CN114912640A - 基于深度学习的发电机组的异常模式检测方法及系统 - Google Patents
基于深度学习的发电机组的异常模式检测方法及系统 Download PDFInfo
- Publication number
- CN114912640A CN114912640A CN202210603255.1A CN202210603255A CN114912640A CN 114912640 A CN114912640 A CN 114912640A CN 202210603255 A CN202210603255 A CN 202210603255A CN 114912640 A CN114912640 A CN 114912640A
- Authority
- CN
- China
- Prior art keywords
- data
- trend
- generator set
- abnormal
- real
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 208000024891 symptom Diseases 0.000 claims abstract description 73
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 38
- 230000015654 memory Effects 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000000203 mixture Substances 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 230000006403 short-term memory Effects 0.000 description 10
- 230000007787 long-term memory Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Eletrric Generators (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本申请提出了一种基于深度学习的发电机组的异常模式检测方法及系统，该方法包括：获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别和工况划分；通过高斯混合模型确定每个工况下阈值型征兆的基准值，并训练双向长短期记忆网络预测数据趋势；将实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆；获取在实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测目标数据的数据趋势，确定实时数据与数据趋势的偏离程度，提取趋势型征兆；根据提取的征兆确定异常模式。该方法可以从大量运行数据中对异常阶段的数据进行准确的识别，提高异常模式检测的准确性。
Description
技术领域
本申请涉及发电机维护技术领域，尤其涉及一种基于深度学习的发电机组的异常模式检测方法及系统。
背景技术
目前，及时排除发电机组产生的故障，保证发电机组安全的运行已经越来越引起人们的重视。发电机组运行异常模式的识别，是进行故障诊断推理前的必要条件，根据发电机组运行过程中的异常数据，识别出具体的异常模式，可以作为发电机组故障诊断推理的入口。在发电机组运行过程中，由于故障的发生导致发电机组运行数据出现异常，如何正确的识别异常模式，是后续进行故障诊断推理的重要基础。
发电机组运行数据异常检测是对发电机组在当前工况下运行状态是否异常进行衡量，是开展健康维护工作的前提，同时，组件处于健康运行状态下的运行数据是发电机组发电功率预测的基础。通过监测并分析发电机组的实时运行数据，比较当前数据与健康正常运行时数据的差异，从而进行异常模式识别。因此进行发电机组运行状况异常模式识别的重点是建立健康运行状态下数据基准模型。
相关技术中，通常是采用传统的发电机组性能试验和数学模型等方式建立基准模型。然而，由于发电机组运行参数间相互耦合并且受到外部边界条件的影响，呈现出高维、动态且非线性的特点。并且，随着发电机组设备老化以及外界条件的改变，组件的实际基准状态与设计值往往偏差较大。因此，上述相关技术中的方式无法准确的进行基准建模，导致异常模式检测存在较大的误差。
发明内容
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。
为此，本申请的第一个目的在于提出一种基于深度学习的发电机组的异常模式检测方法，该方法利用深度学习模型挖掘数据信息，解决多变量耦合关系在发电机组不同运行边界条件下进行准确的基准建模，并提出了数据清洗流程，清洗后的数据用于模型训练，确保用于模型训练的发电机组运行数据是发电机组处于健康状态的。提高了基准模型的建立准确性，进而提高了异常模式检测的准确性和适用性，有利于及时、准确的对机组故障进行诊断。
本申请的第二个目的在于提出一种基于深度学习的发电机组的异常模式检测系统；
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。
为达上述目的，本申请的第一方面实施例在于提出一种基于深度学习的发电机组的异常模式检测方法，该方法包括以下步骤：
获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分；
通过高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型；
获取所述发电机组的实时数据，将所述实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆；
