一种基于Keras的电气系统运行状态智能分析方法技术方案

本发明专利技术公开一种基于Keras的电气系统运行状态智能分析方法，通过采集电站电气系统运行历史数据，存储在OpenTSDB数据库中，构建电气系统运行状态的历史向量数据库；从历史向量数据库中确定每组样本数batch_size进行MLP参数初始化；加载历史向量数据库的数据，分类为包括训练集和测试集；构建多层神经网络结构，构建出电气系统运行状态智能检测模型；训练集数据作为输入训练数据传入模型，输出电气系统运行状态的预测值和预测值相对应的阈值；获取电气系统运行状态的实测值，比较实测值与预测值、预测值相对应的阈值，进行预测警报，提示工况偏离，指导及时恢复，避免引起安全问题，对电气各系统不同工况的预测精准，提高了电站电气系统运行的安全性和稳定性。

【技术实现步骤摘要】
一种基于Keras的电气系统运行状态智能分析方法
本专利技术涉及电站电气系统运行技术应用领域，尤其涉及一种基于Keras的电气系统运行状态智能分析方法。
技术介绍
大型电站机组中电气系统长期高负荷运行，特别是在机组调峰运行的过程中，机组启停或变负荷运行会使得电气系统和设备相应承受大幅度的负载变化和交变电磁场，运行方式会随着调整，若调整不当，不仅影响机组运行的稳定性，也可对电气设备产生损伤，影响电气元件的使用寿命。对于超临界参数机组，发电机金属温度、发变组系统、氢气系统、定冷水系统、密封油系统等工作在接近允许工况极限的条件下，这一运行安全性问题就更为突出和重要。根据现有的技术，主要以自动化系统保护，操作人员监盘及时调整来实现机组稳定运行，但是实际生产过程中，由于受到多种条件限制，操作人员很难判断应对当前和未来工况对应的运行方式，也无法持续长期实时监视系统，从而无法对这些运行方式参数进行实时在线监测，经常因某些局部参数偏离正常运行阈值而未达到报警限值，而不易被发现，引起多种安全隐患，进而造成安全事故。目前机器学习等智能算法已经逐步应用在智能检测等领域，在智能电站有关模块也经常使用，主要用于管理方面的辅助决策，还未涉及现场电气系统运行控制层面。而本专利技术，对获取的电气系统运行方式数据进行基于Keras的神经网络分析技术，极大的提高了电厂电气运行数据的价值，经专利等文献查新，目前还未发现本专利技术中提出的一种基于Keras的电气系统运行状态智能分析方法在电站电气运行状态智能分析中使用的先例。
技术实现思路
本专利技术的目的在于提供一种基于Keras的电气系统运行状态智能分析方法，用以解决上述
技术介绍
提出的问题。一种基于Keras的电气系统运行状态智能分析方法，其特征在于，包括以下步骤：采集电站电气系统运行历史数据，并存储在OpenTSDB数据库中；获取存储在OpenTSDB数据库中的历史数据，构建电气系统运行状态的历史向量数据库；从历史向量数据库中确定训练时每次梯度更新的样本数batch_size，以每次梯度更新的样本数batch_size为基数进行分组，并对每组样本数batch_size进行MLP参数初始化；加载历史向量数据库的数据，并分类为包括训练集和测试集，总样本数的一部分作为训练集用于模型训练，剩余部分作为测试集用于模型测试；利用Keras构建多层神经网络结构，构建出电气系统运行状态智能检测模型；用以历史向量数据库中的训练集数据作为输入训练数据，传入已构建的电气系统运行状态智能检测模型，输出电气系统运行状态的预测值和预测值相对应的阈值；获取电气系统运行状态的实测值，比较实测值与预测值、预测值相对应的阈值，进行预测警报。优选地，所述电站电气系统运行历史数据包括发电机的金属结构、发变组系统、氢气系统、定冷水系统和密封油系统多个部位在不同工况下的热参数和/或电参数数据。优选地，所述MLP参数初始化具体为：根据电站电气系统运行历史数据的在不同工况下的类别数，赋予类别数的初始值，以及每组样本数batch_size的训练次数的初始值。优选地，所述训练集和测试集是根据所述历史向量数据库的类别数进行分层采样，具体设定训练集和测试集的比例为0.8:0.2。优选地，所述利用Keras构建多层神经网络结构，进一步包括以下步骤：（1）设定Keras的序贯模型；（2）以训练集的样本数量和输入维度组成的2D张量作为输入数据，搭建神经网络全连接层；（3）搭建神经网络激活层，神经网络激活层对神经网络全连接层的输出添加激活函数；（4）搭建神经网络Dropout层，并为输入数据添加Dropout，Dropout将在模型训练过程中每次更新输入数据时随机断开一定百分比输入数据的神经元连接；（5）多层神经网络结构进行编译和配置，构建出电气系统运行状态智能检测模型。优选地，所述多层神经网络结构中的步骤（4）后可继续依次添加神经网络全连接层、神经网络激活层和神经网络Dropout层。优选地，所述比较实测值与预测值、预测值相对应的阈值具体为：若实际值未超出预测值相对应的阈值，则电气系统运行状态智能检测模型提示电气系统运行正常；若有实际值超出阈值，则电气系统运行状态智能检测模型提示该系统运行偏离正常工况，再经人工判断，若确定为非故障，将该实测值对应的电气系统运行状态特征保存进历史向量数据库，添加标签，并重新对电气系统运行状态智能检测模型进行训练。由于采取上述的技术方案，本专利技术的有益效果是：电站电气系统多数需要常年安全稳定运行，运行状态的及时调整也非常重要，尤其是电站发电机闸间短路，造成的危害很大；通过对电站电气系统的发电机金属温度、发变组系统、氢气系统、顶冷水系统、密封油系统历史数据建模，建立各电气运行系统历史向量在不同工况下的运行工况模型，通过通讯接口获取个各系统的最新观测点数据，通过已构建模型预测各个系统中不同工况下参数的预测值和阈值，当实测值超出模型正常工况历史阈值，进行预警，提示工况偏离，指导及时恢复，避免引起安全问题；而有本专利技术的公开实施，可有效的对电站电气各个系统进行状态偏离预警，并通过基于Keras的智能工况匹配技术的运用，对电气各系统不同工况的预测更加精准，对早前较小偏离的预测会提前，提高了电站电气系统运行的安全性和稳定性。附图说明图1为本专利技术的基于Keras的电气系统运行状态智能分析方法的流程示意图；图2为本专利技术的Keras构建多层神经网络结构的流程示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请参阅图1流程示意图所示的一种基于Keras的电气系统运行状态智能分析方法，包括以下步骤：在步骤S101中，采集电站电气系统运行历史数据，并存储在OpenTSDB数据库中。可以理解为，步骤S101具体实现为：通过通讯接口，获取电站电气系统运行历史数据，电站电气系统运行历史数据包括发电机的金属结构、发变组系统、氢气系统、定冷水系统和密封油系统多个部位在不同工况下的热参数和/或电参数数据，其中，发电机的金属结构、发变组系统、氢气系统、定冷水系统和密封油系统多个部位，包括但不仅限于发电机、送风机、发电机定子线圈、密封油箱、发电机定子、氢气冷却器、定子铁芯和定子线圈，在不同工况下的热参数具体为温度参数，电参数包括功率、电流、电压和频率，将该热参数和电参数数据存储在OpenTSDB数据库中，在本专利技术实施例中，为确保数据可准确性和参考性，至少应该采集各个工况下多个不同季节的电气系统运行历史数据。在步骤S102中，获取存储在OpenTSDB数据库中的历史数据，构建电气系统运行状态的历史向量数据库。可以理解为，步骤S102具体实现为：在本专利技术的实施例中，获取从现场传输回来的存储在OpenTSDB数据库中的电站电气系统运行状态多个部位不同工况下的热参数和/或电参数历史数据，为配合Keras神经网络分析技术的学习和比对分析使用，将数据组合排列形成向量矩阵，构建成电气系统运行状态的历史向量数据库，用以供后续建模使用。在步骤S103中，从历史向量数据库中确定训练时每次梯度更新的样本数batch_size，以每次梯度更新的样本数b本文档来自技高网...

