【技术实现步骤摘要】
本专利技术属于人工智能，具体涉及一种基于深度学习的火电厂风险预警方法及系统。
技术介绍
1、在现代火电厂运营中，安全生产至关重要。当前火电厂虽配备了多种安全生产数字化系统，如门禁、视频和巡检系统等，但这些系统存在如下明显不足：（1）它们彼此孤立，无法实时并全面地捕捉火电厂安全生产风险的动态变化，致使风险监测存在大量盲区；（2）火电厂的运行环境复杂，风险因素众多，包括有设备故障风险、操作失误风险、自然灾害风险以及人员行为风险等，而在缺乏有效整合信息和智能分析的情况下，难以对这些复杂多变的风险场景进行准确评估，进而无法及时做出风险预警和正确决策。前述这种现状严重威胁火电厂的安全稳定运行，可能导致重大事故，如设备严重损坏、人员伤亡以及电力供应中断等。
2、由此，如何构建一种实时的火电厂风险预警方案，以便更有效地保障火电厂的安全生产，是本领域技术人员亟需研究的课题。
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的火电厂风险预警方法及系统，用以解决现有火电厂安全生产数字化系统在缺乏有效整合信息和智能分析的情况下所存在风险预警难以准确触发和缺乏及时性的问题。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，提供了一种基于深度学习的火电厂风险预警方法，包括：
4、收集由目标火电厂的所有安全生产数字化装置记录的所有监测参数的历史时序数据，以及收集在所述目标火电厂发生的所有目标风险事件的发生时间戳，其中，所述历史时序数据包
5、根据所述所有目标风险事件的发生时间戳，按照如下方式遍历所述各个单位时刻以得到目标风险状态参数的所述历史时序数据：若在当前遍历的单位时刻的周围时段内发生有所述目标风险事件，则将与该单位时刻对应的目标风险状态参数值设置为1，否则将与该单位时刻对应的目标风险状态参数值设置为0，其中，表示介于相邻两单位时刻之间的单位时长；
6、对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，其中，所述目标风险关联监测参数是指在所述所有监测参数中且与所述目标风险状态参数具有相关性的监测参数；
7、针对在所述多个目标风险关联监测参数中的各个监测参数，先根据所述目标风险状态参数的所述历史时序数据，确定各次目标风险事件发生时刻，然后从对应的所述历史时序数据中提取出与所述各次目标风险事件发生时刻一一对应的各个在前时序数据，并将所述各个在前时序数据分别作为对应的正样本数据，其中，所述在前时序数据是指与从在相应目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口对应的所述历史时序数据，所述某个固定时刻是指距离相应目标风险事件发生时刻具有时长的某个时刻，表示预设的第一时长，表示预设的第二时长；
8、获取具有不同结构的多个深度学习模型；
9、针对所述各个监测参数以及在所述多个深度学习模型中的各个深度学习模型，应用对应参数的所有所述正样本数据，基于优化算法对相应模型的超参数进行优化，得到对应超参数且用于使目标函数最小化的最优化搜索结果，其中，所述目标函数的计算公式如下：
10、
11、式中，表示深度学习模型的输出误差情况指标值，表示深度学习模型的计算所需时长指标值；
12、针对所述各个监测参数，从所述多个深度学习模型中选出对应且具有最小的所述目标函数的某个深度学习模型，并将该某个深度学习模型的超参数的最优化搜索结果以及在优化过程中所得且与该最优化搜索结果对应的模型参数导入该某个深度学习模型，得到对应的目标风险发生预测模型；
13、针对所述各个监测参数，将在从当前时刻起往前追溯到所述时长的时间窗口内收到的所有对应参数值导入对应的所述目标风险发生预测模型，输出得到对应且在未来时刻发生所述目标风险事件的预测概率；
14、根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻发生所述目标风险事件的最终预测概率；
15、若所述最终预测概率达到预设概率阈值，则触发执行与所述目标风险事件对应的预警动作。
16、基于上述
技术实现思路
，提供了一种基于深度学习模型及优化算法进行火电厂风险预警的新方案，即先基于目标风险状态参数及所有监测参数的历史时序数据，通过特征降维及特征选取处理得到多个目标风险关联监测参数的历史时序数据，然后针对各个监测参数及各个深度学习模型，应用对应参数的所有正样本数据，基于优化算法对相应模型的超参数进行优化，得到对应超参数且用于使采用输出误差情况指标值与计算所需时长指标值之积的目标函数最小化的最优化搜索结果，再然后基于优化结果得到各个监测参数的目标风险发生预测模型，并应用模型估计得到在未来时刻发生目标风险事件的预测概率，再然后根据参数间相关系数、模型输出误差以及预测概率，叠加计算得到最终预测概率，最后在最终预测概率达到预设概率阈值时，触发执行目标风险预警动作，如此通过有效整合所有安全生产数字化系统的监测数据以对火电厂风险进行智能分析，可以提高风险预警准确性和及时性，利于保障火电厂的安全生产，便于实际应用和推广。
