權(quán)利要求書： 1.一種電站送風(fēng)機(jī)超溫預(yù)警方法，其特征在于，所述預(yù)警方法包括如下步驟：獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；

建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列長度k、隱層節(jié)點(diǎn)數(shù)n和學(xué)習(xí)速率v；

采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔；

當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。

2.根據(jù)權(quán)利要求1所述的電站送風(fēng)機(jī)超溫預(yù)警方法，其特征在于，所述建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型，之前還包括：將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；

分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組溫度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平振動(dòng)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立初始輸入變量集合；

根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式 分別計(jì)算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性；其中，riq表示預(yù)測變量與初始輸入變量集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q＝1,2,3,4， 表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的協(xié)方差， 表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]表示歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的方差；

根據(jù)預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性，刪除初始輸入變量集合中不滿足公式minriq(q＝1,2，3,4)≥0.7的輸入變量，獲得LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量集合。

3.根據(jù)權(quán)利要求1所述的電站送風(fēng)機(jī)超溫預(yù)警方法，其特征在于，所述根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，具體包括：

根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；其中，歷史序列長度k的取值范圍為[5，20]，隱層節(jié)點(diǎn)數(shù)n的取值范圍為[10，40]，學(xué)習(xí)速率v的取值范圍為[0.25，1]；

分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，建立3因素4水平的正交試驗(yàn)表；

根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；

根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。

4.根據(jù)權(quán)利要求3所述的電站送風(fēng)機(jī)超溫預(yù)警方法，其特征在于，所述根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，具體包括：

將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到10組數(shù)據(jù)集合；

分別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)集合作為訓(xùn)練樣本集；

分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，獲得每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差；

計(jì)算每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差。

5.一種電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，其特征在于，所述預(yù)警系統(tǒng)包括：歷史運(yùn)行數(shù)據(jù)獲取模塊，用于獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；

LSTM神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；

超參數(shù)確定模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列長度k、隱層節(jié)點(diǎn)數(shù)n和學(xué)習(xí)速率v；

當(dāng)前運(yùn)行數(shù)據(jù)采集模塊，用于采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔；

超溫預(yù)警模塊，用于當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。

6.根據(jù)權(quán)利要求5所述的電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，其特征在于，所述預(yù)警系統(tǒng)，還包括：

預(yù)測變量確定模塊，用于將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；

初始輸入變量集合建立模塊，用于分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組溫度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平振動(dòng)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立初始輸入變量集合；

相關(guān)性計(jì)算模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式 分別計(jì)算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性；其中，riq表示預(yù)測變量與初始輸入變量集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q＝1，2，3，4， 表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的協(xié)方差，表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]表示歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的方差；

輸入變量集合獲取模塊，用于根據(jù)預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性，刪除初始輸入變量集合中不滿足公式minriq(q＝1，2，3，4)≥0.7的輸入變量，獲得LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量集合。

7.根據(jù)權(quán)利要求5所述的電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，其特征在于，所述超參數(shù)確定模塊，具體包括：

超參數(shù)取值范圍確定子模塊，用于根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；其中，歷史序列長度k的取值范圍為[5，20]，隱層節(jié)點(diǎn)數(shù)n的取值范圍為[10，40]，學(xué)習(xí)速率v的取值范圍為[0.25,1]；

正交試驗(yàn)表建立子模塊，用于分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，建立3因素4水平的正交試驗(yàn)表；

預(yù)測誤差計(jì)算子模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；

超參數(shù)選取子模塊，用于根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。

8.根據(jù)權(quán)利要求7所述的電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，其特征在于，所述預(yù)測誤差計(jì)算子模塊，具體包括：

歷史運(yùn)行數(shù)據(jù)劃分單元，用于將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到10組數(shù)據(jù)集合；

測試樣本集與訓(xùn)練樣本集劃分單元，用于分別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)集合作為訓(xùn)練樣本集；

第一預(yù)測誤差計(jì)算單元，用于分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，獲得每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差；

