本發(fā)明涉及水電設(shè)備監(jiān)測(cè)和診斷領(lǐng)域，尤其涉及一種水電設(shè)備在線監(jiān)測(cè)診斷系統(tǒng)。

背景技術(shù)：

1、水電作為清潔可再生能源，在全球能源結(jié)構(gòu)中的地位日益重要。隨著水電行業(yè)的快速發(fā)展，大型水電站的建設(shè)和中小型水電站的廣泛應(yīng)用使得水電設(shè)備的數(shù)量和復(fù)雜性大幅增加。同時(shí)，水電在電網(wǎng)調(diào)峰、調(diào)頻中的關(guān)鍵作用也對(duì)設(shè)備的可靠性和穩(wěn)定性提出了更高要求。在這一背景下，設(shè)備的安全、穩(wěn)定運(yùn)行成為水電行業(yè)面臨的重大挑戰(zhàn)。

2、傳統(tǒng)的定期檢查和維護(hù)方式已經(jīng)無法滿足現(xiàn)代水電站的需求。這種方式存在諸多局限性：難以及時(shí)發(fā)現(xiàn)設(shè)備的潛在問題，人工檢查的主觀性和不一致性影響診斷準(zhǔn)確度，定期維護(hù)可能導(dǎo)致不必要的停機(jī)，而對(duì)于偏遠(yuǎn)地區(qū)的水電站，頻繁的人工檢查更是成本高昂且不便。這些問題不僅影響了水電站的運(yùn)營效率和經(jīng)濟(jì)效益，還可能危及電力供應(yīng)的穩(wěn)定性和安全性。

3、申請(qǐng)?zhí)枮?02310902987.5的中國發(fā)明專利公開了一種基于大唐水電云平臺(tái)的水電站設(shè)備故障智能識(shí)別系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)解碼功能模塊，用于將原有的數(shù)據(jù)解碼轉(zhuǎn)換成matlab可讀取的數(shù)據(jù)格式；波形展示功能模塊，用于展示利用設(shè)備相關(guān)參數(shù)所繪制得到的波形，且在該功能中可對(duì)波形進(jìn)行相應(yīng)的操作，便于更好地分析故障；故障判斷功能模塊，可實(shí)現(xiàn)對(duì)異常波形的識(shí)別，并且直接判斷出故障的類型；生成報(bào)告功能模塊，可實(shí)現(xiàn)故障判定分析結(jié)束后自動(dòng)生成故障分析結(jié)果報(bào)告。該系統(tǒng)中的故障判斷主要依賴于預(yù)設(shè)的模式匹配，無法有效處理復(fù)雜的故障數(shù)據(jù)，且系統(tǒng)缺乏自學(xué)習(xí)和適應(yīng)能力，其適用性極其有限。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了一種水電設(shè)備在線監(jiān)測(cè)診斷系統(tǒng)，通過結(jié)合數(shù)據(jù)采集、多源數(shù)據(jù)校驗(yàn)、聚類分析、深度學(xué)習(xí)特征提取和模式匹配等方法，該系統(tǒng)能夠?qū)崿F(xiàn)實(shí)時(shí)數(shù)據(jù)的智能處理、異常檢測(cè)和故障診斷，本發(fā)明能克服傳統(tǒng)方法的局限性，提供更精確、及時(shí)的故障識(shí)別，同時(shí)能夠處理復(fù)雜和新型的故障模式。

2、本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：本發(fā)明提供了一種水電設(shè)備在線監(jiān)測(cè)診斷系統(tǒng)，包括：

3、數(shù)據(jù)采集模塊，用于采集水電設(shè)備的實(shí)時(shí)數(shù)據(jù)；

4、數(shù)據(jù)處理模塊，用于將實(shí)時(shí)數(shù)據(jù)進(jìn)行整合，并利用校驗(yàn)方法對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行錯(cuò)誤檢測(cè)，得到校驗(yàn)后的數(shù)據(jù)；

5、數(shù)據(jù)分析模塊，用于利用聚類算法對(duì)校驗(yàn)后的數(shù)據(jù)進(jìn)行聚類分析，根據(jù)聚類結(jié)果標(biāo)記正常數(shù)據(jù)和異常數(shù)據(jù)，得到聚類后的數(shù)據(jù)；

6、模型分析模塊，用于根據(jù)預(yù)訓(xùn)練的自編碼器對(duì)聚類后的數(shù)據(jù)進(jìn)行特征提取，并根據(jù)自編碼器提取的特征對(duì)聚類后的數(shù)據(jù)進(jìn)行二次聚類，得到二次聚類的結(jié)果；

