CN119417241A 一种基于深度学习的火电厂风险预警方法及系统 （北京网藤科技有限公司）

一种基于深度学习的火电厂风险预警方法本发明公开了一种基于深度学习的火电厂所述方法是先基于目标风险状态参数及所有监出误差情况指标值与计算所需时长指标值之积优化结果得到各个监测参数的目标风险发生预2收集由目标火电厂的所有安全生产数字化装置记录的所有监测参数的历史时序数据，数据包含有在时序上依次连续的M个单位时刻以及相应参数在所述M个单位时刻中的各根据所述所有目标风险事件的发生时间戳，按照如下方式遍历所到目标风险状态参数的所述历史时序数据：若在当前遍历的单位时刻的周围时段内发生有所述目标风险事件，则将与该单位时刻对应的目标风险状态参对所述所有监测参数的历史时序数据进行特征降维及特征选取处针对在所述多个目标风险关联监测参数中的各个监测参数，先目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口对应的所述针对所述各个监测参数以及在所述多个深度学习模型中的各个深参数且用于使目标函数F最小化的最优化搜索结果，其中，所述目标函数F的计F=dxd,针对所述各个监测参数，从所述多个深度学习模型中选出对针对所述各个监测参数，将在从当前时刻7,起往前追溯到所述时长的时间窗口内收3根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻发生所述目标风险事若所述最终预测概率达到预设概率阈值，则触发执行与所述于反映视频AI分析结果的监测参数、用于反映巡检情况的监测参数和/或用于反映人员行采用改进型主成分分析法对所述所有监测参数的历史时采用局部线性嵌入法对所述多个初步降维处理后监测参数的历史时序数据进行特征采用基于互信息最大化的最大相关最小冗余算法对所述多个二次降维处理后监测参数的历史时序数据进行特征选取处理，得到多个目标风险关联监测参数的历史时序数据，针对在所述所有监测参数中的各个监测参数，先将对应的所述历样本s,，以及将所述目标风险状态参数的所述历史时序数据作为第二样本s,，然后对所述第一样本s,进行正态分布KS校验以计算得到第一校验统计量p值p,，以及还对所述第二样本s,进行所述正态分布KS校验以计算得到第二校验统计量p值p,，最后在所述第一校验统计量p值p,和所述第二校验统计量p值p,均大于第一预设阈述第一样本s,与所述样本s,的关联系数ra以作为对应的相关系数：判断在所述所有监测参数中且相关系数大于第二预设阈值的监测参数的总数是否超4若是，则将在所述所有监测参数中且相关系数大于第二预设及在所述多个深度学习模型中的各个深度学习模型，应用对应参数的所有所述正样本数S601.针对在所述所有监测参数中的任一监测参数以及在所述多个深度学习模型中的第六学习因子的优化算法参数，并随机生成在所述搜索种群中各个搜索个体的初始位式中，i'表示小于等于I的正整数，d'表示小于等于D'的正整数，D'表示待优化参数示在所述搜索种群中的第i'个搜索个体的初始位置在所述待优化参数向量中的第d'个维".s表示在所述第u个维度上的参数搜索空间上限，lw表示在所述第u个维S602.针对所述各个搜索个体，将对应的初始位置作为模型超参数导入所述任一深度F=dxd,5S604.根据所述各个搜索个体的当前位置计算得到所述搜索种群的当前平均位置，并式中，表示所述第个搜索个体的第一新位置在所述第个维度上的分量，as表示所述全局最优位置在所述第a个维度上的分量，表示所述搜索种群的当前平均位置在所述第个维度上的分量，表示所述第个搜索个体的当前位置在所述第d'个维度上的分量；S605.针对所述各个搜索个体，将对应的第一新位置作为模型超参数导入所述任一深S606.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个搜索S607.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体的当S608.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均位6式中，表示所述第个搜索个体的第二新位置在所述第个维度上的分量，索种群中的第r个搜索个体的当前位置在所述第u个维度上的分量，br(')表示与所述第个搜索个体对应的第三中间变量，or(i')表示与所述第个搜索个体对应的第四中间变量，max()表示取最大值函数，o()表示与所述第个搜索个体对应的第五中间变量，S609.针对所述各个搜索个体，将对应的第二新位置作为模型超参数导入所述任一深S610.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个搜索S611.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体的当S612.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均位式中，表示所述第个搜索个体的第三新位置在所述第个维度上的分量，it)表示与所述第个搜索个体对应的第七中间变量，i)表示与所述第个搜索个体对7所述第个搜索个体对应的第十中间变量，i()表示与所述第个搜索个体对应的第十一S613.针对所述各个搜索个体，将对应的第三新位置作为模型超参数导入所述任一深S614.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个搜索S615.