本发明专利技术公开了一种发电机组人工智能系统自动学习方法、装置及可读介质，响应于在发电机组人工智能系统部署后或在发电机组人工智能系统的模型重置后，进入样本收集阶段进行样本收集，得到收集的样本；响应于确定收集的样本达到全面性要求，对收集的样本进行样本筛选，得到筛选的样本；将筛选的样本用于发电机组人工智能系统的模型训练，得到经训练的模型，将经训练的模型应用于日常运行中；在日常运行阶段，响应于确定发电机组大修，判断经训练的模型是否需要重新训练，若是，则对发电机组人工智能系统的模型进行重置，并重复上述步骤，否则继续进行日常运行。本发明专利技术能够实现发电机组人工智能系统学习自动化，减少人工干预环节，提高学习时效。提高学习时效。提高学习时效。
【技术实现步骤摘要】
发电机组人工智能系统自动学习方法、装置及可读介质
[0001]本专利技术涉及发电机组实时运维及在线故障诊断领域，具体涉及一种发电机组人工智能系统自动学习方法、装置及可读介质。
技术介绍
[0002]大中型同步发电机(组)是电力系统核心设备之一，结构复杂，价格昂贵，一旦发生运行事故或设备故障，所造成的损失往往是灾难性的，因此对发电机(组)进行实时运维和在线故障诊断非常重要。
[0003]机器学习是发电机(组)人工智能系统常用的核心算法之一，可靠性、准确性都得到了验证和认可。系统通过收集历史数据(样本)来学习知识(训练模型)，在实时决策时以此模型作为决策参考依据。
[0004]以往的发电机(组)人工智能系统，在选择和筛选学习样本、模型训练、参数寻优、决策重置模型并重新训练模型等阶段，都需要专业人士人工参与，这大大提高了系统部署和维护的门槛；人为因素对系统影响，也使智能系统的不确定性明显增加；处置过程繁琐低效，严重影响了人工智能技术的应用普及。
技术实现思路
[0005]针对上述提到的技术问题。本申请的实施例的目的在于提出了一种发电机组人工智能系统自动学习方法、装置及可读介质，来解决以上
技术介绍
部分提到的技术问题，实现发电机(组)人工智能系统学习自动化，减少人工干预环节，提高学习时效。
[0006]第一方面，本专利技术提供了一种发电机组人工智能系统自动学习方法，包括以下步骤：
[0007]S1，响应于在发电机组人工智能系统部署后或在发电机组人工智能系统的模型重置后，进入样本收集阶段进行样本收集，得到收集的样本；
[0008]S2，响应于确定收集的样本达到全面性要求，对收集的样本进行样本筛选，得到筛选的样本；
[0009]S3，将筛选的样本用于发电机组人工智能系统的模型训练，得到经训练的模型，将经训练的模型应用于日常运行中；
[0010]S4，在日常运行阶段，响应于确定发电机组大修，判断经训练的模型是否需要重新训练，若是，则对发电机组人工智能系统的模型进行重置，并重复步骤S1
‑
S4，否则继续进行日常运行。
[0011]作为优选，全面性要求通过样本参数确定，样本参数包括电气参数、采样参数和非电参数。
[0012]作为优选，电气参数包括有功功率、无功功率、定子电压、定子电流、转子电流、功率因数；采样参数包括总共采样次数、采样时间跨度；非电参数包括振动、噪声、压力、流量、温度、温升。
[0013]作为优选，全面性要求包括以下条件的一种或多种：
[0014]响应于确定发电机组的电气参数中一项或多项在某个或多个设定区间内出现的次数或时长符合设定要求；
[0015]响应于确定发电机组的采样参数中的一项或多项符合设定要求；
[0016]响应于确定发电机组的非电参数中一项或多项在某个或多个设定区间内出现的次数或时长符合设定要求；
[0017]响应于确定发电机组的根据对电气参数、采样参数、非电参数的其中一项或多项计算结果符合设定要求。
[0018]作为优选，样本筛选过程包括样本清洗步骤、样本排序步骤和样本抽样步骤，样本清洗步骤、样本排序步骤和样本抽样步骤中的部分步骤可提前至样本收集阶段同步完成，样本排序步骤和样本抽样步骤可根据需要进行多次。
[0019]作为优选，样本筛选过程、模型训练过程和模型重置可人工强制启动，模型训练过程根据需要可自动执行或跳过参数寻优过程。
[0020]作为优选，步骤S4中根据以下条件确定经训练的模型需要重新训练：
[0021]响应于确定连续停机时间超过设定日期，并且一个或多个重点监控指标出现明显跃变；或是通过其它信息化系统读取的信息表明机组进行大修。
[0022]第二方面，本专利技术提供了一种发电机组人工智能系统自动学习装置，包括：
[0023]样本收集模块，被配置为响应于在发电机组人工智能系统部署后或在发电机组人工智能系统的模型重置后，进入样本收集阶段进行样本收集，得到收集的样本；
