[发明专利]一种基于工况变化的电力环保设施参数关联模型学习方法

说明书

本发明公开一种基于工况变化的电力环保设施参数关联模型学习方法。所述基于工况变化的电力环保设施参数关联模型学习方法包括：步骤1，参数关联模型初始化：基于离线数据利用SBN算法初始参数关联模型，得到关系系数矩阵；步骤2，工况关键参数选取：选取电力环保设施工况关键参数，作为衡量工况变化的依据；步骤3，工况变化检测：利用滑动窗口对各参数进行突变检测，将工况关键参数发生突变的时间戳作为工况变化的时间戳；步骤4，参数关联模型更新：基于上次工况变化时刻至当前工况变化前一时刻内的数据，对已有参数关联模型进行局部更新，并对更新后的模型进行可视化。本发明的有益效果为：能够通过检测实时工况变化，动态更新参数关联模型，使其具有建模非稳态突变过程的能力，实现随时间变化的参数依赖关系刻画，为专业人员进一步分析设备之间内在的相关性提供帮助。

技术领域

本发明属于计算机应用技术领域，具体涉及的是一种基于工况变化的电力环保设施参数关联模型学习方法。

背景技术

电力环保设施数据是典型的工业大数据，具有多源、高维及流数据特征。它们来源于不同机组的不同设备或机组内部不同的传感器，还可能包含气温、天气等客观因素，维度往往非常高。另外，这类数据存在明显的时间序列特性，其数据量依赖于传感器的采样频率，分布也可能随时间变化而发生变化，难以用稳态模型进行建模和分析。

作为一类具有强大不确定性知识表达和推理能力的概率图模型，贝叶斯网络通过有向无环图直观刻画参数之间的内在依赖关系，能够帮助专业人员深入理解它们的潜在关联关系，并为故障诊断提供结构基础。然而，现有的贝叶斯网络结构学习方法往往假设数据服从平稳分布，训练不变的网络结构来表征参数间的依赖关系；或是基于新来数据频繁地对现有结构进行整体更新，使关联模型能够与数据变化保持一致。尽管采用这两类方法也能完成参数关联模型的建立，但前者无法反映数据中不断变化的非平稳依赖关系，精度将随着时间的推移而逐渐降低；后者则存在大量的时间开销，难以满足电力环保设施状态监测过程中的高实时化需求。因此，检测合理的突变点以实现参数关联模型的动态学习，使各阶段模型能够与数据内在依赖关系变化相吻合，是非常有必要的。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种基于工况变化的电力环保设施参数关联模型学习方法。它在训练初始参数关联模型及选取电力环保设施工况关键参数后，利用滑动窗口对各参数进行突变检测，确定工况变化的时间戳，然后基于前后两个工况变化时间戳内的数据，使用SBN算法局部更新现有参数关联模型，得到与该工况对应的最新参数关联模型并可视化。

为达成上述目的，本发明采用如下技术方案：一种基于工况变化的电力环保设施参数关联模型学习方法包括：

步骤1，参数关联模型初始化：基于离线数据利用SBN算法初始参数关联模型，得到关系系数矩阵；

步骤2，工况关键参数选取：选取电力环保设施工况关键参数，作为衡量工况变化的依据；

步骤3，工况变化检测：利用滑动窗口对各参数进行突变检测，将工况关键参数发生突变的时间戳作为工况变化的时间戳；

步骤4，参数关联模型更新：基于上次工况变化时刻至当前工况变化前一时刻内的数据，对已有参数关联模型进行局部更新，并对更新后的模型进行可视化。

优选地，步骤1具体包括如下步骤：步骤1.1：对离线数据进行正则化预处理；步骤1.2：使用稀疏贝叶斯网络(Sparse Bayesian Network，SBN)算法对预处理后的离线数据进行贝叶斯网络结构学习，建立有向无环图，以关系系数矩阵形式表示结果。

优选地，步骤2具体包括如下步骤：步骤2.1：选取电力环保设施工况关键参数，作为衡量工况变化的依据。