基于故障预警技术的火电机组短期可靠性评估方法及装置与流程

本发明涉及火力发电技术领域，尤其涉及一种基于故障预警技术的火电机组短期可靠性评估方法及装置。

背景技术：

火力发电是一种较为特殊的生产系统，一方面要保持机组长期运行，另一方面运行状态要按电网调度要求不断变化。这种运行方式使得各种故障的发生不可避免，而这些故障又会影响生产过程的安全性和经济性。

但目前研究偏向于对机组的故障诊断，不能实现设备的早期故障预警。对于火电机组的可靠性分析趋于传统，研究的是设备的固有可靠性，反映的是设备在其寿命周期内的性能变化趋势，无法反映设备可靠性能的真实水平。

因此，提出一种基于故障预警技术的火电机组短期可靠性评估方法及装置实现了在设备早期故障预警的基础上对火电机组进行可靠性评估，给出未来一段时间内的最大处理曲线。

技术实现要素：

本发明提供了一种基于故障预警技术的火电机组短期可靠性评估方法及装置，实现了在设备早期故障预警的基础上对火电机组进行可靠性评估，给出未来一段时间内的最大处理曲线。

本发明提供了一种基于故障预警技术的火电机组短期可靠性评估方法，包括：

S1、获取火电机组正常状态下的第一段历史数据，将第一段历史数据生成第一观测向量，并根据第一观测向量建立多元状态估计模型；

S2、获取火电机组正常状态下的第二段历史数据，将第二段历史数据生成第二观测向量，将第二观测向量中的第二段历史数据作为表征实际值输入至多元状态估计模型中，得到对应的第一估计值，将全部的第一估计值生成第一估计向量；

S3、利用预置相似度函数根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列，对第一相似度序列进行滑动窗口法处理得到平均相似度曲线，根据平均相似度曲线确认预警阈值；

S4、将待评估的数据生成的第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号；

S5、根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列，对第一相对误差序列进行滑动窗口法处理得到平均相对误差曲线，根据平均相对误差曲线确认最大误差阈值；

S6、获取待评估的数据对应的第三观测向量与第二估计向量的第二相对误差序列，并根据平均相对误差曲线和第二相对误差序列确定故障点；

S7、获取故障点的数据，若故障点的数据大于最大误差阈值，对故障点进行等维更新预测，获取故障点的预测数据；

S8、根据故障点的预测数据对监测参数进行劣化分析，得到机组运行可靠性评估，根据监测参数的劣化度生成预估出力曲线。

作为优选，步骤S3具体包括：

S301、根据层次分析法确定第二观测向量与第一估计向量中每一个监测参数对设备出力的影响权重，并利用预置相似度函数生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列；

S302、对第二观测向量和第一估计向量之间的第一相似度序列采用滑动窗口法处理，得到平均相似度曲线

S303、根据平均相似度曲线确定预警阈值S_wt。

作为优选，预置相似度函数为：

式中，Xo_bs为第二观测向量，X_est为第一估计向量，W_i为第i个监测参数对设备出力的影响权重；

预警阈值其中k为预置预警系数，k>1。

作为优选，步骤S5具体包括：

S501、根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列；

S502、对第一相对误差序列采用滑动窗口法处理，得到平均相对误差曲线；

S503、将平均相对误差曲线中的最大平均相对误差值乘以预置预警系数k，得到最大误差阈值。

作为优选，步骤S6具体包括：

S601、获取待评估的数据对应的第三观测向量与第二估计向量的第二相对误差序列；

S602、确定第二相对误差序列中的数值超过最大误差阈值的异常数据，结合全部异常数据确定故障点。

作为优选，步骤S7具体包括：

S701、获取故障点的所有监测参数的初始数据序列，分别采用指数平滑法和灰色预测法对初始数据序列中的数据依次进行等维更新；

S702、每等维更新一个数据，在初始数据序列的末尾增加一个预测数据，生成更新数据序列，并利用误差平方和、平均绝对误差和平均相对百分误差为检验指标对更新数据序列进行检验，确定等维更新效果最好的预测数据。

