[發(fā)明專利]一種基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法

在審

• 申請?zhí)枺?/td>: 201910253457.6
• 申請日: 2019-03-29
• 公開（公告）號: CN110033181A
• 公開（公告）日: 2019-07-19
• 發(fā)明（設(shè)計）人: 楊濤;楊嘉巍;陳剛;張成;何健康;陳前明;寧立明;李冰;何望飛;門勇;李偉銘
• 申請（專利權(quán)）人: 華中科技大學(xué);廣東省粵電集團有限公司沙角C電廠
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00;G06Q50/06;G06N3/04
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 孔娜;曹葆青

1.一種基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于，該方法包括以下步驟：

(1)選取能反映待評估發(fā)電設(shè)備負荷和運行狀態(tài)的狀態(tài)特征參數(shù)，并基于SIS系統(tǒng)定時采集所選狀態(tài)特征參數(shù)的實時運行數(shù)據(jù)及歷史運行數(shù)據(jù)；

(2)依據(jù)所述歷史運行數(shù)據(jù)來建立待評估發(fā)電設(shè)備的狀態(tài)特征參數(shù)模型，同時確定所述參數(shù)模型的結(jié)構(gòu)及相應(yīng)的激活函數(shù)，其中，該參數(shù)模型為自編碼器模型；

(3)采用所述歷史運行數(shù)據(jù)來訓(xùn)練所述參數(shù)模型，且在訓(xùn)練過程中不斷調(diào)整所述參數(shù)模型的隱藏層層數(shù)及各層神經(jīng)元個數(shù)，直至得到的訓(xùn)練誤差和訓(xùn)練時間均最小為止；

(4)將所述實時運行數(shù)據(jù)輸入到所述參數(shù)模型，并統(tǒng)計該參數(shù)模型得到的當前各狀態(tài)特征參數(shù)的殘差的分布特征，進而確定各狀態(tài)特征參數(shù)的隸屬函數(shù)關(guān)系，同時還對各狀態(tài)特征參數(shù)進行權(quán)重分配；

(5)將步驟(4)得到的當前各狀態(tài)特征參數(shù)的殘差輸入到模糊狀態(tài)評估模型中以進行發(fā)電設(shè)備運行狀態(tài)的實時評估；

采用熵權(quán)法基于當前時刻前的預(yù)定時間的歷史運行數(shù)據(jù)對各狀態(tài)特征參數(shù)進行權(quán)重分配。

2.如權(quán)利要求1所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：步驟(5)中還包括判斷狀態(tài)評估結(jié)果是否在預(yù)設(shè)區(qū)間內(nèi)，當狀態(tài)評估結(jié)果處于異常區(qū)間狀態(tài)時予以報警，同時生成點檢任務(wù)；否則，跳轉(zhuǎn)至步驟(4)的步驟。

3.如權(quán)利要求1所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：所述實時運行數(shù)據(jù)的采集時間間隔為1min；所述歷史運行數(shù)據(jù)的采集時間間隔為10min。

4.如權(quán)利要求1所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：步驟(1)中還包括對歷史運行數(shù)據(jù)進行篩選處理的步驟，以剔除該歷史運行數(shù)據(jù)中的零功率數(shù)據(jù)、故障數(shù)據(jù)及異常數(shù)據(jù)。

5.如權(quán)利要求1-4任一項所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：所述參數(shù)模型的結(jié)構(gòu)使得所述參數(shù)模型的輸入與輸出參數(shù)一致，均為所選取的狀態(tài)特征參數(shù)，同時使得所述參數(shù)模型的隱藏層神經(jīng)元個數(shù)為輸出神經(jīng)元個數(shù)的1.5倍。

6.如權(quán)利要求1-4任一項所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：所述激活函數(shù)為ReLu函數(shù)或sigmoid函數(shù)。

7.如權(quán)利要求1-4任一項所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：采用熵權(quán)法對各狀態(tài)特征參數(shù)進行權(quán)重分配是基于以下公式進行的，假設(shè)有n組特征數(shù)據(jù)，m項狀態(tài)特征參數(shù)，該公式為：

式中，r_ij為第j項狀態(tài)特征參數(shù)下的第i個特征值；p_ij為第j項狀態(tài)特征參數(shù)下第i個特征值占該組狀態(tài)特征參數(shù)的比重；e_j為第j項狀態(tài)特征參數(shù)的信息熵；K為信息熵常數(shù)，K＝1/ln(n)；w_j為第j項狀態(tài)特征參數(shù)的評估權(quán)值。

8.如權(quán)利要求1-4任一項所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：在所述模糊狀態(tài)評估模型評估得到評估值后，采用最大隸屬度原則取最大評估值相對應(yīng)的狀態(tài)評語作為評估結(jié)果。

9.如權(quán)利要求1-4任一項所述的基于自編碼器的發(fā)電設(shè)備狀態(tài)評估方法，其特征在于：所述模糊狀態(tài)評估模型采用加權(quán)平均型模糊算子模糊合成綜合評價向量。