【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，涉及一种应用于火电厂设备的数据预测方法及系统。
技术介绍
1、火电厂设备在运行监控中，需要对其运行状态进行实时的监控和预测，当前的监控可以立即对事故进行处理，防止出现事故扩大的问题，状态的预测也尤为重要，可以提前进行预防和维护等。但是，在现有技术中，在得到设备的运行数据之后，基于设备的运行数据进行的运行状态的预测操作，一般存在着预测的可靠度相对不高的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种应用于火电厂设备的数据预测方法及系统，以在一定程度上提高数据预测的可靠度。
2、为实现上述目的，本专利技术实施例采用如下技术方案：
3、一种应用于火电厂设备的数据预测方法，包括：
4、提取到待分析火电厂设备的待分析设备运行数据，以及，对所述待分析设备运行数据进行关键信息挖掘操作，以形成所述待分析火电厂设备对应的第一关键信息描述向量，所述待分析设备运行数据通过对所述待分析火电厂设备的运行过程进行监控以形成；
5、对所述待分析设备运行数据进行增强处理，形成所述待分析火电厂设备对应的增强设备运行数据，以及，对所述增强设备运行数据进行关键信息挖掘操作，以形成所述待分析火电厂设备对应的第二关键信息描述向量；
6、基于所述待分析火电厂设备对应的第一关键信息描述向量和第二关键信息描述向量，关联预测出所述待分析火电厂设备对应的运行状态信息。
7、在一些优选的实施例中，在上述应用于火电厂
8、通过关键信息挖掘模型，将所述待分析设备运行数据进行关键信息挖掘操作，以形成对应的关键信息描述向量簇，所述关键信息描述向量簇包括多个关键信息描述向量；
9、基于所述关键信息描述向量簇，确定出所述待分析设备运行数据对应的增强运行关键信息描述向量；
10、基于所述增强运行关键信息描述向量，对所述待分析设备运行数据进行增强处理，形成所述待分析火电厂设备对应的增强设备运行数据；
11、对所述增强设备运行数据进行关键信息挖掘操作，以形成所述待分析火电厂设备对应的第二关键信息描述向量。
12、在一些优选的实施例中，在上述应用于火电厂设备的数据预测方法中，所述关键信息挖掘模型包括节点式分布的多个关键信息挖掘子模型，所述节点式分布包括存在至少一个关键信息挖掘子模型的数据输出侧与至少两个关键信息挖掘子模型的数据输入侧之间连接的分布状态，所述关键信息描述向量簇包括所述多个关键信息挖掘子模型中的每一个关键信息挖掘子模型挖掘出的运行关键信息描述向量，所述关键信息挖掘模型包括在第一方向上分布的多组关键信息挖掘子模型和在第二方向上分布的多组关键信息挖掘子模型，所述第一方向和所述第二方向具有交叉，在第一方向上分布的第一组关键信息挖掘子模型包括级联的第一数量个关键信息挖掘子模型，在第一方向上分布的第一组关键信息挖掘子模型包括的第a个关键信息挖掘子模型的数据输出侧与在第一方向上分布的其它组第a个关键信息挖掘子模型的数据输入侧之间分别具有连接关系；
13、所述基于所述关键信息描述向量簇，确定出所述待分析设备运行数据对应的增强运行关键信息描述向量的步骤，包括：