【技术保护点】
1.一种基于Keras的电气系统运行状态智能分析方法，其特征在于，包括以下步骤：采集电站电气系统运行历史数据，并存储在OpenTSDB数据库中；获取存储在OpenTSDB数据库中的历史数据，构建电气系统运行状态的历史向量数据库；从历史向量数据库中确定训练时每次梯度更新的样本数batch_size，以每次梯度更新的样本数batch_size为基数进行分组，并对每组样本数batch_size进行MLP参数初始化；加载历史向量数据库的数据，并分类为包括训练集和测试集，总样本数的一部分作为训练集用于模型训练，剩余部分作为测试集用于模型测试；利用Keras构建多层神经网络结构，构建出电气系统运行状态智能检测模型；用以历史向量数据库中的训练集数据作为输入训练数据，传入已构建的电气系统运行状态智能检测模型，输出电气系统运行状态的预测值和预测值相对应的阈值；获取电气系统运行状态的实测值，比较实测值与预测值、预测值相对应的阈值，进行预测警报。

【技术特征摘要】
1.一种基于Keras的电气系统运行状态智能分析方法，其特征在于，包括以下步骤：采集电站电气系统运行历史数据，并存储在OpenTSDB数据库中；获取存储在OpenTSDB数据库中的历史数据，构建电气系统运行状态的历史向量数据库；从历史向量数据库中确定训练时每次梯度更新的样本数batch_size，以每次梯度更新的样本数batch_size为基数进行分组，并对每组样本数batch_size进行MLP参数初始化；加载历史向量数据库的数据，并分类为包括训练集和测试集，总样本数的一部分作为训练集用于模型训练，剩余部分作为测试集用于模型测试；利用Keras构建多层神经网络结构，构建出电气系统运行状态智能检测模型；用以历史向量数据库中的训练集数据作为输入训练数据，传入已构建的电气系统运行状态智能检测模型，输出电气系统运行状态的预测值和预测值相对应的阈值；获取电气系统运行状态的实测值，比较实测值与预测值、预测值相对应的阈值，进行预测警报。2.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述电站电气系统运行历史数据包括发电机的金属结构、发变组系统、氢气系统、定冷水系统和密封油系统多个部位在不同工况下的热参数和/或电参数数据。3.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述MLP参数初始化具体为：根据电站电气系统运行历史数据的在不同工况下的类别数，赋予类别数的初始值，以及每组样本数batch_size的训练次数的初始值。4.根据权利要求1或3所述的一种基于Keras的电气系...

【专利技术属性】
技术研发人员：白玉峰，孙伟鹏，李洪，林楚伟，冯庭有，朱晨亮，曾向荣，徐应杰，成仕强，吴增松，张乐扬，刘宗茂，林业桂，吴斌，蔡纯，
申请(专利权)人：华能国际电力股份有限公司海门电厂，
类型：发明
国别省市：广东,44