基于神经网络算法模型的发电厂智慧监盘预警系统及实现方法与流程

本发明涉及发电厂预警系统，具体地，涉及一种基于神经网络算法模型的发电厂智慧监盘预警系统及实现方法。

背景技术：

1、传统的人工监盘由电厂运行监盘人员通过监控画面对电厂运行系统中的工艺参数进行实时监视、故障分析和处理。监盘人员必须熟练掌握操作规程、安全规程和调度规程，同时了解现场实时运行工况、系统工艺流程以及运行中的设备参数和运行状态等，当设备发生异常时，监盘人员具有快速判断故障原因和第一时间处理故障的能力，对监盘人员提出更强的专业性和更全面的综合性能力要求。

2、专利文献cn118312746a公开了一种基于数字孪生的设备状态评价方法及系统，所述系统包括：数字孪生建模模块，用于通过数字孪生建立质子附属设备运维平台模型；数据采集模块，用于采集质子附属设备内电气系统设备的运行状态数据，通过数据处理模块计算获得电气系统设备的运行风险值，设备状态分析模块可以结合电气系统设备的运行风险值进行实时分析，并结合过往数据，对电气系统设备未来的运行状态进行评估，并根据分析评估结果判断电气系统设备是否需要进行检修。然而该专利无法完全解决目前存在的技术问题，也无法满足本发明的需求。

3、随着大数据分析、人工智能ai、5g技术等新技术快速发展以及工业领域的广泛应用，积极推动着传统火电行业向智慧电厂数字化转型的步伐，智慧监盘不断辅助运行监盘人员做出关键决策，构建以预测性维护性为主的新监盘方式，实现设备系统故障智能预警和诊断，探索发电机组与重要辅机运行优化新模式，提升机组经济性、灵活性，提高设备可靠性，降低设备运维成本，不断推动发电行业高质量发展之路。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络算法模型的发电厂智慧监盘预警系统及实现方法。

2、根据本发明提供的基于神经网络算法模型的发电厂智慧监盘预警系统，包括：数据采集及储存层、数据处理层和数据应用层；

3、所述数据采集及储存层与数据处理层单向通讯连接，所述数据处理层与数据应用层双向通讯连接；

4、所述数据采集及储存层采用标准网络通信协议opc，从dcs/plc系统或sis系统采集毫秒级发电机组运行历史数据和实时数据，并存到实时数据库中；

5、所述数据处理层以数据库为基础，完成数据预处理、数据离线训练、神经网络算法建模、预警模型在线训练运行以及参数预警、健康度评价、故障诊断、控制回路性能评价、执行机构性能评价和故障根源分析；

6、所述数据应用层通过数据处理层神经网络算法模型的预测结果，进行实时监视和数据报警。

7、优选地，所述数据预处理包括：将已采集的原始数据进行筛选、过滤、去重、填充，去除数据中的噪声和错误；

8、所述数据离线训练包括：基于数据全样本的特征进行离线训练，同时完成数据离线验证，从而判断离线训练得到的数据是否符合进入模型应用的标准。

9、优选地，采用长短期记忆神经网络lstm模型，对发电厂的系统健康状态、重要参数运行情况、控制回路及执行机构性能进行故障预警分析；lstm模型通过其长短时记忆单元来记忆有关当前和先前时间步长的信息，长短时记忆单元中的信息在每个lstm单元之间线性传输，使信息跨多个时间步进行传输并得到维护；

10、lstm模型在隐藏层节点中添加三个门结构，为输入门、输出门和遗忘门，分别对时间数据序列的输入值xt、上一时刻的输出值st-1和上一时刻的单元状态值ct-1进行控制；

11、遗忘门用来控制上一时刻的单元状态值ct-1应该遗忘多少，然后将剩下的信息保存到当前单元状态ct中，计算公式如下：

12、ft＝σ(wf·[st-1,xt]+bf)

13、其中，st-1是上一时刻的输出，xt是当前时刻的输入，wf是遗忘门的权重矩阵，bf是遗忘门的偏置，σ是遗忘门的sigmoid激活函数，ft计算出来的值在[0,1]之间，ft＝0表示完全忘记上一时刻单元状态，ft＝1则表示对上一时刻单元状态全部保留，ft的值在(0，1)之间取值表示只记忆上一时刻单元状态中需要保存的信息；

