【技术实现步骤摘要】
一种基于双网络的电厂设备故障预警方法及系统
本专利技术属于计算机与电厂设备故障检测交叉领域，更具体地，涉及一种基于双网络的电厂设备故障预警方法及系统。
技术介绍
改革开放来，中国经历了飞速的发展，各类高新技术、产品不断面世、落地、推广，人们的生活越来越便利、美好。出行有便捷的高铁、地铁、新能源汽车，家中有洗衣机、空调、冰箱等各类家用电器，电脑和智能手机更是成为很多人离不开的工作、娱乐必需品。而支持这些现代化工具运行的关键便是电能。随着社会的发展，工业生产、日常生活中对电力的需求也日益增长。一旦电厂的生产设备发生故障，极易给社会的生产、生活带来损失和不便；若没有及时发现，则容易导致机组设备的损坏，维修又要耗费大量的时间与经济成本，严重的还可能造成伤亡事故。尽早地检测到电厂机组设备的劣化、故障状态，有利于为电厂人员争取排查、诊断的时间，避免故障持续发展到不可挽回的地步，减少电厂和社会的经济损失。有不少传统的机器学习算法可用于电厂设备故障预警，包括K近邻算法(k-NearestNeighbor，kNN)、局部异常因子算法(...
【技术保护点】
1.一种基于双网络的电厂设备故障预警方法，其特征在于，包括如下步骤：/n确定电厂机组设备实时运行的工况参数；/n将所述工况参数输入训练好的双网络模型，以计算所述工况参数对应的样本能量；所述双网络模型包括：自编码网络和估计网络；所述自编码网络用于提取所述工况参数的深度特征数据；所述估计网络估计所述深度特征数据在高斯混合模型下的分布概率，并基于所述分布概率更新高斯混合模型的参数，并基于更新参数后的高斯混合模型确定所述工况参数对应的样本能量；/n当所述样本能量大于预警阈值时，认为对应的电厂机组设备发生故障。/n
【技术特征摘要】
1.一种基于双网络的电厂设备故障预警方法，其特征在于，包括如下步骤：
确定电厂机组设备实时运行的工况参数；
将所述工况参数输入训练好的双网络模型，以计算所述工况参数对应的样本能量；所述双网络模型包括：自编码网络和估计网络；所述自编码网络用于提取所述工况参数的深度特征数据；所述估计网络估计所述深度特征数据在高斯混合模型下的分布概率，并基于所述分布概率更新高斯混合模型的参数，并基于更新参数后的高斯混合模型确定所述工况参数对应的样本能量；
当所述样本能量大于预警阈值时，认为对应的电厂机组设备发生故障。
2.根据权利要求1所述的电厂设备故障预警方法，其特征在于，所述自编码网络包括：编码网络和解码网络；
所述编码网络使用至少一层简单循环单元构建，其输出端连接一层全连接层；所述编码网络输出提取到的深度特征数据，组成向量zc；
所述解码网络由全连接层构建，所述编码网络的层数与所述编码网络的层数一致，所述解码网络的全连接层对应的隐藏层节点数与所述编码网络的节点数一致；所述解码网络基于工况参数得到对应的重构数据，计算重构数据与原始数据的相对欧氏距离和余弦相似度；所述相对欧式距离和余弦相似度组合为向量zr；将向量zc和向量zr组合为所述自编码网络的输出z。
3.根据权利要求1或2所述的电厂设备故障预警方法，其特征在于，所述估计网络由全连接层构建，估计所述自编码网络的输出z在高斯混合模型下的分类概率并基于所述分布概率更新高斯混合模型的参数；
所述工况参数对应的样本能量E(z)为：
上式中，K表示高斯分布的数量，k为高斯分布的序号；为第k个高斯分量的混合系数，和分别为第k个高斯分量对应的均值和协方差矩阵，exp()为自然常数e为底的指数函数；上标T表示矩阵装置，π为圆周率，|·|是求行列式操作。
4.根据权利要求1或2所述的电厂设备故障预警方法，其特征在于，所述双网络模型的损失函数J为：
其中，等式左边θc，θd，θm分别为编码网络、解码网络、估计网络的参数；等式右边的第一项为自编码网络的重构误差，第二项为高斯混合模型的分类损失，第三项为特征的线性相关性惩罚项；λ1,λ2分别为两个损失项的权重系数；N表示训练样本数量，L()表示L2范数的平方，xi表示输入的第i个样本，xi′表示自编码网络对第i个样本的重构数据，Zi表示第i个样本对应的传入压缩网络的特征数据，E()表示传入特征的能量，表示特征各维度间的平均皮尔逊相关系数，表示高斯混合模型中的协方差矩阵。
5.根据权利要求4所述的电厂设备故障预警方法，其...
【专利技术属性】
技术研发人员：凌贺飞，张鹏锋，李青松，黄昌喜，
申请(专利权)人：元神科技杭州有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。