[发明专利]一种水电厂安全生产人工智能报警方法

说明书

本发明实施例提供了一种水电厂安全生产人工智能报警方法，所述方法包括：历史数据抽取步骤、神经网络推理步骤、预警告警输出步骤。本发明技术方案属于人工智能领域。上述技术方案结合人工智能技术，采用神经网络算法自动获取水电厂运行健康标准，对全厂生产设备进行监视与跟踪，对偏离健康标准的设备运行状态进行报警，大大减轻电站人员工作负担，为实现超大型水电机组的“无人值守、少人值班”奠定基础。

技术领域

本发明属于涉及信息技术领域，尤其涉及一种水电厂安全生产人工智能报警方法。

背景技术

随着社会信息化进程的发展，越来越多的领域都广泛应用了各种电子化设备；特别是各种监测、监控领域，能够极大的提高监测的实时性。

但是长期以来，该水电厂计算机监控系统数据报警机制都是简单的状态变位和模拟量越限报警。粗放的报警机制使监控系统产生大量过程数据报警，如模拟量临界值的反复刷屏报警和设备操作过程状态变迁报警，众多过程数据堆积在屏幕上导致运行人员无法在第一时间确认关键信息。

发明内容

针对现有技术中对于水电站监控领域存在的问题，本发明实施例的目的是提供一种水电厂安全生产人工智能报警方法。

为了解决上述问题，本发明实施例提出了一种水电厂安全生产人工智能报警方法，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。

其中，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。

其中，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。