一种电力设备多指标预测方法技术

一种电力设备多指标预测方法，包括建立模型和运行模型，得到电力设备多指标预测结果等主要步骤，采用广义回归神经网络(GRNN)，对历史数据进行学习，模拟出各指标在设备运行时的规律，从而预测出相应的值，具有基于数据驱动类方法通用性、鲁棒性、自适应能力强的特点，同时预测速度快、可同时预测多个值，较好地解决了电厂实际工作中需要对设备相关指标预估的需求。

Multi index forecasting method for power equipment

Multi index prediction method for power equipment, including the establishment of model and operation model of power equipment, multi index prediction results and other major steps, using generalized regression neural network (GRNN), on the historical data of the study, to simulate the index rule when the equipment is running, then calculate the corresponding value is universal, robust and adaptive ability of the characteristics of data driven based on the predicted speed, can predict multiple values, solves the need for equipment related indicators predict the actual work demand in the power plant.

【技术实现步骤摘要】
一种电力设备多指标预测方法
本专利技术涉及检测领域，具体设计设备状态监测领域，尤其涉及到一种基于广义回归神经网络(GRNN)的电力设备多指标预测方法。
技术介绍
众所周知，设备的运行状态对于电厂生产影响巨大，比如电厂机组中的锅炉、发电机等关键设备。设备在正常工况运行过程中体现出来的功能特征、表象特征以及电气特征与异常状态下的特征是有差异的。根据设备状态预警，做出检修计划，将节省电厂巨大的人力、物力、财力，具有非常大的经济潜力。目前，在设备状态预警方面主要有三大类方法：一是采用设备生产厂商根据制造工艺设定各个部件不同预警级别的阈值方法；二是基于知识的方法，主要以相关专家和操作人员的启发性经验知识为基础，定性或定量的描述过程中各单元之间的连接关系、故障传播模式等，通过推理、演绎等方式模拟过程专家在监测上的推理能力，从而自动完成设备故障预警和设备监测；三是采用非线性多元回归建模的数学挖掘方法拟合出设备各个部分之间的复杂冗余关系，通过分析实际值与评估值之间的差距来进行预警。三种方法均有各自的特点与局限性。现有技术中，已经公开的预测方法主要有：1.《改进关联规则方法在电力设备故障预测中的应用》智能电网，2015年10期3；2.《一种适用于状态检修的电力设备时变停运模型》中国电机工程学报，2013年25期；3.《一种设备故障预警及状态监测方法》,CN104102773A；4.《电力设备温升模型及其在载流故障预测的应用》电机与控制学报，2013年07期；5.《多维时间序列关联分析方法在电力设备故障预测中的应用》电网与清洁能源，2014年12期；6.期刊：《局部优化加权回归算法在电力设备失效预测中的应用》计算机测量与控制，2014年01期，但是上述方式具有预测性差、依据历史数据，局限性较大，并且方式复杂，计算量大等缺点。对于传统的固定阈值方法，完全由设备的生产厂家决定。虽然这种传统方法比较保险，但是，却忽视了一个非常重要的问题。设备是动态变化的，并不是一成不变的，随着运行年限的增加，设备上部件因材质、使用程度、磨损程度会有不同的退化程度，设备上各指标反映的设备运行的内在规律也在变化。所以传统的固定阈值方法是存在误差的，可能会造成误报警、漏报警的现象。基于知识的方法主要以相关专家和操作人员的启发性的工作经验为主，对专家本身的依赖性较强，而不是基于严密的数学逻辑，无法构建精确的数学模型，报警结果仍不够理想，常用的方法主要包括专家系统、故障决策树、有向图、模糊逻辑等。于是人们越来越注重建立非线性回归模型方法的使用，其基本原理在于运用已有的数学建模方法充分挖掘系统设备的海量历史数据建立高效实用的模型进行设备实时状态评价。