【技术实现步骤摘要】
本专利技术涉及发电信息，更确切地说，它涉及基于火电机组多元状态估计故障预警模型的增量学习方法。
技术介绍
1、随着信息化与数字化技术在电力生产领域逐渐成熟，加之全球对清洁、高效、可持续能源的需求持续攀升，不可否认，智能电厂已然崭露头角，成为电力生产新一代解决方案之典范。机器学习作为人工智能领域的一个关键分支，是一种通过计算机系统从数据中学习和改进性能的技术。传统的模型训练方式往往采用一次性处理所有训练数据进行离线学习，这种学习方法通常被归类为″批量学习″。然而它们不会将新信息连续地集成到已经构建的模型中，而是定期从头开始重建新模型，这不仅非常耗时，而且会导致潜在的过时模型。
2、在实际生产环境中，设备预警模型方面一直存在一个问题，即由于历史训练数据的质量存在差异，并且受到设备的生命周期的影响，预警模型效果随着时间的推移也会持续变差，甚至可能出现误报。同时，由于数据量有限，工作人员希望能够在有限的资源下获得更加准确的预测结果。在智能电厂研究中，批量学习方法在设备故障预警情况下可能并不适用，特别是设备故障预警是需要具备实时性、适应性和高效性的应用。
技术实现思路
1、本专利技术的目的是针对现有技术的不足，提出了基于火电机组多元状态估计故障预警模型的增量学习方法。
2、第一方面，提供了基于火电机组多元状态估计故障预警模型的增量学习方法，包括：
3、步骤1、获取多元状态估计故障预警模型，并确定所述多元状态估计故障预警模型的第一历史工况矩阵dm×n；其中m
4、步骤2、根据所述第一历史工况矩阵dm×n和模型的特征，通过传感器采集，确定待增量的原始工况库xa×n；其中a需要待增量原始数据量，n为模型的特征数；
5、步骤3、对所述待增量的原始工况库xa×n进行待增量的归一化计算、相似性计算、留存排序和待增量提取，得到待增量更新的向量集xtd；
6、步骤4、对所述第一历史工况矩阵dm×n进行归一化计算、相似性计算、待删排序和工况删除，得到第二历史记忆矩阵dtd；
7、步骤5、将待增量更新的向量集xtd的数据合并入所述第二历史记忆矩阵dtd中，形成第三历史记忆矩阵
8、步骤6、根据所述第三历史记忆矩阵构建新的多元状态估计故障预警模型。
9、作为优选，步骤3包括：
10、步骤3.1、对所述待增量的原始工况库xa×n进行归一化操作，得到归一化后的待增量原始工况库
11、步骤3.2、计算归一化后的待增量原始工况数据集各条数据间的相似性，公式为：
12、
13、其中，xi表示数据集的第i条数据，d(xi，xj)表示第i条数据和第j条数据之间的距离，表示欧式距离；
14、步骤3.3、计算归一化后的待增量原始工况数据集的下三角部分每一列的最小值，记为dj，形成集合b，表示为：
15、b＝{dj|dj＝min{d(xj+1，xj)，d(xj+２，xj)，…，d(xa，xj)}，1≤j≤a，j∈z}
16、对b中的值进行由大到小排序，得到留存排序集合bsort；
17、步骤3.4、根据所述留存排序集合bsort，进行待增量提取。
18、作为优选，步骤3.4中，根据所述留存排序集合bsort，设定更新率φ，根据模型的数据量m，记下bsort前m×φ部分中各个dj的下标j，根据下标j找到相应的数据xj作为记忆矩阵待增量更新的向量，并根据下标j由小到大排序形成待增量更新的向量集xtd。
19、作为优选，步骤4包括：
20、步骤4.1、对所述第一历史工况矩阵dm×n进行归一化操作，得到归一化后的历史记忆矩阵
21、步骤4.2、计算归一化后的历史记忆矩阵各条数据间的相似性，公式为：
22、
23、其中，yi表示数据集的第i条数据，d(yi，yj)表示第i条数据和第j条数据之间的距离；
24、步骤4.3、计算矩阵下三角部分每一列的最小值，记为dj，形成集合c，表示为
25、c＝{dj|dj＝min{d(yj+1，yj)，d(yj+2，yj)，…，d(ya，yj)}，1≤j≤m，j∈z}
26、对c中的值进行由小到大排序，得到待删排序集合csorted；
27、步骤4.4、根据所述删排序集合csorted，进行工况删除。
28、作为优选，步骤4.4中，根据所述删排序集合csorted，设定更新率φ，根据模型的数据量m，记下csorted前m×φ部分中各个dj的下标j，根据下标j找到相应的数据yj进行删除，得到第二历史记忆矩阵dtd。
29、作为优选，步骤5中，将待增量更新的向量集xtd中的数据xi按照i的大小由小到大依次添加到第二历史记忆矩阵dtd中，形成第三历史记忆工况库
30、作为优选，步骤3.1和步骤4.1中，归一化操作分别采用公式和其中xi，j和di，j分别表示待增量原始工况库xa×n和历史记忆矩阵dm×n的第i行第j列数据，minj＝min{xj，dj}，maxj＝max{xj，dj}，minj和maxj分别表示待增量的原始工况库xa×n与第一历史记忆矩阵dm×n中第j列的最小值和最大值。
31、作为优选，步骤4.4中，被删除的历史工况大小和待增量更新的向量集xtd大小相等。
32、第二方面，提供了基于火电机组多元状态估计故障预警模型的增量学习系统，其特征在于，用于执行第一方面任一所述的基于火电机组多元状态估计故障预警模型的增量学习方法，包括：
33、获取模块，用于获取多元状态估计故障预警模型，并确定所述多元状态估计故障预警模型的第一历史工况矩阵dm×n；其中m为模型的数据量，n为模型的特征数；
34、确定模块，用于根据所述第一历史工况矩阵dm×n和模型的特征，通过传感器采集，确定待增量的原始工况库xa×n；其中a需要待增量原始数据量，n为模型的特征数；
