一种数据知识融合驱动的水电智能预警方法及系统与流程

本发明属于水电智能，特别涉及一种数据知识融合驱动的水电智能预警方法及系统。

背景技术：

1、随着水电设备的日益复杂和智能化，如何有效地进行设备预警和故障诊断成为了亟待解决的问题。传统的水电设备预警方法主要依赖于专家知识和经验，缺乏准确性和实时性。近年来，人工智能技术的发展为水电设备预警提供了新的思路。然而，单一的人工智能技术也存在着泛化能力不足、对数据质量敏感等问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种数据知识融合驱动的水电智能预警方法及系统，结合了先验和后验两个部分，既能够利用人工智能技术进行智能预警，又能够通过专家知识对预警结果进行准确性验证。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种数据知识融合驱动的水电智能预警方法及系统，步骤为：

4、s1、获取数据；

5、s2、对数据进行预处理；

6、s3、利用人工智能建模；

7、s4、进行设备实时预警；

8、s5、收集数据和专家知识；

9、s6、构建fta故障树逻辑模型；

10、s7、进行预警分析；

11、s8、验证预警准确性。

12、优选地，步骤s1中，获取的数据包括传感器信息和工况数据；并读取一段时间内的时序数据；

13、所述的传感器信息包括测点位置信息和测量属性信息；所述的工况数据包括有功功率、水头、导叶开度、机组转速和尾水管出水口温度在内的一种或多种数据。

14、优选地，步骤s2中，数据预处理的过程包括以下步骤：

15、s2.1、进行数据透视：将时序数据的格式转成宽表模式，宽表模式下的列包括时间、传感器信息和工况数据；

16、s2.2、进行空值处理：若空值是数值型的，则依据该属性在其他所有对象的取值的平均值来填充该缺失的属性值；如果空值是非数值型的，则根据统计学中的众数原理，用该属性在其他所有对象的取值次数最多的值来补齐该缺失的属性值；

17、s2.3、进行降频处理：将所有数据由秒级数据降频为1分钟级的数据，降频方法为均值处理，即在每分钟的时间窗口中，取数据的均值；

18、s2.4、稳态处理：获取输入机组的有功功率波动范围阈值，根据此范围判断机组何时处在平稳运行；

19、s2.5、超量程数据处理：超量程指被测设备的运行范围，获取输入测点的运行范围信息，并根据信息进行数据筛选。

20、优选地，s3、采用人工智能建模的步骤为：

21、s3.1、自动提取特征和目标测点：采用的提取方式包括目标测点生成和特征测点降维两种方式；

22、s3.2、进行算法选择与训练：

23、根据s3.1提供的特征和目标测点进行fta故障树逻辑模型的自动选择和训练。

24、优选地，s4、进行设备实时预警：将步骤s3得到的fta故障树逻辑模型部署在工业互联网平台中，设置调度周期，fta故障树逻辑模型周期性运行一次，每次获取一个周期的数据，并判断此数据是否预警。

25、优选地，s5、收集数据和专家知识步骤为：

26、s5.1、收集历史数据：收集水电站的历史运行数据；包括上导瓦的温度范围、异常温度记录和对应的故障事件；

27、s5.2、获取专家知识：通过访谈水电站运维专家、查阅技术文档和手册，获取关于上导瓦温异常的可能原因、故障类型及其解决方案的专业知识。

28、优选地，步骤s6的方法为：

29、s6.1、确定顶事件：根据事故调查和统计分析的结果参照事故发生的频率和事故损失的严重程度，确认顶事件与逻辑门；

30、s6.2、确定中间事件：根据分析出来的事件原因，将中间过程事件依次创建为中间事件故障树节点；

31、s6.3、确定基本事件：将引起中间事故的基础事件定位故障树的基本事件节点；

32、s6.4、检查事故树：检查编制好的事故树是否符合逻辑分析原则，检查逻辑门的连接状况，查看上层事件是否是下层事件的必然结果，下层事件是否是上层事件的充分原因事件，并检查直接原因事件是否全部找齐；

33、s6.5、绑定节点设备以及故障诊断算法：基于收集的数据和专家知识为故障树节点关联其故障模式所在的逻辑设备，以及根据节点逻辑设备关联水电专用算法，用于后续fta故障诊断时调用算法引擎进行诊断节点发生概率以及故障发生情况；