这种方法直接通过系统的历史数据建立故障预警模型，不需要知道系统精确的机理模型，因此其通用性和自适应能力都较强。在设备监测和预警算法上它又可以分为基于信号处理、粗糙集、机器学习、信息融合和多元统计这五大类算法，其中机器学习算法是在理论和实践中发展最为活跃的分支，它包括贝叶斯分类器，神经网络，支持向量机，关联规则，k最近邻算法，聚类算法，主成分分析等算法。该方法虽然在电厂实际工作中取得了一定的成效，但依旧不是十分理想，仍然有待改进。现有的非线性回归建模方法均是利用设备下指标的历史数据，建立模型，得出评估值，根据实时值与评估值得残差来判断是否发生故障、是否报警。电厂工作人员根据实际工作需要，往往也需要提前预估某些指标，以评判设备的状态信息，安排下一步的工作。已有许多工作者提出机器学习、多元统计等领域的算法模型在电力系统方面的应用，然而，仍未有相关算法模型直接应用于电力设备指标预测上，而且目前的电力系统领域的预测算法普遍是单属性预测、只依据单属性历史数据建模，局限性较大。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供了一种电力设备多指标预测方法，基于非线性多元回归模型方法，创造性地提出了状态监测、故障预警新思路和新方法，以广义回归神经网络为基础，对设备多指标历史数据建模，完成对设备指标的预测，给出以指标预测值为报警判断依据的新思路，填补了设备多指标预测方法的空白，提供一种既适用于复杂非线性系统，又便于工作人员分析处理的设备多指标预测方法，基于设备数据，综合利用了多个相关指标的信息，而不是简单地根据要预测的单个指标的历史信息，采用广义回归神经网络(GRNN)，对历史数据进行学习，模拟出各指标在设备运行时的规律，从而预测出相应的值。本专利技术不仅给出了设备状态监测和预警新思路，而且具有基于数据驱动类方法通用性、鲁棒性、自适应能力强的特点；同时，本专利技术预测速度快、可同时预测多个值，较好地解决了电厂实际工作中需要对设备相关指标预估的需求。本专利技术提供了一种电力设备多指标预测方法，依次包括如下步骤：(1)建立模型：步骤1.1：获取训练数据，在电厂DCS系统数据库里，找到目标设备、以及设备下的所有指标信息，按照一定的取数间隔，选取设备在正常运行状态下的历史数据，进行预处理；步骤1.2：根据实际需要，选择主要的相关指标；步骤1.3：对选择的主要的相关指标进行归一化处理，得到训练数据；步骤1.4：采用交互验证方法处理训练数据；步骤1.5：对交互验证方法处理后划分的数据进行训练，寻找最佳参数，获得最佳参数模型；(2)运行模型，得到电力设备多指标预测结果：步骤2.1：获取实时数据，从电厂DCS系统数据库里获取设备运行时的实时数据，并做与步骤1一致的预处理操作；步骤2.2：根据实际需要，选择相应的指标数据；步骤2.3：对选择相应的指标数据进行与步骤1.3一致的归一化处理，得到处理后的指标数据；步骤2.4：将步骤2.3得到的处理后的指标数据，输入到最佳参数模型，得到处理结果；步骤2.5：对步骤2.4得到的处理结果进行反归一化处理，得到预测结果。进一步地，步骤1.1或步骤2.1中还包括对选取的数据进行预处理，去除指标数据超过指标上下限的记录和系统原因导致某些值缺失的记录。进一步地，步骤1.2具体步骤为：假设最终得到某个设备下N个指标，M条记录，则第m条的记录看作一个N维的向量，表示为：Xm＝[xm1,xm2,...xmN]，则训练数据为M*N的矩阵形式，具体形式如下：进一步地，步骤1.3或步骤2.3中所述归一化处理具体按照如下公式进行：xnew＝(2x-2xmax)/(xmax-xmin)+1其中，xnew为x归一化后的值，xmax为主要的相关指标的最大值，xmin为主要的相关指标的最小值。进一步地，步骤1.4具体为：采用交互验证方法，将训练数据4等份，每次取出一份作为检验，剩余3份用来训练。进一步地，步骤1.5具体为：利用广义回归神经网络GRNN方式对交互验证方法处理后划分的数据进行训练，得到基于训练数据误差最小的最佳参数模型，具体为：假设对应网络输入X＝[x1,x2,...xm]T，其中输出为Y＝[y1,y2,...yT]T；输入层的神经元数目等于学习样本中输入层的维数m，各神经元是简单的分布单元，直接将输入变量传递给隐含层；模式层的神经元数目等于学习样本的数目n，各神经元对应不同的样本，模式层中神经元i的传递函数为：其中，X为网络输入量，Xi为神经元i对应的学习样本，σ为平滑参数，神经元i的输出为输入变量X与其对应的样本Xi之本文档来自技高网...

