[發(fā)明專(zhuān)利]一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)電站風(fēng)機(jī)故障預(yù)警方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110301338.0
• 申請(qǐng)日: 2021-03-22
• 公開(kāi)（公告）號(hào): CN112990435A
• 公開(kāi)（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 魏瑋;呂游;劉吉臻
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華北電力大學(xué);中科德天（北京）科技有限公司
• 主分類(lèi)號(hào): G06N3/04
• 分類(lèi)號(hào): G06N3/04;G06N3/12;G06K9/62;F04D27/00
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 韓雪梅

本發(fā)明涉及一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)電站風(fēng)機(jī)故障預(yù)警方法及系統(tǒng)。該方法包括：獲取電站引風(fēng)機(jī)在設(shè)定跨度時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)；根據(jù)LSTM技術(shù)網(wǎng)絡(luò)的基本結(jié)構(gòu)確定引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型；將運(yùn)行數(shù)據(jù)的訓(xùn)練集數(shù)據(jù)輸入引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型；基于運(yùn)行數(shù)據(jù)的驗(yàn)證集數(shù)據(jù)計(jì)算預(yù)測(cè)相似度，并根據(jù)預(yù)測(cè)相似度確定預(yù)警閾值；基于優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型對(duì)引風(fēng)機(jī)各狀態(tài)變量的取值進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)值；計(jì)算預(yù)測(cè)值與測(cè)量值的相似度；根據(jù)相似度與預(yù)警閾值進(jìn)行預(yù)警。本發(fā)明能夠進(jìn)行有效參數(shù)選取，快速高效地實(shí)現(xiàn)電站風(fēng)機(jī)狀態(tài)故障預(yù)警。

技術(shù)領(lǐng)域

本發(fā)明涉及電站風(fēng)機(jī)故障預(yù)警領(lǐng)域，特別是涉及一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)電站風(fēng)機(jī)故障預(yù)警方法及系統(tǒng)。

背景技術(shù)

風(fēng)機(jī)作為燃煤電站重要的輔機(jī)設(shè)備，參與煙氣循環(huán)、設(shè)備密封、脫硝脫硫等多個(gè)過(guò)程，運(yùn)行條件惡劣，故障率和維修成本均較高。電站風(fēng)機(jī)的故障預(yù)警有助于提升電站運(yùn)行安全和經(jīng)濟(jì)效益。建立精確的風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型是實(shí)現(xiàn)故障預(yù)警的前提。

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory network,LSTM)是一種具有長(zhǎng)期記憶能力的循環(huán)神經(jīng)網(wǎng)絡(luò)，它通過(guò)引入三個(gè)門(mén)控開(kāi)關(guān)對(duì)輸入時(shí)間序列中的信息進(jìn)行篩選和保存，利用LSTM對(duì)風(fēng)機(jī)進(jìn)行狀態(tài)預(yù)測(cè)建模能夠充分利用電站儲(chǔ)存的風(fēng)機(jī)運(yùn)行數(shù)據(jù)。電站風(fēng)機(jī)的LSTM模型預(yù)測(cè)精度取決于超參數(shù)的設(shè)置，包括輸入序列的長(zhǎng)度、隱藏層的層數(shù)及神經(jīng)元數(shù)、學(xué)習(xí)率的大小，目前沒(méi)有有效的超參數(shù)的選取方法。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)電站風(fēng)機(jī)故障預(yù)警方法及系統(tǒng)，能夠進(jìn)行有效參數(shù)選取，快速高效地實(shí)現(xiàn)電站風(fēng)機(jī)狀態(tài)故障預(yù)警。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)電站風(fēng)機(jī)故障預(yù)警方法，包括：

獲取電站引風(fēng)機(jī)在設(shè)定跨度時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)，所述運(yùn)行數(shù)據(jù)包括引風(fēng)機(jī)電機(jī)電流、引風(fēng)機(jī)后軸承溫度、引風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、腰側(cè)軸承水平振動(dòng)、端側(cè)軸承垂直振動(dòng)和端側(cè)軸承水平振動(dòng)；

根據(jù)LSTM技術(shù)網(wǎng)絡(luò)的基本結(jié)構(gòu)確定引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型；

將所述運(yùn)行數(shù)據(jù)的訓(xùn)練集數(shù)據(jù)輸入所述引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型；

基于所述運(yùn)行數(shù)據(jù)的驗(yàn)證集數(shù)據(jù)計(jì)算預(yù)測(cè)相似度，并根據(jù)所述預(yù)測(cè)相似度確定預(yù)警閾值；

基于所述優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型對(duì)引風(fēng)機(jī)各狀態(tài)變量的取值進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)值；

計(jì)算所述預(yù)測(cè)值與測(cè)量值的相似度；

根據(jù)所述相似度與所述預(yù)警閾值進(jìn)行預(yù)警。

可選地，所述將所述運(yùn)行數(shù)據(jù)輸入所述引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型，具體包括：

將所述運(yùn)行數(shù)據(jù)中的訓(xùn)練集數(shù)據(jù)輸入所述引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型，將LSTM網(wǎng)絡(luò)的輸入序列長(zhǎng)度、隱藏層神經(jīng)元數(shù)及初始學(xué)習(xí)率這三組超參數(shù)作為優(yōu)化變量，將LSTM網(wǎng)絡(luò)輸出的預(yù)測(cè)值與測(cè)量值的均方誤差最小作為目標(biāo)函數(shù)，利用遺傳算法對(duì)輸入序列長(zhǎng)度、隱藏層神經(jīng)元數(shù)及初始學(xué)習(xí)率進(jìn)行搜索尋優(yōu)，得到最優(yōu)超參數(shù)組合；

根據(jù)所述最優(yōu)超參數(shù)組合調(diào)整所述引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型，得到優(yōu)化后的引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型。

可選地，所述基于所述運(yùn)行數(shù)據(jù)的驗(yàn)證集數(shù)據(jù)計(jì)算預(yù)測(cè)相似度，并根據(jù)所述預(yù)測(cè)相似度確定預(yù)警閾值，具體包括：

將所述運(yùn)行數(shù)據(jù)的驗(yàn)證集數(shù)據(jù)輸入所述引風(fēng)機(jī)狀態(tài)預(yù)測(cè)模型，得到驗(yàn)證集數(shù)據(jù)預(yù)測(cè)值；

根據(jù)所述驗(yàn)證集數(shù)據(jù)預(yù)測(cè)值與測(cè)量值之間的偏差，構(gòu)造基于歐氏距離的相似度函數(shù)；

根據(jù)所述歐氏距離相似度函數(shù)，確定預(yù)警閾值。