获取在所述实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，确定所述实时数据与所述数据趋势的偏离程度，提取趋势型征兆；
根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式。
另外，根据本申请上述实施例提出的基于深度学习的发电机组的异常模式检测方法还可以具有如下附加的技术特征：
可选地，在本申请的一个实施例中，根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式之后，还包括：获取通过人工检测或传感器检测获得的补充异常模式；将阈值型异常模式、趋势型异常模式和所述补充异常模式输入所述发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
可选地，在本申请的一个实施例中，双向长短期记忆网络包括输入层、隐藏层和输出层，所述隐藏层包括循环体结构，所述通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，包括：将所述目标数据中的多个特征参数输入至双向长短期记忆网络，通过所述隐藏层挖掘每个特征参数在所述相邻预设时段与当前时段之间的联系。
可选地，在本申请的一个实施例中，确定所述实时数据与所述数据趋势的偏离程度，包括：在所述实时数据与所述数据趋势开始产生差别时，基于置信区间的方式判断所述偏离程度，所述置信区间的表达式如下所示：
p{c1<m<c2}＝1-α
其中，p表示概率，α表示显著水平，c1和c2表示显著水平下的两个统计量，m表示实时数据与数据趋势间的差别。
可选地，在本申请的一个实施例中，对剔除异常数据后的历史运行数据进行稳态判别，包括：选取所述发电机组的发电功率作为稳态判别的判别特征；计算相邻两个时刻发电功率的差值；通过时间窗口内样本统计量的均值对所述发电功率的变化速率进行估计；基于置信区间估计的方式，估计所述发电功率的变化速率的置信区间内是否包括零，若是，则判定在所述时间窗口对应的时段内所述发电机组处于稳态工况。
可选地，在本申请的一个实施例中，对稳态的历史运行数据进行工况划分，包括：人工确定多个边界条件，并根据边界条件的特征确定每个所述边界条件对应的特征区间的大小；组合每个所述特征区间，并通过以下公式进行等间隔工况划分：
Ci＝(Ai,Ai+ΔA)∩(Bi,Bi+ΔB)...(Di,Di+ΔD)
s.t.Ai＜＜Amin,Ai+ΔA＞＞Amax,Bi＜＜Bmin,Bi+ΔB＞＞Bmax,...Di＜＜Dmin,Di+ΔD＞＞Dmax
其中，A、B和D分别表示不同的边界条件，Ci表示由多个特征区间交集共同决定的第Ci个工况，ΔA、ΔB和ΔD分别表示不同的边界条件的工况划分间隔。
为达上述目的，本申请的第二方面实施例还提出了一种基于深度学习的发电机组的异常模式检测系统，包括以下模块:
划分模块，用于获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分；
训练模块，用于构建高斯混合模型，通过所述高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型；
第一提取模块，用于获取所述发电机组的实时数据，将所述实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆；
第二提取模块，用于获取在所述实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，确定所述实时数据与所述数据趋势的偏离程度，提取趋势型征兆；
确定模块，用于根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式。
可选地，在本申请的一个实施例中，该系统还包括：第一获取模块，用于获取通过人工检测或传感器检测获得的补充异常模式；第二获取模块，用于将阈值型异常模式、趋势型异常模式和所述补充异常模式输入所述发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
可选地，在本申请的一个实施例中，双向长短期记忆网络包括输入层、隐藏层和输出层，所述输出层包括循环体结构，所述第二提取模块，具体用于：将所述目标数据中的多个特征参数输入至双向长短期记忆网络，通过所述隐藏层挖掘每个特征参数在所述相邻预设时段与当前时段之间的联系。
为了实现上述实施例，本申请第三方面实施例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实施例中的基于深度学习的发电机组的异常模式检测方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请利用深度学习模型挖掘发电机组正常运行状态同参数间的复杂映射规律，解决多变量耦合关系影响基准建模的问题，可以在发电机组的不同运行边界条件下进行准确的基准建模，通过阈值型异常模式识别方法和趋势型异常模式识别方法对发电机组实时运行数据进行异常模式识别，适用于发电机组实际运行时的不同工况。并且，提出了数据清洗流程，将清洗后的数据用于模型训练，确保用于模型训练的发电机组运行数据是发电机组处于健康状态的。由此，提高了建立基准模型的准确性和针对性，进而提高了异常模式检测的准确性和适用性，有利于及时、准确的对机组故障进行诊断，通过对故障征兆的早期识别，及时进行调整维护，避免异常参数向后发展生成故障，实现早期故障预警，提高了发电机组的安全性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种基于深度学习的发电机组的异常模式检测方法的流程图；
图2为本申请实施例提出的一种发电机组的稳态工况的判别方法的流程图；
图3为本申请实施例提出的一种循环体结构的结构示意图；
