[发明专利]基于深度学习的锅炉故障预测方法

说明书

本发明公开了一种基于深度学习的锅炉故障预测方法，本发明将残差网络模型引入到锅炉故障预测中，实现对锅炉故障的预测诊断。首先对火电厂锅炉运行数据进行探索性分析，确定数据信息、特征分布和数据相关性。然后对缺失值进行处理，采用了删除变量和随机森林填充的方法，利用数据规约提取出输入模型的特征。最后使用残差网络模型实现了对锅炉故障的预测。以某火电厂提供的实验数据进行实例分析，验证了该发明的准确性和实用性。

技术领域

本发明属于发电厂锅炉故障预测领域，具体涉及一种基于深度学习的锅炉故障预测方法。

背景技术

近年来伴随着中国经济的高速发展，用户对高质量电力的需求量也在日益增加，更多的大容量火电机组投入使用。火力发电机组结构愈发复杂，社会用电需求激增，稳定性要求增加，如何保障火电机组安全稳定高效运行成为重要问题。

当前大部分火电厂使用DCS分布式控制系统来进行锅炉的控制和操作管理，但锅炉燃烧系统复杂，影响因素较多，运行环境恶劣，致使锅炉故障持续发生。当前市面上已有的锅炉故障诊断预测系统，大部分是将故障时的信号量转化为大量的报警信息，存在大量报警信号，单纯凭借此信息，控制系统很难做到精细且及时判断系统的故障。因此结合当前信息技术对火电厂锅炉故障进行预测和诊断具有极强的现实意义。

发明内容

为了解决上述火电厂锅炉故障预测和诊断的问题，本发明提出一种基于深度学习的锅炉故障预测方法，本发明基于火力发电厂应用的 DCS系统采集到的温度，压力，流量，电流，电压等数据。提出的基于深度学习的锅炉故障预测方法主要由三部分组成：数据探索性分析、数据预处理和构建锅炉故障预测模型。

为了达到上述目的，本发明采用如下技术方案：

一种基于深度学习的锅炉故障预测方法，包括如下步骤：

步骤一，数据探索性分析

对某火电厂提供的火电机组正常运行数据和火电机组异常故障期间数据进行分析，数据为DCS系统采集的锅炉炉膛内各处的温度、压力和流量，对两组数据分别添加一列用以标注是否发生故障，正常数据标注为0，异常数据标注为1，将两组数据合并统一进行探索性分析，首先查看数据信息，将原始数据的各列作为特征进行分析，统计每个特征有多少个特征值以及每个特征值的个数，绘制特征分布折线图，观察数据分布特点；

将数据中特征组成特征矩阵X，是否发生故障为特征矩阵Y，计算X与Y之间的协方差和协方差矩阵；，得到各特征与是否发生故障的相关性，并按照从大到小排序，筛选出与是否发生故障相关性高的特征，将相关性高的特征之间进行组合，测试组合特征与是否发生故障的相关性；绘制特征与锅炉故障关系的直方图；

步骤二，数据预处理

采用的数据预处理主要包括以下几个过程；

2.1数据清理

数据清理是通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来“清理“数据；

首先进行缺失值处理，不同数据特征列的数据缺失情况不同，部分列的变量缺失值较，有效值的覆盖率低，与是否故障的相关性低，此时删除该数据；

采用随机森林方法对缺失值少的的特征进行填充，从数据集中从 m个特征中随机选择k个特征，，其中k小于等于m，然后根据这k个特征建立决策树，重复n次，这k个特性经过不同随机组合建立起来 n棵决策树；对每个决策树都传递随机变量来预测结果，存储所有预测的结果，从n棵决策树中得到n种结果，计算每个预测结果的得票数再选择模式，将得到高票数的预测结果作为随机森林算法的最终预测，将预测值填充到缺失值的位置；

然后对离群点进行处理，采用绝对中位差方法来处理离群点，方法如下：

(1)计算所有数据点的中位数median(X)；