7、異常診斷模塊，用于基于模式匹配算法對(duì)二次聚類的結(jié)果進(jìn)行匹配，確定診斷類型，并輸出診斷報(bào)告。

8、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，校驗(yàn)方法包括：

9、對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行整合，并記錄時(shí)間戳，記為d(t)，其中，t為時(shí)間戳；

10、對(duì)于不同來源的同一數(shù)據(jù)，進(jìn)行多源誤差查驗(yàn)，若查驗(yàn)通過，則標(biāo)記為有效數(shù)據(jù){a(t)}，否則，標(biāo)記為待查驗(yàn)數(shù)據(jù){b(t)}；

11、將待查驗(yàn)數(shù)據(jù)按照隸屬水電設(shè)備進(jìn)行劃分，形成基于水電設(shè)備的數(shù)據(jù)序列，其中，n為水電設(shè)備的數(shù)量，表示第n個(gè)水電設(shè)備的數(shù)據(jù)序列；

12、計(jì)算每兩個(gè)水電設(shè)備的數(shù)據(jù)序列之間的相關(guān)系數(shù)，將計(jì)算得到的相關(guān)系數(shù)與預(yù)設(shè)閾值范圍進(jìn)行比較，若符合預(yù)設(shè)閾值范圍，則將對(duì)應(yīng)兩個(gè)水電設(shè)備的數(shù)據(jù)序列均標(biāo)記為有效數(shù)據(jù)，否則，標(biāo)記為錯(cuò)誤數(shù)據(jù)；

13、對(duì)錯(cuò)誤數(shù)據(jù)進(jìn)行修復(fù)，修復(fù)后的錯(cuò)誤數(shù)據(jù)標(biāo)記為有效數(shù)據(jù)，無法修復(fù)的錯(cuò)誤數(shù)據(jù)予以刪除；

14、將所有的有效數(shù)據(jù)整合，作為校驗(yàn)后的數(shù)據(jù)。

15、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，多源誤差查驗(yàn)的公式如下：

16、，

17、式中，和分別為第a個(gè)來源和第b個(gè)來源在t時(shí)刻的同一數(shù)據(jù)，v為數(shù)據(jù)源個(gè)數(shù)，表示錯(cuò)誤誤差；

18、相關(guān)系數(shù)的公式如下：

19、，

20、式中，表示第個(gè)水電設(shè)備的數(shù)據(jù)序列和第個(gè)水電設(shè)備的數(shù)據(jù)序列之間的相關(guān)系數(shù)，表示兩個(gè)數(shù)據(jù)序列與參考數(shù)據(jù)序列之間的絕對(duì)差，表示中的二階最小誤差，表示中的二階最大差值，表示調(diào)整系數(shù)。

21、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，聚類算法包括：

22、步驟一、設(shè)定聚類數(shù)c，聚類指數(shù)m，中間迭代次數(shù)t1，最大迭代次數(shù)tmax和收斂閾值ε，隨機(jī)初始化種群，其中，每個(gè)個(gè)體代表一個(gè)可能的隸屬度矩陣，初始化搜索函數(shù)c，搜索函數(shù)為隨時(shí)間衰減的函數(shù)；

23、步驟二、對(duì)于每個(gè)個(gè)體，計(jì)算聚類中心和目標(biāo)函數(shù)值，將目標(biāo)函數(shù)值作為該個(gè)體的適應(yīng)度；

24、步驟三、將適應(yīng)度最小值作為全局最優(yōu)解，記錄最優(yōu)解和對(duì)應(yīng)的個(gè)體；

25、步驟四、計(jì)算每個(gè)個(gè)體的質(zhì)量，以及個(gè)體之間的吸引指數(shù)；

26、步驟五、根據(jù)吸引指數(shù)計(jì)算個(gè)體的加速度，根據(jù)加速度更新個(gè)體的速度和位置；

27、步驟六、重復(fù)步驟二-步驟五，直至達(dá)到中間迭代次數(shù)t1，得到最終的全局最優(yōu)解，即最優(yōu)個(gè)體；

28、步驟七、將最優(yōu)個(gè)體作為初始隸屬度矩陣u；

29、步驟八、使用當(dāng)前的隸屬度矩陣u計(jì)算聚類中心；

30、步驟九、根據(jù)新的聚類中心，更新每個(gè)數(shù)據(jù)點(diǎn)對(duì)各聚類簇的隸屬度；

31、步驟十、計(jì)算新的目標(biāo)函數(shù)值jnew；

32、步驟十一、若或達(dá)到最大迭代次數(shù)tmax，則根據(jù)最大隸屬度原則為每個(gè)數(shù)據(jù)點(diǎn)選擇聚類中心，輸出聚類結(jié)果，否則，更新隸屬度矩陣的元素并返回步驟八繼續(xù)迭代；