图4为本申请实施例提出的一种具体的基于深度学习的发电机组的异常模式检测方法的流程图；
图5为本申请实施例提出的一种基于深度学习的发电机组的异常模式检测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图详细描述本发明实施例所提出的一种基于深度学习的发电机组的异常模式检测方法和系统。
图1为本申请实施例提出的一种基于深度学习的发电机组的异常模式检测方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分。
其中，本申请针对的发电机组可以是风力发电机组等新能源系统中的发电机组，也可以是燃气轮机等其他各种类型的发电机组。
其中，异常数据是指在实际应用中由于数据采集装置老化、电子元器件接触不良和环境因素影响等原因，导致的测量数据中存在的不符合发电机组正常输出特性的异常点。进行稳态判别即区分机组处于稳态工况或非稳态工况，在发电机组实际运行过程中，由于天气因素等非预期因素的影响，发电机组运行时可能存在非稳态工况与稳态工况交替出现的场景，因此需要进行稳态、非稳态工况的判别。
具体的，在通过不同的方式，比如，读取系统数据库中存储的历史数据，获取发电机组的历史运行数据后，先从中剔除异常数据。作为一种示例，可以预先结合历史经验和专家知识，以及运用大数据分析技术对海量的发电机组数据进行统计分析，设置符合发电机组正常输出特性的数据阈值，当运行数据处于该阈值限制的范围内，则表示该数据符合发电机组正常输出特性的基本要求。然后，通过该阈值范围对获取的发电机组的历史运行数据进行筛选，剔除在该阈值范围之外的异常数据。
在本申请一个实施例中，在剔除异常数据后，还可以通过插值或去平均值等方式对筛除的空白值进行补齐，以在保证数据的准确性的基础上，尽可能确保获取的机组历史数据在不同时间阶段的完整性。
进一步的，对剔除异常数据后的历史运行数据进行稳态判别，由于非稳态工况下发电机组的输入与输出参数之间不能保证较强的一致性，因此，本申请为建立准确的基准模型，先进行稳态工况和非稳态工况的划分，剔除非稳态工况下产生的非稳态数据。
在本申请一个实施例中，为了更加清楚的说明本申请进行稳态判别的具体实现过程，下面以本申请实施例中提出的一种发电机组的稳态工况的判别方法进行示例性说明，如图2所示，该方法包括以下步骤：
步骤S201，选取发电机组的发电功率作为稳态判别的判别特征。
其中，发电机组处于稳态过程中，特征参数在一段时间内保持不变或发生微小变化。而发电功率作为特征参数，具有在稳态过程中波动小、非稳态过程波动大的特点。因此选取发电功率作为判别特征，能够很好地反应稳态和非稳态过程。
具体实施时，先将风电机组的输出功率表示为如下公式所示的包含发电功率的变化速率的表达式：
pt＝p0+mt+δ
其中，pt和p0分别表示t时刻发电功率的测量值和真实值，t为任一正整数，m表示发电功率的变化速率，δ表示发电功率的随机误差，且δ服从正态分布。
步骤S202，计算相邻两个时刻发电功率的差值。
需要说明的是，稳态与非稳态过程的差别在于发电功率响应速率是否为0，因此需要对m值的大小进行估计。
具体的，对m值大小的估计，采用相邻两个时刻发电功率的差值，即将上述变化速率的表达式在两个相邻两个时刻下相减得到差值，计算过程如下公式所示：
Δp＝pt-pt-1＝m+(δt-δt-1)
其中，pt-1表示t-1时刻发电功率的测量值，其余各参数的含义可参照上述示例中的解释。
步骤S203，通过时间窗口内样本统计量的均值对发电功率的变化速率进行估计。
具体的，上述两个时刻发电功率的差值的期望为m，且由于εt～N(0,σ2)，即Δp～N(m,2σ2)，根据时间序列的性质，m可以采用时间窗口内样本统计量的均值进行估计，具体计算公式如下所示：
其中，h表示滑动时间窗口内样本数目。
步骤S204，基于置信区间估计的方式，估计发电功率的变化速率的置信区间内是否包括零，若是，则判定在时间窗口对应的时段内发电机组处于稳态工况。
具体的，为保证估计的可靠性，本申请采用置信区间估计方法，具体公式如以下所示：
p{m1<m<m2}＝1-α
其中，m1和m2是给定置信水平α下的两个统计量，当存在1-α的置信水平则认为m的真实值在置信区间(m1，m2)内，因此，可以根据置信区间内是否包括零，判断目标风电机组在时间窗口t-1至t内是否处于稳态工况，在本实施例中区间(m1，m2)不包含0，则判定在该时间段内，处于非稳态工况。
由此，本申请实施例的稳态工况的判别方法，可以准确判断发电机组在某一时间段内处于稳态或非稳态工况，进而在判断在该时间段内处于非稳态工况时，可以将非稳态工况下生成的非稳态数据剔除，保证获取的历史数据中发电机组的输入与输出参数之间的一致性。
本申请将获取的历史运行数据中混有的无效和非稳态的数据剔除，实现了数据清洗，将清洗后的数据用于模型训练。从而确保后续基于该数据进行深度学习确定的基准模型的准确性。
更进一步的，对发电机组进行稳态和非稳态判别后，对稳态的数据进行工况划分。在本申请中的工况划分是指对发电机组在不同的工作负荷、环境温度和风速等边界条件下的工况划分，划分工况选用特定的多个边界条件，边界条件是对机组的状态特征有直接或间接影响的参数，边界条件具体包含的参数和数量可根据实际需要确定。
在本申请一个实施例中，对稳态的历史运行数据进行工况划分，包括以下步骤：首先，人工确定多个边界条件，并根据边界条件的特征确定每个边界条件对应的特征区间的大小。具体的，本实施例可以采用人工确定边界条件，并按照等间隔划分的方式确定工况网格，然后将样本数据按照不同边界条件投放到不同工况中。该划分方式首先确定边界条件，根据边界条件的特征确定区间大小，具体实施时，可以遍历清洗后的历史运行数据，通过比较确定每个边界条件的最大值和最小值，从而确定区间大小，再获取预设的每个运行工况特征参数的工况划分间隔。
然后，组合每个特征区间，并通过以下公式进行等间隔工况划分：