35、第一计算模块，用于对所述待增量的原始工况库xa×n进行待增量的归一化计算、相似性计算、留存排序和待增量提取，得到待增量更新的向量集xtd；
36、第二计算模块，用于对所述第一历史工况矩阵dm×n进行归一化计算、相似性计算、待删排序和工况删除，得到第二历史记忆矩阵dtd；
37、合并模块，用于将待增量更新的向量集xtd的数据加入所述第二历史记忆矩阵dtd中，形成第三历史记忆矩阵
38、构建模块，用于根据所述第三历史记忆矩阵构建新的多元状态估计故障预警模型。
39、第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的可执行程序，其中，在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行第一方面任一所述的基于火电机组多元状态估计故障预警模型的增量学习方法。
40、本专利技术的本文档来自技高网...
【技术保护点】
1.基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，包括：
2.根据权利要求1所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤3包括：
3.根据权利要求2所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤3.4中，根据所述留存排序集合Bsort，设定更新率φ，根据模型的数据量m，记下Bsort前m×φ部分中各个dj的下标j，根据下标j找到相应的数据xj作为记忆矩阵待增量更新的向量，并根据下标j由小到大排序形成待增量更新的向量集Xtd。
4.根据权利要求3所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤4包括：
5.根据权利要求4所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤4.4中，根据所述删排序集合Csorted，设定更新率φ，根据模型的数据量m，记下Csorted前m×φ部分中各个dj的下标j，根据下标j找到相应的数据yj进行删除，得到第二历史记忆矩阵Dtd。
6.根据权利要求5所述的基于火电机组多
7.根据权利要求6所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤3.1和步骤4.1中，归一化操作分别采用公式和其中Xi,j和Di,j分别表示待增量原始工况库Xa×n和第一历史记忆矩阵Dm×n的第i行第j列数据，minj＝min{Xj,Dj}，maxj＝max{Xj,Dj}，minj和maxj分别表示待增量的原始工况库Xa×n与第一历史记忆矩阵Dm×n中第j列的最小值和最大值。
8.根据权利要求7所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤4.4中，被删除的历史工况大小和待增量更新的向量集Xtd大小相等。
9.基于火电机组多元状态估计故障预警模型的增量学习系统，其特征在于，用于执行权利要求1至8任一所述的基于火电机组多元状态估计故障预警模型的增量学习方法，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的可执行程序，其中，在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8任一所述的基于火电机组多元状态估计故障预警模型的增量学习方法。
...【技术特征摘要】
1.基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，包括：
2.根据权利要求1所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤3包括：
3.根据权利要求2所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤3.4中，根据所述留存排序集合bsort，设定更新率φ，根据模型的数据量m，记下bsort前m×φ部分中各个dj的下标j，根据下标j找到相应的数据xj作为记忆矩阵待增量更新的向量，并根据下标j由小到大排序形成待增量更新的向量集xtd。
4.根据权利要求3所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤4包括：
5.根据权利要求4所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤4.4中，根据所述删排序集合csorted，设定更新率φ，根据模型的数据量m，记下csorted前m×φ部分中各个dj的下标j，根据下标j找到相应的数据yj进行删除，得到第二历史记忆矩阵dtd。
6.根据权利要求5所述的基于火电机组多元状态估计故障预警模型的增量学习方法，其特征在于，步骤5中，将待增量更新的向量集xtd中的数据...
【专利技术属性】
技术研发人员：顾宝，郭庆，叶欣楠，王豆，姜志锋，郭鼎，邵程安，张震伟，俞荣栋，贾晓燕，
申请(专利权)人：浙江浙能数字科技有限公司，
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。