基于智能监盘的异常预测方法、系统、设备和存储介质

技术领域

本发明涉及自动控制系统故障诊断技术领域，特别是涉及一种基于智能监盘的异常预测方法、系统、设备和存储介质。

背景技术

目前，常规的火电厂智能监盘系统主要采用两类技术路线。第一类技术路线是建立电厂主要系统的特性模型，通过分析系统中各实测值之间的实际关系是否与变量间的理论关系相符合来进行异常检测。这一类方法易于快速确定异常发生原因，但是容易出现因传感器不全而导致的“欠定问题”、因传感器冗余而导致的“过定问题”、因传感器测量误差而导致的理论与实际存在偏差，而且由于建立特性模型需要大量的专业知识，通常设备覆盖率低，无法起到降低人工监盘工作强度的作用。第二类技术路线是利用电厂DCS历史数据建立数据驱动预测模型，通过分析各测量值的实际值和预测值之间的偏差或一组数据出现的概率来进行异常检测。

第二类技术路线根据采用的机器学习算法主要分为两类。第一类是监督学习算法，即直接根据设备边界参数来预测输出参数，并通过对比预测值和实测值之间的偏差，结合人工设置的阈值来进行预警。这类方法的缺陷是难以处理系统多模式问题，如在同样的边界参数下设备存在多个稳定状态，又如设备参数在其定义域内健康程度随预测偏差呈现非高斯分布的情况。第二类是非监督学习算法，通常是计算设备相关参数同时出现的概率或其重构误差，结合人工设置的阈值来进行预警。这类方法本质上不适合用于解决火电机组这一类设备运行工况受负荷指令等外部因素影响而频繁变化的情况，即训练数据丰富的工况并不意味着健康概率高。此外，上述两类方法皆存在需要人工设置报警阈值的情况，一定程度上增大了对建模的经验要求和建模的工作量。

发明内容

为了解决上述技术问题，本发明提供了一种基于智能监盘的异常预测方法、系统、设备和存储介质，本发明通过多模式变工况模拟量概率预测算法，随设备工况变化对传感器测量数据出现概率进行归一化，从而避免了训练数据分布不均匀对健康度评估造成的误导，可用于解决多模式问题，并且还可以通过设置全局概率阈值来避免人工设置各参数报警阈值的工作。

第一方面，本发明实施例提供了一种基于智能监盘的异常预测方法，包括：

根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型，所述设备参数包括边界参数和预警参数；

获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值；

将所述异常概率值与全局概率阈值相比较，若小于所述全局概率阈值，则所述异常预测模型触发异常提示；

其中，采用如下公式计算所述异常概率值：

式中，y

进一步地，所述根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型的步骤包括：

根据待监盘设备，将表示设备运行状态的外部参数作为边界参数，并将所述待监盘设备的内部参数作为预警参数；

设置异常预测模型的模型参数，所述模型参数包括超参数、权重系数、均值向量和协方差矩阵，其中，所述超参数的初始值由所述设备参数的数量计算得到，所述权重系数、所述均值向量和所述协方差矩阵的数量均与所述超参数的数值相同，且所述权重系数、所述均值向量和所述协方差矩阵的初始值均由随机初始化方式得到；

获取所述待监盘设备的历史设备参数，根据所述历史设备参数和预设的迭代条件，对所述权重系数、所述均值向量和所述协方差进行迭代计算，得到最终的所述权重系数、所述均值向量和所述协方差矩阵；

根据迭代计算得到的所述权重系数、所述均值向量和所述协方差矩阵，生成所述异常预测模型。

进一步地，采用如下公式表示所述超参数：

式中，m表示边界参数的数量，n表示预警参数的数量；

采用如下公式表示所述权重系数：

采用如下公式表示所述均值向量：

采用如下公式表示所述协方差矩阵：

式中，x

表示以μ

进一步地，所述获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值的步骤包括：

获取所述待监盘设备的所述边界参数，生成边界参数向量；

从所述预警参数中选取待监盘的参数作为第一预警参数，并将其余的所述预警参数作为第二预警参数，获取所述待监盘设备的所述第二预警参数，并根据获取的所述第二预警参数和预设的所述第一预警参数生成预警参数向量；

将所述边界参数向量和所述预警参数向量输入所述异常预测模型进行预测，得到在给定所述边界参数时出现所述第一预警参数的异常概率值。

进一步地，在所述若小于所述全局概率阈值，则所述异常预测模型触发异常提示之后，还包括：

根据所述待监盘设备的历史设备参数，生成所述待监盘设备的健康评分曲线；

将所述异常概率值输入所述健康评分曲线，得到所述待监盘设备的健康评分值。

进一步地，根据所述预警参数的监盘时间，将所述预警参数划分为第一子预警参数和第二子预警参数；

将所述第一子预警参数对应的历史设备参数输入所述异常预测模型，计算得到第一异常概率值，并根据所述第一异常概率值和预设第一斜率，生成第一健康评分曲线；

将所述第二子预警参数对应的历史设备参数输入所述异常预测模型，计算得到第二异常概率值，并根据所述第二异常概率值和预设第二斜率，生成第二健康评分曲线。

进一步地，所述预设的迭代条件为所述权重系数、所述均值向量和所述协方差矩阵的数值均保持不变。

第二方面，本发明实施例提供了一种基于智能监盘的异常预测系统，包括：

异常预测模型，用于根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型，所述设备参数包括边界参数和预警参数；

