一种能源行业燃机智能预警系统和方法与流程

1.本发明涉及电力数字化技术领域，尤其涉及一种能源行业燃机智能预警系统和方法。


背景技术：

2.燃气发电以独有的具有清洁、稳定、灵活等特点，受到发电厂商的青睐。不过，燃机核心部件被国外垄断和随之而来的高昂运维成本却是燃气发电发展中不可忽视的拦路虎。如何利用人工智能等新一代数字技术，在数字化的大浪潮下实现运维成本和管理决策的新跃迁，就成为燃气发电当下最紧迫的挑战。
3.目前对于燃机发电的管理主要采用集中化处理，所有的处理均在云端进行，在云端训练，在云端推理，在实际应用中尤其在进行推理时，需要将数据从边缘端发送到云端进行推理，由于边缘端和云端地理位置隔离，存在以下不足：1.网络延迟比较大，无法做到实时推理； 2.安全性得不到保证，无法进行实时精确预警。
4.因此，如何提供一种实时、精确的燃机预警监测方法，成为亟待解决的技术问题。


技术实现要素：

5.有鉴于此，本发明通过构建云边协同的架构，将数据处理、算子开发、云端训练、边缘端推理以及数据回流形成了一个闭环，有效支撑燃机智能预警。
6.一方面，本发明提供一种能源行业燃机智能预警系统，包括：
7.云端，由基础设置层、云端能力层、云节点核心层和云边交互管理层组成；其中，基础设置层由kubernates构成，用于为边缘端模型启停服务模块启动docker模型镜像时分配硬件资源；云节点核心层由数据处理模块、模型构建模块、训练调优模块、部署管理模块以及一体化训练推理引擎组成，用于根据燃机数据构建模型，并对模型进行训练、评估和测试，获得合格的训练模型；云边交互管理层由边缘节点管理服务模块、模型推送服务模块、云端心跳检测服务模块和推送结果处理服务模块组成；
8.多个边缘端，其中，每个边缘端由边缘端心跳检测服务模块、模型接收服务模块、监控服务模块、注册服务模块、模型启停服务模块和推理结果推送服务模块组成。
9.另一方面，本发明提供一种能源行业燃机智能预警方法，包括：
10.步骤s1：根据燃机数据构建模型，并对模型进行训练、评估和测试，获得合格的训练模型；
11.步骤s2：通过注册服务模块将边缘端注册到远端；
12.步骤s3：采用边缘端心跳检测服务模块和云端心跳检测服务模块保持边缘端与云端的心跳连接；
13.步骤s4：将云端通过测试的模型推送至边缘端；
14.步骤s5：边缘端通过接收的模型进行推理，将推理结果返回至云端。
15.进一步地，本发明能源行业燃机智能预警方法的步骤s1，包括：
16.步骤s11：采用数据处理模块对燃机的环境数据和运行数据进行打标、去重、缺失值填充、字段过滤、排序处理，获得模型数据，并将模型数据发送至数据处理模块中kafka对应的主题中；
17.步骤s12：采用模型构建模块从模型数据中提取特征，组合设备健康度和设备预警两个算子，构建获得模型；
18.步骤s13：采用一体化训练推理引擎，根据步骤s12提取的特征，从数据处理模块中订阅对应燃机的模型数据，调整训练参数，对模型进行分布式训练，获得训练模型；
19.步骤s14：采用训练调优模块评估训练模型的报警准确率和召回率，如果报警准确率低于90％或者召回率低于92％，重新提取特征，对训练模型进行重新构建和训练；
20.步骤s15：采用部署管理模块对通过评估的训练模型进行测试，获得通过测试的训练模型，对未通过测试的模型进行重新构建、训练、评估和检测。
21.进一步地，本发明能源行业燃机智能预警方法的步骤s15中，采用部署管理模块对通过评估的训练模型进行测试，获得通过测试的训练模型，包括：采用部署管理模块向通过评估的训练模型发送模型输入参数，如果返回推理结果，则判定所述训练模块通过测试。
22.进一步地，本发明能源行业燃机智能预警方法的步骤s2，包括：
23.步骤s21：采用边缘节点管理服务模块向边缘端分配code；
24.步骤s22：每个边缘端的注册服务模块携带对应的code向边缘端管理服务模块发送注册请求；
25.步骤s23：边缘节点管理服务模块接收并验证注册请求，同时获取每个边缘端的ak和 sk信息。
26.进一步地，本发明能源行业燃机智能预警方法的步骤s3，包括：边缘端心跳检测服务模块和云端心跳检测服务模块每隔1分钟通信1次，如果通信失败，连续尝试3次通信，如果还是通信失败，间隔5分钟后再进行通信，如果还是通信失败，断开边缘端心跳检测服务模块和云端心跳检测服务模块的连接，同时发送报警。
27.进一步地，本发明能源行业燃机智能预警方法的步骤s4，包括：
28.步骤s41：采用模型推送服务模块将云端将模型文件和模型参数加密后通过https协议发送至模型接收服务模块，其中，模型参数包括边模型打包所需要的底层依赖框架信息以及缘节点管理模块获取的ak和sk信息；
29.步骤s42：模型接收服务模块接收模型文件和模型参数，认证ak和sk，将模型文件解密后，打包成docker模型镜像。
