【技术实现步骤摘要】
本申请涉及火电机组设备管理，尤其涉及一种基于多源数据和深度学习的火电机组状态预测方法。
技术介绍
1、目前，可再生能源发电因其低碳、可再生、环境友好、基建周期短和装机容量灵活等优点，在供电体系中的占比逐渐提高。然而，可再生能源不能全天供能且受环境影响家较大，具有间歇性和不稳定性特点，因此，基于现阶段可再生能源发电能量存储技术尚不成熟的现状，火电机组的深度灵活调峰对缓解可再生能源午时和晚时的峰谷以及极端天气波动性具有重要意义。而为了保证火电机组的正常运行并且合理的制定调峰参数，需要对火电机组的状态进行预测。
2、但是，相关技术中进行火电机组状态预测时，通过仅是参考单一的火电机组状态数据进行状态分析，从而使得预测结果较为片面，误差较大，不能全面的反映火电机组状态。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种基于多源数据和深度学习的火电机组状态预测方法，该方法使用多种类型的数据，并通过深度学习算法训练得到的深度学习模型进行预测，提高了火电机组状态预测的精确性。
3、本申请的第二个目的在于提出一种基于多源数据和深度学习的火电机组状态预测系统。
4、本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
5、为达上述目的，本申请的第一方面在于提出一种基于多源数据和深度学习的火电机组状态预测方法，该方法包括以下步骤：
6、控制火电机组状态监控系统
7、对所述多类型数据进行预处理，并基于预先训练完成的卷积神经网络cnn对预处理后的多类型数据进行分层特征提取，以获取特征量；
8、针对所述多类型数据构建cnn-gru模型，并基于神经网络架构搜索nas算法，确定适用于当前预测任务的所述cnn-gru模型的最优模型参数；
9、将所述特征量输入训练完成的cnn-gru模型，获取当前状态下的火电机组状态预测结果。
10、可选地，在本申请的一个实施例中，所述cnn-gru模型包括：第一gru层、第二gru层和全连接层dense，所述nas算法的搜索空间包括：所述第一gru层的激活函数，以及所述第一gru层、所述第二gru层和所述全连接层dense的神经元个数，所述基于神经网络架构搜索nas算法，确定适用于当前预测任务的所述cnn-gru模型的最优模型参数，包括：通过遗传算法调用maximize函数搜索神经网络架构；基于多目标同时搜索算法，根据搜索结果持续调节搜索策略，获得所述搜索空间中每个参数的解的均方根误差；通过比较所述均方根误差确定所述搜索空间中每个参数的最优解；通过目标数据集对所述最优解进行验证。
11、可选地，在本申请的一个实施例中，所述火电机组状态监控系统，包括：电源模块、树莓派模块、状态参数采集模块和数据传输通信模块，其中，所述电源模块，具体用于：向所述火电机组状态监控系统提供电能，并针对所述火电机组状态监控系统中的不同设备，进行对应的电压管理和电压转换操作。
12、可选地，在本申请的一个实施例中，所述树莓派模块，具体用于：根据接收到的控制指令控制所述状态参数采集模块中相应的目标设备运行，并通过驱动电机控制所述目标设备对应的位移设备运行；所述数据传输通信模块，具体用于：基于http通讯协议将所述树莓派模块存储的所述多类型数据传输至后台服务器。
13、可选地，在本申请的一个实施例中，所述状态参数采集模块包括：多种类型的传感器、图像采集设备、振动数据采集设备和音频采集设备，其中，所述多种类型的传感器采集的参数包括火电机组运行状态参数和外部环境参数；所述图像采集设备包括可见光摄像仪和红外摄像仪，所述图像采集设备用于采集火电机组以及机组工作现场的图像数据和温度信息。
14、可选地，在本申请的一个实施例中，所述振动数据采集设备包括六轴运动姿态陀螺仪传感器，所述六轴运动姿态陀螺仪传感器用于采集火电机组机舱在三轴方向上的速度、加速度和角度数据；所述音频采集设备包括拾音器，所述拾音器用于用于采集所述火电机组中各个设备在工作现场的音频信号。
15、可选地，在本申请的一个实施例中，所述基于预先训练完成的卷积神经网络cnn对预处理后的多类型数据进行分层特征提取，包括：通过非线性映射算法将所述多类型数据投影到至高维特征空间；在所述高维特征空间中通过主成分分析pca技术对所述多类型数据进行数据处理；将处理后的数据输入至所述预先训练完成的卷积神经网络cnn中的多个卷积层进行特征提取。
16、可选地，在本申请的一个实施例中，所述对所述多类型数据进行预处理，包括：检测并剔除所述多类型数据中异常值；通过插值法填补剔除处理后的多类型数据中的缺失值；对填补处理后的多类型数据进行过一化处理。
17、为达上述目的，本申请的第二方面还提出了一种基于多源数据和深度学习的火电机组状态预测系统，包括以下模块：
18、采集模块，用于控制火电机组状态监控系统上电运行，并控制所述火电机组状态监控系统采集火电机组的多类型数据，所述多类型数据包括图像数据、振动数据、声音数据和运行参数；