14、对所述关键信息挖掘模型中在第一方向上分布的每一组关键信息挖掘子模型对应的运行关键信息描述向量进行聚合操作，以形成对应的一个第一方向聚合描述向量，从而形成对应的第一方向聚合描述向量簇，所述第一方向聚合描述向量簇包括第二数量个第一方向聚合描述向量；
15、对所述关键信息挖掘模型中在第二方向上分布的每一组关键信息挖掘子模型对应的运行关键信息描述向量进行聚合操作，以形成对应的一个第二方向聚合描述向量，从而形成对应的第二方向聚合描述向量簇，所述第二方向聚合描述向量簇包括第一数量个第二方向聚合描述向量；
16、对至少两个聚合描述向量簇中的第b个聚合描述向量簇进行行列对换操作，以形成对应的行列向量参数对换数据，所述至少两个聚合描述向量簇包括所述第一方向聚合描述向量簇和所述第二方向聚合描述向量簇；
17、对所述行列向量参数对换数据和所述第b个聚合描述向量簇进行融合操作，以形成对应的向量融合数据；
18、对所述向量融合数据进行加载，以加载到配置的激励映射输出模型中，以输出第b个聚合描述向量簇对应的第b个关联性参数分布；
19、多次执行所述对所述向量融合数据进行加载，以加载到配置的激励映射输出模型中，以输出第b个聚合描述向量簇对应的第b个关联性参数分布的步骤，以形成所述至少两个聚合描述向量簇对应的至少两个关联性参数分布；
20、基于所述至少两个聚合描述向量簇中第b个聚合描述向量簇对应的第b个关联性参数分布，将所述第b个聚合描述向量簇进行相乘运算操作，以输出对应的第b个关联性融合参数分布；
21、多次执行所述基于所述至少两个聚合描述向量簇中第b个聚合描述向量簇对应的第b个关联性参数分布，将所述第b个聚合描述向量簇进行相乘运算操作，以输出对应的第b个关联性融合参数分布的步骤，以形成所述至少两个聚合描述向量簇对应的至少两个关联性融合参数分布；
22、基于所述至少两个关联性融合参数分布，确定出所述关键信息描述向量簇中的多个运行关键信息描述向量对应的增强运行关键信息描述向量。
23、在一些优选的实施例中，在上述应用于火电厂设备的数据预测方法中，所述基于所述至少两个关联性融合参数分布，确定出所述关键信息描述向量簇中的多个运行关键信息描述向量对应的增强运行关键信息描述向量的步骤，包括：
24、分别对所述至少两个聚合描述向量簇和所述至少两个关联性融合参数分布进行对应的叠加运算操作，以输出对应的关联性融合描述向量；
25、对所述关联性融合描述向量进行向量维度的调整操作，以及，对进行向量维度的调整操作后的所述关联性融合描述向量进行滤波操作或卷积操作，以形成所述关键信息描述向量簇中的多个运行关键信息描述向量对应的增强运行关键信息描述向量。
26、在一些优选的实施例中，在上述应用于火电厂设备的数据预测方法中，所述关键信息挖掘模型包括在第一方向上分布的多组关键信息挖掘子模型和在第二方向上分布的多组关键信息挖掘子模型；
27、所述通过关键信息挖掘模型，将所述待分析设备运行数据进行关键信息挖掘操作，以形成对应的关键信息描述向量簇的步骤，包括：
28、通过在第一方向上分布的第一组关键信息挖掘子模型，将所述待分析设备运行数据进行关键信息挖掘操作，以形成第一数量个运行关键信息描述向量，所述在第一方向上分布的第一组关键信息挖掘子模型中连接在后的关键信息挖掘子模型的输入侧数据为相邻在前的关键信息挖掘子模本文档来自技高网...
