一种基于核密度估计和卷积优化算法的智能报警方法

技术领域

本发明属于超超临界火力发电机组智能报警研究领域，具体涉及一种基于核密度估计和卷积优化算法的超超临界机组智能报警方法。

背景技术

由于超超临界机组系统结构复杂，在运行过程中容易出现异常状况。如果在运行过程中发生异常，不仅会导致机组停运，还会降低电厂的生产效率和经济效益，严重的会导致安全生产事故。因此，需要利用报警系统对一些关键设备进行监控，实时反应各个设备的状态，当有异常状况发生时，报警系统会发出信号，提醒工作人员尽快处理报警问题，以减少事故的发生。

当前，超超临界机组报警系统的主要问题是存在无效报警以及大量的漏报警，并且由于系统存在大量的时延，可能不会立即产生告警，导致报警系统的性能下降。造成这个问题最直接的原因是报警阈值设定的不合理。传统的报警系统采用的是简单的过线报警方法，当设备的过程参数值超过或低于设定的报警阈值时，就发出报警信号。当阈值设置的过低时，会有大量的误报警产生，影响操作人员的判断；而当报警阈值设置的过高时，会导致漏报警的数量增加，而漏报警过多会增加设备发生故障的潜在危险，严重时会造成安全生产事故。

因此，要设计一个合理的报警阈值，在不明显增加误报率的前提下大大降低漏报率和检测迟延期望，提高系统的响应速度，同时避免漏报警次数过多而给生产带来安全隐患，进而提高电力生产过程的安全性和稳定性，实现智能报警。

发明内容

为了克服现有技术的不足，为了提高超超临界机组报警系统的性能，实现智能报警，本发明提供了一种基于核密度估计和卷积优化算法的智能报警方法，首先，采用核密度估计对正常和异常工况下的数据进行估计，得到两组概率密度函数；然后根据概率密度函数计算出误报率、漏报率和检测迟延期望的表达式，并建立关于漏报率、误报率和检测迟延期望的报警阈值优化目标函数；最后，使用卷积优化算法对目标函数进行寻优求解，实现报警阈值的优化；本发明能够在保证低误报的同时大大降低漏报率与检测迟延期望，提高了报警系统的性能，实现了智能报警。

为了解决上述技术问题本发明提供如下技术方案：

一种基于核密度估计和卷积优化算法的超超临界机组智能报警方法，包括以下步骤：

S1：获取超超临界机组变量的历史运行数据，根据变量的报警阈值将历史数据分为正常状态和异常状态两组数据；然后采用核密度估计算法(kernel densityestimation，KDE)对正常状态和异常状态下的数据分别进行估计，得到正常和异常状态下的概率密度函数(probability density function，PDF)；

S2：根据变量在正常状态和异常状态下的概率密度函数曲线，计算出漏报率(missed alarm rate，MAR)、误报率(false alarm rate，FAR)和检测迟延期望(detectiondelay expectation，EDD)的表达式，并建立一种考虑漏报率、误报率和检测迟延期望的报警阈值优化计算模型；

S3：以目标函数值最小为优化目标，采用卷积优化算法对其进行寻优求解，得到最优报警阈值以及相应的最小目标函数值；同时根据最优报警阈值求出优化后的漏报率、误报率和检测迟延期望指标值，并与原系统进行比较。

