[发明专利]一种面向发电设备状态参量参考值的增量式计算方法

权利要求书

1.一种面向发电设备状态参量参考值的增量式计算方法，其特征在于，包括如下步骤：

步骤一、从离线存储数据库以最小时间单位提取历史数据；

步骤二、以每个最小时间单位历史数据为待聚合数据z；

步骤三、对待聚合数据z进行基于局部敏感哈希算法的数据聚合，得到聚合后的数据z′；

步骤四、将各历史数据中最小时间单位聚合后的数据进行级联拼接，作为新的待聚合数据，通过步骤三基于局部敏感哈希算法进行数据聚合，将得到的聚合后的数据作为原始小样本数据模板D₀保存至在线计算数据库中；

步骤五、建立基于深度神经网络搭建待计算状态参量的回归计算模型，loss损失函数选取均方根误差；

步骤六、以小样本数据模板D₀为训练集，所有历史最小时间单位源数据Z₀为验证集，对步骤五所建立的回归计算模型进行训练和误差评估，若验证集状态参量实测值与计算值的均方根小于预设阈值ρ₂，将该模型保存至在线计算数据库中作为后续状态参量计算的初始化模型；

步骤七、对离线存储数据库最近新增一个最小时间单位的数据Z_t，将其与过去3-12个最小时间单位数据组成新的验证模板Z_v，保存至在线计算数据库中；

步骤八、将新增数据Z_t作为待聚合数据进行步骤三所述的基于局部敏感哈希算法的数据聚合，得到聚合后的数据Z′_t，并将其与上一最小时间单位小样本数据模板D_t-1级联拼接，作为新的待聚合数据，通过步骤三所述的基于局部敏感哈希算法进行数据聚合，将得到的聚合后的数据作为原始小样本数据模板D_t保存至在线计算数据库中，此时，小样本数据模板D_t既包含历史数据信息，也涵盖本最小时间单位新增的模式特点；

步骤九、以小样本数据模板D_t为训练集，验证数据模板Z_v为验证集，对与步骤五中相同结构的回归计算模型进行训练，若新训练模型在验证数据模板Z_v上的均方根误差小于在线计算数据库中保存的回归计算模型误差，则用新训练回归模型替代原模型，保存在在线计算数据库中；

步骤十、提取在线计算数据库中回归计算数据模型，以待计算状态参量的相关特征数据X_c为输入，计算得到状态参量的参考值y_c；

所述步骤三中的基于局部敏感哈希算法的数据聚合算法，具体步骤如下：

步骤(1).对每条数据经哈希函数映射后的数值

上式中，随机矩阵均满足N～(0,1)标准正态分布，r₀为预设敏感阈值，共同构成哈希函数H(.)，T表示矩阵转置；

步骤(2).对映射后的h^l＝[h₁,h₂,...,h_S]的每一维数值h_s通过符号函数进行0，1二进制编码，作为每条数据的键值k^l＝[k₁,k₂,...,k_S]进行标记，每条数据可记为(k^l,z^l)；提取月数据的键值集合K＝{k₁,k₂,...,k_Q}，对每个键值建立Q个独立的哈希桶，并将具有相同键值的数据归入对应的哈希桶中；

上式中，sgn(.)为符号函数；

步骤(3).对每个哈希桶中数据每次取出两条数据作为数据对进行欧式距离计算，其中J代表键值为k_q的哈希桶中的数据条数，分别代表键值为k_q哈希桶中的第i条和第m条不同的数据，i≠m；若两者间距离小于预设距离阈值ρ₁，则对数据对进行中心聚合为新数据加入桶中进行后续距离计算比较，数据对不放回桶中；反之则将数据对放回桶中，直至该哈希桶中不存在小于预设距离阈值的数据对；

上式中，且

步骤(4)、将Q个哈希桶中剩余数据，进行级联拼接，得到原始数据z对应的聚合数据其中z_q′为键值为k_q哈希桶的剩余数据,L′为聚合数据样本数，且L′L，通常在5000以内；

步骤五中模型具体为：

g_i+1＝σ(A_i·g_i+B_i)

上式中A_i和B_i代表第i层神经网络的神经元权重和偏置，σ(.)为激活函数，可取sigmoid、tanh或relu，g_i和g_i+1分别代表第i层神经网络的输入和输出，y_j和分别代表第j个样本的实测值和模型计算值。

2.根据权利要求1所述的一种面向发电设备状态参量参考值的增量式计算方法，其特征在于，所述步骤一中，所示每最小时间单位历史数据其中L代表月所记录的时序数据条数，每条数据由需计算的状态参量的测量值及该参量相关的特征测量值组成，l代表该月的第l条数据，N代表每条数据所记录的特征维数，通常情况下L200000，N15。