33、步驟十二、設(shè)定隸屬度閾值，將聚類結(jié)果中最大隸屬度低于隸屬度閾值的數(shù)據(jù)點(diǎn)標(biāo)記為異常數(shù)據(jù)，否則，標(biāo)記為正常數(shù)據(jù)，得到聚類后的數(shù)據(jù)。

34、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，聚類中心的計(jì)算公式為：

35、，

36、式中，表示第j個(gè)聚類中心，表示第i個(gè)數(shù)據(jù)點(diǎn)，表示第i個(gè)數(shù)據(jù)點(diǎn)對(duì)第j個(gè)聚類中心的隸屬度，m為聚類指數(shù)，c為設(shè)定的聚類數(shù)；

37、目標(biāo)函數(shù)值的計(jì)算公式為：

38、，

39、式中，表示個(gè)體的目標(biāo)函數(shù)值，也為適應(yīng)度值，表示數(shù)據(jù)點(diǎn)到聚類中心的歐氏距離。

40、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，個(gè)體的質(zhì)量的計(jì)算公式為：

41、，

42、式中，表示當(dāng)前迭代種群中的最差適應(yīng)度值，表示當(dāng)前迭代種群中的最佳適應(yīng)度值，表示當(dāng)前迭代所有個(gè)體質(zhì)量的總和；

43、個(gè)體之間的吸引指數(shù)的計(jì)算公式為：

44、，

45、式中，指的是個(gè)體對(duì)個(gè)體的吸引指數(shù)，c表示搜索函數(shù)，其隨時(shí)間減小，為個(gè)體的質(zhì)量，為個(gè)體的質(zhì)量，表示個(gè)體和個(gè)體在解空間中的歐氏距離，為常數(shù)，和為個(gè)體和個(gè)體在解空間中的位置；

46、加速度的計(jì)算公式為：

47、，

48、，

49、式中，表示個(gè)體的加速度，表示作用在個(gè)體的合力，表示0-1之間的隨機(jī)數(shù)；

50、更新個(gè)體的速度和位置的公式如下：

51、，

52、，

53、式中，表示更新后的速度，表示0-1之間的隨機(jī)數(shù)，示更新后的位置。

54、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，模型分析模塊包括：

55、模型構(gòu)建單元，用于構(gòu)建自編碼器，自編碼器的主體結(jié)構(gòu)包括編碼器和解碼器；

56、模型訓(xùn)練單元，用于利用訓(xùn)練樣本對(duì)自編碼器的編碼器和解碼器進(jìn)行聯(lián)合訓(xùn)練，直至損失函數(shù)收斂，得到預(yù)訓(xùn)練的自編碼器；

57、模型部署單元，用于部署預(yù)訓(xùn)練的自編碼器中的編碼器，對(duì)聚類后的數(shù)據(jù)進(jìn)行特征提取，得到深度特征；

58、二次聚類單元，用于將深度特征作為聚類中心，根據(jù)聚類算法對(duì)標(biāo)記為異常數(shù)據(jù)的聚類后的數(shù)據(jù)進(jìn)行二次聚類，根據(jù)二次聚類結(jié)果得到異常數(shù)據(jù)及其異常類型。

59、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，編碼器和解碼器的結(jié)構(gòu)相同，均包括4個(gè)時(shí)間卷積模塊，每個(gè)時(shí)間卷積模塊包括空洞卷積、深度可分離因果卷積、權(quán)重歸一化、注意力機(jī)制、激活函數(shù)、dropout，其中，注意力機(jī)制包括k全連接層、q全連接層、v全連接層、注意力計(jì)算、softmax、殘差連接。

60、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，對(duì)自編碼器進(jìn)行訓(xùn)練時(shí)，損失函數(shù)如下：

61、，

62、式中，第一部分表示重構(gòu)損失，為輸入樣本與重構(gòu)樣本的期望誤差；第二部分表示時(shí)間一致性損失，sg表示停止梯度，即不計(jì)算及回傳梯度，表示當(dāng)前時(shí)間步t的特征表示，為前一個(gè)時(shí)間步t-1的特征表示，為范數(shù)；第三部分表示注意力正則化，attention為注意力權(quán)重矩陣，表示阻止梯度通過attention傳播，為正則化參數(shù)。

