[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

说明书

本申请涉及智慧电厂发电设备领域，尤其是针对发电机定子部件重要状态参量的参考值计算方式的一种面向发电设备状态参量参考值的增量式计算框架方法。本方法基于局部敏感哈希算法分别对发电设备相关历史数据和新增数据在保留信息特征的前提下，适当进行数据聚合，可以通过减少计算开销，而非更新计算硬件的方式达到增量计算的目的。并且本发明相较于传统的增量式计算方法，具有计算速度快，计算开销小，计算精度高等特点。

技术领域

本申请涉及智慧电厂发电设备领域，尤其是针对发电机定子部件重要状态参量的参考值计算方式的一种面向发电设备状态参量参考值的增量式计算方法。

背景技术

随着“互联网+”智慧能源发展意见的推进，以智能管控一体化系统为核心的智慧电厂应运而生。智慧电厂对传感器采集数据进行全面整合处理，进行管理决策制定，以期形成一套覆盖火力发电厂全生命周期的智能传感、智能执行、智能控制、智能优化和智能管控的技术方案。其中智能管控技术以自学习、自分析为依托，通过对设备机组的海量历史数据进行数据挖掘，结合输入和输出对象建立系统工况模型，再通过实时运行数据与建立的历史工况模式进行比对，实现对设备缺陷或故障的预判或诊断。因此，准确地对设备重要状态参量进行参考值计算和阈值分析，是智能管控模块的关键技术。

目前，针对发电设备状态参量参考值的计算方法主要包括基于统计学的计算方法，基于机器学习和深度学习的回归计算方法。前者通过状态参量及其相关特征的因果关系和关联关系进行相关回归，如最小二乘法等，但计算效果通常受制于回归函数复杂程度。后者通过建立有监督的输入和输出黑盒模型，对状态参量进行不同工况下的数值拟合，得益于机器学习和深度学习模型的非线性函数组合和复杂度可调节网络，目前在参考值计算精度上获得了广泛的应用。

在设备正常老化和负荷峰谷周期交替等多中因素的影响下，设备状态参量存在多变性，为保证模型的时效性，状态参量计算模型需要定期对新采集数据进行增量式计算。目前采用的增量式计算模型，直接将新采集数据与历史数据在时间维度上进行拼接，视作新的训练集对模型进行校验更新。在传感器采样频率高、采样点繁多的背景下，上述增量式计算方法容易造成训练集数据爆发式增长，对计算硬件的内存和性能要求极为严苛。

虽然发电设备具有工况多变的特性，但也不乏长时间工作于同一工况下的情况，导致同一时段内所采集的数据通常富有冗余性。因此，对发电设备相关数据在保留信息特征的前提下，适当进行数据聚合，可以通过减少计算开销，而非更新计算硬件的方式达到增量计算的目的，具有一定的实际应用意义。

发明内容

本发明的目的在于解决发电机定子部件重要状态参量参考值的增量式计算问题，提供了一种面向发电设备状态参量参考值的增量式计算框架方法，主要应用于发电设备中大数据的增量式计算过程，减少数据大量增长对计算硬件的压力。

本发明的技术内容如下：

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；这里最小时间单位可以自定义为周、月、年等时间单位用以提取历史数据。

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；

步骤四具体是将原始数据按照最小时间单位分为多个待聚合数据z，对每个z分别进行基于局部敏感哈希算法的数据聚合得到每个最小时间单位的聚合后数据z′，其中每个z′与z对应，将所有z′进行级联拼接，组合成新的待聚合数据，再次进行数据聚合，生成小样本数据模板D₀