17、在一个可能的设计中，所述所有监测参数包括有监测温度、监测压力、用于反映振动情况的监测参数、用于反映设备操作情况的监测参数、用于反映设备运行情况的监测参数、环境监测参数、用于反映门禁运行情况的监测参数、用于反映视频ai分析结果的监测参数、用于反映巡检情况的监测参数和/或用于反映人员行为监测情况的监测参数；
18、和/或，所述目标风险事件包括有设备故障风险事件、操作失误风险事件、自然灾害风险事件或人员行为风险事件。
19、在一个可能的设计中，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
20、采用改进型主成分分析法对所述所有监测参数的历史时序数据进行特征降维处理，得到多个初步降维处理后监测参数的历史时序数据；
21、采用局部线性嵌入法对所述多个初步降维处理后监测参数的历史时序数据进行特征降维处理，得到多个二次降维处理后监测参数的历史时序数据；
22、采用基于互信息最大化的最大相关最小冗余算法对所述多个二次降维处理后监测参数的历史时序数据进行特征选取处理，得到多个目标风险关联监测参数的历史时序数据，其中，所述目标风险关联监测参数是指在所述所有监测参数中且与所述目标风险状态参数具有相关性的监测参数。
23、在一个可能的设计中，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
24、针对在所述所有监测参数中的各个监测参数，本文档来自技高网...
【技术保护点】
1.一种基于深度学习的火电厂风险预警方法，其特征在于，包括：
2.根据权利要求1所述的火电厂风险预警方法，其特征在于，所述所有监测参数包括有监测温度、监测压力、用于反映振动情况的监测参数、用于反映设备操作情况的监测参数、用于反映设备运行情况的监测参数、环境监测参数、用于反映门禁运行情况的监测参数、用于反映视频AI分析结果的监测参数、用于反映巡检情况的监测参数和/或用于反映人员行为监测情况的监测参数；
3.根据权利要求1所述的火电厂风险预警方法，其特征在于，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
4.根据权利要求1所述的火电厂风险预警方法，其特征在于，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
5.根据权利要求1所述的火电厂风险预警方法，其特征在于，所述多个深度学习模型包括有分类与回归树、感知机、多层感知机、循环神经网络、长短期记忆网络、自编码器和/或变分自编码器。
6.根据权利要求1
7.根据权利要求1所述的火电厂风险预警方法，其特征在于，针对所述各个监测参数以及在所述多个深度学习模型中的各个深度学习模型，应用对应参数的所有所述正样本数据，基于优化算法对相应模型的超参数进行优化，得到对应超参数且用于使目标函数最小化的最优化搜索结果，包括有如下步骤S601～S616：
8.根据权利要求1所述的火电厂风险预警方法，其特征在于，根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻发生所述目标风险事件的最终预测概率，包括：
9.一种基于深度学习的火电厂风险预警系统，其特征在于，包括有监测数据收集单元、风险数据整理单元、监测数据处理单元、正样本数据选取单元、学习模型获取单元、模型超参数优化单元、预测模型生成单元、预测模型应用单元、预测概率叠加单元和预警动作触发单元；
10.一种计算机系统，其特征在于，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～8中任意一项所述的火电厂风险预警方法。
...【技术特征摘要】
1.一种基于深度学习的火电厂风险预警方法，其特征在于，包括：
2.根据权利要求1所述的火电厂风险预警方法，其特征在于，所述所有监测参数包括有监测温度、监测压力、用于反映振动情况的监测参数、用于反映设备操作情况的监测参数、用于反映设备运行情况的监测参数、环境监测参数、用于反映门禁运行情况的监测参数、用于反映视频ai分析结果的监测参数、用于反映巡检情况的监测参数和/或用于反映人员行为监测情况的监测参数；
3.根据权利要求1所述的火电厂风险预警方法，其特征在于，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
4.根据权利要求1所述的火电厂风险预警方法，其特征在于，对所述所有监测参数的历史时序数据进行特征降维及特征选取处理，得到多个目标风险关联监测参数的历史时序数据，包括：
5.根据权利要求1所述的火电厂风险预警方法，其特征在于，所述多个深度学习模型包括有分类与回归树、感知机、多层感知机、循环神经网络、长短期记忆网络、自编码器和/或变分自编码器。
6.根据权利要求1所述的火电厂风险预警方法，其特征在于，所述优化算法采用粒子群优化算法、牛顿优化算法、遗传优化算法、灰狼优化算法、鲸鱼优化算法或金枪...
【专利技术属性】
技术研发人员：赵伟，李立，靳涛，李斌，
申请(专利权)人：北京网藤科技有限公司，
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。