基于趋势报警的水电站设备实时监控数据监控系统及监控方法与流程

1.本发明属于水电站监控技术领域，尤其涉及一种基于趋势报警的水电站设备实时监控数据监控系统及监控方法。


背景技术：

2.水电站设备在现代工业发展中占据着重要的地位，保证机械设备安全稳定运行是安全生产、保障工业发展的基础。现在水电站设备中安装了实时监控设备状态的传感器，以便于在发生故障时能实时监控及查看。但该方法并不能提前预判故障，因此，急需一种可提前预判故障发生的方法，如根据历史数据对故障趋势进行预判，有效地趋势提取可提供监控水电设备早期预警、评估监控水电设备状态和决策支持信息。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种基于趋势报警的水电站设备实时监控数据监控系统和方法，能有效地从趋势提取可提供监控水电设备早期预警、评估监控水电设备状态和决策支持信息。
4.为了达到以上目的，本发明采用的技术方案为：
5.本方案提供一种基于趋势报警的水电站设备实时监控数据监控系统，包括：
6.数据获取模块，用于分别获取水电站设备当前运行状态的实时监控数据以及预设时间段内的历史数据；
7.报警阈值计算模块，用于对所述历史数据进行预处理，并利用预处理后的历史数据构建趋势报警模型，并根据所述趋势报警模型得到报警阈值；
8.实时输出值计算模块，用于将所述实时监控数据输入至所述趋势报警模型，得到实时输出值；
9.判断模块，用于判断所述实时输出值是否大于报警阈值，当大于所述报警阈值时，则输出报警信号，完成水电站设备实时监控数据的监控。
10.本发明提供了一种基于趋势报警的水电站设备实时监控数据监控方法，包括以下步骤：
11.s1、分别获取水电站设备当前运行状态的实时监控数据以及预设时间段内的历史数据；
12.s2、对所述历史数据进行预处理，并利用预处理后的历史数据构建趋势报警模型，并根据所述趋势报警模型得到报警阈值；
13.s3、将所述实时监控数据输入至所述趋势报警模型，得到实时输出值；
14.s4、判断所述实时输出值是否大于报警阈值，当大于所述报警阈值时，则输出报警信号，完成水电站设备实时监控数据的监控。
15.进一步地，其特征在于，所述步骤s2包括以下步骤：
16.s201、对所述历史数据进行预处理；
17.s202、以预设时间间隔对所述预处理后的历史数据进行切割；
18.s203、对切割后的每一个历史数据进行特征提取；
19.s204、利用预设的卷积神经网络模型确定提取特征对应的权重；
20.s205、利用所述权重对卷积神经网络模型的参数进行调整，构建初始趋势报警模型；
21.s206、从历史数据中提取报警数据集；
22.s207、根据所述报警数据集，利用目标误差对所述初始趋势报警模型进行训练，得到趋势报警模型；
23.s208、将所述预处理后的历史数据输入至所述趋势报警模型，得到报警阈值。
24.再进一步地，所述步骤s201中预处理包括：过滤历史数据中的无效数据以及对历史数据进行去噪处理。
25.再进一步地，所述步骤s207中目标误差的表达式如下：
[0026][0027]
其中，l表示目标误差，y表示报警数据集，y'表示预测数据。
[0028]
再进一步地，所述步骤s208中报警阈值的表达式如下：
[0029]
j＝ads(y
i-tn)
[0030]
yi＝[y*(y
max-y
min
)+y
max
+y
min
]/2
[0031][0032]
xi＝(2*x-x
max-x
min
)/(x
max
+x
min
)
[0033]
其中，j表示报警阈值，yi表示归一化后的报警数据集，tn表示归一化后的历史数据，y表示归一化后的报警评估值，y
max
表示历史数据中的最大值，y
min
表示历史数据中的最小值，b1和b2表示均趋势报警模型的阈值向量，w1和w2均表示趋势报警模型的权值，xi表示经归一化后的实时监控数据，x表示实时监控数据的向量矩阵，x
max
表示实时监控数据的最大值，x
min
表示实时监控数据的最小值。
[0034]
本发明的有益效果：
[0035]
(1)本发明通过水电站历史运行数据构建神经网络模型，并利用该神经网络模型对水电站运行的实时监控数据进行预警，能有效地从趋势提取可提供监控水电设备早期预警、评估监控水电设备状态和决策支持信息，提高了对水电站实时监控的准确性和可靠性，节约了人工成本的技术效果。
[0036]
(2)本发明结合水电站历史数据构建趋势报警模型，并利用报警数据集对该模型进行训练，能有效地提高模型的精度，从而提高对水电站的监控准确性。
附图说明
[0037]
图1为本发明的系统结构示意图。
[0038]
图2为本发明的方法流程图。
具体实施方式
[0039]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0040]
实施例1
[0041]
如图1所示，本发明提供了一种基于趋势报警的水电站设备实时监控数据监控系统，包括：
[0042]
数据获取模块，用于分别获取水电站设备当前运行状态的实时监控数据以及预设时间段内的历史数据；
[0043]
报警阈值计算模块，用于对所述历史数据进行预处理，并利用预处理后的历史数据构建趋势报警模型，并根据所述趋势报警模型得到报警阈值；
[0044]
实时输出值计算模块，用于将所述实时监控数据输入至所述趋势报警模型，得到实时输出值；