34、s6.6、保存fta故障树逻辑模型：确认无误，保存整颗静态树，至此故障树绘制完成；

35、s6.7、发布fta故障树逻辑模型，并将fta故障树逻辑模型实例化：

36、首先发布fta故障树逻辑模型，使新创建的fta故障树逻辑模型生效，只有生效的fta故障树逻辑模型才能实例化；

37、然后进行实例化操作，选择要实例化fta故障树逻辑模型对应的厂站以及实例化设备树，进入fta故障树逻辑模型实例化过程；

38、在实例化过程中，将fta故障树逻辑模型节点绑定的逻辑设备转换为厂站实例化设备树的物理设备，将节点绑定的逻辑故障诊断工具转为实例化工具；

39、s6.8、配置调度任务：

40、s6.9、故障告警：根据步骤s6.7配置的调度任务进行周期性故障诊断，产生故障诊断结果实例图即一颗完整的fta故障树；fta故障树标识了各事件节点的故障情况以及发生概率。

41、优选地，步骤s6.8的方法为：

42、a)创建定时任务，周期调用实例化fta故障树逻辑模型进行故障诊断；

43、b)诊断过程，当事件节点配置了诊断工具，则依次调用节点配置的诊断工具，获取节点的告警情况与发生概率，将发生概率代入fta故障树逻辑模型。

44、9、根据权利要求1所述的一种数据知识融合驱动的水电智能预警方法，其特征在于：步骤s8的步骤如下：

45、s8.1、专家评估：

46、当先验模块发出预警时，利用fta故障树逻辑模型进行故障诊断，并生成可能的故障类型和解决方案；同时，请专家根据他们的知识和经验对预警结果进行评估；

47、s8.2、结果比较：

48、将fta故障树逻辑模型的诊断结果与专家的评估结果进行比较；如果两者一致或高度相似，则确认预警结果的准确性；否则，需要对预警结果进行进一步的审查和调整；

49、s8.3、反馈机制：

50、建立一个反馈机制，将验证结果反馈给先验预警系统，以便其根据实际情况进行自我调整和优化；

51、s8.4、智能故障诊断与专家评估：

52、在先验模块发出预警信号后，采用先进的故障树分析模型进行智能故障诊断；该fta故障树逻辑模型能够自动识别潜在的故障模式，并生成一系列可能的故障类型及其解决方案；同时采用专家对预警结果进行深入评估，以确保诊断的准确性和全面性；

53、s8.5、智能诊断与专家评估结果比较：

54、将fta故障树逻辑模型的智能诊断结果与专家的评估结果进行对比分析；若两者高度吻合，则表明预警结果的准确性得到了验证；若存在差异，则需对预警结果进行细致审查和必要调整，以确保最终结果的可靠性；

55、s8.6、闭环反馈与优化机制：

56、建立闭环反馈机制，将验证结果反馈给先验预警系统；系统将根据反馈信息进行自我学习和优化，以提高预警的准确性和效率；同时，该机制也有助于构建一个持续改进的智能预警系统，使其能够更好地适应不断变化的环境和需求；

57、一旦预警结果的准确性得到验证，fta故障树逻辑模型应能够输出具体的故障类型和相应的解决方案。

58、一种数据知识融合驱动的水电智能预警系统，采用了所述的一种数据知识融合驱动的水电智能预警方法。

59、本发明可达到以下有益效果：

60、1、数据知识融合：本发明提出了一种数据知识融合驱动的智能预警框架，结合了数据驱动和知识驱动的双重优势，提高了预警的准确性和可靠性。

61、2、先验模块与后验模块结合：通过先验模块利用人工智能技术进行智能预警，再通过后验模块使用专家知识进行准确性验证，形成了预警结果的闭环验证机制。

62、3、智能预警与专家系统结合：将人工智能技术（如机器学习、深度学习）与专家系统相结合，既发挥了人工智能在数据处理和分析方面的能力，又利用了专家知识在故障诊断方面的经验。

63、4、预警结果的验证与修正：后验模块对先验模块的预警结果进行验证，能够对预警结果进行实时修正或忽略，提高了预警系统的灵活性和适应性。

64、5、一种数据知识融合驱动的水电智能预警系统，通过结合先验和后验两个部分，充分利用了人工智能技术和专家知识的优势，提高了水电设备预警的准确性和可靠性。先验模块利用人工智能技术进行数据处理和分析，能够自动挖掘数据中的潜在规律和模式，实现了对水电设备的智能预警，提高了预警的实时性和自动化程度。后验模块利用专家知识对预警结果进行准确性验证，能够及时发现并修正先验模块的误报和漏报，提高了预警的精度和可信度。