第二預(yù)測誤差計(jì)算單元，用于計(jì)算每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差。

說明書： 一種電站送風(fēng)機(jī)超溫預(yù)警方法及系統(tǒng)技術(shù)領(lǐng)域[0001] 本發(fā)明涉及送風(fēng)機(jī)監(jiān)測領(lǐng)域，特別是涉及一種電站送風(fēng)機(jī)超溫預(yù)警方法及系統(tǒng)。背景技術(shù)[0002] 電站送風(fēng)機(jī)是電站的重要設(shè)備，實(shí)現(xiàn)電站送風(fēng)機(jī)的安全預(yù)警，對(duì)于發(fā)電過程的安全性至關(guān)重要。

發(fā)明內(nèi)容[0003] 本發(fā)明的目的是提供一種電站送風(fēng)機(jī)超溫預(yù)警方法及系統(tǒng)，以實(shí)現(xiàn)電站送風(fēng)機(jī)安全預(yù)警。

[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：[0005] 一種電站送風(fēng)機(jī)超溫預(yù)警方法，所述預(yù)警方法包括如下步驟：[0006] 獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；[0007] 建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；[0008] 根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列長度k、隱層節(jié)點(diǎn)數(shù)n和

學(xué)習(xí)速率v；

[0009] 采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間段

等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔；

[0010] 當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。[0011] 可選的，所述建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型，之前還包括：[0012] 將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；[0013] 分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組溫度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平振動(dòng)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸

承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立初始輸入變量集合；

[0014] 根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式 分別計(jì)算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性；其中，riq表示預(yù)測變量與初始輸入變量

集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q＝1，2，3，4， 表示歷史運(yùn)行數(shù)據(jù)中的

第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的協(xié)方差， 表示歷史運(yùn)行數(shù)

據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]表示歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的方差；

[0015] 根據(jù)預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性，刪除初始輸入變量集合中不滿足公式minriq(q＝1，2，3,4)≥0.7的輸入變量，獲得LSTM神經(jīng)網(wǎng)絡(luò)模

型的輸入變量集合。

[0016] 可選的，所述根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，具體包括：

[0017] 根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；其中，歷史序列長度k的取值范圍為[5，20]，隱層節(jié)點(diǎn)數(shù)n取值范圍為[10,40]，學(xué)習(xí)速率v取值

范圍為[0.25,1]；

[0018] 分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，建立3因素4水平的正交試驗(yàn)表；

[0019] 根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；

[0020] 根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。

[0021] 可選的，所述根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，具體包括：

[0022] 將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到10組數(shù)據(jù)集合；[0023] 分別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)集合作為訓(xùn)練樣本集；

[0024] 分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，獲得每個(gè)

測試樣本集對(duì)應(yīng)的預(yù)測誤差；

[0025] 計(jì)算每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差。

[0026] 一種電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，所述預(yù)警系統(tǒng)包括：[0027] 歷史運(yùn)行數(shù)據(jù)獲取模塊，用于獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；[0028] LSTM神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；

[0029] 超參數(shù)確定模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列

長度k、隱層節(jié)點(diǎn)數(shù)n和學(xué)習(xí)速率v；

[0030] 當(dāng)前運(yùn)行數(shù)據(jù)采集模塊，用于采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)

機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔；

[0031] 超溫預(yù)警模塊，用于當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。

[0032] 可選的，所述預(yù)警系統(tǒng)，還包括：[0033] 預(yù)測變量確定模塊，用于將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；[0034] 初始輸入變量集合建立模塊，用于分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組溫度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平振動(dòng)、送風(fēng)機(jī)

端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量，建立初

始輸入變量集合；

[0035] 相關(guān)性計(jì)算模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式 分別計(jì)算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性；其中，riq表示預(yù)

測變量與初始輸入變量集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q＝1，2，3，4，

表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的協(xié)方差，

表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]表示歷史運(yùn)行數(shù)據(jù)中

的預(yù)測變量的方差；

[0036] 輸入變量集合獲取模塊，用于根據(jù)預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性，刪除初始輸入變量集合中不滿足公式minriq(q＝1,2,3，4)≥0.7的輸

