CN114970309B 一种火电设备状态预警评估方法 （山东鲁软数字科技有限公司）

本发明提供一种火电设备状态预警评估方包括以下步骤：选择设备测点集合作为建模参法的准确性，有效减少异常测点影响产生的虚2S31.将影响测点集根据测点分组结果进行分组，并通过对每组影响测点进行模型重S12.对历史数据进行数据清洗得到训练数据，应首先建立BP神经网络结构,BP神经网络结构包括一个输入层、三个隐藏层和一个输出最后使用归一化训练数据对BP神经网络进行网络参数的训练，B数均选择非线性函数sigmod函数各层神经元连接权值和阈值通过全部数据将训练数据代入预警回归模型中进行训练得到3若否，则进一步判断该测点是否处于报警事件中，若测点处其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小时则认定为处于报警若否，则进一步判断当前报警事件中测点是否超过最值异常根据相关性系数矩阵判断第二候选测点集中的测点与影响测点是否8.根据权利要求1所述的火电设备状态预警评估方法，S321.剔除全部影响测点，使用受影响测点的训练数据和无影响测点的训练数据重新S322.将受影响测点实时运行数据、无影响测点实时运行数据代入步骤S321重新构建4损程度会有不同的退化程度，因此这种传统预警方法在设备使用后期往往有较多的漏警，本原理在于运用选定的数学建模方法充分挖掘设备参数的历史运行数据建立高效实用的模型进行设备实时状态评价，模型对设备实时状态的可靠评估与否是设备预警成功的根5[0019]首先建立BP神经网络结构,BP神经网络结构活函数均选择非线性函数sigmod函数各层神经元连接权值和阈值通过全部[0034]其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小时的认定为处于6[0049]S321.剔除全部影响测点，使用[0050]S322.将受影响测点的实时运行数据、他正常测点的干扰，经过回归补偿技术校准的评估值更能体现设备测点的实际运行状态，校准过程完全基于数据本质特性使得回归模型不受专家经验知识以及设备工艺结构的制7[0064]以北方某火电厂的一次风机A设备为例，从PI数据库中获取该设备测点参数集在[0065]一次风机A设备数据文件分别保存为m×n的矩阵格式，包括m个时刻和设备的n个[0068]为了剔除历史数据中的异常数据而获取健康运行数据，需要对步骤S11中获取的一次风机A设备历史数据进行清洗，筛选出正常状态的设备历史运行数据作为构建回归模8[0071]同时计算训练数据T的每个测点的最大值和最小值，存放到MaxMin数组当中，[0072]以BP神经网络回归算法为例介绍预警回归模型构建过程,为更好挖掘一次风机A[0074]首先建立BP神经网络结构,BP神经网络结构输出层,其各层节点数为[n,20,30,20,n]，输入层与输出层的神经元数n为一次风机A测点[0078]最后使用归一化训练数据Ta_norm对BP神经网络进行网络参数的训练，训练数据的均选择非线性函数sigmod函数各层神经元连接权值和阈值通过全部数据不神经元之间的权值与神经元中激活函数的计算，最终才能从输出层输出神经网络的计算9[0081]以隐藏层或输出层的某个节点j为例，则节点j的输入Sj为上一层i个神经元的加[0084]这2个过程通过不断地循环运行，直到迭代次数大于设定的最大迭代次数或者误值作为测点偏差阈值；将归一化训练数据Ta_norm代入BP神经网络回归模型中进行训练得到数据Rta是形式大小为k×n的数据矩阵，通过计算Rta每列数据的最大值和最小值来生成测[0091]使用训练数据T计算相关性系数矩阵Corr用来度量测点两两之间的相关性强弱。[0095]以一次风机A设备在2021年1月至2021年7月期间发生的故障数据作为实时运行数[0097]将2021年1月至2021年7月期间的一次风机A设备的实时运行数据代入到BP神经网[0102]其中测点在24小时内测点偏差超过偏差阈值的累积时长超过1小时的认定为处于的报警规则为24小时内该测点有累积时长超1小时超偏[0109]其中第二候选测点集中的测点与影响测点的相似系数超过强相关阈值则判定两[0118]例如在一次风机A设备的验证实例中，经过影响关联分析后一次风机A设备轴承X[0120]S321.剔除全部影响测点，使用[0121]S322.将受影响测点的实时运行数据、C相温度1测点属于受影响测点，一次风机A设备电机线圈C相温度1测点数值在验证时间段内属于正常范围，未发生异常状态的一次风机A设备电机线圈C相温度1参数由于受一次风图5所示，未发生异常状态的一次风机A设备电机线圈C相温度1参数不再受一次风机A设备[0126]经过本次一次风机A设备的技术验证，可以看出本发明在火电设备预警状态评价的实施例进行各种等效的