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体的当S616.使所述当前迭代次数t'自加1，并判断所述当前迭代次数t'是否达到所述最大迭所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，按照如下公式计算得到在所述未来时刻发生所述目式中，K表示所述多个目标风险关联监测参数的参数总数，k表示小于等于K的正整数，表示与在所述多个目标风险关联监测参数中的第个监测参数对应的影响权重系的正整数，",x表示在所述多个目标风险关联监测参数中的第k'个监测参数与所述目标风险状态参数的相关系数，dsx表示与所述第k个监测参数对应的所述目标风险发生预测模8模型的输出误差情况指标值，n表示与所述第k个监测参数对应的在所述未来时刻所述监测数据收集单元，用于收集由目标火电厂的所有安全生产数字所述风险数据整理单元，通信连接所述监测数据收集单元，用于根述历史时序数据：若在当前遍历的单位时刻的周围时段内发生有所述目所述监测数据处理单元，分别通信连接所述监测数据收集单元和所述监测参数中且与所述目标风险状态参数具有相关性所述正样本数据选取单元，分别通信连接所述风险数据整理单元和所述在相应目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口对应所述模型超参数优化单元，分别通信连接所述正样本数据选取单元和所取单元，用于针对所述各个监测参数以及在所述多个深度学习模型中的各个深度学习模到对应超参数且用于使目标函数F最小化的最优化搜索结果，其中，所述目F=dxd,9所述预测模型生成单元，通信连接所述模型超参数优化单元，用于针所述预测模型应用单元，通信连接所述预测模型生成单元，用于针对应的所述目标风险发生预测模型，输出得到对应且在未来时刻发生所述目标风险所述预测概率叠加单元，分别通信连接所述预测模型应用单元和所测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻发生所述目标风所述预警动作触发单元，通信连接所述预测概率叠加单元，用于现有火电厂安全生产数字化系统在缺乏有效整合信息和智能分析的情况下所存在风险预收集由目标火电厂的所有安全生产数字化装置记录的所有监测参数的历史时序时序数据包含有在时序上依次连续的M个单位时刻以及相应参数在所述M个单位时刻中以得到目标风险状态参数的所述历史时序数据：若在当前遍历的单位时刻的周围时段内发生有所述目标风险事件，则将与该单位时刻对应的目标风险状态参监测参数中且与所述目标风险状态参数具有相关性相应目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口对应的应超参数且用于使目标函数F最小化的最优化搜索结果，其中，所述目标函数F=dxd,针对所述各个监测参数，将在从当前时刻7根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻发生所述目标风采用改进型主成分分析法对所述所有监测参数的历史时序数据进行特征降维处采用局部线性嵌入法对所述多个初步降维处理后监测参数的历史时序数据进行采用基于互信息最大化的最大相关最小冗余算法对所述多个二次降维处理后监所述第一样本s,进行正态分布KS校验以计算得到第一校验统计量p值p,，以及还对所述第二样本s,进行所述正态分布KS校验以计算得到第二校验统计量p值p,，最后在所述第一校验统计量p值p,和所述第二校验统计量p值p,均大于第一到所述第一样本s,与所述样本s,的关联系数ra以作为对应的相关系数：样本s,中的第i个样本值，表示所述第一样本s,的样本均值，v表示所述第二样本s,的样本判断在所述所有监测参数中且相关系数大于第二预设阈值的监测参数的总数是目标风险关联监测参数，否则先按照相关系数从大到小顺序依次排列所述所有监测参数，S601.针对在所述所有监测参数中的任一监测参数以及在所述多个深度学习模型和第六学习因子的优化算法参数，并随机生成在所述搜索种群中各个搜索个体的初始i'表示小于等于I的正整数，d'表示小于等于D'的正整数，D'表示待优化参数向量的维度数目，所述待优化参数向量包含有所述任一深度学习模型的所有超参数，表示在所述搜索种群中的第个搜索个体的初始位置在所述待优化参数向量中的第S602.针对所述各个搜索个体，将对应的初始位置作为模型超参数导入所述任一F=dxd,S603.将具有最小适应度的某个搜索个体的初始位置作为初始的全局最优位置S604.根据所述各个搜索个体的当前位置计算得到所述搜索种群的当前平均位[0017]式中，表示所述第个搜索个体的第一新位置在所述第个维度上的分的当前平均位置在所述第个维度上的分量，表示所述第个搜索个体的当前位置在所述第d'个维度上的分量；S605.针对所述各个搜索个体，将对应的第一新位置作为模型超参数导入所述任S606.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个S607.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体S608.