本发明专利技术提供了一种用于核电厂设备安全状态预测的应用方法，包括：数据预处理。对数据进行采样，获取变送器的功率；将采样频率对齐，缺失数据用后面的数据向前补齐；分别计算同一泵中，各变送器功率的差值；计算数据集中，各变送器每日功率数据的最大值、最小值、平均值、总和，得到当天的功率统计数据；计算数据集中，各变送器每日diff的最大值、最小值、中间值、总和，得到当天的差值统计数据。本发明专利技术还提供一种用于核电厂设备安全状态预测的系统，包括数据预处理模块、设备安全状态预测模型训练模块、设备安全状态预测模块。本发明专利技术大大的降低预测幅度的差异性，实时的对设备性能早期衰退进行预警，减少业务人员分析时间。
1、电力系统不稳定因素较多，其中电力设备作为电力系统的基本要素，其故障为影响电网运行的重要安全隐患，对电力设备的故障风险预测可以有效降低电网故障风险带来的损失。为保障电力网络的安全运行、维护经济社会的发展，改进电力设备故障诊断策略为当前亟需解决的关键性问题之一。在对电力系统的检测中，利用已有的设备实时监测系统运行数据和传感器数据，可对设备建立基于多源异构数据的故障预测和健康状态评价模型，实现设备性能的早期衰退预警，降低运维人工成本，提高设备运行安全性。
2、目前，基于物理模型和数据驱动是用于故障预测的研究方法。其中基于物理模型包括基于物理失效模型和基于滤波器模型，基于数据驱动可分为可靠性分析、统计方法、智能神经网络。常规的故障分析预测最近几年流行采用机器学习模型，例如支持向量机(svm)和人工神经网络(ann)已被用于因子主导的方法，并且在知识学习任务中表现出一定的竞争力。与简单的统计模型相比，机器学习对高维训练数据更加灵活，并且能够从历史电力设备运行数据集中捕获更多的特征信息。这有利于获得更好的电力设备运行状态和稳定性分析结果。
1、本专利技术的目的在于提供一种用于核电厂设备安全状态预测的应用方法和系统，解决了设备在不同环境下功率变化大、无法判别设备在新的运行工况和适应环境变化的问题，进而提高了设备的稳定性，同时也提高了设备的效率和性能。
>2、为了实现上述目的，本专利技术提供如下技术方案：3、一种用于核电厂设备安全状态预测的应用方法，包括以下步骤：
4、步骤1：对数据进行预处理，得到设备安全状态预测数据集；
5、步骤2：对设备安全状态预测数据集进行设备安全状态预测模型的训练；
6、步骤3：预测设备安全状态。
7、步骤1包括：
8、步骤1.1：对数据进行采样，获取变送器的功率；
9、步骤1.2：将采样频率对齐，缺失数据用后面的数据向前补齐；
10、步骤1.3：分别计算同一泵中各变送器功率的差值；
11、步骤1.4：计算数据集中各变送器每日功率数据的最大值、最小值、平均值、总和，得到当天的功率统计数据；
12、步骤1.5：计算数据集中各变送器每日diff(diff是指同一泵中各变送器功率差值)的最大值、最小值、中间值、总和，得到当天的差值统计数据。
13、步骤1.1中，将采样频率对齐到10秒以内。
14、步骤1.1中，采样频率对齐到1秒。
15、步骤2包括：
16、步骤2.1：将数据集中每日第二天的设备状态数值化；
17、步骤2.2：将每日各变送器的功率统计数据、功率差值统计数据、所属泵、所属变送器作为特征，第二天的设备状态作为标签，输入模型中进行训练，得到设备安全状态预测模型并保存。
18、步骤2.1中，采用sklearn工具包中的lgbmclassifier工具对数据进行建模。
19、步骤2.2包括：
20、步骤2.2.1：读取设备安全状态预测数据集，并对其赋参为dataset；
21、步骤2.2.2：使用train_test_split函数对设备安全状态预测数据集进行划分，其中设备安全状态预测训练数据集定义为train_dataset，设备安全状态预测验证数据集定义为val_dataset；
22、步骤2.2.3：使用设备安全状态预测训练数据集进行lgbmclassifier模型的模型训练，保存设备安全状态预测模型；使用设备安全状态预测验证数据集对设备安全状态预测模型进行验证，以此选取最优的设备安全状态预测模型；其中，设备安全状态预测模型先使用lgbmclassifier模型的默认参数进行训练并验证，得出一个基准设备安全状态预测模型。
23、步骤2.2.3包括：
24、步骤2.2.3.1：对分类模型lgbmclassifier中的max_depth,num_leaves,min_data_in_leaf,min_split_gain,subsample,colsample_bytre e参数进行调整优化；