30.进一步地，本发明能源行业燃机智能预警方法的步骤s5，包括：
31.步骤s51：采用边缘端模型启停服务模块根据kubernates分配的硬件资源启动docker模型镜像，对启动的docker模型镜像进行部署；
32.步骤s52：从数据处理模块中kafka对应的主题中订阅模型数据，根据订阅的模型数据进行推理，获得推理结果；
33.步骤s53：采用推理结果推送服务模块将附加ak和sk信息的推理结果推送至云端的推送结果处理服务模块；
34.步骤s54：云端推送结果处理服务模块对接收的推理结果进行打标，发送至数据处理模块。
35.进一步地，本发明能源行业燃机智能预警方法的步骤s51中，对启动的docker模型镜像进行部署，包括：采用单实例部署或多实例分布式部署的方式对启动的docker模型镜像进行部署。
36.进一步地，本发明能源行业燃机智能预警方法，还包括：采用监控服务模块监控边缘节点的操作和推理服务调用情况。
37.本发明能源行业燃机智能预警系统和方法，具有以下有益效果：
38.1.在云端进行模型构建、训练、评估和检测，在边缘端进行推理，并通过云端训练模型和边缘端数据无缝对接，同时实现云端与边缘端的协同以及数据统一，有效减少推理的网络延迟，可以实现实时推理和预警。
39.2.基于国密加密和云边认证对模型文件传输，实现全链路的安全传输。通过推送权重文件以及在边缘端完成模型镜像打包的方式，有效减少云端与边缘端的通信量；采用在边缘端推理和边缘端报警的方式，使边缘端人员和设备都可以进行报警信息快速进行处置，有利于规避不能及时处理带来的风险。
40.3.实现数据回流训练，边缘端的模型在进行推理后，燃机数据回流到云端数据处理模块，在进行清洗标注处理后，又可以用于云端模型的训练。
41.基于上述有益效果，本发明能源行业燃机智能预警系统更符合现场燃机真实情况，模型预警精确度高，可以节省燃机运维成本。
附图说明
42.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
43.图1为本发明示例性第一实施例的一种能源行业燃机智能预警系统的架构图。
44.图2为本发明示例性第二实施例的一种能源行业燃机智能预警方法的流程图。
45.图3为本发明示例性第三实施例的一种能源行业燃机智能预警方法的流程图。
46.图4为本发明示例性第四实施例的一种能源行业燃机智能预警方法的流程图。
47.图5为本发明示例性第六实施例的一种能源行业燃机智能预警方法的流程图。
48.图6为本发明示例性第七实施例的一种能源行业燃机智能预警方法的流程图。
具体实施方式
49.下面结合附图对本发明实施例进行详细描述。
50.需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
51.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使
用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
52.以下各实施例中涉及的名词解释如下：
53.ak:access key id，用于标示用户。
54.sk:secret access key，是用户用于加密认证字符串和用来验证认证字符串的密钥，其中 sk必须保密
55.图1为根据本发明示例性第一实施例的一种能源行业燃机智能预警系统的架构图，如图 1所示，本实施例的系统，包括：
56.云端，由基础设置层、云端能力层、云节点核心层和云边交互管理层组成；其中，基础设置层由kubernates构成，用于为边缘端模型启停服务模块启动docker模型镜像时分配硬件资源；云节点核心层由数据处理模块、模型构建模块、训练调优模块、部署管理模块以及一体化训练推理引擎组成，用于根据燃机数据构建模型，并对模型进行训练、评估和测试，获得合格的训练模型；云边交互管理层由边缘节点管理服务模块、模型推送服务模块、云端心跳检测服务模块和推送结果处理服务模块组成；
57.多个边缘端，其中，每个边缘端由边缘端心跳检测服务模块、模型接收服务模块、监控服务模块、注册服务模块、模型启停服务模块和推理结果推送服务模块组成。
58.在实际应用中，本实施例的系统，在云端进行模型构建、训练、评估和检测，在边缘端进行推理，并通过云端训练模型和边缘端数据无缝对接，同时实现云端与边缘端的协同以及数据统一，有效减少推理的网络延迟，可以实现实时推理和预警。采用在边缘端推理和边缘端报警的方式，使边缘端人员和设备都可以进行报警信息快速进行处置，有利于规避不能及时处理带来的风险。
59.图2为根据本发明示例性第二实施例的一种能源行业燃机智能预警方法的流程图，本实施例的方法，包括：