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均[0018]式中，表示所述第个搜索个体的第二新位置在所述第个维度上的分述搜索种群中的第r个搜索个体的当前位置在所述第u个维度上的分量，br(')表示与所述第个搜索个体对应的第三中间变量，or(i')表示与所述第个搜索个体对应的第四中间变量，max()表示取最大值函数，o()表示与所述第个搜索个体对应的第五中间变S609.针对所述各个搜索个体，将对应的第二新位置作为模型超参数导入所述任S610.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个S611.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体S612.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均[0019]式中，表示所述第个搜索个体的第三新位置在所述第个维度上的分量，it)表示与所述第个搜索个体对应的第七中间变量，i)表示与所述第个搜索个示与所述第个搜索个体对应的第十中间变量，i(')表示与所述第个搜索个体对应的第S613.针对所述各个搜索个体，将对应的第三新位置作为模型超参数导入所述任S614.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个S615.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体S616.使所述当前迭代次数t'自加1，并判断所述当前迭代次数t'是否达到所述最数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所述未来时刻根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，按照如下公式计算得到在所述未来时刻发生所K表示所述多个目标风险关联监测参数的参数总数，k表示小于等于K的K的正整数，",x表示在所述多个目标风险关联监测参数中的第k'个监测参数与所述目标风险状态参数的相关系数，dsx表示与所述第k个监测参数对应的所述目标风险发生预测测模型的输出误差情况指标值，表示与所述第个监测参数对应的在所述未来时刻的所述历史时序数据：若在当前遍历的单位时刻的周围时段内发生有所所有监测参数中且与所述目标风险状态参数具有相关性的述历史时序数据中提取出与所述各次目标风险事件发生时刻一一对应的各个在前时序数与从在相应目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口得到对应超参数且用于使目标函数F最小化的最优化搜索结果，其中，所述目标F=dxd,测参数，将在从当前时刻7,起往前追溯到所述7i时长的时间窗口内收到的所有对应参数值导入对应的所述目标风险发生预测模型，输出得到对应且在未来时刻发生所述目标个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻机程序或所述指令在被计算机执行时实现如第一方面或第一方面中任意可能设计所述的第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的[0036]S1.收集由目标火电厂的所有安全生产史时序数据包含有在时序上依次连续的M个单位时刻以及相应参数在所述M个单位时刻史时序数据举例但不限于包含有所述监测参数在最近第分钟时刻的历史参数值、在最等通过与标准操作流程和安全规定对比进行甄别和处理。[0038]S2.根据所述所有目标风险事件的段内发生有所述目标风险事件，则将与该单位时刻对应的目标风险状态分对应的目标风险状态参数值设置为0、将与单位时刻11点00分对应的目标风险状态参数点20分对应的目标风险状态参数值设置为1、将与单位时刻11点30分对应的目标风险状态刻11点50分对应的目标风险状态参数值设置为0以及将与单位时刻12点00分对应的目标风[0040]S3.对所述所有监测参数的历史时序所有监测参数中且与所述目标风险状态参数具有相关性[0042]S311.采用改进型主成分阵c进行特征值分解以得到特征值和特征向量v,；按照特征值大小排序，并选择累计贡献率达到一定阈值（例如90%）的前个特征向量以构成投影矩阵，得到初步降维数据。[0044]S312.采用局部线性嵌入法对所述多个初步降维处理后监测参数的历史时序数据i表示单位矩[0046]S313.采用基于互信息最大化的最大相关最小冗余算法对所述多个二次降维处理[0047]在所述步骤S313中，所述最大相关最小冗余算法（Max_RelevanceandMin_[0049]S321.针对在所述所有监测参数中的各个监测参数，先将对应的所述历史时序数据作为第一样本s,，以及将所述目标风险状态参数的所述历史时序数据作为第二样本s,，然后对所述第一样本s,进行正态分布KS校验以计算得到第一校验统计量p值p,，以及还对所述第二样本s,进行所述正态分布KS校验以计算得到第二校验统计量p值p,，最后在所述第一校验统计量p值p,和所述第二校验统计量p值p,均大计算得到所述第一样本s,与所述样本s,的关联系数ra以作为对应的相关系数：样本s,中的第i个样本值，表示所述第一样本s,的样本均值，v表示所述第二样本s,的样本[0052]S322.判断在所述所有监测参数中且相关系数大于第二预设阈值的监测参数的总[0054]S323.若是，则将在所述所有监测参数[0056]S4.