电站设备故障监测模型生成方法、系统及装置与流程

1.本发明涉及电站监测技术领域，尤其是涉及一种电站设备故障监测模型生成方法、系统及装置。


背景技术：

2.在现有技术中，故障监测(fault detection)是使用当系统发生故障时，对其及时发现和确认，并给予相应的显示或报警。较早的监测到故障可以对即将出现的问题做出重要警告，进而采取适当措施，避免严重事故发生。pca(principle component analysis)故障监测方法属于统计学习领域的故障监测方法。它具有效率高，计算方便并不依赖故障变量的特点，近年来被广泛使用。
3.电站设备故障监测是电站安全经济运行的重要环节，不断提高监测方法的准确性能够有效保障电站人身和财产安全，对于整个国民经济与和谐社会的发展都有着积极的意义。同时，由于电站是一个典型的多模式系统，不同工况下的参数呈现不同的统计特性，单个pca监测模型难以学习这样的统计特性，因此不能得到较好的监测效果。


技术实现要素：

4.本发明的目的在于提供一种电站设备故障监测模型生成方法、系统及装置，旨在解决现有技术中的上述问题。
5.本发明提供一种电站设备故障监测模型生成方法，包括：
6.预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；
7.通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为k
‑
means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；
8.将确定的聚类中心集作为fcm算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的pca模型，完成训练过程。
9.本发明提供一种电站设备故障监测模型生成系统，包括：
10.标准化模块，用于预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；
11.聚类模块，用于通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为k
‑
means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；
12.训练模块，用于将确定的聚类中心集作为fcm算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的pca模型，完成训练过程。
13.本发明实施例还提供一种电站设备故障监测模型生成装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述电站设备故障监测模型生成方法的步骤。
14.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述电站设备故障监测模型生成方法的步骤。
15.采用本发明实施例，通过监测模型充分利用历史数据训练结果，能够显著减少训练时间，将十分有利于工业过程在线监测过程。此外，通过使用聚类方法降低建模复杂度，有效解决多模式下故障监测问题，并且计算复杂度满足在线监测的要求。本发明实施例的技术方案无需人工先验知识支持，完全由数据驱动，满足各种多模式故障监测的需求，有利于解决复杂模型的故障监测问题。
16.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
17.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明实施例的电站设备故障监测模型生成方法的流程图；
19.图2是本发明实施例的电站设备故障监测模型生成方法的详细流程图；
20.图3是本发明实施例的电站设备故障监测模型生成系统的示意图；
21.图4是本发明实施例的电站设备故障监测模型生成装置的示意图。
具体实施方式
22.鉴于现有技术中存在的问题，聚类算法可以有效降低模型复杂度，简化多模式系统的统计特性，是解决多模式故障监测的有效方法。目前，由于簇群个数对于聚类效果有着显著的影响。因此，利用calinski
‑
harabasz分数值来搜索最优的簇群数是非常有效的方法。而基于kfcm的聚类算法有着类似于人工分类的推理逻辑，更适合多模式问题的聚类分类。因此，本发明实施例提供了一种机器学习领域中的基于kfcm和pca模型的故障监测方法、系统及装置。其中，该方法先将数据库中保存的正常历史工况数据进行标准化处理来获取训练样本，再运用kfcm算法对训练样本进行分类处理并建立fcm模型，根据不同类别分别建立pca监测模型。测试样本经由标准化处理后，由fcm模型确定模型隶属度，经由各模型监测统计量加权得到监测结果。本发明方法使pca监测模型充分利用历史数据训练结果，能够显著提高多工况状态下pca的监测准确率，十分有利于工业过程监测，特别是电站设备过程监测。
23.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技
术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
25.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
26.方法实施例
27.根据本发明实施例，提供了一种电站设备故障监测模型生成方法，图1是本发明实施例的电站设备故障监测模型生成方法的流程图，如图1所示，根据本发明实施例的电站设备故障监测模型生成方法具体包括：
28.步骤101，预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；
29.步骤102，通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为k
‑
means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；步骤102具体包括：
30.通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数具体包括：
31.根据公式1，通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数：
[0032][0033]
其中，s(k)表示类间方差与类内方差之间的比值，b
k
为表示类间方差，w
k
表示类内方差，tr(*)表示矩阵的迹，即矩阵对角线元素和，m为聚类数目，k为当前的类别。
[0034]
步骤103，将确定的聚类中心集作为fcm算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的pca模型，完成训练过程。步骤103具体包括：
[0035]
将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型具体包括：
[0036]
根据公式2和公式3将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型：
[0037][0038][0039]
其中，u
ij
为第i个样本隶属于第j种类型的隶属度，x
i
为第i个样本，c
j
为第j个聚类中心，c
k
为第k个聚类中心，k＝1,2，
…
，c，m为加权指数，用于控制分区的模糊性，c为聚类中心的数量，c
j
为更新后的聚类中心，n为样本数量，为更新后的隶属度矩阵。
[0040]
在本发明实施例中，还可以进一步包括：
[0041]
将现场数据经由标准化处理获取测试样本集，并经由fcm模型确定测试样本集的隶属度，并由各pca监测模型获取监测统计量，并根据监测统计量和隶属度加权获取最终监测结果。
[0042]
以下结合附图，对本发明实施例的上述技术方案进行详细说明。
[0043]
本发明实施例为解决多模式故障监测问题而提出一种基于kfcm和pca模型的故障监测方法，包括如下步骤：
[0044]
步骤1，将数据库中保存大量历史正常数据经标准化处理获取训练样本集d＝{x1，x2，...，x
l
}，预先设定初始训练样本集的最大容量m；
[0045]
步骤2，通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数，计算式如(a)式所示；
[0046][0047]
