[发明专利]一种基于DBN网络的发电设备参数预警方法

说明书

本发明属于发电设备在线监测与故障诊断领域，并公开了一种基于DBN网络的发电设备参数预警方法。该预警方法包括：(a)获取发电设备运行参数数据；(b)建立设备运行参数之间交叉拟合的DBN网络模型；(c)训练DBN网络模型；(d)利用已训练网络模型实时获取目标参数预测值；(e)实时比较设备运行参数实际值与预测值进行参数预警。本发明根据设备当前运行参数反映设备状态这一基本想法，利用设备参数之间的相关性建立参数之间的交叉拟合模型，采用小批量训练方法实现了模型的增量训练。通过本发明，解决了变负荷工况下时间序列模型不准确的问题，同时可以避免设备维修活动和自然劣化对模型准确性的影响，提高设备安全经济运行能力。

技术领域

本发明属于发电设备在线监测与故障诊断领域，更具体地，涉及一种基于DBN网络的发电设备参数预警方法。

背景技术

随着我国电力改革的不断深入和跨大区互联电网的快速发展，发电设备安全可靠性运行已成为各大发电企业关注的重点问题。可以说发电设备安全可靠运行直接关乎企业生存，而传统的设备故障后处理模式已不能满足新形式下发电安全性，不仅不能保证发电设备运行的可靠性，而且无形中增加了维护成本。因此，能将设备隐患消除的萌芽状态的智能故障预警技术应运而生。

早期的智能故障预警技术是在检测技术的基础上，通过设备运行数据，综合领域专家知识建立专家系统。专家系统诊断结果的准确性主要取决于领域专家对故障知识的了解程度以及表述能力，因此，专家系统在使用过程中存在建立过程复杂、诊断准确性难以保证等缺点。随着传感器技术和数据库技术的发展，各发电企业储备了海量的发电设备运行参数，数据挖掘技术开始应用到发电设备故障预警上。工程师利用数据挖掘技术对海量数据进行分析，可以发现设备运行参数的变化规律和设备运行参数之间的关系，因此，可以方便地对设备运行参数进行预测，从而提前预知设备运行状态。数据挖掘技术较专家系统技术需要更少的人工经验和人工干预。

现在较流行的方法是利用设备运行参数历史数据，通过人工神经网络等机器学习算法来预测运行参数未来的数据来实现参数预警，通过调查发现，时间序列模型是发电设备运行参数预测的主要实现方式，即通过采集一段时间内某一运行参数的值，通过时间序列预测下一时刻该参数的值，这个过程中没有考虑由于其他参数的变化引起该参数发生的变化，也就是说当发电设备运行工况出现非计划调整时会出现严重偏差，例如，运行参数中的设备负载发生了变化，通过时间序列模型预测时，没有考虑负载这个参数的影响，因此最终的预测结果将会出现严重偏差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于DBN网络的发电设备参数预警方法，通过采集设备多个运行参数的历史数据和当前数据来构建和训练DBN网络模型，利用设备运行参数之间的相关性来预测运行参数下一时刻的监测值，由此解决设备运行工况出现非计划调整时时间序列模型预测不准确的技术问题。

为实现上述目的，按照本发明，提供了一种基于DBN网络的发电设备参数预警方法，其特征在于，该预警方法包括下列步骤：

(a)选取待处理发电设备的多个运行参数作为采样对象，并记录所述运行参数的数量，分别获取每个运行参数对应的历史运行数据和当前运行数据，并形成历史数据集和当前运行数据集；

(b)选取DBN网络作为所述运行参数预警的网络模型，根据步骤(a)中所述运行参数的数量确定该DBN网络模型的结构，并选取该DBN网络模型相应的激活函数，由此完成所述DBN网络模型的建立；

(c)利用步骤(a)中所述历史数据集中的数据训练所述DBN网络模型，通过在训练过程中调整该DBN网络模型隐藏层层数和各层神经元个数，从而使得训练误差和训练时间均最小，由此得到最优DBN网络模型；

(d)将步骤(a)所述当前运行数据集中的数据作为所述最优DBN网络模型的输入，经过该最优DBN网络模型运行后输出所述运行参数对应的预测值；