作为优选，步骤S8具体包括：

S801、根据故障点的预测数据确定监测参数的劣化度

当x＜x₁时处于正常状态，x₁≤x≤x₂时处于劣化状态，x＞x₂时处于必须停运状态；

S802、根据层次分析法确定各机组故障设备对机组出力的影响权重，代入对监测参数的劣化度分析中，得到机组运行可靠性评估：

其中，x_ij为第i个故障设备第j个异常参数的测量值，m为故障设备个数，n为异常参数个数，x_ijmin为第i个故障设备第j个异常参数的正常阈值，x_ijmax为第i个故障设备第j个异常参数的停机阈值，w_i为第i个故障设备对机组出力的影响权重，w_ij为第i个设备第j个异常参数对设备出力的影响权重；

S803、根据机组可靠性下降程度，对机组降出力处理，生成预估出力曲线：

其中，L_max为机组最大出力限值，L_p为机组最大预估出力。

本发明提供了一种基于故障预警技术的火电机组短期可靠性评估装置，包括：

构建模型模块，用于、获取火电机组正常状态下的第一段历史数据，将第一段历史数据生成第一观测向量，并根据第一观测向量建立多元状态估计模型；

向量生成模块，用于获取火电机组正常状态下的第二段历史数据，将第二段历史数据生成第二观测向量，将第二观测向量中的第二段历史数据作为表征实际值输入至多元状态估计模型中，得到对应的第一估计值，将全部的第一估计值生成第一估计向量；

预警阈值确定模块，用于利用预置相似度函数根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列，对第一相似度序列进行滑动窗口法处理得到平均相似度曲线，根据平均相似度曲线确认预警阈值；

故障预警模块，用于将待评估的数据生成的第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号；

最大误差阈值确定模块，用于根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列，对第一相对误差序列进行滑动窗口法处理得到平均相对误差曲线，根据平均相对误差曲线确认最大误差阈值；

故障点确定模块，用于获取待评估的数据对应的第三观测向量与第二估计向量的第二相对误差序列，并根据平均相对误差曲线和第二相对误差序列确定故障点；

等维更新预测模块，用于获取故障点的数据，若故障点的数据大于预设阈值，对故障点进行等维更新预测，获取故障点的预测数据；

预估处理曲线生成模块，用于根据故障点的预测数据对监测参数进行劣化分析，得到机组运行可靠性评估，根据监测参数的劣化度生成预估出力曲线。

作为优选，预警阈值确定模块具体包括：

第一相似度序列生成子模块，用于根据层次分析法确定第二观测向量与第一估计向量中每一个监测参数对设备出力的影响权重，并利用预置相似度函数生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列；

平均相似度曲线生成子模块，用于对第二观测向量和第一估计向量之间的第一相似度序列采用滑动窗口法处理，得到平均相似度曲线；

预警阈值确定子模块，用于根据平均相似度曲线，确定预警阈值。

作为优选，离散单元具体包括：

离散子单元，用于获取非重复扰动事件，利用符号聚合近似法将非重复扰动事件离散化处理，得到扰动事件电气信息和扰动事件非电气信息；

数据发送子单元，用于将扰动事件电气信息和扰动事件非电气信息发送至局域数据中心，局域数据中心分别统计扰动事件电气信息和扰动事件非电气信息发生的次数。

作为优选，扰动事件电气信息具体包括：监测节点电压等级、扰动事件类型、扰动事件持续时间和扰动幅值特征，其中，扰动事件类型包括：谐波电压含有率越限、谐波电压总畸变率越限、频率偏差越限、电压偏差越限、短时闪变越限、长时闪变越限和电压不平衡度越限。

