一种用于火电机组主辅设备状态异常的识别方法及系统技术方案

本申请公开了一种用于火电机组主辅设备状态异常的识别方法及系统，属于电力系统领域，通过利用火电机组主辅设备的典型样本集，以及构建的反映火电机组主辅设备运行状态的证据库，利用正常状态证据回归模型计算出火电机组主辅设备的期望值和应达区间值，通过判断期望值是否落入到应达区间值内，从而达到对火电机组主辅设备实时运行状态进行识别，有较高的实用性。

A method and system for identifying abnormal state of main and auxiliary equipment in thermal power units

This application discloses a method and system for identifying abnormal state of main and auxiliary equipment of thermal power units, which belongs to the field of power system. By using typical sample sets of main and auxiliary equipment of thermal power units and constructing evidence base reflecting the operation state of main and auxiliary equipment of thermal power units, the fire is calculated by using normal state evidence regression model. The expected value and the interval value of the main and auxiliary equipment of the thermal power unit can be recognized by judging whether the expected value falls into the interval value or not.

【技术实现步骤摘要】
一种用于火电机组主辅设备状态异常的识别方法及系统
本申请涉及电力系统领域，尤其涉及一种用于火电机组主辅设备状态异常的识别方法及系统。
技术介绍
火电机组主辅设备是用于火电厂的设备，火电机组主辅设备包括锅炉、汽轮机、发电机、给水泵等，其作用是完成从热能到机械能再到电能的转换过程。火电机组主辅设备间的耦合性和复杂性决定了火电厂是一个高故障率和故障危害性很大的生产场所，因此，需要对火电机组主辅设备状态异常进行识别。目前，火电机组主辅设备状态异常的识别方法是基于把火电机组主辅设备的状态识别作为两类或多类模式识别问题，这些方法使用的前提是必需收集并保存火电机组主辅设备对象正常操作以及故障状态下的历史数据(样本)，把两种状态下的样本看作属于不同的模式类，然后按照一定模式识别决策方法对其进行“最优”分类，当新的样本出现时，就可以基于得到的决策算法，判定火电机组主辅设备状态。然而，这些对于火电机组主辅设备来说，往往并不能取得理想的效果。这主要是因为，首先，故障的发生是偶然事件，不能纪录足够数量的故障样本，由于没有足够的故障样本，把火电机组主辅设备状态识别作为多类模式识别处理的前提条件不能满足；其次，火电机组主辅设备的测点多，各测点互相影响，使得模式识别模型过于复杂，识别困难。
技术实现思路
本申请提供了一种用于火电机组主辅设备状态异常的识别方法及系统，以解决现有火电机组主辅设备状态异常识别方法的故障样本不足，状态异常识别不到的问题。第一方面，本申请提供了一种用于火电机组主辅设备状态异常的识别方法，包括：步骤S1，获取火电机组主辅设备的状态参数，所述状态参数包括状态特征变量、典型状态值和正常状态值；步骤S2，根据获取的状态参数，通过数据预处理和方差筛选法，得到稳态参数；步骤S3，根据稳态参数，通过样本选择算法，筛选出典型样本集；步骤S4，根据典型样本集，构建正常状态证据回归模型；步骤S5，根据正常状态证据回归模型，计算得到期望值和应达区间值；步骤S6，根据期望值和应达区间值，判断期望值是否落入应达区间值内。优选的是，所述根据典型样本集，构建正常状态证据回归模型包括：步骤S41，根据典型样本集，将典型样本集中的数据归一化，得到标准样本集；步骤S42，根据标准样本集，将标准样本集中的数据构建成证据库；步骤S43，根据证据库，通过k-nn近邻算法和DS证据融合法则，将证据库构建成正常状态证据回归模型。