针对在所述多个目标风险关历史时序数据中提取出与所述各次目标风险事件发生时刻一一对应的各个在前时序数据，从在相应目标风险事件发生时刻之前的某个固定时刻起往前追溯到时长的时间窗口对出16点01分到18点00分的时序数据作为与所述监测参数对应的一个[0059]在所述步骤S5中，深度学习(DeepLearning)特指基于深层神经网络模型和方法的机器学习；它是在统计机器学习和人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的，深度学习最重要的技术特点是具有自动提取特征的能力，所提取的特征也称为深度特征或深度特征表示，相比于人工设计的特征，深度特征的表示能现有手段，以已注入自注意力机制的双向LSTM（LongShort_TermMemory，长短期述目标模型构建工具上引入模型构建的库和模块；然后确定输入序列信息，并基于所述库和模块，通过对输入序列信息设置不同的权重构建自注意力机制层；再然后基于所述库和模块，根据所述输入序列信息的正向信息和反向信息构建原始双向LSTM模型；最后将所述自注意力机制层整合至所述原始双向LSTM模型中，得到所述已注入自注意力机制的双向LSTM模型。[0060]S6.针对所述各个监测参数以及在所述多个深度学习模型中的各个深度学习模到对应超参数且用于使目标函数F最小化的最优化搜索结果，其中，所述目F=dxd,用于使目标函数最小化的最优化搜索结果。模型超参数是指在学习模型中预先设定的样本的平均偏差值、方差和/或平均误差率等，并可在模型训练及测试过程中常规统计得[0064]S601.针对在所述所有监测参数中的任和第六学习因子的优化算法参数，并随机生成在所述搜索种群中各个搜索个体的初始i'表示小于等于I的正整数，d'表示小于等于D'的正整数，D'表示待优化参数向量的维度数目，所述待优化参数向量包含有所述任一深度学习模型的所有超参数，表示在所述搜索种群中的第个搜索个体的初始位置在所述待优化参数向量中的第述待优化参数向量可能会针对不同的深度学习模型[0067]S602.针对所述各个搜索个体，将对应的F=dxd,记录与所述初始位置对应且经过模型训练所得的模型参数，以便在后续步骤S7中予以使[0070]S603.将具有最小适应度的某个搜索个体的初始位置作为初始的全局最优位置[0071]S604.根据所述各个搜索个体的当前位置计算得到所述搜索种群的当前平均位[0072]式中，表示所述第个搜索个体的第一新位置在所述第个维度上的分的当前平均位置在所述第个维度上的分量，表示所述第个搜索个体的当前位置在所述第d'个维度上的分量。[0073]S605.针对所述各个搜索个体，将对应[0075]S606.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个[0076]S607.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体[0077]S608.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均[0078]式中，表示所述第个搜索个体的第二新位置在所述第个维度上的分述搜索种群中的第r个搜索个体的当前位置在所述第u个维度上的分量，br(')表示与所述第个搜索个体对应的第三中间变量，or(i')表示与所述第个搜索个体对应的第四中间变量，max()表示取最大值函数，o()表示与所述第个搜索个体对应的第五中间变[0079]S609.针对所述各个搜索个体，将对应的[0081]S610.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个[0082]S611.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体[0083]S612.根据所述各个搜索个体的当前位置更新计算得到所述搜索种群的当前平均[0084]式中，表示所述第个搜索个体的第三新位置在所述第个维度上的分量，it)表示与所述第个搜索个体对应的第七中间变量，i)表示与所述第个搜索个示与所述第个搜索个体对应的第十中间变量，i(')表示与所述第个搜索个体对应的第[0085]S613.针对所述各个搜索个体，将对应[0087]S614.判断与所述第i'个搜索个体的当前位置对应的适应度是否大于所述第i'个[0088]S615.判断与所述全局最优位置对应的适应度是否大于在所述各个搜索个体[0089]S616.使所述当前迭代次数t'自加1，并判断所述当前迭代次数t'是否达到所述最超参数且用于使所述目标函数最小化的最优化搜[0091]S7.针对所述各个监测参数，果以及在优化过程中所得且与该最优化搜索结果对应的模型参数导入该某个深度学习模[0092]在所述步骤S7中，具体是根据与所述各个深度学化搜索结果即为所述某个深度学习模型的全局最优位置，同样考虑某些超参数需要为[0093]S8.针对所述各个监测参数，将在从当前时刻7,起往前追溯到所述时长的时间[0095]S9.根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻也越大因此可以根据所述各个监测参数与所述目标风险状态参数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来数的相关系数以及与所述各个监测参数对应的所述目标风险发生预测模型的输出误差情况指标值和在所述未来时刻发生所述目标风险事件的预测概率，叠加计算得到在所监测参数与所述目