异常概率计算模块，用于获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值；

阈值比较模块，用于将所述异常概率值与全局概率阈值相比较，若小于所述全局概率阈值，则所述异常预测模型触发异常提示；

其中，采用如下公式计算所述异常概率值：

式中，y

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明提供了一种基于智能监盘的异常预测方法、系统、设备和存储介质，与现有技术相比，本发明提出了一种多模式变工况模拟量概率预测算法，能够随设备工况变化对传感器测量数据出现概率进行归一化，从而避免了训练数据分布不均匀对健康度评估造成的误导，不仅可以用于解决多模式问题，还可以通过设置全局概率阈值来避免人工设置各参数报警阈值的工作，减少了对建模的经验要求和建模的工作量。

附图说明

图1是本发明实施例中基于智能监盘的异常预测方法的流程示意图；

图2是现有的火电机组给水加热器的结构示意图；

图3是本发明实施例中给水出口水温监盘曲线示意图；

图4是本发明实施例中加热器水位监盘曲线示意图；

图5是本发明实施例中疏水出口温度监盘曲线示意图；

图6是本发明实施例中一种健康评分曲线示意图；

图7是本发明实施例中另一种健康评分曲线示意图；

图8是本发明实施例中基于智能监盘的异常预测系统的结构示意图；

图9是本发明实施例中计算机设备的内部结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明第一实施例提出的一种基于智能监盘的异常预测方法，包括步骤S10～S30：

步骤S10，根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型，所述设备参数包括边界参数和预警参数。

本发明提供是一种面向火电厂智能监盘的多模式变工况模拟量概率预测算法，是建立以边界参数为条件的预警参数的概率模型，在给定边界参数的情况下，可以快速估计预警参数出现概率的一种工程方法，为此，首先需要选定边界参数和预警参数，对于选定的火电机组某设备来说，边界参数的选择与所研究的设备密切相关，根据设备包含的范围大小，来选择不同的边界参数，假如以机组为研究对象，那么可以选择机组负荷、环境参数等影响机组运行状态的外部参数作为边界参数，如果以给水加热器为研究对象，那么可以选择抽汽压力、给水流量、给水温度等影响设备运行状态的外部参数作为边界参数，预警参数则在所研究设备的实测参数变量中选择，并且不能选择边界参数为预警参数，比如以机组为研究对象，则可以选择主蒸汽温度、主蒸汽压力等内部参数作为预警参数，如果以给水加热器为研究对象，则可以选择加热器水位、给水出口温度、疏水温度等内部参数作为预警参数。

在选定了设备参数之后，根据选定的设备参数来建立异常预测模型，首先确定模型的参数，包括超参数、权重系数、均值向量和协方差矩阵，其中超参数的数值由设备参数的数量计算得到，即超参数K为正整数，取值为：

式中，m表示边界参数的数量，n表示预警参数的数量，

然后随机初始化K个权重系数α

由于模型参数由随机初始化的方式取值，因此，还需要通过历史数据对模型进行训练，具体为，获取待监盘设备的历史设备参数，假设对于给定关于边界参数x、预警参数y的批量历史数据共N组，令其中第i组为x

步骤A：

其中，i＝1,2,...,N，k＝1,2,...,K，

步骤B：

/>

通过上述步骤对异常预测模型的参数进行训练，就可以得到稳定的模型参数，在得到确定的模型参数后，就可以进行下一步的异常概率计算。

步骤S20，获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值。

在给定工况x＝x

结合概率公式，可以得到P(y

在工程实施中，上式中分母的多重积分求解复杂，可通过下式近似求解P(y

其中，Δy＝Δy

步骤S30，将所述异常概率值与全局概率阈值相比较，若小于所述全局概率阈值，则所述异常预测模型触发异常提示。

为了避免人工设置报警阈值从而增大了对建模的经验要求和建模的工作量的问题，本发明使用了全局概率阈值来代替人工设置，即当满足如下条件时，异常预测模型会触发异常提示：

P(y

其中，ε∈(0,1)为全局概率阈值，该值根据火电厂的实际情况进行设置，本发明中优选的可以将其设置为0.01。

下面以火电机组#2高压加热器为例，对本发明提供的异常预测方法在监盘中的实际应用进行说明。请参阅图2所示的典型的火电机组给水加热器的结构，其中，1为包壳、2为U型管、3为管束支撑、4为液位、5为液位传感器、6为给水出口、7为蒸汽入口、8为蒸冷段挡板、9为疏冷段挡板、10为控制阀、11为顶部水室、12为底部水室、13为疏水出口、14为给水入口。

