[发明专利]一种基于图神经网络的水轮机组监测数据异常检测方法

说明书

本发明公开了一种基于图神经网络的水轮机组监测数据异常检测方法，属于设备检测技术领域，包括以下步骤：S1：采集水轮机组的历史监测数据集，并对历史监测数据集进行预处理，生成监测数据样本集；S2：利用监测数据样本集，构建并优化水轮机组监测数据异常检测模型；S3：采集水轮机组的最新监测数据，利用优化后的水轮机组监测数据异常检测模型进行监测数据异常检测。本发明的水轮机组监测数据样本集实时反映了水轮机组运行状态，针对水轮机组监测数据开展异常检测研究，及时发现异常数据，可以有效提高水轮机组安全性能，有效提升水轮机组可靠性能，保障水轮机组安全稳定运行。

技术领域

本发明属于设备检测技术领域，具体涉及一种基于图神经网络的水轮机组监测数据异常检测方法。

背景技术

水轮机是把水流的能量转变为旋转机械能的动力机械，是水电站关键设备之一。近年来随着水轮机组结构设计、工艺生产以及材料科学等多领域取得较大突破，水轮机组逐步向着复杂化和智能化发展，同时对水轮机组的维护需求也越来越高。

水轮机组监测数据为多元时间序列数据，具有高维度和海量的特点，实时反映了水轮机组的运行状态，监测数据内部存在复杂的时空相关性。水轮机组发生异常时，常常在出现区域异常数据特征，区域异常特征中隐含着复杂时空关系，传统机器学习方法或深度学习方法捕捉时间依赖关系的能力较差，本发明结合图神经网络强大的空间维度特征提取能力和LSTM强大时间维度特征提取能力，提出一种基于图神经网络的水轮机组异常检测方法。

发明内容

本发明的目的是为了解决水轮机组多元时间序列监测数据时空特征提取困难和异常监测准确率低的问题，提出了一种基于图神经网络的水轮机组监测数据异常检测方法。

本发明的技术方案是：一种基于图神经网络的水轮机组监测数据异常检测方法包括以下步骤：

S1：采集水轮机组的历史监测数据集，并对历史监测数据集进行预处理，生成监测数据样本集；

S2：利用监测数据样本集，构建并优化水轮机组监测数据异常检测模型；

S3：采集水轮机组的最新监测数据，利用优化后的水轮机组监测数据异常检测模型进行监测数据异常检测。

本发明的有益效果是：

（1）本发明的水轮机组监测数据样本集实时反映了水轮机组运行状态，针对水轮机组监测数据开展异常检测研究，及时发现异常数据，可以有效提高水轮机组安全性能，有效提升水轮机组可靠性能，保障水轮机组安全稳定运行；

（2）利用嵌入向量法与注意力机制构建了水轮机组监测数据异常检测模型，明确了数据中的隐含关系，解决了传统方法处理多元时间序列数据时的特征提取不充分问题；

（3）本发明的水轮机组监测数据异常检测模型设计了一种多端口预测模型，该模型能同时输出所有监测参数下一时间戳的预测值，有效提高了异常检测准确率。

进一步地， S1包括以下子步骤：

S11：采集水轮机组的历史监测数据集，剔除历史监测数据集中方差为0的监测数据，得到监测数据集；

S12：对监测数据集依次进行Z-score标准化处理和滑窗处理，得到监测数据样本集。

上述进一步方案的有益效果是： S1将原始数据转化为符合深度学习的样本数据，有利于深度学习网络训练和参数优化。

进一步地， S2包括以下子步骤：

S21：为监测数据样本集的每个监测数据生成对应的节点嵌入向量；

S22：计算各个节点嵌入向量之间的相关性，将相关性大于设定相关性阈值的若干个节点作为图邻接矩阵，得到基于图神经网络的水轮机组监测数据异常检测模型；

S23：在水轮机组监测数据异常检测模型中，提取各个节点的空间特征；

S24：根据各个节点的空间特征，提取各个节点的时间特征；

S25：将各个节点的时间特征转换为各个节点的输出特征；