入變量，獲得LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量集合。

[0037] 可選的，所述超參數(shù)確定模塊，具體包括：[0038] 超參數(shù)取值范圍確定子模塊，用于根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；其中，歷史序列長度k的取值范圍為[5,20]，隱層節(jié)點(diǎn)數(shù)n取值

范圍為[10,40]，學(xué)習(xí)速率v取值范圍為[0.25,1]；

[0039] 正交試驗(yàn)表建立子模塊，用于分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，建立3因素4水平的正交試驗(yàn)表；

[0040] 預(yù)測誤差計(jì)算子模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；

[0041] 超參數(shù)選取子模塊，用于根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。

[0042] 可選的，所述預(yù)測誤差計(jì)算子模塊，具體包括：[0043] 歷史運(yùn)行數(shù)據(jù)劃分單元，用于將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到10組數(shù)據(jù)集合；

[0044] 測試樣本集與訓(xùn)練樣本集劃分單元，用于分別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)集合作為訓(xùn)練樣本集；

[0045] 第一預(yù)測誤差計(jì)算單元，用于分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)

網(wǎng)絡(luò)模型進(jìn)行測試，獲得每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差；

[0046] 第二預(yù)測誤差計(jì)算單元，用于計(jì)算每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差。

[0047] 根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：[0048] 一種電站送風(fēng)機(jī)超溫預(yù)警方法，所述預(yù)警方法包括如下步驟：獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；根據(jù)所述歷史運(yùn)行數(shù)

據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)

網(wǎng)絡(luò)模型；采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，

輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間

段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔；當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值

時(shí)，生成超溫預(yù)警信號(hào)。本發(fā)明采用LSTM神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)送風(fēng)機(jī)軸承溫度的預(yù)測，以實(shí)現(xiàn)

電站送風(fēng)機(jī)安全預(yù)警，并且采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，克服了

LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)的尋優(yōu)過程復(fù)雜的技術(shù)缺陷，提高送風(fēng)機(jī)軸承溫度預(yù)測的時(shí)效

性。

附圖說明[0049] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施

例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖

獲得其他的附圖。

[0050] 圖1為本發(fā)明提供的一種電站送風(fēng)機(jī)超溫預(yù)警方法的流程圖；[0051] 圖2為本發(fā)明提供的一種電站送風(fēng)機(jī)超溫預(yù)警方法的原理圖。具體實(shí)施方式[0052] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?br>
本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他

實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

[0053] 本發(fā)明的目的是提供一種電站送風(fēng)機(jī)超溫預(yù)警方法及系統(tǒng)，以實(shí)現(xiàn)電站送風(fēng)機(jī)安全預(yù)警。

[0054] 為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。

[0055] 長短期記憶(LongShort?TermMemory,LSTM)神經(jīng)網(wǎng)絡(luò)是目前常用的深度神經(jīng)網(wǎng)絡(luò)之一。LSTM神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)涉及多個(gè)超參數(shù)，而這些參數(shù)值對(duì)網(wǎng)絡(luò)的預(yù)測及泛化性能

有著較大的影響。因此，在利用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行過程建模及狀態(tài)監(jiān)測時(shí)，需要確定模型的

超參數(shù)。目前，LSTM神經(jīng)網(wǎng)絡(luò)模型超參數(shù)一般通過窮舉搜索和經(jīng)驗(yàn)試取方法來確定，這些方

法的過程耗時(shí)較長且具有不確定性，從而影響模型預(yù)測及故障預(yù)警的性能。為此，本發(fā)明采

用正交試驗(yàn)設(shè)計(jì)來確定最優(yōu)的LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，實(shí)現(xiàn)電站送風(fēng)機(jī)超溫預(yù)警。本

發(fā)明在LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)選取上可以避免復(fù)雜的尋優(yōu)過程，而且還能降低經(jīng)驗(yàn)試