Ci＝(Ai,Ai+ΔA)∩(Bi,Bi+ΔB)...(Di,Di+ΔD)
s.t.Ai＜＜Amin,Ai+ΔA＞＞Amax,Bi＜＜Bmin,Bi+ΔB＞＞Bmax,...Di＜＜Dmin,Di+ΔD＞＞Dmax
其中，A、B和D分别表示不同的边界条件，比如，A、B和D可以分别表示温度、负荷和扭矩等，该式表示选用特定的边界条件可以包括多个，即边界条件B和边界条件D间还可以存在其他的边界条件，Amin表示该边界条件的最小值，Amax表示该边界条件的最大值，以此类推。Ci表示由多个特征区间交集共同决定的第Ci个工况，ΔA、ΔB和ΔD分别表示不同的边界条件的工况划分间隔。
由此，本申请对发电机组的工况进行划分，便于后续针对不同的工况建立基准模型，提高基准值确定的针对性。
步骤S102，通过高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型。
需要说明的是，本申请对异常模式检测即确定相应的异常征兆，异常征兆是识别故障模式与原因发生的证据，比如，征兆可以是“发电机组输出电压下降”等。本申请针对的异常征兆包括阈值型征兆和趋势型征兆，
其中，阈值型征兆提取基于历史数据的挖掘，对历史数据进行工况划分，确定每个工况下的基准值，从而确定阈值型征兆边界，后续再与实时数据进行对比，达到判断阈值型征兆的目的。根据特征参数变化的不同，可以采用不同的基准值确定方法。趋势型征兆主要表现为相关特征指标的“上升”、“下降”和“不稳定波动”等趋势，趋势型征兆的特征参数具有时序性，随着时间的变化逐步开始变化。
其中，高斯混合模型是一种半参数的概率密度估计方法，它融合了参数估计法与非参数估计法的优点，不局限于特定的概率密度函数形式，如果模型中成员足够多，它能够以任意精度逼近任意的连续分布。双向长短期记忆网络(Bidirectional Long Short TermMemory Network，简称BiLSTM)是基于长短期记忆人工神经网络(LSTM)发展而来，是一种可以进行向前传播和向后传播的时间循环神经网络，对时序性数据的挖掘、预测的能力较强。
具体的，对发电机组进行工况划分后，要对该工况下的机组运行状态进行感知，针对阈值型征兆的特征参数，可以通过获得其基准值，然后将实时值与基准值进行对比，从而进行异常判断，因此阈值型征兆的提取首先需要建立基准值，本申请采用高斯混合模型进行基准值获取。
具体实施时，作为一种可能的实现方式，首先确定多元高斯混合模型概率分布表达式如以下公式所示：
其中，X是L维参数数据列向量，X＝[x1x2,...,xL]T，K为子模型的混合数，ωk是混合模型的权重系数，且
φ(X|θk)是第k个子模型的多元单一高斯概率密度函数，可以通过以下公式计算：
然后，通过最大期望值算法(Expectation Maximum，EM)估计高斯混合模型的参数。EM是一种迭代算法，通过迭代求取极大似然的参数值，用于含有隐含变量的概率模型的参数估计，其目标函数如以下公式所示：
其中，X为参数变量，K为子模型个数，φk(X|θk)为第K个子模型的概率密度函数，ωk为第K个子模型的权重系数。本实施例中进行估计时，可以先估计GMM参数的粗略值，再使用获取的粗略值最大化似然函数。
然后，通过赤池信息准则AIC确定高斯混合模型的子模型个数。其中，AIC评价准则建立在熵的概念上，提供了一种权衡模型复杂度与拟合数据优良的评价办法，其定义如以下公式所示：
AIC＝2K-2ln(L)
其中，K是子模型个数，ln(L)代表模型的对数似然函数。
需要说明的是，随着子模型个数的增加，模型复杂度也随之增加，AIC的值会减小后增大。因此，本申请实施例选择AIC最小时对应的子模型个数，作为GMM的最佳子模型个数。由此，本申请实施例通过对GMM的参数估计并结合AIC准则确定子模型个数，对单一工况下的数据样本依据相似性进行聚类。进而通过GMM可依次对划分后的每个工况下的数据样本进行聚类。
最后，在完成聚类后选取发电效率最高的一类的平均值作为基准样本类。在本申请实施例中，将基准定义为在当前运行边界条件下，实际可达到的最高机组运行效率对应的参数值，因此，选取发电效率最高的数据作为基准样本。
进一步的，在通过高斯混合模型确定阈值型征兆的基准值后，针对趋势型征兆，训练双向长短期记忆神经网络预测特征参数趋势。
需要说明的是，故障的萌发到产生影响是一个过程，在故障发生前期，故障相关的故障征兆可以通过相关特征参数反映出来，反映发电机组异常模式的异常征兆涉及工况参数的变化，其中参数还随着时间的变化而产生不同的影响。针对发电机组参数时序性的特点，本申请利用双向长短期记忆网络学习并记忆序列长期信息的优点预测特征参数的趋势。
其中，数据趋势可近似看作特征参数从前一时刻至下一时刻间的变化趋势，而可以理解的是，由于双向长短期记忆网络能够准确的获取输入序列中每个结点的上下文信息，挖掘未来到过去时刻数据的联系，因此通过训练完成的双向长短期记忆网络可以预测输入的数据的趋势。
在本申请一个实施例中，先构建双向长短期记忆网络，包括输入层、隐藏层和输出层，隐藏层中包括如图3所示的循环体结构，图中各x表示输入的特征参数，y表示对应的特征参数的预测值，S和A可视为中间计算变量，设置为将每一个输入序列正向和反向都经过一次循环神经网络，从而可以获取每个结点完整的过去和未来的上下文信息。作为一种示例，本申请构建的LSTM的形式化表示如下：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot⊙tanh(ct)
其中xt、ht-1、ct-1分别表示t时刻的输入、t-1时刻的输出、t-1的单元状态。⊙代表点乘运算，σ是sigmoid函数，tanh表示双曲正切函数，W*分别表示对应状态的权重，b*表示偏值项。