60.步骤s1：根据燃机数据构建模型，并对模型进行训练、评估和测试，获得合格的训练模型；
61.步骤s2：通过注册服务模块将边缘端注册到远端；
62.步骤s3：采用边缘端心跳检测服务模块和云端心跳检测服务模块保持边缘端与云端的心跳连接；
63.步骤s4：将云端通过测试的模型推送至边缘端；
64.步骤s5：边缘端通过接收的模型进行推理，将推理结果返回至云端。
65.本实施例的能源行业燃机智能预警方法，还包括：采用监控服务模块监控边缘节点的操作和推理服务调用情况。
66.图3为根据本发明示例性第三实施例的一种能源行业燃机智能预警方法的流程图，本实施例是图2所示方法的优选实施例，如图3所示，本实施例方法的步骤s1，包括：
67.步骤s11：采用数据处理模块对燃机的环境数据和运行数据进行打标、去重、缺失值填充、字段过滤、排序处理，获得模型数据，并将模型数据发送至数据处理模块中kafka对应的主题中；
68.步骤s12：采用模型构建模块从模型数据中提取特征，组合设备健康度和设备预警两个算子，构建获得模型；
69.步骤s13：采用一体化训练推理引擎，根据步骤s12提取的特征，从数据处理模块中订阅对应燃机的模型数据，调整训练参数，对模型进行分布式训练，获得训练模型；
70.步骤s14：采用训练调优模块评估训练模型的报警准确率和召回率，如果报警准确率低于90％或者召回率低于92％，重新提取特征，对训练模型进行重新构建和训练；
71.步骤s15：采用部署管理模块对通过评估的训练模型进行测试，获得通过测试的训练模型，对未通过测试的模型进行重新构建、训练、评估和检测。
72.本实施例方法的步骤s15中，采用部署管理模块对通过评估的训练模型进行测试，获得通过测试的训练模型，包括：采用部署管理模块向通过评估的训练模型发送模型输入参数，如果返回推理结果，则判定所述训练模块通过测试。
73.图4为根据本发明示例性第四实施例的一种能源行业燃机智能预警方法的流程图，本实施例是图2所示方法的优选实施例，如图4所示，本实施例方法的步骤s2，包括：
74.步骤s21：采用边缘节点管理服务模块向边缘端分配code；
75.步骤s22：每个边缘端的注册服务模块携带对应的code向边缘端管理服务模块发送注册请求；
76.步骤s23：边缘节点管理服务模块接收并验证注册请求，同时获取每个边缘端的ak和sk信息。
77.本发明示例性第五实施例提供一种能源行业燃机智能预警方法，本实施例是图2所示方法的优选实施例，本实施例方法的步骤s3，包括：边缘端心跳检测服务模块和云端心跳检测服务模块每隔1分钟通信1次，如果通信失败，连续尝试3次通信，如果还是通信失败，间隔5分钟后再进行通信，如果还是通信失败，断开边缘端心跳检测服务模块和云端心跳检测服务模块的连接，同时发送报警。
78.图5为根据本发明示例性第六实施例的一种能源行业燃机智能预警方法的流程图，本实施例是图2所示方法的优选实施例，如图5所示，本实施例方法的步骤s4，包括：
79.步骤s41：采用模型推送服务模块将云端将模型文件和模型参数加密后通过https协议发送至模型接收服务模块，其中，模型参数包括边模型打包所需要的底层依赖框架信息以及缘节点管理模块获取的ak和sk信息；
80.步骤s42：模型接收服务模块接收模型文件和模型参数，认证ak和sk，将模型文件解密后，打包成docker模型镜像。
81.在实际应用中，本实施例方法基于国密加密和云边认证对模型文件传输，实现全链路的安全传输。通过推送权重文件以及在边缘端完成模型镜像打包的方式，有效减少云端与边缘端的通信量。
82.图6为根据本发明示例性第七实施例的一种能源行业燃机智能预警方法的流程图，本实施例是图2所示方法的优选实施例，如图6所示，本实施例方法的步骤s5，包括：
83.步骤s51：采用边缘端模型启停服务模块根据kubernates分配的硬件资源启动docker模型镜像，对启动的docker模型镜像进行部署；
84.步骤s52：从数据处理模块中kafka对应的主题中订阅模型数据，根据订阅的模型数据进行推理，获得推理结果；
85.步骤s53：采用推理结果推送服务模块将附加ak和sk信息的推理结果推送至云端的推送结果处理服务模块；
86.步骤s54：云端推送结果处理服务模块对接收的推理结果进行打标，发送至数据处理模块。
87.本实施例方法的步骤s51中，对启动的docker模型镜像进行部署，包括：采用单实例部署或多实例分布式部署的方式对启动的docker模型镜像进行部署。
88.在实际应用中，本实施例方法可以实现数据回流训练，边缘端的模型在进行推理后，燃机数据回流到云端数据处理模块，在进行清洗标注处理后，又可以用于云端模型的训练。
89.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。