[发明专利]一种水电厂安全生产人工智能报警方法

权利要求书

1.一种水电厂安全生产人工智能报警方法，其特征在于，包括：历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤；

历史数据抽取步骤包括：针对水电厂特定的运行设备，建立设备对象模型，抽取设备运行的工况信息和目标信息；并同时抽取辅助设备运行的保护数据；通过方差与偏差计算剔除明显异常的测量数据，形成样本数据；

神经网络推理步骤包括：按照汛期、非汛期以及年份，建立多套深度学习神经网络；将所述样本数据输入对应的深度学习神经网络，完成样本训练，以获得具有特征信息的神经网络推理机；其中，神经网络推理的过程能够构建出推理引擎包括：模式匹配器、议程和执行引擎；

预警告警输出包括：根据当前的月份采用最新的汛期或非汛期的深度学习神经网络对工况数据进行处理，得到健康标准；实时监视跟踪设备的运行数据，当设备运行偏离健康标准时，触发实时报警；并根据当前月份，采用不同年份下的汛期或非汛期神经网络推理机分别对工况数据进行处理，获得过往年度的健康数据的变化情况，形成新的样本数据；并建立新的深度学习神经网络的推理机，对新的样本数据进行训练，挖掘出设备运行的趋势，预测未来数年设备运行的可能情况，当未来某年的预测数据超出额定限值时予以报警。

2.根据权利要求1所述的水电厂安全生产人工智能报警方法，其特征在于，所述历史数据抽取步骤包括：

从历史数据中获取目标设备在i日的动作次数Xi；采用相同方法，获得目标时间断内连续n日运行数据，形成动作次数数组X；通过方差计算获取数组的中间值M；遍历数组计算Xi对M的偏差δXi，当偏差超过额定数值时认为Xi无效，以此方法过滤设备运行数据中的无效信息，避免采集设备异常造成的数据影响，得到动作次数有效数组X’；针对X’所有元素X’i获取对应时间下工况数据Zi2…Zin，并将X’i赋给Z i1，形成特征二维数组Z；其中漏水量数据不能直接从水电厂运行数据中获取，必须通过漏水相关泵组设备动作数据的统计数据进行计算得到，因此按照设备动作分析的方式对数据按日分组统计，统计结果计算得到漏水量数据；

从历史数据中获取目标设备在i日的动作时间Xi；采用相同方法，获得目标时间断内连续n日运行数据，形成动作时间数组X；获取数组的中间值M；遍历数组计算Xi对M的偏差δXi，当偏差超过额定数值时认为Xi无效，得到动作时间有效数组X’；同理获得停止时间有效数组Y’；通过漏水量计算公式f(X’i，Y’i)获得i日的漏水量Li；从而得到漏水量数组L；针对L所有元素Li获取对应时间下工况数据Zi2…Zin，并将Li赋给Zi1，形成特征二维数组Z。

3.根据权利要求1所述的水电厂安全生产人工智能报警方法，其特征在于，神经网络推理步骤包括：

将样本数组Z输入神经网络推理机进行训练；通过误差反向传播，进行自动学习，修改各节点的连接权和相应节点的阈值，直到误差小于规定的值。

4.根据权利要求3所述的水电厂安全生产人工智能报警方法，其特征在于，神经网络推理步骤中，神经网络推理采用演绎法，包括：

从一个初始的事实出发，不断地应用规则得出结论或执行指定的动作，其中所述事实为预警或报警，所述演绎法包括：

将通过历史数据抽取获取的样本数据Fact，输入工作内存Working Memory；

使用模式匹配器Pattern Matcher比较规则库Rule Base中的规则Rule和数据Fact；如果执行规则存在冲突Conflict，即同时激活了多个规则，将冲突的规则放入冲突集合Conflict Set；

解决冲突，将激活的规则按顺序放入议程Agenda进行相关次序的编排；

使用执行引擎Execution Engine议程Agenda中的规则；重复上述步骤直到执行完毕所有议程Agenda中的规则。