作为优选，预置相似度函数为：

式中，X_obs为第二观测向量，X_est为第一估计向量，W_i为第i个监测参数对设备出力的影响权重；

预警阈值其中k为预置预警系数，k>1。

从以上技术方案可以看出，本发明具有以下优点：

本发明提供了一种基于故障预警技术的火电机组短期可靠性评估方法，包括：S1、获取火电机组正常状态下的第一段历史数据，将第一段历史数据生成第一观测向量，并根据第一观测向量建立多元状态估计模型；S2、获取火电机组正常状态下的第二段历史数据，将第二段历史数据生成第二观测向量，将第二观测向量中的第二段历史数据作为表征实际值输入至多元状态估计模型中，得到对应的第一估计值，将全部的第一估计值生成第一估计向量；S3、利用预置相似度函数根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列，对第一相似度序列进行滑动窗口法处理得到平均相似度曲线，根据平均相似度曲线确认预警阈值；S4、将待评估的数据生成的第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号；S5、根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列，对第一相对误差序列进行滑动窗口法处理得到平均相对误差曲线，根据平均相对误差曲线确认最大误差阈值；S6、获取待评估的数据对应的第三观测向量与第二估计向量的第二相对误差序列，并根据平均相对误差曲线和第二相对误差序列确定故障点；S7、获取故障点的数据，若故障点的数据大于预设阈值，对故障点进行等维更新预测，获取故障点的预测数据；S8、根据故障点的预测数据对监测参数进行劣化分析，得到机组运行可靠性评估，根据监测参数的劣化度生成预估出力曲线。

本发明中，根据历史数据构建多元状态估计模型，利用多元状态估计模型和预置相似度函数，确认预警阈值，对待评估的数据生成的观测向量代入多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，对第二相似度序列中低于预警阈值的监测参数发出故障预警信号，在发出故障预警信号后，通过生成第二观测向量和第一估计向量之间的第一相对误差序列确定最大误差阈值，再确定第三观测向量与第二估计向量生成的第二相对误差序列的故障点，通过获取故障点的数据，判断故障点的数据大于最大误差阈值时对故障点进行等维更新预测，得到故障点的预测数据，最后根据故障点的预测数据对监测参数进行劣化分析，并生成预估处理曲线，实现了在设备早期故障预警的基础上对火电机组进行可靠性评估，给出未来一段时间内的最大处理曲线。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于故障预警技术的火电机组短期可靠性评估方法的一个实施例的流程示意图；

图2为本发明提供的一种基于故障预警技术的火电机组短期可靠性评估装置的一个实施例的结构示意图,；

图3为引风机变量X向轴振多元状态估计估计结果；

图4为引风机变量X向轴振实际值和多元状态估计估计值之间的相对误差；

图5为故障仿真得到的异常观测向量和估计向量之间的相似度序列；

图6为机组最大预估出力曲线。

具体实施方式

本发明实施例提供了一种基于故障预警技术的火电机组短期可靠性评估方法及装置，实现了在设备早期故障预警的基础上对火电机组进行可靠性评估，给出未来一段时间内的最大处理曲线。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

请参阅图1，本发明实施例提供了一种基于故障预警技术的火电机组短期可靠性评估方法的一个实施例，包括：

101、获取火电机组正常状态下的第一段历史数据，将第一段历史数据生成第一观测向量，并根据第一观测向量建立多元状态估计模型；

需要说明的是，获取能完全覆盖机组设备正常状态下的第一段历史数据，剔除第一段历史数据中的异常变量，将第一段历史数据用第一观测向量表示，根据第一观测向量中数据之间的关联关系建立多元状态估计模型。

102、获取火电机组正常状态下的第二段历史数据，将第二段历史数据生成第二观测向量，将第二观测向量中的第二段历史数据作为表征实际值输入至多元状态估计模型中，得到对应的第一估计值，将全部的第一估计值生成第一估计向量；

需要说明的是，获取能完全负载机组设备正常状态下的第二段历史数据，第二段历史数据与第一段历史数据非重叠，将第二段历史数据用第二观测向量表示，将第二观测向量输入多元状态估计模型中，得到第一估计向量；

1031、根据层次分析法确定每一个监测参数对设备出力的影响权重，并利用预置相似度函数生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列；