取帶來的不確定性，而且簡單、可靠，且具有較高的時(shí)效性，有助于在實(shí)際發(fā)電過程中實(shí)施。

[0056] 具體的，如圖1和2所示，本發(fā)明提供一種電站送風(fēng)機(jī)超溫預(yù)警方法，所述預(yù)警方法包括如下步驟：

[0057] 步驟101，獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)。[0058] 從電站送風(fēng)機(jī)系統(tǒng)運(yùn)行數(shù)據(jù)庫中，采集時(shí)間長度為1個(gè)月的運(yùn)行數(shù)據(jù)，采樣時(shí)間為每分鐘1個(gè)樣本，得到數(shù)據(jù)集D。在選取數(shù)據(jù)時(shí)，需滿足三個(gè)條件：(1)電站鍋爐負(fù)荷應(yīng)在50％

～100％變化；(2)電站各個(gè)設(shè)備正常運(yùn)行，無故障或停機(jī)過程；(3)采樣的數(shù)據(jù)應(yīng)為整段連

續(xù)運(yùn)行數(shù)據(jù)。

[0059] 步驟102，建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型。[0060] 步驟102所述建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型，之后還包括：將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組溫

度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平振

動(dòng)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變

量，建立初始輸入變量集合；根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式 分別計(jì)

算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性；其中，riq表示預(yù)測變

量與初始輸入變量集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q＝1,2,3,4， 表示

歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的協(xié)方差，

表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]表示歷史運(yùn)行數(shù)據(jù)中

的預(yù)測變量的方差；根據(jù)預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)

性，刪除初始輸入變量集合中不滿足公式minriq(q＝1,2,3,4)≥0.7的輸入變量，獲得LSTM

神經(jīng)網(wǎng)絡(luò)模型的輸入變量集合。

[0061] 具體的，將送風(fēng)機(jī)軸承溫度(記作y)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量，并選擇LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量，具體包括以下步驟：

[0062] 選擇電站送風(fēng)機(jī)系統(tǒng)所有相關(guān)變量作為初始輸入變量，包含送風(fēng)機(jī)電機(jī)電流(x1)、電機(jī)繞組溫度(x2)、電機(jī)前軸承溫度(x3)、電機(jī)后軸承溫度(x4)、送風(fēng)機(jī)腰側(cè)軸承垂直

振動(dòng)(x5)、送風(fēng)機(jī)腰側(cè)軸承水平振動(dòng)(x6)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)(x7)、送風(fēng)機(jī)端側(cè)軸承

水平振動(dòng)(x8)；

[0063] 基于步驟101采集的數(shù)據(jù)集D，計(jì)算送風(fēng)機(jī)電機(jī)電流y與各初始變量(xi,i＝1，2，…，8)的高次冪( q＝1，2，3，4，q為冪次數(shù))的相關(guān)性riq，計(jì)算方法如下：

[0064][0065] 其中， 為 與y的協(xié)方差， 是 的方差，ar[y]是y的方差。[0066] 依次對(duì)變量xi(i＝1，2，…，8)進(jìn)行判斷，如果滿足 表明y至少與xi的某次冪存在一定的相關(guān)性，則將該變量作為模型輸入變量之一；否則從模型輸入變量中

除去該變量。這種方法同時(shí)考慮了各變量與預(yù)測變量送風(fēng)機(jī)軸承溫度的線性和非線性相關(guān)

性，避免了僅考慮變量間的線性相關(guān)性導(dǎo)致的模型輸入變量選擇的不完備。

[0067] 通過上述步驟得到模型的輸入變量集合。[0068] LSTM神經(jīng)網(wǎng)絡(luò)模型為三層的LSTM神經(jīng)網(wǎng)絡(luò)，輸入變量集合k個(gè)歷史序列時(shí)刻值作為模型的輸入層，將送風(fēng)機(jī)軸承溫度未來時(shí)刻序列值作為模型的輸出層，中間為LSTM隱層，

