一种水电机组状态异常分析方法、系统、终端及介质技术方案

本发明专利技术公开了一种水电机组状态异常分析方法、系统、终端及介质，涉及水电机组技术领域，其技术方案要点是：获取水电机组运行过程中包含部件参数数据和机组参数数据的初始数据；利用序列向前搜索的特征选择方法来对初始数据进行降维处理；将降维后的数据归一化处理后输入到预构建的BP神经网络模型进行异常识别，得到水电机组状态的异常识别结果。本发明专利技术基于序列向前搜索实现初始海量数据中线性无关特征变量提取，可加快模型收敛速度、提高诊断准确率，既能做到机组异常状态早期预警，又能实现对机组异常状态进行高精确性和快速性的识别。的识别。的识别。

【技术实现步骤摘要】
一种水电机组状态异常分析方法、系统、终端及介质


[0001]本专利技术涉及水电机组
，更具体地说，它涉及一种水电机组状态异常分析方法、系统、终端及介质。

技术介绍

[0002]当前水电机组的运行过程中往往容易因工况变化复杂或零部件磨损引发机组异常状态运行，容易对机组以及电厂造成生产损失，因此能够精准、高效地实现对机组异常运行以及机组状态快速辨别的研究变得尤为关键，对机组实际运行具有重要指导意义。
[0003]传统机组异常辨别方法大多依据零部件表面情况进行推理，如振动、磨损等，或是依赖于机组员工检修经验，这种方法具有一定的直观性，但其缺乏科学的逻辑解释。在现今大部分电站运行中，更多依赖于多传感器收集数据，通过观测海量连续数据间的波动表现或是分解数据振动量，再将其作为特征变量输入已有数据结构基础上的分类模型以进行机组运行状态智能识别。但此方法未能实现对大量数据的深度挖掘或数据融合进而深层次研究数据波动，且人工观测数据波动易出现精度不高、效率低等问题，以至于无法达到机组异常识别的高精确性和快速性的要求。此外，水电机组运行参数较多，但并非都和运行状态有相关性。因此，如果将所有的水电机组运行参数都作为判断运行状态的输入参数，肯定会使得判断模型性能有损失。
[0004]因此，如何研究设计一种能够克服上述缺陷的水电机组状态异常分析方法、系统、终端及介质是我们目前急需解决的问题。