[0024]样本筛选模块，被配置为响应于确定收集的样本达到全面性要求，对收集的样本进行样本筛选，得到筛选的样本；
[0025]训练模块，被配置为将筛选的样本用于发电机组人工智能系统的模型训练，得到经训练的模型，将经训练的模型应用于日常运行中；
[0026]重置模块，被配置为在日常运行阶段，响应于确定发电机组大修，判断经训练的模型是否需要重新训练，若是，则对发电机组人工智能系统的模型进行重置，并重新执行样本收集模块至训练模块，否则继续进行日常运行。
[0027]第三方面，本专利技术提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
[0028]第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
[0029]相比于现有技术，本专利技术具有以下有益效果：
[0030](1)本专利技术提出的发电机组人工智能系统自动学习方法通过在系统部署后，或是机组大修造成机组关键参数变化后，自动进入样本收集阶段，当收集的样本全面性达到设定要求后，自动启动对收集的样本集进行筛选，将筛选后的样本集提交模型训练，并将训练得到的模型应用于日常运行中，实现人工智能决策。
[0031](2)本专利技术提出的发电机组人工智能系统自动学习方法能够大大降低发电机组人工智能系统的维护成本，降低系统部署和维护的门槛，减少人为因素对系统的影响，降低不确定性，简化处置过程，并有效提高效率，有利于人工智能技术的应用普及。
[0032](3)本专利技术提出的发电机组人工智能系统自动学习方法能够实现发电机组人工智能系统学习自动化，减少人工干预环节，提高学习时效。
附图说明
[0033]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
[0035]图2为本申请的实施例的发电机组人工智能系统自动学习方法的流程示意图；
[0036]图3为本申请的实施例的发电机组人工智能系统自动学习方法的逻辑框图；
[0037]图4为本申请的实施例的发电机组人工智能系统自动学习装置的示意图；
[0038]图5是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
[0039]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种发电机组人工智能系统自动学习方法，其特征在于，包括以下步骤：S1，响应于在发电机组人工智能系统部署后或在发电机组人工智能系统的模型重置后，进入样本收集阶段进行样本收集，得到收集的样本；S2，响应于确定所述收集的样本达到全面性要求，对所述收集的样本进行样本筛选，得到筛选的样本；S3，将所述筛选的样本用于发电机组人工智能系统的模型训练，得到经训练的模型，将所述经训练的模型应用于日常运行中；S4，在日常运行阶段，响应于确定发电机组大修，判断所述经训练的模型是否需要重新训练，若是，则对所述发电机组人工智能系统的模型进行重置，并重复步骤S1
‑
S3，否则继续进行日常运行。2.根据权利要求1所述的发电机组人工智能系统自动学习方法，其特征在于，所述全面性要求通过样本参数确定，所述样本参数包括电气参数、采样参数和非电参数。3.根据权利要求2所述的发电机组人工智能系统自动学习方法，其特征在于，所述电气参数包括有功功率、无功功率、定子电压、定子电流、转子电流、功率因数；所述采样参数包括总共采样次数、采样时间跨度；所述非电参数包括振动、噪声、压力、流量、温度、温升。4.根据权利要求2所述的发电机组人工智能系统自动学习方法，其特征在于，所述全面性要求包括以下条件的一种或多种：响应于确定发电机组的电气参数中一项或多项在某个或多个设定区间内出现的次数或时长符合设定要求；响应于确定发电机组的采样参数中的一项或多项符合设定要求；响应于确定发电机组的非电参数中一项或多项在某个或多个设定区间内出现的次数或时长符合设定要求；响应于确定发电机组的根据对所述电气参数、采样参数、非电参数的其中一项或多项计算结果符合设定要求。5.根据权利要求1所述的发电机组人工智能系统自动学习方法，其特征在于，所述样本筛选过程包括样本清洗步骤、样本排序步骤和样本抽样步骤，所述样本清洗步...
【专利技术属性】
技术研发人员：彭长青，尚荣艳，方瑞明，邵鹏飞，林骋，
申请(专利权)人：华侨大学，
类型：发明
国别省市：
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。