步骤3，将步骤2确定的最优簇群数作为k
‑
means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；
[0048]
步骤4，将步骤3确定的聚类中信集作为fcm算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型，具体迭代建模过程如式(b)和(c)；
[0049][0050]
[0051]
步骤5，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的pca模型，至此训练过程完成；
[0052]
步骤6，将现场数据经由标准化处理获取测试样本集t＝{x1，x2，
…
，x
l
}；
[0053]
步骤7，测试样本集经由fcm模型确定其隶属度，再由各pca监测模型获取监测统计量，并根据监测统计量和隶属度加权获取最终监测结果。
[0054]
下面以电站设备故障监测为例来介绍本发明提供的多模式建模方法的具体实施步骤，整个故障监测过程主要由模型离线训练和模型在线监测组成。详细流程如图2所示：
[0055]
步骤1，来自dcs的现场数据通过“网络交换机”进入“数据输入接口机”；
[0056]
步骤2，电站历史数据和实时运行数据分别经由数据预处理环节后，分别获取不同工况训练样本和监测样本；
[0057]
步骤3，利用聚类评估方法确定簇群个数后，将训练样本经由k
‑
means算法初始化簇心，再将簇群个数和簇心作为初参数迭代训练fcm模型；
[0058]
步骤4，训练样本经由fcm模型分类后，训练子pca监测模型，完成训练过程；
[0059]
步骤5，监测样本经由fcm模型获取样本隶属度，经由各子pca建模模型加权获取监测结果；
[0060]
步骤6，借助已获得的故障监测模型在线实时监测电站设备故障状态，并通过故障监测系统将监测数据和指导意见输出到客户端。
[0061]
综上所述，采用本发明实施例，通过监测模型充分利用历史数据训练结果，能够显著减少训练时间，将十分有利于工业过程在线监测过程。此外，通过使用聚类方法降低建模复杂度，有效解决多模式下故障监测问题，并且计算复杂度满足在线监测的要求。本发明实施例的技术方案无需人工先验知识支持，完全由数据驱动，满足各种多模式故障监测的需求，有利于解决复杂模型的故障监测问题。
[0062]
系统实施例
[0063]
根据本发明实施例，提供了一种电站设备故障监测模型生成系统，图3是本发明实施例的电站设备故障监测模型生成系统的示意图，如图3所示，根据本发明实施例的电站设备故障监测模型生成系统具体包括：
[0064]
标准化模块30，用于预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；
[0065]
聚类模块32，用于通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为k
‑
means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；所述聚类模块32具体用于：
[0066]
根据公式1，通过计算比较不同簇群下训练数据下的calinski
‑
harabasz分数值，确定最优的簇群数：
[0067][0068]
其中，s(k)表示类间方差与类内方差之间的比值，b
k
为表示类间方差，w
k
表示类内方差，tr(*)表示矩阵的迹，即矩阵对角线元素和，m为聚类数目，k为当前的类别。
[0069]
训练模块34，用于将确定的聚类中心集作为fcm算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型，根据最大隶属度将训练数据进行
分类，并根据不同类别建立相应的pca模型，完成训练过程。所述训练模块34具体用于：
[0070]
根据公式2和公式3将训练数据经由算法训练确定数据的簇群隶属度并建立fcm模型：
[0071][0072][0073]
其中，u
ij
为第i个样本隶属于第j种类型的隶属度，x
i
为第i个样本，c
j
为第j个聚类中心，c
k
为第k个聚类中心，k＝1,2，
…
，c，m为加权指数，用于控制分区的模糊性，c为聚类中心的数量，c
j
为更新后的聚类中心，n为样本数量，为更新后的隶属度矩阵。
[0074]
在本发明实施例中，上述系统进一步包括：
[0075]
监测模块，用于将现场数据经由标准化处理获取测试样本集，并经由fcm模型确定测试样本集的隶属度，并由各pca监测模型获取监测统计量，并根据监测统计量和隶属度加权获取最终监测结果。
[0076]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0077]
装置实施例一
[0078]
本发明实施例提供一种电站设备故障监测模型生成装置，如图4所示，包括：存储器40、处理器42及存储在所述存储器40上并可在所述处理42上运行的计算机程序，所述计算机程序被所述处理器42执行时实现如方法实施例中所述的步骤。
[0079]
装置实施例二
[0080]
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器42执行时实现如方法实施例中所述的步骤。
[0081]
本实施例所述计算机可读存储介质包括但不限于为：rom、ram、磁盘或光盘等。
[0082]
需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于基于区块链的服务提供方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的电站设备故障监测模型生成方法的实施，重复之处不再赘述。
[0083]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0084]
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然
而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmable logic device，pld)(例如现场可编程门阵列(field programmable gate array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very
‑
high
‑
speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0085]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0086]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0087]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0088]
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存
储器等)上实施的计算机程序产品的形式。
[0089]
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0090]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0091]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0093]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0094]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0095]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0096]
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机
存储介质中。
[0097]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0098]
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。