技术实现思路

[0005]为解决现有技术中的不足，本专利技术的目的是提供一种水电机组状态异常分析方法、系统、终端及介质，基于序列向前搜索实现初始海量数据中线性无关特征变量提取，可加快模型收敛速度、提高诊断准确率，既能做到机组异常状态早期预警，又能实现对机组异常状态进行高精确性和快速性的识别。
[0006]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0007]第一方面，提供了一种水电机组状态异常分析方法，包括以下步骤：
[0008]获取水电机组运行过程中包含部件参数数据和机组参数数据的初始数据；
[0009]利用序列向前搜索的特征选择方法来对初始数据进行降维处理；
[0010]将降维后的数据归一化处理后输入到预构建的BP神经网络模型进行异常识别，得到水电机组状态的异常识别结果。
[0011]进一步的，所述初始数据的降维过程具体为：
[0012]计算归一化处理后数据中特征变量与标签之间的相关系数、特征变量之间的相关系数；
[0013]通过序列向前搜索的策略搜索得到特征变量子集；
[0014]通过启发评估函数分析特征变量子集的评估值，并依据评估值反馈更新特征变量
子集，直至特征变量子集的评估值最大，得到最优特征变量子集。
[0015]进一步的，所述最优特征变量子集的获得过程具体为：
[0016]计算单个特征变量的评估值，选取评估值最大的一个特征变量x
b
进入空集，得到特征子集；
[0017]选择除去特征变量x
b
之外评估值最大的一个特征变量x
c
进入特征子集；若特征变量x
b
和特征变量x
c
之间的评估值比原来的评估值小，则将特征子集中的特征变量x
c
剔除；
[0018]继续对除特征变量x
b
和特征变量x
c
之外的特征变量进行分析，循环迭代，直到候选的特征子集劣于上一轮的特征子集时为止，得到评估值最大的最优特征变量子集。
[0019]进一步的，所述评估值的计算公式具体为：
[0020][0021]其中，Merit
sk
表示拥有k个特征的特征子集S的评估值；表示特征变量与标签之间的相关系数的平均值；表示特征变量与特征变量之间相关系数的平均值。
[0022]进一步的，所述特征变量与标签之间的相关系数计算公式具体为：
[0023][0024]M
i0
＝mean(x
i
|y＝0)
[0025]M
i1
＝mean(x
i
|y＝1)
[0026]其中，r
iy
表示第i个特征变量与标签y之间的相关系数；mean(
·
)表示均值函数；M
i0
表示标签为0时，对第i个特征变量所有取值求得的平均值；M
i1
表示标签为1时，对第i个特征变量所有取值求得的平均值。
[0027]进一步的，所述特征变量之间的相关系数计算公式具体为：
[0028][0029]其中，q
ij
表示第i个特征变量与第j个特征变量之间的相关系数；x
li
表示数据集合中第l个样本的第i个特征变量；表示第i个特征变量所有取值的平均值；x
lj
表示数据集合中第l个样本的第j个特征变量；表示第j个特征变量所有取值的平均值；D表示数据集合的特征维度；L表示数据集合中的样本数。
[0030]进一步的，所述BP神经网络模型采用遗传算法对神经网络的权值和阈值进行优化。
[0031]第二方面，提供了一种水电机组状态异常分析系统，包括：
[0032]数据采集模块，用于获取水电机组运行过程中包含部件参数数据和机组参数数据的初始数据；
[0033]降维处理模块，用于利用序列向前搜索的特征选择方法来对初始数据进行降维处理；
[0034]异常识别模块，用于将降维后的数据归一化处理后输入到预构建的BP神经网络模型进行异常识别，得到水电机组状态的异常识别结果。
[0035]第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种水电机组状态异常分析方法。
[0036]第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种水电机组状态异常分析方法。
[0037]与现有技术相比，本专利技术具有以下有益效果：
[0038]1、本专利技术提出的一种水电机组状态异常分析方法，基于序列向前搜索实现初始海量数据中线性无关特征变量提取，可加快模型收敛速度、提高诊断准确率，既能做到机组异常状态早期预警，又能实现对机组异常状态进行高精确性和快速性的识别；
[0039]2、本专利技术依据特征变量与标签之间的相关系数以及特征变量之间的相关系数对特征变量子集的评估值进行计算，能够迭代选出最优特征变量子集，使得BP神经网络模型输出的异常识别结果更加全面、可靠；
[0040]3、本专利技术采用遗传算法来对神经网络的权值和阈值进行优化，能够降低深度神经网络出现局部极小值、收敛速度慢甚至不收敛等情况的发生几率。
附图说明
[0041]此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水电机组状态异常分析方法，其特征是，包括以下步骤：获取水电机组运行过程中包含部件参数数据和机组参数数据的初始数据；利用序列向前搜索的特征选择方法来对初始数据进行降维处理；将降维后的数据归一化处理后输入到预构建的BP神经网络模型进行异常识别，得到水电机组状态的异常识别结果。2.根据权利要求1所述的一种水电机组状态异常分析方法，其特征是，所述初始数据的降维过程具体为：计算归一化处理后数据中特征变量与标签之间的相关系数、特征变量之间的相关系数；通过序列向前搜索的策略搜索得到特征变量子集；通过启发评估函数分析特征变量子集的评估值，并依据评估值反馈更新特征变量子集，直至特征变量子集的评估值最大，得到最优特征变量子集。3.根据权利要求1所述的一种水电机组状态异常分析方法，其特征是，所述最优特征变量子集的获得过程具体为：计算单个特征变量的评估值，选取评估值最大的一个特征变量x
b
进入空集，得到特征子集；选择除去特征变量x
b
之外评估值最大的一个特征变量x
c
进入特征子集；若特征变量x
b
和特征变量x
c
之间的评估值比原来的评估值小，则将特征子集中的特征变量x
c
剔除；继续对除特征变量x
b
和特征变量x
c
之外的特征变量进行分析，循环迭代，直到候选的特征子集劣于上一轮的特征子集时为止，得到评估值最大的最优特征变量子集。4.根据权利要求2或3所述的一种水电机组状态异常分析方法，其特征是，所述评估值的计算公式具体为：其中，Merit
sk
表示拥有k个特征的特征子集S的评估值；表示特征变量与标签之间的相关系数的平均值；表示特征变量与特征变量之间相关系数的平均值。5.根据权利要求2或3所述的一种水电机组状态异常分析方法，其特征是，所述特征变量与标签之间的相关系数计算公式具体为：M
i0
＝mean(x
i
|...

【专利技术属性】
技术研发人员：顾发英，贺玉彬，许剑，罗旋，赵跃，
申请(专利权)人：国能大渡河大数据服务有限公司，
类型：发明
国别省市：