[發明專利]一種長短時記憶網絡電站風機故障預警方法及系統

在審

• 申請號: 202110301338.0
• 申請日: 2021-03-22
• 公開（公告）號: CN112990435A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 魏瑋;呂游;劉吉臻
• 申請（專利權）人: 華北電力大學;中科德天（北京）科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/12;G06K9/62;F04D27/00
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

1.一種長短時記憶網絡電站風機故障預警方法，其特征在于，包括：

獲取電站引風機在設定跨度時間段內的運行數據，所述運行數據包括引風機電機電流、引風機后軸承溫度、引風機腰側軸承垂直振動、腰側軸承水平振動、端側軸承垂直振動和端側軸承水平振動；

根據LSTM技術網絡的基本結構確定引風機狀態預測模型；

將所述運行數據的訓練集數據輸入所述引風機狀態預測模型進行訓練，得到優化后的引風機狀態預測模型；

基于所述運行數據的驗證集數據計算預測相似度，并根據所述預測相似度確定預警閾值；

基于所述優化后的引風機狀態預測模型對引風機各狀態變量的取值進行預測，得到預測值；

計算所述預測值與測量值的相似度；

根據所述相似度與所述預警閾值進行預警。

2.根據權利要求1所述的長短時記憶網絡電站風機故障預警方法，其特征在于，所述將所述運行數據輸入所述引風機狀態預測模型進行訓練，得到優化后的引風機狀態預測模型，具體包括：

將所述運行數據中的訓練集數據輸入所述引風機狀態預測模型，將LSTM網絡的輸入序列長度、隱藏層神經元數及初始學習率這三組超參數作為優化變量，將LSTM網絡輸出的預測值與測量值的均方誤差最小作為目標函數，利用遺傳算法對輸入序列長度、隱藏層神經元數及初始學習率進行搜索尋優，得到最優超參數組合；

根據所述最優超參數組合調整所述引風機狀態預測模型，得到優化后的引風機狀態預測模型。

3.根據權利要求1所述的長短時記憶網絡電站風機故障預警方法，其特征在于，所述基于所述運行數據的驗證集數據計算預測相似度，并根據所述預測相似度確定預警閾值，具體包括：

將所述運行數據的驗證集數據輸入所述引風機狀態預測模型，得到驗證集數據預測值；

根據所述驗證集數據預測值與測量值之間的偏差，構造基于歐氏距離的相似度函數；

根據所述歐氏距離相似度函數，確定預警閾值。

4.根據權利要求1所述的長短時記憶網絡電站風機故障預警方法，其特征在于，所述根據所述相似度與所述預警閾值進行預警，具體包括：

若所述相似度小于或等于所述預警閾值，則發出報警信號；

若所述相似度大于所述預警閾值，則不發出報警信號。

5.一種長短時記憶網絡電站風機故障預警系統，其特征在于，包括：

運行數據獲取模塊，用于獲取電站引風機在設定跨度時間段內的運行數據，所述運行數據包括引風機電機電流、引風機后軸承溫度、引風機腰側軸承垂直振動、腰側軸承水平振動、端側軸承垂直振動和端側軸承水平振動；

引風機狀態預測模型確定模塊，用于根據LSTM技術網絡的基本結構確定引風機狀態預測模型；

模型訓練模塊，用于將所述運行數據的訓練集數據輸入所述引風機狀態預測模型進行訓練，得到優化后的引風機狀態預測模型；

預警閾值確定模塊，用于基于所述運行數據的驗證集數據計算預測相似度，并根據所述預測相似度確定預警閾值；

預測值確定模塊，用于基于所述優化后的引風機狀態預測模型對引風機各狀態變量的取值進行預測，得到預測值；

相似度計算模塊，用于計算所述預測值與測量值的相似度；

預警模塊，用于根據所述相似度與所述預警閾值進行預警。

6.根據權利要求5所述的長短時記憶網絡電站風機故障預警系統，其特征在于，所述模型訓練模塊，具體包括：

最優超參數組合優化單元，用于將所述運行數據中的訓練集數據輸入所述引風機狀態預測模型，將LSTM網絡的輸入序列長度、隱藏層神經元數及初始學習率這三組超參數作為優化變量，將LSTM網絡輸出的預測值與測量值的均方誤差最小作為目標函數，利用遺傳算法對輸入序列長度、隱藏層神經元數及初始學習率進行搜索尋優，得到最優超參數組合；

優化后的引風機狀態預測模型確定單元，用于根據所述最優超參數組合調整所述引風機狀態預測模型，得到優化后的引風機狀態預測模型。