一种电站设备状态智能评价和预警方法、装置及系统制造方法及图纸

本发明专利技术公开了一种电站设备状态智能评价和预警方法、装置及系统，方法包括步骤：筛选设备监测参数；采集设备健康样本数据；健康样本数据预处理；计算聚类个数的合适值；搭建最佳高斯混合模型；设备状态期望值计算；设备状态预警计算；设备状态影响参数排序。本发明专利技术基于大数据分析平台实现了电站设备健康状态样本自动筛选，且高斯混合模型的聚类分析方法搭建了设备状态实时评估与预警模型，改变了定性状态评估的主观性，提升设备状态监测的及时性、有效性和智能性。相比于支持向量机、神经网络等数据挖掘算法在进行设备状态评估时依赖多维空间点的距离评价机制，基于高斯混合模型的概率密度函数进行设备状态评价有效降低了设备预警的误报率。

An intelligent evaluation and early warning method, device and system of power plant equipment state

【技术实现步骤摘要】
一种电站设备状态智能评价和预警方法、装置及系统
本专利技术涉及电力系统安全
，特别涉及一种电站设备状态智能评价和预警方法、装置及系统。
技术介绍
电站设备状态监测和评估是电站设备检修工程师最重要的工作内容，如何基于电站海量数据进行设备状态异常识别、分析与诊断是发电行业研究热点。近年来基于控制系统实时数据采集和存储以及支持向量机、神经网络等数据挖掘算法进行设备状态预警建模研究较多，但在数据样本筛选、设备状态评估和预警机制方面存在不足，导致实际应用中出现模型样本不足、设备状态值代表性不强、误报率高等问题。另外，仅仅基于控制系统的实时数据进行设备状态建模存在设备健康状态样本难以界定的问题，系统自动调取相关信息系统的设备台账记录进行设备状态标记对于设备健康状态样本选择很有必要。
技术实现思路
本专利技术的目的在于至少解决现有技术中存在的技术问题之一，提供一种电站设备状态智能评价和预警方法、装置及系统，改变了定性状态评估的主观性，提升了设备状态评价的准确性。本专利技术提供了一种电站设备状态智能评价和预警方法、装置及系统。根据本专利技术实施例的一种电站设备状态智能评价和预警方法，包括以下步骤：筛选设备监测参数；采集设备健康样本数据；健康样本数据预处理；计算聚类个数的合适值；搭建最佳高斯混合模型；设备状态期望值计算；设备状态预警计算；设备状态影响参数排序。根据本专利技术的一些实施例，所述采集设备健康样本数据，包括：计算设备健康样本采集时间段，并根据健康样本采集时间段进行设备健康样本数据采集；所述进行设备健康样本数据采集，包括：获取监测设备的设备台账信息，所述台账信息包括设备缺陷台账、设备检修台账、以及设备异动台账；从所述台账信息中获取设备缺陷录入时间、缺陷验收时间、检修开始时间、检修结束时间、以及设备异动时间。根据本专利技术的一些实施例，所述健康样本数据预处理，包括步骤：S31、计算所述健康样本数据的统计特征值；S32、根据所述统计特征值对所述健康样本数据进行冗余、异常数据的识别及处理；S33、对所述健康样本数据进行归一化处理。根据本专利技术的一些实施例，所述计算聚类个数的合适值，包括步骤：设定所述健康样本数据为k类，k的取值范围满足：其中，N为所述健康样本数据的样本记录个数；根据K均值算法对所述健康样本数据进行聚类计算以及聚类评价系数计算，得到聚类评价系数随聚类个数变化的曲线，并确定聚类个数的合适值。根据本专利技术的一些实施例，所述搭建最佳高斯混合模型，包括步骤：S51、设定所述聚类个数k的初始值为ks；S52、根据EM算法计算所述健康样本数据的高斯混合模型gm，根据所述高斯混合模型gm计算得到高斯混合模型的均值矩阵gm.Mu、各个高斯模型的权值向量gm.PComponents、样本的标签矩阵IDX、以及样本按照高斯混合模型分布的联合概率密度自然对数值向量logpdf，并进一步计算得到各类包含样本的记录个数numi(i＝1，2，..，k)；S53、计算并记录满足numi<N/(10*k)条件或者满足gm.PComponents<1/(10*k)条件的分类个数kdel，其中，N为所述健康样本数据的样本记录个数；S54、令k＝k-kdel，重复步骤S52至S54，直至确定最佳工况聚类。根据本专利技术的一些实施例，所述设备状态期望值计算，包括步骤：根据所述高斯混合模型gm计算得到的样本的标签矩阵IDX、以及样本按照高斯混合模型分布的联合概率密度自然对数值向量logpdf，求取各类样本点的联合概率密度自然对数值最大值，将所述各类样本点的联合概率密度自然对数值最大值所对应的样本点作为各类样本的期望值，组成k行P列期望值矩阵，其中，P为所述健康样本数据的样本变量个数。根据本专利技术的一些实施例，所述设备状态预警计算，包括步骤：采集设备的实时监测数据；根据所述高斯混合模型gm计算所述实时监测数据的联合概率密度自然对数值logpdfx以及所述期望值矩阵的联合概率密度自然对数值logpdfest(l)；若logpdfx>logpdfest(l)，则设备的健康度h＝100％，若logpdfx≤logpdfest(l)，则设备的健康度h满足：若健康度h小于设定限值hmin时，则发出预警信号。根据本专利技术的一些实施例，所述设备状态影响参数排序，包括步骤：根据所述实时监测数据和所述期望值矩阵的对应向量之间的曼哈顿距离，计算所述实时监测数据中的各个监测参数偏离期望值对于设备状态的影响量；根据各个监测参数的影响量进行降序排序。根据本专利技术实施例的一种电站设备状态智能评价和预警装置，包括：历史数据采集组件、统计特征量计算组件、数据标准化组件、K值选择组件、高斯混合模型算法组件、设备状态期望值计算组件、设备状态预警计算组件以及设备状态影响参数排序组件；所述历史数据采集组件用于采集设备健康样本数据；所述统计特征量计算组件以及所述数据标准化组件用于健康样本数据预处理；所述K值选择组件用于计算聚类个数的合适值；所述高斯混合模型算法组件用于搭建最佳高斯混合模型；所述设备状态期望值计算组件用于设备状态期望值计算；所述设备状态预警计算组件用于设备状态预警计算；所述设备状态影响参数排序组件用于设备状态影响参数排序。根据本专利技术实施例的一种电站设备状态智能评价和预警系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种电站设备状态智能评价和预警方法。相对于现有技术，本专利技术实施例披露的技术方案具有以下有益效果：本公开基于大数据分析平台实现了电站设备健康状态样本自动筛选，且高斯混合模型的聚类分析方法搭建了设备状态实时评估与预警模型，改变了定性状态评估的主观性，提升设备状态监测的及时性、有效性和智能性。相比于支持向量机、神经网络等数据挖掘算法在进行设备状态评估时依赖多维空间点的距离评价机制，基于高斯混合模型的概率密度函数进行设备状态评价有效降低了设备预警的误报率。本公开实施例所实现的更多特点和优势，将在具体实施方式或实践中给出。附图说明下面结合附图和实施例对本专利技术进一步地说明；图1为本专利技术实施例提供的一种电站设备状态智能评价和预警方法的流程示意图；图2为本专利技术实施例提供的聚类评价系数随聚类个数的变化曲线的示意图；图3为本专利技术实施例提供的一种电站设备状态智能评价和预警装置的示意图。具体实施方式下面将结合附图，对本公开实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开的实施例，本领域普通技术人员在没有做出创造性劳动前提下所本文档来自技高网...