需要说明的是，利用层次分析法确定火电机组中每一个监测参数对设备出力的影响权重，并将影响权重引入到预置相似度函数之中，生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列，其中预置相似度函数为：

式中，X_obs为第二观测向量，X_est为第一估计向量，W_i为第i个监测参数对设备出力的影响权重。

1032、对第二观测向量和第一估计向量之间的第一相似度序列采用滑动窗口法处理，得到平均相似度曲线；

需要说明的是，为了消除孤立点和波动的影响，对第二观测向量和第一估计向量之间的第一相似度序列采用滑动窗口法进行平滑处理，得到平均相似度曲线。

1033、根据平均相似度曲线，确定预警阈值；

需要说明的是，根据平均相似度曲线，确定正常干扰下的预警阈值，预警阈值其中k为预置预警系数，k>1。

104、将待评估的数据生成的第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号；

需要说明的是，将待评估的数据用第三观测向量表示，并将第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，再次根据预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，将第二相似度序列中的相似度与预警阈值进行比较，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号。

1051、根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列；

需要说明的是，根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列。

1052、对第一相对误差序列采用滑动窗口法处理，得到平均相对误差曲线；

需要说明的是，同样为了消除孤立点和波动的影响，对第一相对误差序列采用滑动窗口法平滑处理，得到平均相对误差曲线。

1053、将平均相对误差曲线中的最大平均相对误差值乘以预置预警系数k，得到最大误差阈值；

需要说明的是，将平均相对误差曲线中，各监测参数的最大平均相对误差值乘以预置预警系数k，以确定各监测参数的最大误差阈值。

1061、获取待评估的数据对应的第三观测向量与第二估计向量之间的第二相对误差序列；

需要说明的是，获取第三观测向量与第二估计向量之间的第二相对误差序列，即监测参数中第三观测向量代表的待评估的数据及其对应的第二估计向量代表的估计值之间的相对误差。

1062、确定第二相对误差序列中的数值超过最大误差阈值的异常数据，结合全部异常数据确定故障点；

需要说明的是，确定各时刻各监测参数在第二相对误差序列中的数值超过对应的最大误差阈值时，将该时刻该监测参数对应的数据记为异常数据，根据异常数据的统计量来确定故障点。

1071、获取故障点的所有监测参数的初始数据序列，当初始数据序列中的监测值高于预设正常范围时，分别采用指数平滑法和灰色预测法对初始数据序列中的数据依次进行等维更新；

需要说明的是，获取故障点的所有监测参数的初始数据序列，当初始数据序列中的监测值高于预设正常范围时，分别采用指数平滑法和灰色预测法对初始数据序列中的数据依次进行等维更新。

1072、每等维更新一个数据，在初始数据序列的末尾增加一个预测数据，生成更新数据序列，并利用误差平方和、平均绝对误差和平均相对百分误差为检验指标对更新数据序列进行检验，确定等维更新效果最好的预测数据；

需要说明的是，每等维更新一个数据，在初始数据序列的末尾增加一个预测数据，初始数据序列转换为更新数据序列，利用误差平方和、平均绝对误差和平均相对百分误差为检验指标对更新数据序列进行检验，确定等维更新效果最好的预测数据，而下一次的等维更新，是以更新数据序列为基础进行等维更新。

1081、根据故障点的预测数据确定监测参数的劣化度

当x＜x₁时处于正常状态，x₁≤x≤x₂时处于劣化状态，x＞x₂时处于必须停运状态；

需要说明的是，根据故障点的预测数据确定监测参数的劣化度，分为正常状态、劣化状态和停运状态。

1082、根据层次分析法确定各机组故障设备对机组出力的影响权重，代入对监测参数的劣化度分析中，得到机组运行可靠性评估：

其中，x_ij为第i个故障设备第j个异常参数的测量值，m为故障设备个数，n为异常参数个数，x_ijmin为第i个故障设备第j个异常参数的正常阈值，x_ijmax为第i个故障设备第j个异常参数的停机阈值，w_i为第i个故障设备对机组出力的影响权重，w_ij为第i个设备第j个异常参数对设备出力的影响权重；

