[发明专利]一种水电厂顶盖排水系统异常智能诊断方法

权利要求书

1.一种水电厂顶盖排水系统异常智能诊断方法，其特征在于，包括以下步骤：

S1、通过构建特征挖掘模型挖掘水电厂顶盖排水系统工况数据的内在特征；

所述工况数据包括进水工况数据和排水泵运行工况数据；

S2、构建并通过所述内在特征训练特征分析模型；

S3、通过特征分析模型对待测工况数据的内在特征进行处理，得到顶盖排水系统中排水泵的异常诊断结果；

其中，异常诊断结果包括排水泵开停机状态下的单台、双台，以及全部排水泵的运行效率。

2.根据权利要求1所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述步骤S1中，通过关联因素表征进水工况数据，关联因素包括开停机态、水头、有功功率、机组负荷以及机组顶盖水位，即进水工况数据表示为M_T＝m_1,T+m_2,T+m_3,T+m_4,T+m_5,T，其中x_1,T至x_5,T分别代表开停机态、水头、有功功率、机组负荷，以及机组顶盖水位在某T时刻的值；

所述排水泵运行工况数据为排水泵的启停泵情况，即每台排水泵的工况标识为N_T＝n_i,T，标识在T时刻，顶盖排水系统中排水泵启动状态种类序号。

3.根据权利要求2所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述步骤S1具体为：

S11、构建包括正常和异常工况数据在内的工况数据集；

所述工况数据集包括历史工况数据，以及各历史工况数据下的机组顶盖水位变化数据；

S12、对构建的历史工况数据集进行数据清洗；

S13、通过特征挖掘模型对数据清洗后的历史工况数据进行特征挖掘，得到内在特征；

所述特征挖掘模型为深度自编码神经网络，所述内在特征为所述深度自编码神经网络中隐藏层中的特征。

4.根据权利要求3所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述步骤S12中，对历史工况数据进行数据清洗包括去除重复数据、补全缺少数据、去除或修改格式和内容错误的数据、去除或修改逻辑错误的数据，以及历史工况数据的关联性验证。

5.根据权利要求3所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述深度自编码神经网络为对称的三层神经网络，包括输入层、隐含层以及输出层；

所述深度自编码神经网络的神经元激活函数为sigmoid函数。

6.根据权利要求3所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述步骤S3中的特征分析模型为孤独森林模型。

7.根据权利要求6所述的水电厂顶盖排水系统异常智能诊断方法，其特征在于，所述孤独森林模型处理内在特征的方法具体为：

A1、设定存在一颗描述数据的二叉树；

在二叉树中，其具有节点集N，且每一节点N_ijr或N_ijl的数据为X的子集，其中，i为二叉树T的层数，j为二叉树中上一层中从左到右的第j个节点，同时设定r和i用于区分同层的右节点和左节点；

A2、将所有内在特征作为一个数据集X，并构造二叉树，当构造的二叉树的深度达到设定最大值或节点N_ij仅包含一个数据点或所包含的数据点相同时，完成二叉树的构造；

A3、当二叉树中末端枝叶所对应的数据点小于设定阈值时，将其作为异常数据点，并根据该异常数据点对应的排水泵工况数据实现异常诊断。

8.根据权利要求6所述的水电厂顶盖排水泵异常智能诊断方法，其特征在于，所述步骤S2中，训练所述孤独森林模型时，采用半监督学习方法利用历史工况数据和当前工况数据对所述孤独森林模型进行训练。