进一步，所述步骤S1中，采用核密度估计算法对数据进行估计得到概率密度函数包括以下子步骤：

S1-1.获取超超临界机组变量x(t)的历史运行数据，根据变量的报警阈值将数据分为正常状态x

S1-2.确定最优窗宽r，通过最小化渐进积分均方误差来计算。其中积分均方误差的计算公式如下：

式中：H(x)为样本数据的真实值，

将公式(1)中的高阶无穷小量忽略后得到渐进积分均方误差，计算公式如下所示：

最小化AMISE，令

最后采用Silverman大拇指法则将上式进行简化后，最终得到r的计算公式如下所示：

式中：S为数据标准差；

S1-3.确定核函数为高斯核函数，其表达式如下所示：

S1-4.确定窗宽r和核函数之后，利用核密度估计的公式分别对两组数据进行拟合，得到正常和异常状态数据的概率密度函数表达式如下所示：

式中，x为估计点。

再进一步，所述步骤S2中，根据概率密度函数曲线，计算漏报率、误报率和检测迟延期望的表达式，并建立报警阈值优化计算模型，包括以下子步骤：

S2-1.根据

S2-2.计算误报率和漏报率，误报率是指误报率是指变量运行在正常工况下，但其过程值超过报警阈值的概率；漏报率是指变量发生异常工况而过程值却低于报警阈值的概率，根据上述概念，得到计算公式如下：

S2-3.计算检测迟延期望，首先假设x(t)在t时刻发生故障，报警系统在经过a个样本后，于t

式中：t

对检测迟延求期望，得到检测迟延期望，计算公式如下所示

S2-4.综合考虑误报率、漏报率和检测迟延期望，构建报警阈值优化目标函数计算模型，计算公式如下：

式中，x

更进一步，所述步骤S3中，以目标函数值最小为优化目标，使用卷积优化算法对目标函数进行寻优求解，得到最终结果，包括以下子步骤：

S3-1.设置卷积优化算法的相关参数：种群数量为10，最大迭代次数为400，决策变量的维度为1，求解的决策变量的范围为[95，100]；并定义初始种群的位置向量在规定范围内随机生成，确定对应的适应度函数值，生成公式如下所示：

式中，

S3-2.根据初始化种群中每个个体的适应度值进行卷积搜索位置更新，更新过程包括竖向卷积搜索位置更新、横向卷积搜索位置更新、二维卷积搜索位置更新以及综合位置更新；最后计算经过综合位置更新后种群个体位置的适应度值，即优化目标函数值，并选出最优解；

S3-3.在搜索空间中，通过带非惯性权重的高斯变异对最优解进行扰动，增强最优解的质量，并比较扰动前后的适应度值，选择适应度值更小的作为新的最优解，公式如下所式：

式中，t为当前迭代次数，iter

S3-4.判断当前迭代次数是否达到最大迭代次数iter

本发明的有益效果主要表现在：该方法首先使用核密度估计对变量在正常和异常工况下的数据进行估计，得到概率密度函数。核密度估计方法是一种非参数估计方法，能够对未知变量进行估计，从而得到概率密度函数，且估计的密度函数与真正的密度函数间的均方积分误差最小，适用于具有任意分布特性的数据。其次，该方法在构建优化计算模型时综合考虑误报率、漏报率和检测迟延期望。最后，采用卷积优化算法寻优求解得到最优阈值。实验结果表明，本发明方法能够在保证低误报的同时大大降低漏报率与检测迟延期望，提高了报警系统的性能，实现了智能报警。

附图说明

图1是本发明所述一种基于核密度估计和卷积优化算法的超超临界机组智能报警方法流程图。

图2是采用核密度估计对正常和异常数据进行拟合后得到的概率密度函数曲线。

图3是卷积优化算法求解迭代收敛图。

图4是寻优求解过程中目标函数值的变化过程。

图5是最优报警阈值对应的评价指标值与原系统的对比结果。

具体实施方式

下面结合附图对本发明做进一步描述。

参照图1～图5，一种基于核密度估计和卷积优化算法的超超临界机组智能报警方法，包括以下步骤：

S1：获取超超临界机组变量的历史运行数据，根据变量的报警阈值将历史数据分为正常状态和异常状态两组数据；然后采用核密度估计算法(kernel densityestimation，KDE)对正常状态和异常状态下的数据分别进行估计，得到正常和异常状态下的概率密度函数(probability density function，PDF)；