14、输入门用来控制上一时刻的输出值st-1和当前时刻的输入值xt有多少信息进入到当前单元状态ct中，输出门用来控制将当前状态中的多少信息输出；首先使用sigmoid函数获取一个0和1之间的值，来决定加入新状态的多少，其计算公式为式(1)；然后创建一个新的候选向量用于控制要加入ct的部分，其计算公式为式(2)；之后将两部分相乘，总共决定了要影响ct的量的多少，加上之前的遗忘门的影响，最终得到当前单元状态ct的值，lstm单元状态的更新公式如式(3)所示：

15、it＝σ(wi·[st-1,xt]+bi)      (1)

16、

17、

18、式(1)～式(3)中，st-1是上一时刻的输出，xt是当前时刻的输入，wi、wc是输入门的权重矩阵，bi、bc是输入门的偏置，σ、tanh是输入门的激活函数，it计算出来的值在[0,1]之间，it＝0表示完全忘记上一时刻输出和当前输入，it＝1表示对上一时刻输出和当前输入全部保留，it的值在(0，1)之间取值表示只记忆上一时刻输出和当前输入中需要保存的信息；ct-1是上一时刻的单元状态值，由式(1)～式(3)计算出当前状态ct，即将长期记忆和当前的记忆整合到一起得到当前单元状态ct；

19、输出门用来控制将当前状态ct中的多少信息输出；先通过输出门的sigmoid激活函数，来决定ct的哪一部分需要被输出，计算公式如式(4)所示；之后将ct放入tanh激活函数决定最后输出ct的部分，计算公式如式(5)所示：

20、ot＝σ(wo·[st-1,xt]+bo)   (4)

21、st＝ot·tanh(ct)         (5)

22、其中，st-1是上一时刻的输出，xt是当前时刻的输入，wo是输出门的权重矩阵，bo是输出门的偏置，tanh是输出门的激活函数，ot计算出来的值在[0,1]之间；

23、lstm神经网络通过多个门的结构计算改变自循环的权重，使得数据在误差传播的过程时，让误差完好的直接进入下一层，使得梯度无论在传播多远，都不出现爆炸或消失的现象，保证数据的收敛性；lstm神经网络通过采用大量历史数据训练网络，然后采用训练过的网络预测未来值。

24、优选地，所述预警模型在线训练包括：通过离线训练数据的有效性和收敛性确定离线训练的系统输入变量，将离线训练确定的系统输入变量实时值接入神经网络模型的输入数据中，利用神经网络模型对系统输出值进行实时预测，以此来判断设备系统是否出现异常，以此来达到提前预警的效果；

25、预警模型离线数据训练具体过程为：

26、从数据源中导出离线训练的输入和输出变量，在excel表格中整理为指定的xls格式；每个关键的输入和输出变量，单独用lstm神经网络模型进行训练，即用离线数据训练平台；读取指定的xls格式历史数据，对数据进行预处理，并根据数据源的采集情况指定输入、输出列；设定神经网络模型隐藏层层数、每层节点数、迭代训练次数，其中神经网络层数为3层，神经网络第一层节点数为32，神经网络第二层节点数为64，神经网络第三层节点数为16，迭代训练次数为100；在线数据训练，数据的前75％用于训练，后25％用于测试；训练结束后，生成神经网络参数矩阵，返回训练误差与测试误差；依据误差数据和图像判断数据训练拟合效果，决定是否重新导数据训练；对数训练效果符合预设标准的数据，形成权重矩阵文件，用于实时预测模型运行中。

27、优选地，实时预测模型在线运行具体过程如下：

28、在实时运行的神经网络预测模型中，输入已离线训练完成的确定变量数据，并确保每个变量的正确性和完整性；输入离线训练完成的权重矩阵文件夹名，此文件夹中保存的是离线训练结果文件组；在实时运行的神经网络预测模型中调试神经网模型隐藏层层数、每层节点数、迭代训练次数，此处离线数据训练参数与实时运行的神经网络预测模型参数一致；对模型预测出的值进行在线实时跟踪，通过神经网络模型的输出预估值与参数实时状态值相比较，当参数的实时值超出神经网络预估值的上下限时，及时对参数进行预警，判断模型预测效果。