【技术保护点】
一种电力设备多指标预测方法，其特征在于，依次包括如下步骤：(1)建立模型：步骤1.1：获取训练数据，在电厂DCS系统数据库里，找到目标设备、以及设备下的所有指标信息，按照一定的取数间隔，选取设备在正常运行状态下的历史数据，进行预处理；步骤1.2：根据实际需要，选择主要的相关指标；步骤1.3：对选择的主要的相关指标进行归一化处理，得到训练数据；步骤1.4：采用交互验证方法处理训练数据；步骤1.5：对交互验证方法处理后划分的数据进行训练，寻找最佳参数，获得最佳参数模型；(2)运行模型，得到电力设备多指标预测结果：步骤2.1：获取实时数据，从电厂DCS系统数据库里获取设备运行时的实时数据，并做与步骤1一致的预处理操作；步骤2.2：根据实际需要，选择相应的指标数据；步骤2.3：对选择相应的指标数据进行与步骤1.3一致的归一化处理，得到处理后的指标数据；步骤2.4：将步骤2.3得到的处理后的指标数据，输入到最佳参数模型，得到处理结果；步骤2.5：对步骤2.4得到的处理结果进行反归一化处理，得到预测结果。

【技术特征摘要】
1.一种电力设备多指标预测方法，其特征在于，依次包括如下步骤：(1)建立模型：步骤1.1：获取训练数据，在电厂DCS系统数据库里，找到目标设备、以及设备下的所有指标信息，按照一定的取数间隔，选取设备在正常运行状态下的历史数据，进行预处理；步骤1.2：根据实际需要，选择主要的相关指标；步骤1.3：对选择的主要的相关指标进行归一化处理，得到训练数据；步骤1.4：采用交互验证方法处理训练数据；步骤1.5：对交互验证方法处理后划分的数据进行训练，寻找最佳参数，获得最佳参数模型；(2)运行模型，得到电力设备多指标预测结果：步骤2.1：获取实时数据，从电厂DCS系统数据库里获取设备运行时的实时数据，并做与步骤1一致的预处理操作；步骤2.2：根据实际需要，选择相应的指标数据；步骤2.3：对选择相应的指标数据进行与步骤1.3一致的归一化处理，得到处理后的指标数据；步骤2.4：将步骤2.3得到的处理后的指标数据，输入到最佳参数模型，得到处理结果；步骤2.5：对步骤2.4得到的处理结果进行反归一化处理，得到预测结果。2.如权利要求1所述的方法，其特征在于：步骤1.1或步骤2.1中还包括对选取的数据进行预处理，去除指标数据超过指标上下限的记录和系统原因导致某些值缺失的记录。3.如权利要求1或2所述的方法，其特征在于，步骤1.2具体步骤为：假设最终得到某个设备下N个指标，M条记录，则第m条的记录看作一个N维的向量，表示为：Xm＝[xm1,xm2,...xmN]，则训练数据为M*N的矩阵形式，具体形式如下：4.如权利要求1所述的方法，其特征在于，步骤1.3或步骤2.3中所述归一化处理具体按照如下公式进行：xnew＝(2x-2xmax)/(xmax-xmin)+1其中，xnew为x归一化后的值，xmax为主要的相关指标的最大值，xmin为主要的相关指标的最小值。5.如权利要求1所述的方法，其特征在于，步骤1.4具体为：采用交互验证方法，将训练数据4等份，每次取出...

【专利技术属性】
技术研发人员：于秋红，唐守伟，张华伟，潘爱兵，赵俊，李海斌，
申请(专利权)人：山东鲁能软件技术有限公司，
类型：发明
国别省市：山东,37