所述步骤S1中，采用核密度估计算法对数据进行估计得到概率密度函数，结果如图2所示，包括以下子步骤：

S1-1.获取超超临界机组变量x(t)的历史运行数据，根据变量的报警阈值将数据分为正常状态x

S1-2.确定最优窗宽r，通过最小化渐进积分均方误差来计算。其中积分均方误差的计算公式如下：

式中：H(x)为样本数据的真实值，

将公式(1)中的高阶无穷小量忽略后得到渐进积分均方误差，计算公式如下所示：

最小化AMISE，令

最后采用Silverman大拇指法则将上式进行简化后，最终得到r的计算公式如下所示：

式中：S为数据标准差；

S1-3.确定核函数为高斯核函数，其表达式如下所示：

S1-4.确定窗宽r和核函数之后，利用核密度估计的公式分别对两组数据进行拟合，得到正常和异常状态数据的概率密度函数表达式如下所示：

式中，x为估计点。

S2：根据变量在正常状态和异常状态下的概率密度函数曲线，计算出漏报率(missed alarm rate，MAR)、误报率(false alarm rate，FAR)和检测迟延期望(detectiondelay expectation，EDD)的表达式，并建立一种考虑漏报率、误报率和检测迟延期望的报警阈值优化计算模型；

所述步骤S2中，根据概率密度函数曲线，计算漏报率、误报率和检测迟延期望的表达式，并建立报警阈值优化计算模型，包括以下子步骤：

S2-1.根据

S2-2.计算误报率和漏报率，误报率是指误报率是指变量运行在正常工况下，但其过程值超过报警阈值的概率；漏报率是指变量发生异常工况而过程值却低于报警阈值的概率，根据上述概念，得到计算公式如下：

S2-3.计算检测迟延期望。首先假设x(t)在t时刻发生故障，报警系统在经过a个样本后，于t

式中：t

对检测迟延求期望，得到检测迟延期望，计算公式如下所示

S2-4.综合考虑误报率、漏报率和检测迟延期望，构建报警阈值优化目标函数计算模型，计算公式如下：

式中，x

S3：以目标函数值最小为优化目标，采用卷积优化算法对其进行寻优求解，得到最优报警阈值以及相应的最小目标函数值；同时根据最优报警阈值求出优化后的漏报率、误报率和检测迟延期望指标值，并与原系统进行比较。

所述步骤S3中，以目标函数值最小为优化目标，使用卷积优化算法对目标函数进行寻优求解，得到最终结果，卷积优化算法计算过程如图3和图4所示，对比结果如图5所示，包括以下子步骤：

S3-1.设置卷积优化算法的相关参数：种群数量为10，最大迭代次数为400，决策变量的维度为1，求解的决策变量的范围为[95，100]；并定义初始种群的位置向量在规定范围内随机生成，确定对应的适应度函数值，生成公式如下所示：

式中，

S3-2.根据初始化种群中每个个体的适应度值进行卷积搜索位置更新，更新过程包括竖向卷积搜索位置更新、横向卷积搜索位置更新、二维卷积搜索位置更新以及综合位置更新；最后计算经过综合位置更新后种群个体位置的适应度值，即优化目标函数值，并选出最优解；

S3-3.在搜索空间中，通过带非惯性权重的高斯变异对最优解进行扰动，增强最优解的质量，并比较扰动前后的适应度值，选择适应度值更小的作为新的最优解，公式如下所式：

式中，t为当前迭代次数，iter

S3-4.判断当前迭代次数是否达到最大迭代次数iter

为使本领域研究人员更好地了解智能报警算法过程，绘制了图1的流程图，直观形象，便于理解。

本发明首先采用核密度估计对变量在正常和异常工况下的数据进行估计，得到概率密度函数；然后根据概率密度函数计算出误报率、漏报率和检测迟延期望的表达式，并综合考虑误报率、漏报率和检测迟延期望，建立报警阈值优化目标函数计算模型；最后，采用卷积优化算法对目标函数进行寻优求解，得到最优报警阈值。通过实例研究表明，本发明方法能够在保证低误报的同时大大降低漏报率与检测迟延期望，因此，本发明方法能够提高报警系统的性能，实现了智能报警，从而进一步提高了超超临界机组运行的安全性和稳定性。综上，本发明所建立的一种基于核密度估计和卷积优化算法的智能报警方法为超超临界机火力发电系统的智能报警提供了一定的参考。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。