節(jié)點(diǎn)數(shù)為n，模型初始學(xué)習(xí)速率為v，這樣便可得到送風(fēng)機(jī)軸承溫度預(yù)測模型結(jié)構(gòu)，其中歷史

序列長度k、隱層節(jié)點(diǎn)數(shù)為n、學(xué)習(xí)速率為v為待確定的模型超參數(shù)。

[0069] 步驟103，根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列長度k、隱層節(jié)

點(diǎn)數(shù)n和學(xué)習(xí)速率v。

[0070] 步驟103所述根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，具體包括：

[0071] 根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；依據(jù)送風(fēng)機(jī)運(yùn)行特性，考慮輸入變量時(shí)長5分鐘～20分鐘序列足以預(yù)測送風(fēng)機(jī)軸承溫度的未來

序列值，因此將歷史序列長度k取值范圍設(shè)置為[5，20]；將隱層節(jié)點(diǎn)數(shù)n取值范圍設(shè)置為

[10，40]；將學(xué)習(xí)速率v取值范圍為[0.25，1]；其中，參數(shù)k和n為整數(shù)，v為實(shí)數(shù)。

[0072] 分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，建立3因素4水平的正交試驗(yàn)表；

[0073] 分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，共16組試驗(yàn)記錄，即，16種超參數(shù)組合，如表1所示，其中，每組試驗(yàn)記錄中各超參數(shù)取值如表2所示；

[0074] 表13因素4水平的正交試驗(yàn)表[0075][0076][0077] 表2超參數(shù)取值表[0078] 參數(shù) k1 k2 k3 k4 n1 n2 n3 n4 r1 r2 r3 r4取值 5 10 15 20 10 20 30 40 0.25 0.5 0.75 1.0

[0079] 根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；具體包括：將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到

10組數(shù)據(jù)集合；分別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)

集合作為訓(xùn)練樣本集；分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模

型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測

試，獲得每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差；計(jì)算每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為

第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差。

[0080] 具體步驟為：[0081] (1)將第1組試驗(yàn)樣本(k1，n1，r1)作為LSTM神經(jīng)網(wǎng)絡(luò)模型參數(shù)；[0082] (2)將步驟1中采集的正常運(yùn)行數(shù)據(jù)集D分為10份：D1，D2，…，D10；[0083] (3)將D1作為測試樣本集，利用[D2，…，D9]作為樣本集訓(xùn)練模型，計(jì)算對(duì)測試樣本集D1的預(yù)測誤差作為e11；

[0084] (4)依次分別將D2，D3，…，D10作為測試樣本集，每次利用剩余的樣本訓(xùn)練模型并計(jì)算對(duì)測試樣本集的預(yù)測誤差，依次得到e12，e13，…，e110；

[0085] (5)按下式計(jì)算e1：e1＝e11+e12+…+e110；[0086] (6)利用步驟(1)～(5)的方法，依次計(jì)算第2到第16組試驗(yàn)樣本下的預(yù)測誤差e2～e16，作為試驗(yàn)結(jié)果，填入表1中。

[0087] 根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。即，預(yù)測誤差e1～e16的最小值，對(duì)應(yīng)

的試驗(yàn)樣本即為最優(yōu)的模型參數(shù)(k0，n0，v0)，該組試驗(yàn)樣本下得到的模型為最終的LSTM神

經(jīng)網(wǎng)路模型。

[0088] 步驟104，采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)機(jī)軸承溫度；所述預(yù)

設(shè)時(shí)間段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔。

[0089] 步驟105，當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。

[0090] 根據(jù)步驟103確定最優(yōu)的歷史序列長度k0，采集各輸入變量的當(dāng)前序列值，利用步驟103的LSTM神經(jīng)網(wǎng)路模型計(jì)算送風(fēng)機(jī)軸承溫度未來時(shí)刻序列預(yù)測值，并判定預(yù)測值是否