优选的是，所述根据证据库，通过k-nn近邻算法和DS证据融合法则，将证据库构建成正常状态证据回归模型包括：步骤S431，根据证据库，获取实时输入值；步骤S432，根据实时输入值，通过k-nn近邻算法和DS证据融合法则，计算得到实时输入值对应实时输出值的密度概率分布函数；步骤S433，根据密度概率分布函数，构建正常状态证据回归模型。优选的是，所述根据实时输入值，通过k-nn近邻算法和DS证据融合法则，计算得到实时输入值对应实时输出值的密度概率分布函数包括：步骤S4321，根据实时输入值，通过k-nn近邻算法，获取证据，所述证据包含有用信息；步骤S4322，根据获取的证据，通过DS证据融合法则，将距离近的证据进行融合，得到标准化证据；步骤S4323，根据标准化证据，计算得到实时输入值对应实时输出值的密度概率分布函数。优选的是，所述根据密度概率分布函数，构建正常状态证据回归模型包括：步骤S4331，根据密度概率分布函数，计算得到实时输入值的期望输出值；步骤S4332，根据期望输出值，通过留一法，计算得到全局优化指标；步骤S4333，根据全局优化指标，构建正常状态证据回归模型。第二方面，本申请还提供了一种用于火电机组主辅设备状态异常的系统，包括：状态参数获取装置、稳态参数获取装置、典型样本集构建装置、正常状态证据回归模型构建装置、计算装置和判断装置，其中，所述状态参数获取装置、所述稳态参数获取装置、所述典型样本集构建装置、所述正常状态证据回归模型构建装置、所述计算装置和所述判断装置依次连接；所述状态参数获取装置，用于获取火电机组主辅设备的状态参数；所述稳态参数获取装置，用于将火电机组主辅设备的状态参数转换成稳态参数；所述典型样本集构建装置，用于将稳态参数构建成典型样本集；所述正常状态证据回归模型构建装置，用于将典型样本集构建成正常状态证据回归模型；所述计算装置，用于计算出期望值和应达区间值；所述判断装置，用于判断期望值是否落入到应达区间值内。优选的是，所述正常状态证据回归模型构建装置包括：标准样本集构建模块、证据库构建模块和正常状态证据回归模型构建模块，其中，所述标准样本集构建模块、所述证据库构建模块和所述正常状态证据回归模型构建模块依次连接；所述标准样本集构建模块，用于将典型样本集构建成标准样本集；所述证据库构建模块，用于将标准样本集构建成证据库；所述正常状态证据回归模型构建模块，用于将证据库构建成正常状态证据回归模型。优选的是，所述正常状态证据回归模型构建模块包括：实时输入值获取单元、密度概率分布函数计算单元和正常状态证据回归模型构建单元，其中，所述实时输入值获取单元、所述密度概率分布函数计算单元和所述正常状态证据回归模型构建单元依次连接；所述实时输入值获取单元，用于获取证据库中的实时输入值；所述密度概率分布函数计算单元，用于计算实时输入值对应实时输出值的密度概率分布函数；所述正常状态证据回归模型构建单元，用于将密度概率分布函数构建成正常状态证据回归模型。优选的是，所述密度概率分布函数计算单元包括：证据获取电路、标准化证据获取电路和密度概率分布函数计算电路，其中，所述证据获取电路、所述标准化证据获取电路和所述密度概率分布函数计算电路依次连接；所述证据获取电路，用于获取证据库中包含有用信息的证据；所述标准化证据获取电路，用于将获取的证据转化成标准化证据；所述密度概率分布函数计算电路，用于计算标准化证据，得到实时输入值对应实时输出值的密度概率分布函数。优选的是，所述正常状态证据回归模型构建单元包括：期望输出值计算电路、全局优化指标计算电路和正常状态证据回归模型构建电路，其中，所述期望输出值计算电路、所述全局优化指标计算电路和所述正常状态证据回归模型构建电路依次连接；所述期望输出值计算电路，用于计算出实时输入值的期望输出值；所述全局优化指标计算电路，用于根据期望输出值计算出全局优化指标；所述正常状态证据回归模型构建电路，用于根据全局优化指标，构建正常状态证据回归模型。由以上技术方案可知，本申请提供了一种用于火电机组主辅设备状态异常的识别方法及系统，通过利用火电机组主辅设备的典型样本集，以及构建的反映火电机组主辅设备运行状态的证据库，利用正常状态证据回归模型计算出火电机组主辅设备的期望值和应达区间值，通过判断期望值是否落入到应达区间值内，从而达到对火电机组主辅设备实时运行状态进行识别，有较高的实用性。附图说明为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请一种用于火电机组主辅设备状态异常的识别方法的流程图；图2为本申请一种用于火电机组主辅设备状态异常的识别方法的流程图；图3为本申请一种本文档来自技高网...