25、步骤2.2.3.2：对分类模型lgbmclassifier中的min_split_gain,subsample和colsample_bytree参数进行调整优化；
26、步骤2.2.3.3：对分类模型lgbmclassifier中的lambda_l1和lambda_l2参数进行参数调整优化；
27、步骤2.2.3.4：对分类模型lgbmclassifier进行参数优化，调整learning_rate参数。
28、步骤3包括：
29、步骤3.1：从设备传感器监控系统获取当天设备各变送器功率实时数据；
30、步骤3.2：使用步骤1的方式对设备各变送器功率数据进行数据处理，得到设备功率数据；
31、步骤3.3：使用步骤2中设备安全状态预测模型，对不同变送器进行预测以及设备泵进行预测；
32、步骤3.4：把预测结果信息反馈到设备状态页面展示。
33、此外，本专利技术提供了一种用于核电厂设备安全状态预测的系统，包括：
34、数据预处理模块，用于对不同设备传感器监控数据进行特征提取；
35、设备安全状态预测模型训练模块，通过使用分类模型对设备数据集进行设备安全状态预测模型训练；
36、设备安全状态预测模块，用于对设备不同区域传感器实时数据进行设备安全状态预测，并给出该设备是否正常。
37、与现有技术相比，本专利技术提供的用于核电厂设备安全状态预测的应用方法和系统具有以下有益效果：
38、本专利技术通过提供的历史设备时序数据，通过提取特征值，寻找变量规律设计并实现了一种电力设备故障预测模型，实现设备故障预测。根据建模的结果，预测可能发生故障的设备并将信息推送给负责该设备的工程师或运行处相关人员。
39、本专利技术通过对设备传感器监控系统中的各个时间段数据的提取和分析提取特征，采用机器学习算法构建设备故障预测模型，基于当天的特征预测明天设备是否异常的功能实现。
40、本专利技术使用多源异构数据进行建模，大大的降低预测幅度的差异性；实时的对设备性能早期衰退进行预警；动态的预测设备趋势状态情况，减少业务人员分析时间；在同一泵中，对各变送器设备功率进行监控判断；同历史情况对比，对设备异常情况预测分析，给出相似设备故障情况。
本文档来自技高网...
【技术保护点】
1.一种用于核电厂设备安全状态预测的应用方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤1包括：
3.根据权利要求2所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤1.1中，将采样频率对齐到10秒以内。
4.根据权利要求3所述的用于核电厂设备安全状态预测的应用方法，其特征在于，采样频率对齐到1秒。
5.根据权利要求1所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤2包括：
6.根据权利要求5所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤2.1中，采用sklearn工具包中的LGBMClassifier工具对数据进行建模。
7.根据权利要求5所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤2.2包括：
8.根据权利要求7所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤2.2.3包括：
9.根据权利要求1所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤3包括：
10.一种用于核电厂设备安全状态预测的系统，其特征在于，包括：
...
【技术特征摘要】
1.一种用于核电厂设备安全状态预测的应用方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤1包括：
3.根据权利要求2所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤1.1中，将采样频率对齐到10秒以内。
4.根据权利要求3所述的用于核电厂设备安全状态预测的应用方法，其特征在于，采样频率对齐到1秒。
5.根据权利要求1所述的用于核电厂设备安全状态预测的应用方法，其特征在于，步骤2包括：
6.根据权利要...
【专利技术属性】
技术研发人员：秦绪涛，张钧鸣，宋忠洋，许列琦，朱旭东，王晨成，杨强，朱云飞，樊金龙，刘铭洋，
申请(专利权)人：江苏核电有限公司，
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。