[0045]
判断模块，用于判断所述实时输出值是否大于报警阈值，当大于所述报警阈值时，则输出报警信号，完成水电站设备实时监控数据的监控。
[0046]
本发明的工作原理为：首先获取水电站设备当前运行状态的实时监控数据和历史数据，对所述历史数据进行预处理，以预设时间间隔对所述预处理后的历史数据进行切割，对切割后的每一个历史数据进行特征提取；利用预设的卷积神经网络模型确定提取特征对应的权重；利用所述权重对卷积神经网络模型的参数进行调整，构建初始趋势报警模型；从历史数据中提取报警数据集；根据所述报警数据集，利用目标误差对所述初始趋势报警模型进行训练，得到趋势报警模型；将所述预处理后的历史数据输入至所述趋势报警模型，得到报警阈值；将所述实时监控数据输入至所述趋势报警模型，得到实时输出值；判断所述实时输出值是否大于报警阈值，当大于所述报警阈值时，则输出报警信号，完成水电站设备实时监控数据的监控。
[0047]
本发明实施例中，本技术可以根据基于趋势报警的水电站设备实时监控数据监控系统进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。
[0048]
本发明实施例中，基于趋势报警的水电站设备实时监控数据监控系统，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0049]
本发明的有益效果是：本发明通过水电站历史运行数据构建神经网络模型，并利用该神经网络模型对水电站运行的实时监控数据进行预警，能有效地从趋势提取可提供监控水电设备早期预警、评估监控水电设备状态和决策支持信息，提高了对水电站实时监控
的准确性和可靠性，节约了人工成本的技术效果。
[0050]
实施例2
[0051]
如图2所示，本发明提供了一种基于趋势报警的水电站设备实时监控数据监控方法，其实现方法如下：
[0052]
s1、分别获取水电站设备当前运行状态的实时监控数据以及预设时间段内的历史数据；
[0053]
s2、对所述历史数据进行预处理，并利用预处理后的历史数据构建趋势报警模型，并根据所述趋势报警模型得到报警阈值，其实现方法如下：
[0054]
s201、对所述历史数据进行预处理；
[0055]
本发明实施例中，预处理包括：过滤历史数据中的无效数据以及对历史数据进行去噪处理。
[0056]
本发明实施例中，按照预设的过滤规则过滤历史数据和/或实时参数中的无效点、异常点和非法点，周期的可调范围可自由调整。过滤规则包括无效点过滤规则、异常点过滤规则和非法点过滤规则。
[0057]
s202、以预设时间间隔对所述预处理后的历史数据进行切割；
[0058]
s203、对切割后的每一个历史数据进行特征提取；
[0059]
s204、利用预设的卷积神经网络模型确定提取特征对应的权重；
[0060]
本发明实施例中，切割后的每一历史数据对应的权重，表征与切割后的每一历史数据对应的趋势。
[0061]
s205、利用所述权重对卷积神经网络模型的参数进行调整，构建初始趋势报警模型；
[0062]
s206、从历史数据中提取报警数据集；
[0063]
s207、根据所述报警数据集，利用目标误差对所述初始趋势报警模型进行训练，得到趋势报警模型；
[0064]
本发明实施例中，本实施例对趋势报警模型的参数不做限定，如通道数量、卷积核的数量等。
[0065]
例如，趋势报警模型可以包括输入层，且输入层可以用于接收历史数据，可以包括特征提取层，用于对由输入层传输的历史数据进行特征提取。
[0066]
本发明实施例中，目标误差的表达式如下：
[0067][0068]
其中，l表示目标误差，y表示报警数据集，y'表示预测数据；
[0069]
s208、将所述预处理后的历史数据输入至所述趋势报警模型，得到报警阈值。
[0070]
本发明实施例中，j＝ads(y
i-tn)
[0071]
yi＝[y*(y
max-y
min
)+y
max
+y
min
]/2
[0072][0073]
xi＝(2*x-x
max-x
min
)/(x
max
+x
min
)
[0074]
其中，j表示报警阈值，yi表示归一化后的报警数据集，tn表示归一化后的历史数
据，y表示归一化后的报警评估值，y
max
表示历史数据中的最大值，y
min
表示历史数据中的最小值，b1和b2表示均趋势报警模型的阈值向量，w1和w2均表示趋势报警模型的权值，xi表示经归一化后的实时监控数据，x表示实时监控数据的向量矩阵，x
max
表示实时监控数据的最大值，x
min
表示实时监控数据的最小值。
[0075]
s3、将所述实时监控数据输入至所述趋势报警模型，得到实时输出值；
[0076]
s4、判断所述实时输出值是否大于报警阈值，当大于所述报警阈值时，则输出报警信号，完成水电站设备实时监控数据的监控。
[0077]
本发明的有益效果是：本发明通过水电站历史运行数据构建神经网络模型，并利用该神经网络模型对水电站运行的实时监控数据进行预警，能有效地从趋势提取可提供监控水电设备早期预警、评估监控水电设备状态和决策支持信息，提高了对水电站实时监控的准确性和可靠性，节约了人工成本的技术效果。
[0078]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。