[发明专利]一种基于Keras的电气系统运行状态智能分析方法

权利要求书

1.一种基于Keras的电气系统运行状态智能分析方法，其特征在于，包括以下步骤：

采集电站电气系统运行历史数据，并存储在OpenTSDB数据库中；

获取存储在OpenTSDB数据库中的历史数据，构建电气系统运行状态的历史向量数据库；

从历史向量数据库中确定训练时每次梯度更新的样本数batch_size，以每次梯度更新的样本数batch_size为基数进行分组，并对每组样本数batch_size进行MLP参数初始化；

加载历史向量数据库的数据，并分类为包括训练集和测试集，总样本数的一部分作为训练集用于模型训练，剩余部分作为测试集用于模型测试；

利用Keras构建多层神经网络结构，构建出电气系统运行状态智能检测模型；

用以历史向量数据库中的训练集数据作为输入训练数据，传入已构建的电气系统运行状态智能检测模型，输出电气系统运行状态的预测值和预测值相对应的阈值；

获取电气系统运行状态的实测值，比较实测值与预测值、预测值相对应的阈值，进行预测警报。

2.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述电站电气系统运行历史数据包括发电机的金属结构、发变组系统、氢气系统、定冷水系统和密封油系统多个部位在不同工况下的热参数和/或电参数数据。

3.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述MLP参数初始化具体为：根据电站电气系统运行历史数据的在不同工况下的类别数，赋予类别数的初始值，以及每组样本数batch_size的训练次数的初始值。

4.根据权利要求1或3所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述训练集和测试集是根据所述历史向量数据库的类别数进行分层采样，具体设定训练集和测试集的比例为0.8:0.2。

5.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述利用Keras构建多层神经网络结构，进一步包括以下步骤：

（1）设定Keras的序贯模型；

（2）以训练集的样本数量和输入维度组成的2D张量作为输入数据，搭建神经网络全连接层；

（3）搭建神经网络激活层，神经网络激活层对神经网络全连接层的输出添加激活函数；

（4）搭建神经网络Dropout层，并为输入数据添加Dropout，Dropout将在模型训练过程中每次更新输入数据时随机断开一定百分比输入数据的神经元连接；

（5）多层神经网络结构进行编译和配置，构建出电气系统运行状态智能检测模型。

6.根据权利要求5所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述多层神经网络结构中的步骤（4）后可继续依次添加神经网络全连接层、神经网络激活层和神经网络Dropout层。

7.根据权利要求1所述的一种基于Keras的电气系统运行状态智能分析方法，其特征在于，所述比较实测值与预测值、预测值相对应的阈值具体为：若实际值未超出预测值相对应的阈值，则电气系统运行状态智能检测模型提示电气系统运行正常；若有实际值超出阈值，则电气系统运行状态智能检测模型提示该系统运行偏离正常工况，再经人工判断，若确定为非故障，将该实测值对应的电气系统运行状态特征保存进历史向量数据库，添加标签，并重新对电气系统运行状态智能检测模型进行训练。