[发明专利]电站设备故障监测模型生成方法、系统及装置

权利要求书

1.一种电站设备故障监测模型生成方法，其特征在于，包括：

预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；

通过计算比较不同簇群下训练数据下的Calinski-Harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为K-means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；

将确定的聚类中心集作为FCM算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立FCM模型，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的PCA模型，完成训练过程。

2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

将现场数据经由标准化处理获取测试样本集，并经由FCM模型确定测试样本集的隶属度，并由各PCA监测模型获取监测统计量，并根据监测统计量和隶属度加权获取最终监测结果。

3.根据权利要求1所述的方法，其特征在于，通过计算比较不同簇群下训练数据下的Calinski-Harabasz分数值，确定最优的簇群数具体包括：

根据公式1，通过计算比较不同簇群下训练数据下的Calinski-Harabasz分数值，确定最优的簇群数：

其中，s(k)表示类间方差与类内方差之间的比值，B_k为表示类间方差，W_k表示类内方差，tr(*)表示矩阵的迹，即矩阵对角线元素和，m为聚类数目，k为当前的类别。

4.根据权利要求1所述的方法，其特征在于，将训练数据经由算法训练确定数据的簇群隶属度并建立FCM模型具体包括：

根据公式2和公式3将训练数据经由算法训练确定数据的簇群隶属度并建立FCM模型：

其中，u_ij为第i个样本隶属于第j种类型的隶属度，x_i为第i个样本，c_j为第j个聚类中心，c_k为第k个聚类中心，k＝1,2，…，C，m为加权指数，用于控制分区的模糊性，C为聚类中心的数量，C_j为更新后的聚类中心，N为样本数量，为更新后的隶属度矩阵。

5.一种电站设备故障监测模型生成系统，其特征在于，包括：

标准化模块，用于预先设定初始训练样本集的最大容量，基于最大容量将数据库中保存大量历史正常数据经标准化处理获取包含训练数据的训练样本集；

聚类模块，用于通过计算比较不同簇群下训练数据下的Calinski-Harabasz分数值，确定最优的簇群数，将确定的最优簇群数作为K-means算法的簇群数，并将训练数据经由算法训练确定数据的聚类中心集；

训练模块，用于将确定的聚类中心集作为FCM算法的初始聚类中心，并将训练数据经由算法训练确定数据的簇群隶属度并建立FCM模型，根据最大隶属度将训练数据进行分类，并根据不同类别建立相应的PCA模型，完成训练过程。

6.根据权利要求5所述的系统，其特征在于，所述系统进一步包括：

监测模块，用于将现场数据经由标准化处理获取测试样本集，并经由FCM模型确定测试样本集的隶属度，并由各PCA监测模型获取监测统计量，并根据监测统计量和隶属度加权获取最终监测结果。

7.根据权利要求5所述的系统，其特征在于，所述聚类模块具体用于：

根据公式1，通过计算比较不同簇群下训练数据下的Calinski-Harabasz分数值，确定最优的簇群数：

其中，s(k)表示类间方差与类内方差之间的比值，B_k为表示类间方差，W_k表示类内方差，tr(*)表示矩阵的迹，即矩阵对角线元素和，m为聚类数目，k为当前的类别。