【技术保护点】
1.一种用于火电机组主辅设备状态异常的识别方法，其特征在于，所述方法包括：步骤S1，获取火电机组主辅设备的状态参数，所述状态参数包括状态特征变量、典型状态值和正常状态值；步骤S2，根据获取的状态参数，通过数据预处理和方差筛选法，得到稳态参数；步骤S3，根据稳态参数，通过样本选择算法，筛选出典型样本集；步骤S4，根据典型样本集，构建正常状态证据回归模型；步骤S5，根据正常状态证据回归模型，计算得到期望值和应达区间值；步骤S6，根据期望值和应达区间值，判断期望值是否落入应达区间值内。

【技术特征摘要】
1.一种用于火电机组主辅设备状态异常的识别方法，其特征在于，所述方法包括：步骤S1，获取火电机组主辅设备的状态参数，所述状态参数包括状态特征变量、典型状态值和正常状态值；步骤S2，根据获取的状态参数，通过数据预处理和方差筛选法，得到稳态参数；步骤S3，根据稳态参数，通过样本选择算法，筛选出典型样本集；步骤S4，根据典型样本集，构建正常状态证据回归模型；步骤S5，根据正常状态证据回归模型，计算得到期望值和应达区间值；步骤S6，根据期望值和应达区间值，判断期望值是否落入应达区间值内。2.如权利要求1所述的方法，其特征在于，所述根据典型样本集，构建正常状态证据回归模型包括：步骤S41，根据典型样本集，将典型样本集中的数据归一化，得到标准样本集；步骤S42，根据标准样本集，将标准样本集中的数据构建成证据库；步骤S43，根据证据库，通过k-nn近邻算法和DS证据融合法则，将证据库构建成正常状态证据回归模型。3.如权利要求2所述的方法，其特征在于，所述根据证据库，通过k-nn近邻算法和DS证据融合法则，将证据库构建成正常状态证据回归模型包括：步骤S431，根据证据库，获取实时输入值；步骤S432，根据实时输入值，通过k-nn近邻算法和DS证据融合法则，计算得到实时输入值对应实时输出值的密度概率分布函数；步骤S433，根据密度概率分布函数，构建正常状态证据回归模型。4.如权利要求3所述的方法，其特征在于，所述根据实时输入值，通过k-nn近邻算法和DS证据融合法则，计算得到实时输入值对应实时输出值的密度概率分布函数包括：步骤S4321，根据实时输入值，通过k-nn近邻算法，获取证据，所述证据包含有用信息；步骤S4322，根据获取的证据，通过DS证据融合法则，将距离近的证据进行融合，得到标准化证据；步骤S4323，根据标准化证据，计算得到实时输入值对应实时输出值的密度概率分布函数。5.如权利要求3所述的方法，其特征在于，所述根据密度概率分布函数，构建正常状态证据回归模型包括：步骤S4331，根据密度概率分布函数，计算得到实时输入值的期望输出值；步骤S4332，根据期望输出值，通过留一法，计算得到全局优化指标；步骤S4333，根据全局优化指标，构建正常状态证据回归模型。6.一种用于火电机组主辅设备状态异常的系统，其特征在于，所述系统包括：状态参数获取装置、稳态参数获取装置、典型样本集构建装置、正常状态证据回归模型构建装置、计算装置和判断装置，其中，所述状态参数获取装置、所述稳态参数获取装置、所述典型样本集构建装置、所述正常状态证据回归模型构建装置、所...

【专利技术属性】
技术研发人员：赵明，沈发荣，梁俊宇，李浩涛，李孟阳，邱亚林，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南,53