[发明专利]一种基于算法融合技术的设备状态评估预警方法和系统

说明书

本申请涉及一种基于算法融合技术的设备状态评估预警方法和系统，其中，该方法包括：确定当前观测向量，以及确定该当前观测向量对应的初始预测向量；根据相似性算子、模式矩阵和当前观测向量，确定相似系数向量；输入该相似系数向量至残差预测模型，得到当前残差预测向量；根据该初始预测向量、该当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警；通过本申请，基于预测值对实际预测数据进行残差补偿，从而有效减小预测值与实际值的偏差，解决了相关技术中基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，提高了预警的准确性。

技术领域

本申请涉及设备状态监测技术领域，特别是涉及一种基于算法融合技术的设备状态评估预警方法和系统。

背景技术

随着大数据、云计算、物联网等新一代信息技术的发展，促使传统物理系统与信息系统的融合更加深入，能源生产行业智能化发展开始受到各大能源集团的重视。为了在设备故障的早期识别设备异常，及时对设备进行处理，防止设备非停等事件的发生，基于大数据分析的设备状态评估预警技术开始得到了初步的发展和应用。其中，非线性状态评估算法是应用较为广泛的一种设备故障智能预警建模方法，近年来，在燃气轮机发电机组、煤电机组、风机机组等发电设备智能预警建模中得到了广泛的应用。

非线性状态评估算法通过对比当前数据与历史数据的相似程度(即监测这些多维信号之间的相似度)，进行系统运行状态预测报警。但是在实施过程中，一方面，由于非线性状态评估算法本身限制，历史数据量太大会导致历史数据训练过程太慢，甚至无法算出结果；另一方面，在历史数据量一定的情况下，很难穷举发电设备的所有边界环境条件和工况条件。所以，基于非线性评估算法的预警模型仍然存在由于当前数据与历史数据偏差导致的预测残差增大，进而预警模型误报、准确率降低的情况发生。

针对相关技术中，基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种基于算法融合技术的设备状态评估预警方法和系统，以至少解决相关技术中，基于非线性状态评估算法的设备状态评估预警方法由于当前数据与历史数据存在偏差，导致预测残差增大进而产生误报的问题。

第一方面，本申请实施例提供了一种基于算法融合技术的设备状态评估预警方法：基于设备正常运行时在不同时刻下的多个相互关联的变量，组成模式矩阵、补偿矩阵和补偿观测向量；根据相似性算子、所述模式矩阵和所述补偿矩阵，确定相似系数矩阵，根据非线性评估算法、所述模式矩阵和所述补偿观测向量，确定补偿预测向量，进而生成补偿残差向量；利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型；

所述方法包括：

确定当前观测向量，以及确定所述当前观测向量对应的初始预测向量；根据相似性算子、所述模式矩阵和所述当前观测向量，确定当前相似系数向量；

输入所述当前相似系数向量至预设的所述残差预测模型，得到当前残差预测向量；根据所述初始预测向量、所述当前残差预测向量，确定最终预测向量，以确定是否触发设备故障报警。

在其中一些实施例中，所述组成模式矩阵、补偿矩阵和补偿观测向量，过程包括：

由任意时刻观测到的多个相互关联的变量，组成所述时刻的观测向量，根据设备正常运行状态下不同历史时刻的观测向量，确定模式观测向量和所述补偿观测向量；所述模式观测向量、所述补偿观测向量对应组成模式矩阵和补偿矩阵。

在其中一些实施例中，所述利用机器学习算法，基于所述相似系数矩阵、所述补偿残差向量，训练得到残差预测模型，过程包括：

输入所述相似系数矩阵中的每个向量至机器学习算法中，并训练所述算法输出的残差预测向量逐渐逼近所述补偿残差向量，得到所述残差预测模型。