需要说明的是，根据层次分析法确定各机组故障设备对机组出力的影响权重，代入到监测参数的劣化度分析之中，得到机组运行可靠性评估。

1083、根据机组可靠性下降程度，对机组降出力处理，生成预估出力曲线：

其中，L_max为机组最大出力限值，L_p为机组最大预估出力；

需要说明的是，最终，根据机组可靠性下降程度，对机组进行降出力处理，生成机组的预估处理曲线。

请参阅图3至图4，本发明还提供了一种基于故障预警技术的火电机组短期可靠性评估方法的一个应用例，包括：

建立历史正常工况下的多元状态估计模型：以某电厂引风机为例，计算历史工况下各监测参数之间的相关性，对于相关性大于0.8的变量进行多选一处理，剔除冗余变量，确定电机电流、润滑油至电机压力、风机前轴承温度、X向轴振和Y向轴振作为建模变量。选取能充分覆盖设备正常工况的历史数据进行多元状态估计建模；

选取另外时间段正常历史数据进行多元状态估计模型验证，以引风机某变量为例对估计结果进行说明。图3是引风机X向轴振多元状态估计模型估计结果，图4是对应的实际值和估计值之间的相对误差，明显看出多元状态估计模型具有很好的估计效果。然后根据验证数据集中观测向量和估计向量之间的相似度曲线中的最小值确定预警阈值为0.7961；

将历史状态中异常数据作为新输入观测向量进行仿真，图5是经滑动窗口处理后的新输入观测向量和估计向量之间的平均相似度序列，明显看出在第226个点相似度曲线低于预警阈值，说明已检测出异常，风机可能会有故障发生；

当发出预警信号后需进行故障点追溯，生成新输入各变量实际值和估计值之间的平均相对误差，将各时刻各变量所求平均相对误差超过对应最大误差阈值的状态记为异常，根据异常状态的统计量确定可能故障点为引风机X向轴振和Y向轴振；

结合报警值和振动烈度评定标准，认为X向轴振和Y向轴振测量值在4.5mm/s以内时，有可能是操作不当引起的，并不设定为故障发生。当测量值超过4.5mm/s，并呈增长趋势时应引起重视，需对X向轴振和Y向轴振进行短期预测。本例中采样频率为2min，分别对异常参数X向轴振和Y向轴振向后等维更新预测了180个数据，即未来6小时的数据；

对X向轴振和Y向轴振预测值进行裂化分析，当劣化度总和超过0.5时需要对机组降出力处理，未来6小时内的机组出力曲线如图6所示，前30个数据为机组实际目标负荷，后180个数据为对应预估的机组未来6小时内的最大负荷。

以上是本发明提供的一种基于故障预警技术的火电机组短期可靠性评估方法的一个实施例进行说明，以下将说明本发明提供的一种基于故障预警技术的火电机组短期可靠性评估装置的一个实施例进行说明。

请参阅图2，本发明实施例提供了一种基于故障预警技术的火电机组短期可靠性评估装置的一个实施例，包括：

构建模型模块201，用于获取火电机组正常状态下的第一段历史数据，将第一段历史数据生成第一观测向量，并根据第一观测向量建立多元状态估计模型；

向量生成模块202，用于获取火电机组正常状态下的第二段历史数据，将第二段历史数据生成第二观测向量，将第二观测向量中的第二段历史数据作为表征实际值输入至多元状态估计模型中，得到对应的第一估计值，将全部的第一估计值生成第一估计向量；

预警阈值确定模块203，用于利用预置相似度函数根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列，对第一相似度序列进行滑动窗口法处理得到平均相似度曲线，根据平均相似度曲线确认预警阈值；