超限；如果預(yù)測值未超限，則表明送風(fēng)機(jī)系統(tǒng)運(yùn)行正常；如果預(yù)測值超過最大報(bào)警限值，則

給出超溫預(yù)警信號(hào)。

[0091] 本發(fā)明還提供一種電站送風(fēng)機(jī)超溫預(yù)警系統(tǒng)，所述預(yù)警系統(tǒng)包括：[0092] 歷史運(yùn)行數(shù)據(jù)獲取模塊，用于獲取電站送風(fēng)機(jī)的歷史運(yùn)行數(shù)據(jù)；[0093] LSTM神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于建立用于預(yù)測送風(fēng)機(jī)軸承溫度的LSTM神經(jīng)網(wǎng)絡(luò)模型；

[0094] 超參數(shù)確定模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用正交試驗(yàn)的方法確定LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，獲得超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型；所述超參數(shù)包括歷史序列

長度k、隱層節(jié)點(diǎn)數(shù)n和學(xué)習(xí)速率v。

[0095] 所述超參數(shù)確定模塊，具體包括：超參數(shù)取值范圍確定子模塊，用于根據(jù)送風(fēng)機(jī)運(yùn)行特性確定LSTM神經(jīng)網(wǎng)絡(luò)模型的每個(gè)所述超參數(shù)的取值范圍；其中，歷史序列長度k的取值

范圍為[5，20]，隱層節(jié)點(diǎn)數(shù)n取值范圍為[10，40]，學(xué)習(xí)速率v取值范圍為[0.25，1]；正交試

驗(yàn)表建立子模塊，用于分別在每個(gè)超參數(shù)的取值范圍內(nèi)選取四個(gè)不同水平的所述超參數(shù)，

建立3因素4水平的正交試驗(yàn)表；預(yù)測誤差計(jì)算子模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，采用10

階交叉驗(yàn)證法計(jì)算所述正交試驗(yàn)表中每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差；

超參數(shù)選取子模塊，用于根據(jù)每種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤差，確定預(yù)

測誤差最小的超參數(shù)組合中超參數(shù)，作為LSTM神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)。

[0096] 其中，所述預(yù)測誤差計(jì)算子模塊，具體包括：歷史運(yùn)行數(shù)據(jù)劃分單元，用于將所述歷史運(yùn)行數(shù)據(jù)劃分為10份，得到10組數(shù)據(jù)集合；測試樣本集與訓(xùn)練樣本集劃分單元，用于分

別將每一組數(shù)據(jù)集合作為測試樣本集，將除了測試樣本集之外的9組數(shù)據(jù)集合作為訓(xùn)練樣

本集；第一預(yù)測誤差計(jì)算單元，用于分別利用每個(gè)訓(xùn)練樣本集對(duì)第s種超參數(shù)組合下的LSTM

神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并利用每個(gè)訓(xùn)練樣本集對(duì)應(yīng)的測試樣本集對(duì)訓(xùn)練后LSTM神經(jīng)網(wǎng)絡(luò)

模型進(jìn)行測試，獲得每個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差；第二預(yù)測誤差計(jì)算單元，用于計(jì)算每

個(gè)測試樣本集對(duì)應(yīng)的預(yù)測誤差的和作為第s種超參數(shù)組合下的LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測誤

差。

[0097] 當(dāng)前運(yùn)行數(shù)據(jù)采集模塊，用于采集電站送風(fēng)機(jī)的自當(dāng)前時(shí)刻之前的預(yù)設(shè)時(shí)間段內(nèi)的運(yùn)行數(shù)據(jù)中的輸入變量，輸入超參數(shù)確定后的LSTM神經(jīng)網(wǎng)絡(luò)模型，獲取未來時(shí)刻的送風(fēng)

機(jī)軸承溫度；所述預(yù)設(shè)時(shí)間段等于歷史序列長度對(duì)應(yīng)的時(shí)間間隔。

[0098] 超溫預(yù)警模塊，用于當(dāng)未來時(shí)刻的送風(fēng)機(jī)軸承溫度大于軸承溫度限值時(shí)，生成超溫預(yù)警信號(hào)。