更进一步的，在构建双向长短期记忆网络后，将进行工况划分后的数据作为训练数据对双向长短期记忆网络进行训练。具体实施时，在本申请一个实施例中，针对每个工况训练双向长短期记忆网络对该工况下数据趋势的预测能力，将每个工况下的历史运行数据按照预设的比例划分为训练集、验证集和测试集，通过训练集中的数据对模型进行训练，具体训练方式可参照相关技术中的训练方法，比如，包括前向计算每个神经元的输出值、反向计算每个神经元的误差项值、计算每个权重的梯度并通过随机梯度下降算法更新权重等，具体训练过程此处不再赘述。在训练完成后，通过测试集中的数据测试向长短期记忆网络预测的准确度是否符合要求。
步骤S103，获取发电机组的实时数据，将实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆。
具体的，获取发电机组的实时数据，确定实时数据所对应的工况，然后获取预先确定的该工况下的阈值型征兆的基准值，再将该阈值型征兆的基准值与实时数据进行对比，判断实时数据是否在阈值型征兆的基准值之外，若是，则提取阈值型征兆，即识别出当前的实时数据存在阈值型征兆。
需要说明的是，本申请提取阈值型征兆可以为零，即当实时数据处于阈值型征兆的基准值范围内，则确定实时数据中不存在阈值型异常数据。
步骤S104，获取在实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测目标数据的数据趋势，确定实时数据与数据趋势的偏离程度，提取趋势型征兆。
其中，目标数据是在实时数据前一时段内的历史数据，在步骤S103进行阈值型征兆的提取后，即使当前时刻的数据在指定时间段时处于基准值对应的正常区间内，但可能该时段数据整体已有异常的趋势，比如，数据逐渐上升，因此，本申请还获取在实时数据之前的相邻预设时段内的目标数据，并输入至训练完成的双向长短期记忆网络预测目标数据的数据趋势，当实际数据偏离预测模型预测的趋势的程度无法接受时，则可以认为发生趋势型征兆。
具体实施时，通过训练完成的双向长短期记忆网络预测目标数据的数据趋势，包括将目标数据中的多个特征参数输入至双向长短期记忆网络，通过隐藏层挖掘每个特征参数在相邻预设时段与当前时段之间的联系，即预测目标数据的趋势，包括各参数在当前时段内不同时刻的数值。然后，确定实时数据与预测的数据趋势的偏离程度，当偏离程度大于相应值时，识别出趋势型故障征兆。
在本申请一个实施例中，确定实时数据与数据趋势的偏离程度，包括在实时数据与数据趋势开始产生差别时，基于置信区间的方式判断偏离程度，置信区间的表达式如下所示：
p{c1<m<c2}＝1-α
其中，p表示概率，α表示显著水平，c1和c2表示显著水平下的两个统计量，m表示实时数据与数据趋势间的差别。即，本申请实施例中偏离程度采用置信区间方式判断，当特征参数趋势与模型预测的效果不同，且持续超出预测模型的置信区间，则认定发生异常。
步骤S105，根据提取的阈值型征兆和趋势型征兆确定异常模式。
具体的，若提取出阈值型征兆，则确定检测出阈值型异常模式，若提取出阈值型征兆，则确定检测出阈值型异常模式。
在本发明一个实施例中，根据提取的阈值型征兆和趋势型征兆确定异常模式之后，还包括获取通过人工检测或传感器检测获得的补充异常模式，将阈值型异常模式、趋势型异常模式和补充异常模式输入发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
具体而言，补充异常模式是无法通过数据获得的征兆对应的其他类型的异常模式，可近似视为通过肉眼观测或仪器检测到的异常情况等，比如，人为的看到白烟、听到轰鸣声，或者通过传感器检测到发电机组表面结冰等。本申请除了通过对数据进行分析检测异常模式，还通过人工检测或传感器检测等实际检测方式检测出异常模式，提高了异常模式识别的全面性。
进一步的，将上述实施例中获取的各类异常模式将作为机组故障诊断推理机的输入征兆，输入各个发电机组对应的机理诊断知识库进行推理，确定相应的故障模式、故障原因以及故障措施，通过对故障征兆的早期识别，及时进行调整维护，避免异常参数发展产生异常，进而避免故障发生，实现早期故障预警。
由此，本申请针对故障模式中的阈值型征兆和趋势型征兆进行分析，首先对发电机组历史数据进行工况划分，区分出稳态工况、非稳态工况，为后续特征提取模型的训练提供支撑。然后针对不同的征兆类型采用不同的提取方法，对于阈值型征兆提取采用高斯混合模型获得基准值的方法，将特征参数与基准值作对比，当特征参数离开基准值区间，判定发生阈值型异常模式。对于趋势型征兆提取采用双向长短期记忆神经网络预测特征参数趋势的方法，将特征参数输入到预测模型中，当特征参数趋势与模型预测的效果不同，且持续超出预测模型的置信区间，判定发生趋势型异常模式。
综上所述，本申请实施例的基于深度学习的发电机组的异常模式检测方法，利用深度学习模型挖掘发电机组正常运行状态同参数间的复杂映射规律，解决多变量耦合关系影响基准建模的问题，可以在发电机组的不同运行边界条件下进行准确的基准建模，通过阈值型异常模式识别方法和趋势型异常模式识别方法对发电机组实时运行数据进行异常模式识别，适用于发电机组实际运行时的不同工况。并且，提出了数据清洗流程，将清洗后的数据用于模型训练，确保用于模型训练的发电机组运行数据是发电机组处于健康状态的。由此，该方法提高了建立基准模型的准确性和针对性，进而提高了异常模式检测的准确性和适用性，有利于及时、准确的对机组故障进行诊断，通过对故障征兆的早期识别，及时进行调整维护，避免异常参数向后发展生成故障，实现早期故障预警，提高了发电机组的安全性。
为了更加清楚地说明本申请实施例的基于深度学习的发电机组的异常模式检测方法的流程，下面以一个具体的对发电机组的异常模式进行检测的实施例进行详细说明。图4为本申请实施例提出的一种具体的基于深度学习的发电机组的异常模式检测方法的流程示意图。如图4所示，该方法包括以下步骤：
步骤S401,获取历史数据。
步骤S402,进行工况划分。
具体的，在本步骤包括以下子步骤：
步骤S4021,剔除启停机数据。本步骤即剔除发电机组启停机时的异常数据点。