29、优选地，具体预测模型，包括：参数预警模型、健康度评价模型、控制回路性能评价模型、执行机构性能评价模型、故障诊断模型、故障根源分析模型；

30、所述参数预警模型，利用lstm神经网络算法模型进行参数预警，lstm神经网络模块包含三层神经元，第一、二、三层分别有若干神经元子模块，输入变量个数为x，输出变量个数为y，通过x个输入变量预测输出变量的合理值；对于监测的目标参数y，确定直接影响y变化的n个主要解释变量测点有x1、x2、……xn，采用lstm模型历史时间内的y与x的同步历史数据，进行x与y之间的映射关系进行拟合训练，训练结果以权重矩阵文件的形式赋给在线ltsm计算模型；在线计算模型运行后，由实时在线采集的解释变量x实时计算出的预测y值与实际瞬时y值进行比对；当实际值与预测值的偏差超过预定的阈值时，系统开始发出预警或提示；通过神经网络模型的输出预估值与参数实时状态值相比较，当参数的实时值超出神经网络预估值的上下限时，则及时对参数进行预警，提醒监盘人员关注和调整；

31、所述健康度评价模型，利用lstm神经网络算法模型进行设备健康度分析，lstm神经网络模块包含三层神经元，第一、二、三层分别有多个神经元子模块，输入变量个数为x，输出变量个数为y，通过x个输入变量预测输出变量的合理值；判断一台设备是否处于健康状态，需要同时检测此台设备的若干关键指标y1，y2，……，ym；对于监测的目标参数y，确定直接影响y变化的n个主要解释变量测点有x1、x2、……xn，采用lstm模型历史时间内的y与x的同步历史数据，进行x与y之间的映射关系进行拟合训练，训练结果以权重矩阵文件的形式赋给在线ltsm计算模型；在线计算模型运行后，由实时在线采集的解释变量x实时计算出的预测y值与实际瞬时y值进行比对；采用向量的余弦相似度进行健康度评估，根据实际向量与预估向量的偏离程度反映设备的亚健康状态，系统给出具体的健康百分数进行表征。

32、优选地，健康度评价模型在神经网络模型中输入变量实时值，对输出变量进行实时预测；根据系统运行状态的实际变量参数跟踪神经网络模型输出变量预测值，同时采用关联度分析对系统的健康程度进行评估打分，实现对系统的异常预警和设备健康度分析，包括对发电机组的磨煤机、一次风机、送风机、引风机、给水泵和高低压系统进行健康度分析。

33、优选地，所述控制回路性能评价模型，根据控制系统的设定值和反馈值变量，以控制回路中受控对象设定值和反馈值的相对偏差、以及受控对象的平稳性表现，对控制回路的过程性能进行评价；

34、控制回路的受控性能评价的定义包含控制回路的暂态评价和常态评价；当控制回路的平衡态受干扰激励影响而被打破后复归新平衡态的能力评价，称为控制回路暂态评价，所述主控回路暂态评价故障类型分为：正向急剧增大、负向急剧增大、振动幅度增大、振动频率增大、振动幅度频率增大、正向急剧增大振动幅度增大、正向急剧增大振动频率增大、正向急剧增大振动频率增大、负向急剧增大振动幅度增大、负向急剧增大振动频率增大、负向急剧增大振动幅度频率增大；当控制回路定义段时间内设定值和反馈值之间的偏差用科学统计量均方根评价控制回路的平均性能，称为控制回路常态评价。

35、优选地，所述执行机构性能评价模型，基于信号趋势分析的执行机构性能检测方法，根据执行机构的输入变量和反馈变量数据判断执行机构的故障类型，所述故障类型分为：粘滞/滑动故障、执行器死区故障、执行器增益故障、执行器偏差故障、执行器卡死故障；

36、所述故障诊断模型，根据磨煤机机理和历史数据，构建磨煤机机理模型；同时根据磨煤机故障产生机理，调整模型参数或控制方式，生成大量典型故障样本数据；所述故障诊断功能针对磨煤机进行故障诊断分析，对运行过程中的给煤机流量、磨煤机进口风压、磨煤机下部风压、磨煤机出口温度、磨煤机冷风挡板开度、磨煤机热风挡板开度变量进行逻辑判断，诊断磨煤机正常、磨煤机断煤、磨煤机堵煤、磨煤机自燃四种故障状态，所述磨煤机故障诊断类型分为：正常、断煤、堵煤、自然；