19、特征提取模块，用于对所述多类型数据进行预处理，并基于预先训练完成的卷积神经网络cnn对预处理后的多类型数据进行分层特征提取，以获取特征量；
20、训练模块，用于针对所述多类型数据构建cnn-gru模型，并基于神经网络架构搜索nas算法，确定适用于当前预测任务的所述cnn-gru模型的最优模型参数；
21、预测模块，用于将所述特征量输入训练完成的cnn-gru模型，获取当前状态下的火电机组状态预测结果。
22、为了实现上述实施例，本申请第三方面还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面中的基于多源数据和深度学习的火电机组状态预测方法。
23、本申请的实施例提供的技术方案至少带来以下有益效果：本申请对火电机组的数据进行采集时，通过预设的状态监测系统内部设置的火电机组图像数据采集模块、振动数据采集模块和音频采集模块等采集多源数据，之后以树莓派为整个监视系统的主控制器，并且根据监视系统的设计需求对整个系统的电源管理部分、移动监测设备中的驱动部分、速度控制部分以及定位方式进行分别进行设计。从而，本申请能够根据既定的特征数据采集任务，完成由图像特征数据采集、振动角度特征数据采集和音频特征数据采集共同组成的监测设备数据采集，从而使得整个预测方法在使用过程中，可以参考多种类型的数据，避免了参考单一数据进行预测造成的预测结果较片面。并且，本申请还选用相应的神经网络模型，针对当前预测任务选用相关的深度学习算法进行模型训练，通过深度学习网络模型对输入的多源数据进行预测。由此，本申请可以对火本文档来自技高网...
【技术保护点】
1.一种基于多源数据和深度学习的火电机组状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述CNN-GRU模型包括：第一GRU层、第二GRU层和全连接层dense，所述NAS算法的搜索空间包括：所述第一GRU层的激活函数，以及所述第一GRU层、所述第二GRU层和所述全连接层dense的神经元个数，所述基于神经网络架构搜索NAS算法，确定适用于当前预测任务的所述CNN-GRU模型的最优模型参数，包括：
3.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述火电机组状态监控系统，包括：电源模块、树莓派模块、状态参数采集模块和数据传输通信模块，其中，所述电源模块，具体用于：
4.根据权利要求3所述的火电机组状态预测方法，其特征在于，所述树莓派模块，具体用于：
5.根据权利要求3所述的火电机组状态预测方法，其特征在于，所述状态参数采集模块包括：多种类型的传感器、图像采集设备、振动数据采集设备和音频采集设备，其中，
6.根据权利要求3所述的火电机组状态预测方法，其特征在于
7.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述基于预先训练完成的卷积神经网络CNN对预处理后的多类型数据进行分层特征提取，包括：
8.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述对所述多类型数据进行预处理，包括：
9.一种基于多源数据和深度学习的火电机组状态预测系统，其特征在于，包括以下模块：
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的基于多源数据和深度学习的火电机组状态预测方法。
...【技术特征摘要】
1.一种基于多源数据和深度学习的火电机组状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述cnn-gru模型包括：第一gru层、第二gru层和全连接层dense，所述nas算法的搜索空间包括：所述第一gru层的激活函数，以及所述第一gru层、所述第二gru层和所述全连接层dense的神经元个数，所述基于神经网络架构搜索nas算法，确定适用于当前预测任务的所述cnn-gru模型的最优模型参数，包括：
3.根据权利要求1所述的火电机组状态预测方法，其特征在于，所述火电机组状态监控系统，包括：电源模块、树莓派模块、状态参数采集模块和数据传输通信模块，其中，所述电源模块，具体用于：
4.根据权利要求3所述的火电机组状态预测方法，其特征在于，所述树莓派模块，具体用于：
5.根据权利要求3所述的火电机组状态预测方法，其特征在于，所述状态参数采集...
【专利技术属性】
技术研发人员：贺文龙，郑卫东，李嘉钦，牛永哲，林晶儒，李捍华，陈金丹，葛恒，潘渤，
申请(专利权)人：华能浙江能源开发有限公司玉环分公司，
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。