发电机组故障数据预测方法、装置和计算机设备制造方法及图纸

本申请涉及一种发电机组故障数据预测方法、装置、计算机设备和存储介质。所述方法包括：采集发电机组当前运行过程中的运行参数；采用已建立的决策树模型对运行参数进行决策分类；获取决策树模型决策分类后输出的分类信息；根据分类信息输出故障数据预测结果。采用发电机组故障数据预测方法，可以提高故障分析的准确性，且可减少安全事故的发生，如此，故障预测准确性高。

Generator unit fault data prediction method, device and computer equipment

The present application relates to a fault data prediction method, device, computer equipment and storage medium for generating units. The method includes: collecting the operation parameters of the generator set in the current operation process; using the established decision tree model to classify the operation parameters; obtaining the classification information output after the decision tree model classification; outputting the fault data prediction results according to the classification information. The fault data prediction method of generator set can improve the accuracy of fault analysis and reduce the occurrence of safety accidents, so the accuracy of fault prediction is high.

【技术实现步骤摘要】
发电机组故障数据预测方法、装置和计算机设备
本申请涉及电力系统
，特别是涉及一种发电机组故障数据预测方法、装置、计算机设备和存储介质。
技术介绍
随着经济的发展，用户对电量的需求不断增加，从而电厂发电机组的容量、发电机组间的关联性、机组复杂程度也逐渐增大，导致发电机组的故障率上升。发电机组的故障将影响电厂的发电量，使得无法按时完成用户所需要的电量，不可避免对电力企业造成巨大的经济损失。为保证电厂按时完成发电需求，发电机组的故障分析就显得异常重要。传统采用的故障分析方法大多为两种：第一种是由监测系统采集实时的发电机组运行的数据，将被监测的发电机组运行的数据与正常状态的数据对比，根据对比结果判断发电机组是否异常；第二种是采用BP(backpropagation反向传播)神经网络进行故障分析。由于大多数发电机组是动态变化的多耦合非线性系统，发电机组之间环环相扣，运行参数之间并非独立，发电机组的运行状态模糊，使得第一种故障分析方式容易出现判断错误，故障分析准确性低。而第二种方式存在收敛速度慢、隐含层数、节点数选取困难等缺陷，同样存在故障分析准确性低的问题。专利技术内容基于此，有必要针对本文档来自技高网...

【技术保护点】
1.一种发电机组故障数据预测方法，所述方法包括：采集发电机组当前运行过程中的运行参数；采用已建立的决策树模型对所述运行参数进行决策分类，所述决策树模型表征运行参数和分类信息的对应关系；获取所述决策树模型决策分类后输出的分类信息；根据所述分类信息输出故障数据预测结果。

【技术特征摘要】
1.一种发电机组故障数据预测方法，所述方法包括：采集发电机组当前运行过程中的运行参数；采用已建立的决策树模型对所述运行参数进行决策分类，所述决策树模型表征运行参数和分类信息的对应关系；获取所述决策树模型决策分类后输出的分类信息；根据所述分类信息输出故障数据预测结果。2.根据权利要求1所述的方法，其特征在于，所述运行参数包括引风机电流、引风机入口开度、引风机入口负压、引风机控制油压、引风机轴承轴向振动值、引风机轴承径向振动值、引风机主轴承第一测试点温度、引风机主轴承第二测试点温度、引风机主轴承第三测试点温度、引风机主轴承第四测试点温度、引风机非驱动侧轴承温度和引风机驱动侧轴承温度。3.根据权利要求1所述的方法，其特征在于，所述采用已建立的决策树模型对所述运行参数进行决策分类之前，还包括：获取多组样本参数和各组样本参数对应的故障类别，所述样本参数包括的数据类型和所述运行参数包括的数据类型相同；根据所述样本参数和各组样本参数对应的故障类别，依次从多个数据类型中选取一个数据类型作为最优特征属性；按照选取顺序依次以各最优特征属性作为当前的分裂结点，根据各组样本参数对应的故障类别对当前的分裂结点所对应的各组样本参数的取值进行决策划分，创建得到决策树模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述样本参数和各组样本参数对应的故障类别，依次从多个数据类型中选取一个数据类型作为最优特征属性，包括：以所述样本参数对应的故障类别和所述样本参数包括的各个数据类型为列，将各组样本参数排列成行，得到总数据集，并计算所述总数据集的熵；以所述总数据集中同一列下同一取值的行作为对应列的一个单元行，从总所述数据集中提取单个数据类型所在列、故障类别所在列、所提取的数据类型所在列的一个单元行进行组合，得到所提取的数据类型中所提取的单元行对应的训练集；计算各数据类型中各单元行对应的训练集的熵；根据所述总数据集的熵、所述总数据集和所述数据类型对应的各训练集的熵计算得到对应数据类型的信息增益；从各数据类型的信息增益中选取最大的信息增益，将最大的信息增益对应的数据类型作为最优特征属性；从所述总数据集中剔除所述最优特征属性的列得到新的总数据集，并返回所述以所述总数据集中同一列下同一取值的行作为对应列的一个单元行，从总所述数据集中提取单个数据类型所在列、故障类别所在列、所提取的数据类型...

【专利技术属性】
技术研发人员：李炯城，李玥，吴佩娥，李逸帆，陈运动，管学锋，
申请(专利权)人：广东省电信规划设计院有限公司，中国通信服务股份有限公司，广东省通信产业服务有限公司，
类型：发明
国别省市：广东,44