步骤S4022,划分稳态工况与非稳态工况。本步骤中还将非稳态工况下的数据剔除。
步骤S4023,进行基于边界条件的工况划分。
步骤S403，进行模型训练。
具体的，在本步骤包括以下子步骤：
步骤S4031，训练GMM模型聚类基准值。
步骤S4032，基于深度学习训练BiLSTM模型预测参数趋势。
步骤S404，提取故障特征。
具体的，在本步骤包括以下子步骤：
步骤S4041，提取阈值型征兆。
步骤S4042，提取趋势型征兆。
需要说明的是，在本实施例中，各步骤的具体实现方式可参照上述实施例的描述，具体实现构成相似，此处不再赘述。
为了实现上述实施例，本申请还提出了一种基于深度学习的发电机组的异常模式检测系统，图5为本申请实施例提出的一种基于深度学习的发电机组的异常模式检测系统的结构示意图，如图5所示，该系统包括划分模块100、训练模块200、第一提取模块300、第二提取模块400和确定模块500。
其中，划分模块100，用于获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分。
训练模块200，用于构建高斯混合模型，通过高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型。
第一提取模块300，用于获取发电机组的实时数据，将实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆。
第二提取模块400，用于获取在实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测目标数据的数据趋势，确定实时数据与数据趋势的偏离程度，提取趋势型征兆。
确定模块500，用于根据提取的阈值型征兆和趋势型征兆确定异常模式。
可选地，在本申请的一个实施例中，该系统还包括：第一获取模块，用于获取通过人工检测或传感器检测获得的补充异常模式；第二获取模块，用于将阈值型异常模式、趋势型异常模式和补充异常模式输入发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
可选地，在本申请的一个实施例中，双向长短期记忆网络包括输入层、隐藏层和输出层，隐藏层包括循环体结构，第二提取模块，具体用于：将目标数据中的多个特征参数输入至双向长短期记忆网络，通过隐藏层挖掘每个特征参数在相邻预设时段与当前时段之间的联系。
可选地，在本申请的一个实施例中，第二提取模块400还用于：在实时数据与数据趋势开始产生差别时，基于置信区间的方式判断所述偏离程度，置信区间的表达式如下所示：
p{c1<m<c2}＝1-α
其中，p表示概率，α表示显著水平，c1和c2表示显著水平下的两个统计量，m表示实时数据与数据趋势间的差别。
可选地，在本申请的一个实施例中，划分模块100具体用于：选取发电机组的发电功率作为稳态判别的判别特征；计算相邻两个时刻发电功率的差值；通过时间窗口内样本统计量的均值对发电功率的变化速率进行估计；基于置信区间估计的方式，估计发电功率的变化速率的置信区间内是否包括零，若是，则判定在时间窗口对应的时段内发电机组处于稳态工况。
可选地，在本申请的一个实施例中，划分模块100还用于：人工确定多个边界条件，并根据边界条件的特征确定每个边界条件对应的特征区间的大小；
组合每个特征区间，并通过以下公式进行等间隔工况划分：
Ci＝(Ai,Ai+ΔA)∩(Bi,Bi+ΔB)...(Di,Di+ΔD)
s.t.Ai＜＜Amin,Ai+ΔA＞＞Amax,Bi＜＜Bmin,Bi+ΔB＞＞Bmax,...Di＜＜Dmin,Di+ΔD＞＞Dmax
其中，A、B和D分别表示不同的边界条件，Ci表示由多个特征区间交集共同决定的第Ci个工况，ΔA、ΔB和ΔD分别表示不同的边界条件的工况划分间隔。
需要说明的是，前述对基于深度学习的发电机组的异常模式检测方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述
综上所述，本申请实施例的基于深度学习的发电机组的异常模式检测系统，利用深度学习模型挖掘发电机组正常运行状态同参数间的复杂映射规律，解决多变量耦合关系影响基准建模的问题，可以在发电机组的不同运行边界条件下进行准确的基准建模，通过阈值型异常模式识别方法和趋势型异常模式识别方法对发电机组实时运行数据进行异常模式识别，适用于发电机组实际运行时的不同工况。并且，将清洗后的数据用于模型训练，确保用于模型训练的发电机组运行数据是发电机组处于健康状态的。由此，该系统提高了异常模式检测的准确性和适用性，有利于及时、准确的对机组故障进行诊断，通过对故障征兆的早期识别，及时进行调整维护，避免异常参数向后发展生成故障，实现早期故障预警，提高了发电机组的安全性。
为了实现上述实施例，本申请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如上述实施例中任一所述的基于深度学习的发电机组的异常模式检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习的发电机组的异常模式检测方法，其特征在于，包括以下步骤：
获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分；
通过高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型；
获取所述发电机组的实时数据，将所述实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆；
获取在所述实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，确定所述实时数据与所述数据趋势的偏离程度，提取趋势型征兆；