[0099] 所述預(yù)警系統(tǒng)，還包括：預(yù)測變量確定模塊，用于將送風(fēng)機(jī)軸承溫度作為LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測變量；初始輸入變量集合建立模塊，用于分別將送風(fēng)機(jī)電機(jī)電流、電機(jī)繞組

溫度、電機(jī)前軸承溫度、電機(jī)后軸承溫度、送風(fēng)機(jī)腰側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)腰側(cè)軸承水平

振動(dòng)、送風(fēng)機(jī)端側(cè)軸承垂直振動(dòng)、送風(fēng)機(jī)端側(cè)軸承水平振動(dòng)作為LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入

變量，建立初始輸入變量集合；相關(guān)性計(jì)算模塊，用于根據(jù)所述歷史運(yùn)行數(shù)據(jù)，利用公式

分別計(jì)算預(yù)測變量與初始輸入變量集合的每個(gè)輸入變量的高次冪的

相關(guān)性；其中，riq表示預(yù)測變量與初始輸入變量集合的第i個(gè)輸入變量的q次冪的相關(guān)性，q

＝1，2，3，4， 表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量的q次冪與歷史運(yùn)行數(shù)據(jù)中

的預(yù)測變量的協(xié)方差， 表示歷史運(yùn)行數(shù)據(jù)中的第i個(gè)輸入變量q次冪的方差，ar[y]

表示歷史運(yùn)行數(shù)據(jù)中的預(yù)測變量的方差；輸入變量集合獲取模塊，用于根據(jù)預(yù)測變量與初

始輸入變量集合的每個(gè)輸入變量的高次冪的相關(guān)性，刪除初始輸入變量集合中不滿足公式

minriq(q＝1，2，3，4)≥0.7的輸入變量，獲得LSTM神經(jīng)網(wǎng)絡(luò)模型的輸入變量集合。

[0100] 根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：[0101] 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)警模型中參數(shù)確定過程計(jì)算量大、耗時(shí)長，使其很難在實(shí)際工程中應(yīng)用。本發(fā)明通過對(duì)模型參數(shù)設(shè)計(jì)正交試驗(yàn)，通過較少次的搜索即可快速確定較優(yōu)的模

型參數(shù)。該方法簡單、可靠，且具有較高的時(shí)效性，有助于在實(shí)際發(fā)電過程中實(shí)施。本發(fā)明采

用LSTM模型作為預(yù)測模型，能夠?qū)﹄娬舅惋L(fēng)機(jī)軸承溫度未來時(shí)刻序列值進(jìn)行預(yù)測，能夠及

時(shí)地給出送風(fēng)機(jī)超溫報(bào)警信息，提升發(fā)電過程運(yùn)行的安全性。

[0102] 本發(fā)明提出一種電站送風(fēng)機(jī)超溫預(yù)警方法及系統(tǒng)。整個(gè)過程包含正常運(yùn)行數(shù)據(jù)采集、模型輸入變量選擇、神經(jīng)網(wǎng)路模型結(jié)構(gòu)構(gòu)建、模型參數(shù)確定和送風(fēng)機(jī)軸承溫度預(yù)測等步

驟組成。本方法提出通過分析各變量與送風(fēng)機(jī)軸承溫度間的的線性及非線性相關(guān)性來確定

模型輸入，通過正交試驗(yàn)方法確定模型輸入歷史序列長度、網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)和學(xué)習(xí)速率。本

發(fā)明提出的方法大大縮短了模型超參數(shù)確定的時(shí)間，為預(yù)警模型在實(shí)際發(fā)電過程中實(shí)施提

供了可能。

[0103] 本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對(duì)于實(shí)施例公開的系統(tǒng)

而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說

明即可。

[0104] 本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)

本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處。綜上所述，本說明書內(nèi)容不

應(yīng)理解為對(duì)本發(fā)明的限制。