在设备运行过程中，低温给水通过给水入口14流入底部水室12，平行地通过U型管2，同时从金属壁吸收热量，最终进入顶部水室11并流向下一级的加热器。蒸汽侧根据蒸汽的相位分为三个区域：过热蒸汽冷却段，凝结段和疏水冷却段。过热蒸汽通过蒸汽入口7首先进入过热蒸汽冷却段，通过蒸冷段挡板8逐段交叉对流加热U型管。过热蒸汽冷却至饱和状态后进入冷凝区，蒸汽分子在U型管表面冷凝成水滴，并坠入加热器底部。疏水通过水封进入疏水冷却区，经过疏冷段挡板9逐段交叉对流加热U型管。过冷的疏水最终从加热器排出，通过控制阀10，流入下一级加热器。控制阀10通过节流控制疏水流量，调节加热器水位以达到预先设定的目标水位。加热器相关的测点包括给水流量、给水入口水温、给水出口水温、蒸汽入口压力、加热器水位、疏水出口温度等。

对于边界参数参数，本实施例种选择了给水流量、给水入口水温和蒸汽入口压力三种参数组成边界参数向量即[x

选取上述六个参数3个月的历史运行数据，采样间隔为1min，通过随机初始化分别得到4个权重系数α

α

均值向量为：

μ

μ

协方差矩阵为：

重复步骤A和步骤B，直到α

α

μ

μ

根据历史数据可以确定各预警参数的上下限，即：

y

此时微元测度则取Δy＝0.0024。

根据上述计算出的各个参数，就可以得到以高压加热器为研究对象的异常预测模型，然后就可以将边界参数和预警参数输入该异常预测模型进行异常预测。

首先获取高压加热器当前的边界参数，即给水流量x

①针对给水出口水温y

获取加热器水位y

②针对加热器水位y

获取给水出口水温y

③针对疏水出口温度y

获取给水出口水温y

然后根据各个时刻计算出来的三组概率值，绘制P(y

进一步地，为了使监盘的效率更加准确，本发明还提供了关于监盘设备的健康评分方法，具体步骤为：

步骤S40，根据所述待监盘设备的历史设备参数，生成所述待监盘设备的健康评分曲线；

步骤S50，将所述异常概率值输入所述健康评分曲线，得到所述待监盘设备的健康评分值。

即在实时计算所选定设备的P(y

对于需要长期监视的参数，其评分曲线可以设计为如图6所示，即在曲线的各个位置上均保持一定的斜率，使得健康度评分关于P(y

对于不需要长期监视、仅在发生异常时才需要明确提醒的参数，其评分曲线可以设计为如图7所示，这一类参数的曲线的特点是根据P(y

本发明实施例提供的一种基于智能监盘的异常预测方法，相比传统方法难以处理系统多模式问题以及不适用于处理设备运行工况受负荷指令等外部因素影响而频繁变化的情况，本发明通过提供的异常预测模型，能够解决多模式问题，并且通过设置全局概率阈值来避免人工设置各参数报警阈值的工作，从而减少了对建模的经验要求和建模的工作量，提高了模型的预测效率和预测准确性。

请参阅图8，基于同一发明构思，本发明第二实施例提供的一种基于智能监盘的异常预测系统，包括：

异常预测模型10，用于根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型，所述设备参数包括边界参数和预警参数；

异常概率计算模块20，用于获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值；

阈值比较模块30，用于将所述异常概率值与全局概率阈值相比较，若小于所述全局概率阈值，则所述异常预测模型触发异常提示。

本发明实施例提出的基于智能监盘的异常预测系统的技术特征和技术效果与本发明实施例提出的方法相同，在此不予赘述。上述基于智能监盘的异常预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

请参阅图9，一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于智能监盘的异常预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域普通技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。

此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

此外，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

综上，本发明实施例提供一种基于智能监盘的异常预测方法、系统、设备和存储介质，其异常预测方法通过根据待监盘设备，选择相应的设备参数，并根据所述设备参数，建立异常预测模型，所述设备参数包括边界参数和预警参数；获取所述待监盘设备的所述边界参数，将获取的所述边界参数和预设的所述预警参数输入所述异常预测模型，得到在给定所述边界参数时出现所述预警参数的异常概率值；将所述异常概率值与全局概率阈值相比较，若小于所述全局概率阈值，则所述异常预测模型触发异常提示。本发明能够随设备工况变化对传感器测量数据出现概率进行归一化，避免了训练数据分布不均匀对健康度评估造成的误导，不仅可用于解决多模式问题，还可以通过设置全局概率阈值来避免人工设置各参数报警阈值的工作，进一步提高了预测效率和预测的准确性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。