63、在上述技術(shù)方案的基礎(chǔ)上，優(yōu)選的，模式匹配算法包括：

64、從二次聚類結(jié)果中提取聚類中心，作為待匹配特征；

65、獲取包含已知故障模式的模式庫，每種故障模式包含特征描述和對(duì)應(yīng)的診斷類型；

66、利用余弦相似度方法，計(jì)算待匹配特征與模式庫中各故障模式的相似度；

67、設(shè)定相似度閾值，若相似度超過相似度閾值，則匹配成功，得到初步匹配結(jié)果，否則，標(biāo)記為未知異常；

68、在初步匹配結(jié)果中，對(duì)于每個(gè)待匹配特征：

69、若匹配成功的故障模式僅1個(gè)，則將該待匹配特征標(biāo)記為該故障模式；

70、若匹配成功的故障模式大于或2個(gè)，將這些故障模式按相似度從高到低排序，計(jì)算最高相似度與次高相似度之間的差值，若差值超過閾值，則選擇最高相似度的故障模式作為該待匹配特征的故障模式；若差值未超過閾值，則檢查是否存在相似度接近的多個(gè)故障模式，若有，則采用加權(quán)融合的方式，形成復(fù)合故障描述作為該待匹配特征的故障模式，若沒有，則將最高相似度的故障模式作為主要故障模式，將次高相似度的故障模式作為次要故障模式，將主要故障模式和次要故障模式組合成模糊診斷結(jié)果，作為該待匹配特征的故障模式；

71、根據(jù)二次聚類結(jié)果，將聚類中心的故障模式作為其對(duì)應(yīng)數(shù)據(jù)的故障模式；

72、根據(jù)故障模式生成診斷報(bào)告。

73、本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有以下有益效果：

74、（1）通過集成數(shù)據(jù)采集、處理、分析、模型分析和異常診斷等模塊，實(shí)現(xiàn)了對(duì)水電設(shè)備的實(shí)時(shí)監(jiān)測(cè)、數(shù)據(jù)校驗(yàn)、異常檢測(cè)和故障診斷的全流程自動(dòng)化處理；系統(tǒng)利用多源數(shù)據(jù)校驗(yàn)、改進(jìn)的聚類算法、深度學(xué)習(xí)特征提取和模式匹配等方式，大幅提高了故障診斷的準(zhǔn)確性和效率，同時(shí)能夠識(shí)別復(fù)合故障和未知異常，為水電設(shè)備的維護(hù)和管理提供了決策支持；

75、（2）采用多源誤差查驗(yàn)和相關(guān)系數(shù)計(jì)算相結(jié)合的方法，有效提高了數(shù)據(jù)的可靠性和準(zhǔn)確性。通過對(duì)不同來源的同一數(shù)據(jù)進(jìn)行交叉驗(yàn)證，以及計(jì)算水電設(shè)備數(shù)據(jù)序列間的相關(guān)性，可以快速識(shí)別和過濾異常數(shù)據(jù)，同時(shí)對(duì)可修復(fù)的錯(cuò)誤數(shù)據(jù)進(jìn)行修復(fù)，最大限度地保留有效信息，為后續(xù)分析提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)；

76、（3）采用改進(jìn)的聚類算法，顯著提高了聚類的效果和效率。通過引入個(gè)體質(zhì)量和吸引指數(shù)的概念，算法能夠更好地避免局部最優(yōu)，同時(shí)考慮了數(shù)據(jù)點(diǎn)對(duì)聚類中心的隸屬度，使得聚類結(jié)果更加準(zhǔn)確和穩(wěn)定，為異常數(shù)據(jù)的初步識(shí)別提供了可靠依據(jù)；

77、（4）使用自編碼器進(jìn)行特征提取和二次聚類，提升了系統(tǒng)對(duì)復(fù)雜故障模式的識(shí)別能力。自編碼器采用時(shí)間卷積模塊和注意力機(jī)制，能夠有效捕捉時(shí)序數(shù)據(jù)的特征和長期依賴關(guān)系，而二次聚類策略則進(jìn)一步細(xì)化了異常數(shù)據(jù)的分類，為后續(xù)的故障診斷提供了更精細(xì)的特征表示；

78、（5）自編碼器采用了包含空洞卷積、深度可分離因果卷積、注意力機(jī)制等組件的時(shí)間卷積模塊，顯著增強(qiáng)了模型對(duì)時(shí)序數(shù)據(jù)的處理能力。這種結(jié)構(gòu)設(shè)計(jì)不僅能夠有效捕捉不同時(shí)間尺度的特征，還能保持因果性，同時(shí)通過注意力機(jī)制突出重要信息，提高了特征提取的質(zhì)量和效率；

79、（6）采用模式匹配算法，并引入了復(fù)合故障描述和模糊診斷結(jié)果的概念，提高了診斷的靈活性和準(zhǔn)確性，通過設(shè)置相似度閾值和差值閾值，系統(tǒng)能夠有效處理多種匹配情況，包括單一故障、復(fù)合故障和未知異常，同時(shí)通過加權(quán)融合和模糊診斷，能夠更全面地描述復(fù)雜的故障狀態(tài)。