[发明专利]电站设备故障监测模型生成方法、系统及装置

说明书

本发明公开了一种电站设备故障监测模型生成方法、系统及装置，所述方法包括：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。

技术领域

本发明涉及电站监测技术领域，尤其是涉及一种电站设备故障监测模型生成方法、系统及装置。

背景技术

在现有技术中，故障监测(Fault Detection)是使用当系统发生故障时，对其及时发现和确认，并给予相应的显示或报警。较早的监测到故障可以对即将出现的问题做出重要警告，进而采取适当措施，避免严重事故发生。PCA(Principle Component Analysis)故障监测方法属于统计学习领域的故障监测方法。它具有效率高，计算方便并不依赖故障变量的特点，近年来被广泛使用。

电站设备故障监测是电站安全经济运行的重要环节，不断提高监测方法的准确性能够有效保障电站人身和财产安全，对于整个国民经济与和谐社会的发展都有着积极的意义。同时，由于电站是一个典型的多模式系统，不同工况下的参数呈现不同的统计特性，单个PCA监测模型难以学习这样的统计特性，因此不能得到较好的监测效果。

发明内容

本发明的目的在于提供一种电站设备故障监测模型生成方法、系统及装置，旨在解决现有技术中的上述问题。

本发明提供一种电站设备故障监测模型生成方法，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。

本发明提供一种电站设备故障监测模型生成系统，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。

本发明实施例还提供一种电站设备故障监测模型生成装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述电站设备故障监测模型生成方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述电站设备故障监测模型生成方法的步骤。