[发明专利]一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法

说明书

本发明属于电力设备特性分析技术领域，具体涉及一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法。提取方法包括获取设备的运行数据；进行差分特征的提取、融合和数据归一化处理；构建卷积神经网络特性提取模型，通过提取模型对原始特征数据进行处理，采用多个卷积层合并得到降维数据。预测步骤包括对特征矩阵打标签；对特征矩阵进行划分；搭建网络模型的分类层；设定损失函数对网络模型进行训练；进行故障预测。采用卷积神经网络深度学习算法，深度提取数据特征，表征设备特性，更加符合实际需求。

技术领域

本发明属于电力设备特性分析技术领域，具体涉及一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法。

背景技术

发电机组的设备特性表征设备不同运行工况下的运行状态，是有效进行机组设备故障诊断和预测的基础和前提。然而在机组实际运行过程中，受多方面因素的影响，机组设备的运行具有复杂性、多变性等特点，传统的机组设备特性分析方法，很难全面表征机组设备的运行状态，进而影响了故障诊断和预测的准确性，直接影响了发电机组的正常运行，严重影响着发电厂的安全和经济运行。在当前大数据背景下，运用有效的方法，通过分析机组设备运行数据，对机组设备进行设备特性提取工作至关重要。

传统的机组设备特性分析方式主要有两种：方式一：根据机理公式及设计曲线，建立设备运行工况的机理公式模型，作为设备随着运行工况变换的特性，反应设备的运行状态。方式二：主要方法为进行典型工况下的现场扰动试验，获取不同工况变换对设备输出特性影响的试验数据，进行工况试验涉及到工况选择，试验设计等一系列工作。而故障诊断和预测基本方式为：基于设备的运行特性，分析设备的诊断规则，建立基于专家知识的诊断系统；或提取特征表征设备在故障下的运行特性，使用ANN、SVM、模糊识别等识别算法实现基于机器学习的故障诊断。尚未见到与本发明相关的研究报道。

发明内容

本发明的目的在于弥补现有方法的不足，提出一种机组设备特性提取的方法。它是通过数据模型的方法，基于融合差分特征，改进卷积神经网络，提出采用多层卷积神经网络层和并的方式，结合池化层对特征数据进行进一步加工提取，从而提取和表征设备特性。它可以不用依赖专业人员的知识和工作经验，基于海量数据，自动学习到设备不同工况下数据规律，表征设备的运行特性，为机组设备自动提取特性以及故障诊断和预测提供了有效方法，试验表明，该方法对自动实现机组设备特性提取具有重要意义。

为实现上述目的，本发明提供如下技术方案：一种基于差分特征融合的卷积神经网络的设备特性提取方法，包括：

获取设备的运行数据；

对所述运行数据进行差分特征的提取、融合和数据归一化处理，得到原始特征数据；

构建卷积神经网络特性提取模型，通过所述卷积神经网络特性提取模型对所述原始特征数据进行处理，采用多个卷积层合并得到降维数据。

进一步的，在利用卷积神经网络处理所述原始特征数据前对所述原始特征数据进行预处理，包括删除无效数据、缺失值处理，具体包括：

检测“拉直线数据”，对所述“拉直线数据”的各个指标，记录“拉直线”时间段，然后删除“拉直线”时间段对应的样本数据；

对于有缺失记录的某条样本，若缺失指标数小于等于2，则对该样本缺失值进行填充，填充值为缺失指标对应的指标的均值；若缺失指标数大于2，则认为该样本无效，删除该样本。

进一步的，所述获取设备的运行数据包括在系统数据库中，选取影响目标设备运行的指标，并按照一定的取数间隔，从系统数据库中读取设备运行的历史数据。其中数据为设备包含多个指标的正常和故障的运行数据，并表示为矩阵形式。

进一步的，所述对运行数据进行差分特征的提取、融合处理包括提取运行数据的1阶差分、2阶差分特征，并与所述原始特征数据进行融合；所述对运行数据进行差分特征的数据归一化处理包括根据设备的各个运行数据或差分特征的规格和数值范围，采用公式