37、所述故障根源分析模型，基于历史健康运行数据，采用lstm模型对燃料流量、送风量、主汽流量、主给水量、实发功率进行模型训练，即：以其中一个指标为目标变量y，其余指标作为解释变量x，得到权重参数矩阵格式的映射关系，再依此类推，得到另外四组映射关系；在线运行时，同时运行五组映射关系模型，得到五个预测y值，与实际系统值进行实时比对，依照能量、物料的守恒网络理论，偏差最大者为故障所在处，当故障发生时，查询五组y值偏差曲线，最先产生偏差者为故障源。

38、根据本发明提供的基于神经网络算法模型的发电厂智慧监盘预警系统实现方法，包括如下步骤：

39、步骤s1：利用机组实时运行过程中存储的海量历史数据，选取能够覆盖机组全工况运行范围内的时间段对历史数据进行采集；

40、步骤s2：根据实际情况确定预测模型输入/输出变量；

41、步骤s3：数据预处理，包括离群点剔除和缺失值填补；

42、步骤s4：数据离线训练，得到训练曲线图，判断输入/输出变量的关联性，确定输入/输出变量是否高度拟合，以此来寻找符合预设条件的输入/输出变量数据；

43、步骤s5：神经网络模型组态，用神经网络算法平台对发电机组需要预警的各系统的参数预警、健康度评价、控制回路性能评价、执行机构性能评价、故障诊断、故障根源分析的系统设备，根据已确定的输入/输出变量进行程序逻辑组态；

44、步骤s6：预测模型在线训练运行，用经过预处理后的数据对神经网络模型进行训练，根据系统输入/输出变量个数以及系统复杂度，调整深度神经网络模型的隐藏层层数、节点数、权重、学习率、激活函数，并进行反复训练，直至神经网络预测模型精度满足预设要求；

45、采用正态性检验分析方法进行离群点检测，然后对离群点进行线性回归处理，具体过程为：数据收集和整理，包括清洗、格式化，用于后续分析；利用统计软件对数据进行正态性检验，包括绘制直方图、p-p图或q-q图来直观判断数据分布是否接近正态分布；

46、基于正态分布的离群点检测，首先，计算均值和标准差，计算整个数据集的均值μ和标准差σ；其次，确定离群点阈值，根据正态分布的特性，获取数据点落在均值加减3倍标准差μ±3σ范围内的概率，超出这个范围的数据点视为离群点；再次，识别离群点，将每个数据点与阈值进行比较，如果某个数据点的值小于μ-3σ或大于μ+3σ，则将其标记为离群点；最后，对所有识别出的离群点进行记录，根据实际情况选择删除、替换，具体为：通过线性回归处理，通过正常数据拟合的近似函数对数据偏离总体较严重的样本进行替换，对于缺失数据采用三次样条插值的方式进行填补。

47、与现有技术相比，本发明具有如下的有益效果：

48、(1)本发明通过对机组运行数据的挖掘、数据离线训练、神经网络模型搭建、预警模型在线训练的方式，神经网络模型预测出发电机组设备系统的异常信息提前做出预警判断，实现多种工况下发电机组系统的智能预警和机组设备的优化诊断、健康度分析、性能评价，辅助监盘运行人员进行异常处理，从而降低机组设备发生故障的概率和风险，提高设备运行的安全性，保障电网系统的稳定性，同时为建设电力领域数字化、智能化转型奠定基础，延长“生产型”数据的生命周期，具有广泛的应用前景；

49、(2)智慧监盘系统投入前单套机组需要4-5人24小时值班运行，智慧监盘系统投入后，仅需要2-3人值班运行人员，减少人工监盘时间和强度；全年可减少机组非正常停车次数1-2次，延长关键设备的利用率，减少机组非正常停车带来的经济损失。

50、(3)智慧监盘有提前捕捉故障预警的能力，延长设备的使用寿命和维护周期，节省检修维修费用；减少机组非停，提高电网系统的稳定性；辅助监盘人员，做出科学正确的故障预警，减少人工通过以往经验追溯故障原因的时间。