[发明专利]基于无监督学习机制的电厂辅机设备异常工况检测方法

说明书

本发明属于智慧电厂设备应用领域，尤其涉及一种基于无监督学习机制的电厂辅机设备异常工况检测方法，包括如下步骤：从数据库中提取正常状态的数据并构建训练数据集；对训练数据集进行特征提取并训练异常检测模型；利用异常检测模型获得数据集的评估值；选取测试数据集，将测试数据集作为异常检测模型的输入，根据连续多个数据点的评估值作为判断设备异常工况的依据。本申请具有无需人工标注数据、自适应学习能力强、适应性强、鲁棒性强和能够处理大规模数据的优点。无需人工标注数据，可以自动从数据中学习特征和模式，节省了大量的时间和人力成本。

技术领域

本发明属于智慧电厂设备应用领域，尤其涉及一种基于无监督学习机制的电厂辅机设备异常工况检测方法。

背景技术

电厂辅机设备是为了辅助发电机组运行而设置的一系列设备，包括给水系统、循环水系统、通风系统、冷却系统等。这些设备并不直接参与发电过程，但是对于保障发电机组的安全稳定运行以及提高发电效率具有重要作用：给水系统和循环水系统可以有效地回收废热，提高锅炉的热效率，从而提高整个电站的发电效率；通风系统和冷却系统可以控制发电机组的温度和湿度，确保其正常运行。电厂辅机设备可以有效地控制发电机组的工作环境，降低设备的损耗和磨损，延长设备的使用寿命。因此，电厂辅机设备是电站发电运行的必要组成部分，对于保障发电机组的安全稳定运行和提高发电效率具有重要作用。

辅机设备出现异常工况可能对设备本身造成损坏，影响设备的可靠性和稳定性，进而对发电设备的运行和人员的安全构成威胁。进一步地，这会导致电厂停产或者设备损坏，给电厂带来巨大的经济损失。通过对辅机设备的异常工况检测，可以预先发现设备的问题，进行及时的维修或更换，消除隐患，保障电力系统的安全运行。同时，通过及早了解设备的运行状况，从而优化设备的维护计划，有延长设备的使用寿命和提高设备的效率。总的来说，对电厂辅机设备的异常工况检测非常重要，可以保障电力系统的安全运行，优化设备维护计划，提高设备的可靠性和稳定性，降低生产成本。

目前，针对电厂辅机设备的异常工况，有多种检测方法。其中一种方法针对驱动电机，通过对支持轴承的振动数据进行机理分析，如振动幅值或振动相位差值超过预设阈值，则判断驱动电机地脚螺栓可能松动或断联轴器角度可能存在不对中；另外一种方法是通过对故障数据和耦合数据进行关联关系分析并确定关联规则，根据该关联规则生成故障预测模型；还有一种方法利用回归模型的预测值和实际数据的差值进行故障检测。

现有相关专利，专利号为CN202111637049.4，名称为《一种火电厂辅机设备故障识别方法、系统、设备和存储介质》的发明专利，其内容为：本发明提供了一种火电厂辅机设备故障识别方法，包括，采集历史故障时刻的辅机运行参数，并根据故障类型对数据进行标注；对故障数据进行小波分解重构；对重构后的历史故障数据进行聚类；对历史数据进行归一化处理；对聚类后的历史故障数据与待识别故障数据基于运行参数的变化值和实际值进行分类匹配，输出故障类型。上述发明专利通过小波分解重构，滤除高频噪声，还原故障数据的真实表征，然后将故障数据进行聚类，之后再通过参数的变化值和实际值两个维度比对待识别数据和历史故障数据。该专利使用标注后的故障数据构建故障检测模型，然而在火电厂实际生产过程中，故障发生的情况极少，故障样本数量不足的情况下，模型可能过拟合，导致在实际应用中泛化能力较差；同时，火电厂辅机设备的正常工况数据通常远多于故障数据，这种不平衡的数据分布可能导致模型在训练时对正常工况过拟合，对故障情况的识别能力较弱；另外，火电厂的故障模式可能随着时间的推移而发生变化，模型需要定期使用新的故障数据进行更新，但获取和标注这些数据可能耗时且成本高昂。

发明内容

本申请针对现有技术中存在的上述问题，提供一种在电厂辅机设备运行期间基于正常工况数据和无监督学习机制的异常工况检测方法。

为实现上述技术效果，本申请的技术内容如下：

一种基于无监督学习机制的电厂辅机设备异常工况检测方法，包括如下步骤：

步骤(1)：从数据库中提取正常状态的数据并构建训练数据集；