故障预警模块204，用于将待评估的数据生成的第三观测向量输入至多元状态估计模型中，得到对应的第二估计向量，通过预置相似度函数得到第三观测向量和第二估计向量之间的第二相似度序列，当第二相似度序列中的相似度低于预警阈值时发出故障预警信号；

最大误差阈值确定模块205，用于根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列，对第一相对误差序列进行滑动窗口法处理得到平均相对误差曲线，根据平均相对误差曲线确认最大误差阈值；

故障点确定模块206，用于获取待评估的数据对应的第三观测向量与第二估计向量的第二相对误差序列，并根据平均相对误差曲线和第二相对误差序列确定故障点；

等维更新预测模块207，用于获取故障点的数据，若故障点的数据大于预设阈值，对故障点进行等维更新预测，获取故障点的预测数据；

预估处理曲线生成模块208，用于根据故障点的预测数据对监测参数进行劣化分析，得到机组运行可靠性评估，根据监测参数的劣化度生成预估出力曲线；

预警阈值确定模块203具体包括：

第一相似度序列生成子模块2031，用于根据层次分析法确定每一个监测参数对设备出力的影响权重，并利用预置相似度函数生成验证数据集下第二观测向量和第一估计向量之间的第一相似度序列；

平均相似度曲线生成子模块2032，用于对第二观测向量和第一估计向量之间的第一相似度序列采用滑动窗口法处理，得到平均相似度曲线；

预警阈值确定子模块2033，用于根据平均相似度曲线，确定预警阈值；

其中，预置相似度函数为：

式中，X_obs为第二观测向量，X_est为第一估计向量，W_i为第i个监测参数对设备出力的影响权重；

预警阈值其中k为预置预警系数，k>1；

最大误差阈值确定模块205具体包括：

第一相对误差序列生成子模块2051，用于根据表征实际值和第一估计值生成验证数据集下第二观测向量和第一估计向量之间的第一相对误差序列；

平均相对误差曲线生成子模块2052，用于对第一相对误差序列采用滑动窗口法处理，得到平均相对误差曲线；

最大误差阈值确定子模块2053，用于将平均相对误差曲线中的最大平均相对误差值乘以预置预警系数k，得到最大误差阈值；

故障点确定模块206具体包括：

第二相对误差序列生成子模块2061，用于获取待评估的数据对应的第三观测向量与第二估计向量之间的第二相对误差序列；

故障点确定子模块2062，用于确定第二相对误差序列中的数值超过最大误差阈值的异常数据，结合全部异常数据确定故障点；

等维更新预测模块207具体包括：

等维更新子模块2071，用于获取故障点的所有监测参数的初始数据序列，当初始数据序列中的监测值高于预设正常范围时，分别采用指数平滑法和灰色预测法对初始数据序列中的数据依次进行等维更新；

预测数据确定子模块2072，用于每等维更新一个数据，在初始数据序列的末尾增加一个预测数据，生成更新数据序列，并利用误差平方和、平均绝对误差和平均相对百分误差为检验指标对更新数据序列进行检验，确定等维更新效果最好的预测数据；

预估处理曲线生成模块208具体包括：

劣化度计算子模块2081，用于根据故障点的预测数据确定监测参数的劣化度当x＜x₁时处于正常状态，x₁≤x≤x₂时处于劣化状态，x＞x₂时处于必须停运状态；

可靠性评估子模块2082，用于根据层次分析法确定各机组故障设备对机组出力的影响权重，代入对监测参数的劣化度分析中，得到机组运行可靠性评估：

其中，x_ij为第i个故障设备第j个异常参数的测量值，m为故障设备个数，n为异常参数个数，x_ijmin为第i个故障设备第j个异常参数的正常阈值，x_ijmax为第i个故障设备第j个异常参数的停机阈值，w_i为第i个故障设备对机组出力的影响权重，w_ij为第i个设备第j个异常参数对设备出力的影响权重；

预估处理曲线生成子模块2083，用于根据机组可靠性下降程度，对机组降出力处理，生成预估出力曲线：

其中，L_max为机组最大出力限值，L_p为机组最大预估出力。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。