[发明专利]一种基于快速自主学习的电厂设备实时故障预警方法

说明书

本发明涉及故障预警技术领域，具体为一种基于快速自主学习的电厂设备实时故障预警方法，采用快速高效的机器学习实现海量数据的分钟级快速训练和秒级快速预测，实现电厂设备实时在线故障预警，其主要步骤包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练。能够对电厂设备故障相关的多个测点的海量数据在普通计算机服务器环境下进行分钟级快速学习，减少模型训练时间成本和计算资源，减少预警模型开发人员的专业依赖和数据分析人力成本，通过秒级快速学习能够实现对设备运行数据进行实时收集和自主学习，对预警模型进行实时动态修正，从而提高模型的预警精度。

技术领域

本发明涉及故障预警技术领域，具体为一种基于快速自主学习的电厂设备实时故障预警方法。

背景技术

目前的电厂设备故障在线监测大都是通过单测点固定阈值的方式实现，比如某个温度点超温等，该类方法只能采用单个测点监测方式进行故障识别，无法对多测点的内在关联关系进行故障识别，从而实现提前预警能力；常规的基于机器学习的电厂设备故障预警方法虽然采用多测点数据学习的方式进行监测，但大都采用固定残差阈值方式进行故障捕捉，每一个故障监测相关测点的固定残差阈值往往需要依赖专家经验和现场设备历史数据分析，造成建模人员设备专业依赖度高、数据分析成本高等缺点；常规的面对海量数据的电厂设备故障实时预警大都采用大数据学习算法，比如深度学习算法等，该类算法具有训练时间长，训练消耗资源大等缺点，消耗时间通常以周计，只能通过在高性能计算机或集群的硬件系统上完成离线训练后，最终将训练好的模型下发到电厂设备运行测进行实时预测，无法实现持续数据积累方式的机器学习模型在线自主学习，无法实现预警模型的动态修正，一旦模型产生误报，则需要对模型进行再次离线训练，造成模型二次训练周期长、成本高。鉴于此，我们提出一种基于快速自主学习的电厂设备实时故障预警方法。

发明内容

本发明的目的在于提供一种基于快速自主学习的电厂设备实时故障预警方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于快速自主学习的电厂设备实时故障预警方法，包括：快速自主学习模型训练；快速自主学习模型在线预测；快速自主学习模型在线训练；其中，

快速自主学习模型训练包括以下步骤：

步骤A1：采集预警模型相关的历史数据，并进行相关的数据预处理，形成原始数据集

步骤A2：对采集的历史数据集进行平均值标准差计算，形成历史数据特征；

步骤A3：通过KMeans快速聚类机器学习算法，形成电厂设备运行自主训练识别的k个模式状态，完成聚类核心m_x|s和聚类数据集的计算；

步骤A4：通过高斯混合模型快速训练算法，形成电厂设备运行自主训练识别的高斯核；

步骤A5：最终实现快速自主训练模型的特征构建，完成高斯核协方差矩阵C_x|s的计算完成模型训练；

快速自主学习模型在线预测包括以下步骤：

步骤B1：采集预警模型相关的实时数据，并进行相关的数据预处理，形成原始数据向量

步骤B2：加载训练好的预警模型的特征数据，构造高斯混合模型高斯核

步骤B3：采用轻量级EM迭代算法，完成Θ的迭代计算；

步骤B4：采用基于高斯核距离评判标准的健康度评估算法完成预警模型动态健康度计算，并根据预警模型健康度单一量化指标进行预警逻辑判断，完成模型预测和预警判断；

快速自主学习模型在线训练包括以下步骤：