根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式。
2.根据权利要求1所述的方法，其特征在于，所述根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式之后，还包括：
获取通过人工检测或传感器检测获得的补充异常模式；
将阈值型异常模式、趋势型异常模式和所述补充异常模式输入所述发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
3.根据权利要求1或2所述的方法，其特征在于，所述双向长短期记忆网络包括输入层、隐藏层和输出层，所述隐藏层包括循环体结构，所述通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，包括：
将所述目标数据中的多个特征参数输入至双向长短期记忆网络，通过所述隐藏层挖掘每个特征参数在所述相邻预设时段与当前时段之间的联系。
4.根据权利要求3所述的方法，其特征在于，所述确定所述实时数据与所述数据趋势的偏离程度，包括：
在所述实时数据与所述数据趋势开始产生差别时，基于置信区间的方式判断所述偏离程度，所述置信区间的表达式如下所示：
p{c1＜m＜c2}＝1-α
其中，p表示概率，α表示显著水平，c1和c2表示显著水平下的两个统计量，m表示实时数据与数据趋势间的差别。
5.根据权利要求1所述的方法，其特征在于，所述对剔除异常数据后的历史运行数据进行稳态判别，包括：
选取所述发电机组的发电功率作为稳态判别的判别特征；
计算相邻两个时刻发电功率的差值；
通过时间窗口内样本统计量的均值对所述发电功率的变化速率进行估计；
基于置信区间估计的方式，估计所述发电功率的变化速率的置信区间内是否包括零，若是，则判定在所述时间窗口对应的时段内所述发电机组处于稳态工况。
6.根据权利要求1所述的方法，其特征在于，所述对稳态的历史运行数据进行工况划分，包括：
人工确定多个边界条件，并根据边界条件的特征确定每个所述边界条件对应的特征区间的大小；
组合每个所述特征区间，并通过以下公式进行等间隔工况划分：
Ci＝(Ai,Ai+ΔA)∩(Bi,Bi+ΔB)...(Di,Di+ΔD)
s.t.Ai＜＜Amin,Ai+ΔA＞＞Amax,Bi＜＜Bmin,Bi+ΔB＞＞Bmax,...Di＜＜Dmin,Di+ΔD＞＞Dmax
其中，A、B和D分别表示不同的边界条件，Ci表示由多个特征区间交集共同决定的第Ci个工况，ΔA、ΔB和ΔD分别表示不同的边界条件的工况划分间隔。
7.一种基于深度学习的发电机组的异常模式检测系统，其特征在于，包括：
划分模块，用于获取发电机组的历史运行数据,并对剔除异常数据后的历史运行数据进行稳态判别，对稳态的历史运行数据进行工况划分；
训练模块，用于构建高斯混合模型，通过所述高斯混合模型确定每个工况下阈值型征兆的基准值，并通过工况划分后的历史运行数据训练双向长短期记忆网络作为数据趋势的预测模型；
第一提取模块，用于获取所述发电机组的实时数据，将所述实时数据与对应工况下的阈值型征兆的基准值进行对比，提取阈值型征兆；
第二提取模块，用于获取在所述实时数据之前的相邻预设时段内的目标数据，通过训练完成的双向长短期记忆网络预测所述目标数据的数据趋势，确定所述实时数据与所述数据趋势的偏离程度，提取趋势型征兆；
确定模块，用于根据提取的所述阈值型征兆和所述趋势型征兆确定异常模式。
8.根据权利要求7所述的系统，其特征在于，还包括：
第一获取模块，用于获取通过人工检测或传感器检测获得的补充异常模式；
第二获取模块，用于将阈值型异常模式、趋势型异常模式和所述补充异常模式输入所述发电机组的诊断知识库进行推理，并获取返回的故障模式、故障原因和故障维护措施。
9.根据权利要求7或8所述的系统，其特征在于，所述双向长短期记忆网络包括输入层、隐藏层和输出层，所述隐藏层包括循环体结构，所述第二提取模块，具体用于：
将所述目标数据中的多个特征参数输入至双向长短期记忆网络，通过所述隐藏层挖掘每个特征参数在所述相邻预设时段与当前时段之间的联系。
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1-6中任一所述的基于深度学习的发电机组的异常模式检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210603255.1A CN114912640A (zh) | 2022-05-30 | 2022-05-30 | 基于深度学习的发电机组的异常模式检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210603255.1A CN114912640A (zh) | 2022-05-30 | 2022-05-30 | 基于深度学习的发电机组的异常模式检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912640A true CN114912640A (zh) | 2022-08-16 |
Family
ID=82770802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210603255.1A Pending CN114912640A (zh) | 2022-05-30 | 2022-05-30 | 基于深度学习的发电机组的异常模式检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912640A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423158A (zh) * | 2022-08-17 | 2022-12-02 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组数据趋势的预测分析方法及系统 |