【技术保护点】
1.一种电站设备状态智能评价和预警方法，其特征在于，包括以下步骤：/n筛选设备监测参数；/n采集设备健康样本数据；/n健康样本数据预处理；/n计算聚类个数的合适值；/n搭建最佳高斯混合模型；/n设备状态期望值计算；/n设备状态预警计算；/n设备状态影响参数排序。/n

【技术特征摘要】
1.一种电站设备状态智能评价和预警方法，其特征在于，包括以下步骤：
筛选设备监测参数；
采集设备健康样本数据；
健康样本数据预处理；
计算聚类个数的合适值；
搭建最佳高斯混合模型；
设备状态期望值计算；
设备状态预警计算；
设备状态影响参数排序。


2.根据权利要求1所述的一种电站设备状态智能评价和预警方法，其特征在于，所述采集设备健康样本数据，包括步骤：
计算设备健康样本采集时间段，并根据健康样本采集时间段进行设备健康样本数据采集；所述进行设备健康样本数据采集，包括：
获取监测设备的设备台账信息，所述台账信息包括设备缺陷台账、设备检修台账、以及设备异动台账；
从所述台账信息中获取设备缺陷录入时间、缺陷验收时间、检修开始时间、检修结束时间、以及设备异动时间。


3.根据权利要求2所述的一种电站设备状态智能评价和预警方法，其特征在于，所述健康样本数据预处理，包括步骤：
S31、计算所述健康样本数据的统计特征值；
S32、根据所述统计特征值对所述健康样本数据进行冗余、异常数据的识别及处理；
S33、对所述健康样本数据进行归一化处理。


4.根据权利要求3所述的一种电站设备状态智能评价和预警方法，其特征在于，所述计算聚类个数的合适值，包括步骤：
设定所述健康样本数据为k类，k的取值范围满足：其中，N为所述健康样本数据的样本记录个数；
根据K均值算法对所述健康样本数据进行聚类计算以及聚类评价系数计算，得到聚类评价系数随聚类个数变化的曲线，并确定聚类个数的合适值。


5.根据权利要求4所述的一种电站设备状态智能评价和预警方法，其特征在于，所述搭建最佳高斯混合模型，包括步骤：
S51、设定所述聚类个数k的初始值为ks；
S52、根据EM算法计算所述健康样本数据的高斯混合模型gm，根据所述高斯混合模型gm计算得到高斯混合模型的均值矩阵gm.Mu、各个高斯模型的权值向量gm.PComponents、样本的标签矩阵IDX、以及样本按照高斯混合模型分布的联合概率密度自然对数值向量logpdf，并进一步计算得到各类包含样本的记录个数numi(i＝1，2，..，k)；
S53、计算并记录满足numi＜N/(10*k)条件或者满足gm.PComponents＜1/(10*k)条件的分类个数kdel，其中，N为所述健康样本数据的样本记录个数；
S54、令k＝k-kdel，重复步骤S52至S54，直至确定最佳工况聚类。

【专利技术属性】
技术研发人员：张叔禹，刘永江，张国斌，郭瑞君，高正平，尹柏清，焦晓峰，李勇，杜荣华，安东，阿敏夫，于海存，王龑飞，刘文哲，王银河，张成煜，胡蓉，
申请(专利权)人：湖南大唐先一科技有限公司，内蒙古电力集团有限责任公司内蒙古电力科学研究院分公司，北方联合电力有限责任公司包头第三热电厂，
类型：发明
国别省市：湖南;43