【技术保护点】
1.一种应用于火电厂设备的数据预测方法，其特征在于，包括：
2.如权利要求1所述的应用于火电厂设备的数据预测方法，其特征在于，所述对所述待分析设备运行数据进行增强处理，形成所述待分析火电厂设备对应的增强设备运行数据，以及，对所述增强设备运行数据进行关键信息挖掘操作，以形成所述待分析火电厂设备对应的第二关键信息描述向量的步骤，包括：
3.如权利要求2所述的应用于火电厂设备的数据预测方法，其特征在于，所述关键信息挖掘模型包括节点式分布的多个关键信息挖掘子模型，所述节点式分布包括存在至少一个关键信息挖掘子模型的数据输出侧与至少两个关键信息挖掘子模型的数据输入侧之间连接的分布状态，所述关键信息描述向量簇包括所述多个关键信息挖掘子模型中的每一个关键信息挖掘子模型挖掘出的运行关键信息描述向量，所述关键信息挖掘模型包括在第一方向上分布的多组关键信息挖掘子模型和在第二方向上分布的多组关键信息挖掘子模型，所述第一方向和所述第二方向具有交叉，在第一方向上分布的第一组关键信息挖掘子模型包括级联的第一数量个关键信息挖掘子模型，在第一方向上分布的第一组关键信息挖掘子模型包括的第a个
4.如权利要求3所述的应用于火电厂设备的数据预测方法，其特征在于，所述基于所述至少两个关联性融合参数分布，确定出所述关键信息描述向量簇中的多个运行关键信息描述向量对应的增强运行关键信息描述向量的步骤，包括：
5.如权利要求2所述的应用于火电厂设备的数据预测方法，其特征在于，所述关键信息挖掘模型包括在第一方向上分布的多组关键信息挖掘子模型和在第二方向上分布的多组关键信息挖掘子模型；
6.如权利要求5所述的应用于火电厂设备的数据预测方法，其特征在于，所述在第一方向上分布的其它的每一组关键信息挖掘子模型中的第一数量个关键信息挖掘子模型分别对应有第一数量个关键信息挖掘单元，在第一方向上分布的其它的每一组关键信息挖掘子模型包括的不同组的关键信息挖掘子模型之间，具有的第a个关键信息挖掘子模型对应的关键信息挖掘单元不一样；
7.如权利要求2所述的应用于火电厂设备的数据预测方法，其特征在于，所述通过关键信息挖掘模型，将所述待分析设备运行数据进行关键信息挖掘操作，以形成对应的关键信息描述向量簇的步骤，包括：
8.如权利要求2所述的应用于火电厂设备的数据预测方法，其特征在于，所述基于所述增强运行关键信息描述向量，对所述待分析设备运行数据进行增强处理，形成所述待分析火电厂设备对应的增强设备运行数据的步骤，包括：
9.如权利要求8所述的应用于火电厂设备的数据预测方法，其特征在于，所述通过关键信息挖掘模型，将所述待分析设备运行数据进行关键信息挖掘操作，以形成对应的关键信息描述向量簇的步骤，包括：
10.一种应用于火电厂设备的数据预测系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的应用于火电厂设备的数据预测方法。
...【技术特征摘要】
1.一种应用于火电厂设备的数据预测方法，其特征在于，包括：
2.如权利要求1所述的应用于火电厂设备的数据预测方法，其特征在于，所述对所述待分析设备运行数据进行增强处理，形成所述待分析火电厂设备对应的增强设备运行数据，以及，对所述增强设备运行数据进行关键信息挖掘操作，以形成所述待分析火电厂设备对应的第二关键信息描述向量的步骤，包括：
3.如权利要求2所述的应用于火电厂设备的数据预测方法，其特征在于，所述关键信息挖掘模型包括节点式分布的多个关键信息挖掘子模型，所述节点式分布包括存在至少一个关键信息挖掘子模型的数据输出侧与至少两个关键信息挖掘子模型的数据输入侧之间连接的分布状态，所述关键信息描述向量簇包括所述多个关键信息挖掘子模型中的每一个关键信息挖掘子模型挖掘出的运行关键信息描述向量，所述关键信息挖掘模型包括在第一方向上分布的多组关键信息挖掘子模型和在第二方向上分布的多组关键信息挖掘子模型，所述第一方向和所述第二方向具有交叉，在第一方向上分布的第一组关键信息挖掘子模型包括级联的第一数量个关键信息挖掘子模型，在第一方向上分布的第一组关键信息挖掘子模型包括的第a个关键信息挖掘子模型的数据输出侧与在第一方向上分布的其它组第a个关键信息挖掘子模型的数据输入侧之间分别具有连接关系；
4.如权利要求3所述的应用于火电厂设备的数据预测方法，其特征在于，所述基于所述至少两个关联性融合参数分布，确定出所述关键信息描述向量簇中的多个运行关键信息描述向量对应的增强运行关键信息描述向量的步骤，包括：
5....
【专利技术属性】
技术研发人员：张志远，王锋，王召鹏，
申请(专利权)人：国能寿光发电有限责任公司，
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。