| CN117010191A (zh) * | 2023-08-04 | 2023-11-07 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
| CN117390501A (zh) * | 2023-12-13 | 2024-01-12 | 骊阳(广东)节能科技股份有限公司 | 基于人工智能的工业燃气发电机组系统状态监测方法 |
| CN118362888A (zh) * | 2024-06-20 | 2024-07-19 | 锦州汉拿航空科技有限公司 | 用于起动电机的电性能测试方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
| CN113888353A (zh) * | 2021-09-29 | 2022-01-04 | 华能(浙江)能源开发有限公司清洁能源分公司 | 分布式光伏发电设备的能效诊断方法、系统及介质 |
| CN114021932A (zh) * | 2021-10-28 | 2022-02-08 | 华能利津风力发电有限公司 | 风电机组的能效评价与诊断方法、系统及介质 |
-
2022
- 2022-05-30 CN CN202210603255.1A patent/CN114912640A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
| CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
| CN113888353A (zh) * | 2021-09-29 | 2022-01-04 | 华能(浙江)能源开发有限公司清洁能源分公司 | 分布式光伏发电设备的能效诊断方法、系统及介质 |
| CN114021932A (zh) * | 2021-10-28 | 2022-02-08 | 华能利津风力发电有限公司 | 风电机组的能效评价与诊断方法、系统及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 韩林洁等: ""基于BiLSTM的滚动轴承剩余使用寿命预测"", 《制作业自动化》, vol. 42, no. 5, 31 May 2020 (2020-05-31), pages 47 - 50 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423158A (zh) * | 2022-08-17 | 2022-12-02 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组数据趋势的预测分析方法及系统 |
| CN117010191A (zh) * | 2023-08-04 | 2023-11-07 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
| CN117010191B (zh) * | 2023-08-04 | 2024-03-19 | 贵州北盘江电力股份有限公司光照分公司 | 一种水轮发电机组的异常状态识别方法及系统 |
| CN117390501A (zh) * | 2023-12-13 | 2024-01-12 | 骊阳(广东)节能科技股份有限公司 | 基于人工智能的工业燃气发电机组系统状态监测方法 |
| CN117390501B (zh) * | 2023-12-13 | 2024-02-13 | 骊阳(广东)节能科技股份有限公司 | 基于人工智能的工业燃气发电机组系统状态监测方法 |
| CN118362888A (zh) * | 2024-06-20 | 2024-07-19 | 锦州汉拿航空科技有限公司 | 用于起动电机的电性能测试方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
| Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
| Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| Mo et al. | Multi-head CNN-LSTM with prediction error analysis for remaining useful life prediction | |
| CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
| CN110763997A (zh) | 一种同步电机定子早期故障预警方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
| CN116070508A (zh) | 一种桥梁健康状态预测预警方法 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN117469105A (zh) | 基于条件变分自编码器的叶片结冰识别方法及系统 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
| CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
| CN116777109A (zh) | 风力发电机组设备状态评估方法及系统 | |
| Atamuradov et al. | Segmentation based feature evaluation and fusion for prognostics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |