-1：数据获取：获取电厂风机系统时序运行数据集；

1-2：采用拉依达准则剔除数据集中的异常样本，随后对数据集进行重采样；

1-3：采用最小最大值归一化对数据集中数据进行标准化处理；

1-4：采用自助采样法将数据集划分为训练集和测试集。

3.根据权利要求2所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述1-1中获取电厂风机系统时序运行数据集D的表示如下：

D＝{X₁,X₂,X₃,...,X_M,Y}；

其中X₁,X₂,X₃,...,X_M为对电厂风机功率有影响的相关变量，Y为风机功率；

1-2中按照贝塞尔公式计算其标准差，公式如下：

式中：

为y₁,y₂,...,y_n的平均值，v_z为偏差，n为样本数，y_z为第z个样本的风机功率值；

若某一样本数据y_z的v_z满足∣v_z∣＞3σ，则认为该样本数据是异常数据，将其剔除；

1-3中标准化公式如下：

其中，x_{normalization}为数据集D中剔除了异常样本的原始数据x归一化后的值，x_max和x_min分别为辅助变量X_M的最大值和最小值；

1-4中从标准化处理后的数据集中随机选取一个样本，将其加入到新的自助样本集合中，然后将该样本放回已进行标准化的数据集中，使得该样本在下一次采样中有可能被再次选中，重复上述步骤，直至生成的自助样本集合中包含n个样本，则将该自助样本集作为测试集，其他未被选中的样本构成训练集。

4.根据权利要求3所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤二中包括以下子步骤：

2-1：搭建一维卷积神经网络；

2-2：使用训练集对一维卷积神经网络进行训练，迭代m次，直至回归模型损失函数达到阈值或0，得到的模型参数为最优模型参数，保存该参数；

2-3：将测试集数据带入训练好的模型，得到风机功率的预测值。

5.根据权利要求4所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2-1中，一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和输出层，一维卷积神经网络设置三层卷积层和三层池化层，所述输入层接收输入的一维信号，卷积层完成可学习的卷积核与来自上一层输出的特征的卷积操作，卷积后的值经过激活层的激活函数输入到池化层，在池化层内完成下采样操作后，得到下一层的输入，神经网络循环三次卷积池化操作后，最后一个池化层的输出与全连接层相连，经过激活函数激活后，得到回归值。

6.根据权利要求5所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，一维卷积神经网络卷积层的卷积运算公式如下：

式中，y^l表示第l层的输出向量y，c^l-1表示第l-1层中第c个通道，

表示第l层的卷积核参数权重矩阵，其中i表示第l层中第i个通道，*符号表示卷积运算，/>

表示第l-1层中第i个通道的输出向量x，也是本层的输入向量，/>

表示第l层的第i个通道的偏置项b；

所述激活函数采用ReLU函数，其表达式如下：

a^l(k,h)＝ReLU(x^l(k,h))＝max(0,x^l(k,h)) (6)；

式中，a^l(k,h)表示输入值x^l(k,h)经过激活函数之后的激活值，x^l(k,h)表示卷积层l的第k个特征向量中的第h个特征值；

所述池化层采用最大池化作为下采样操作，其公式如下式：

式中，y^l(i,j)表示第l层的第i个通道的第j个神经元的输出值，W表示池化核宽度，x^l(i,t)表示第l层的第i个通道的第t个神经元的输入值；

所述全连接层公式如下：

式中，y^l表示全连接层l的输出向量y,ns表示全连接层上一层即第l-1层的神经元个数，

表示第l-1层的第t个神经元到第l层的第j个神经元的连线的权值，x^l-1(t)表示第l-1层的第t个神经元的输出值x，/>

表示第l-1层的第j个神经元的偏置项b；

所述一维卷积神经网络采用均方差作为损失函数，表达式如下式：

其中，n表示样本个数，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值。

7.根据权利要求6所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2-2中将训练集的数据带入一维卷积神经网络，随机初始化网络参数；训练集数据经过卷积层、池化层和全连接层，完成神经网络前向传播，得到预测值；

将预测值与实测值进行比较，得到两者的绝对误差，即得到损失值，计算公式如下：

其中，L_z表示第Z条样本的损失值，y_z表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

一维卷积神经网络进行反向传播，利用优化算法Adam完成梯度更新。

8.根据权利要求7所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述2-2中全连接层先计算损失函数值Loss与输出层输出的向量y的偏导数，然后得到损失函数Loss同全连接层连线的权重值

和偏置项值/>

的推导，其推导过程如下式：

最终得到损失函数Loss值同全连接层的x^l(t)以及未经过ReLU的y^l(j)的梯度；

本层输入向量x^l(t)和输出向量y^l(j)的梯度推导过程如下式:

联立(12)(13)(14)三式求解Loss关于y^l(j)的梯度，即可求出全连接层的权值

和偏置

的偏导数，然后在反向传播过程中对二者的权重进行更新；

卷积神经网络在池化层的反向传播公式为：

卷积神经网络在卷积层的反向传播需要结合激活函数求梯度；在计算卷积层反向传播梯度时，需要计算Loss和输出向量y^l的梯度，公式如式(16)所示：

基于下式(17)、(18)分别计算Loss关于卷积层的权重

和偏置/>

的偏导数，修正/>

和

的值以完成算法的全流程；

9.根据权利要求8所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤三中将测试集数据输入训练好的模型，得到风机功率的预测值；

使用模型性能指标对模型性能进行评价，性能指标包括RMSE、平均绝对百分比误差和相关系数；RMSE主要描述预测值与实测值之间的偏差，平均绝对百分比误差主要描述预测值偏离真实值的百分比，相关系数主要用于判定预测值与实测值之间的相关性。

10.根据权利要求9所述的基于一维卷积的电厂风机系统异常工况检测方法，其特征在于，所述步骤四包括以下子步骤：

4-1：将测试集数据输入到已构建的一维卷积模型得到风机功率的预测值后，与功率实测值比较，计算预测误差，预测误差计算公式如下所示：

上式中err表示预测误差，y表示电厂风机功率的真实值，

表示电厂风机功率的预测值；

4-2：取预测误差err后，给定异常检测窗口mw，对该窗口内的误差点进行最小二乘拟合，拟合误差曲线；

4-3：设置报警规则，采用滑动t-检验法判断前后两段曲线斜率是否发生突变，分段线性化的误差曲线的斜率如果发生突变，则产生报警信号，进行预警。

Images