本发明属于电力大数据，特别是涉及到一种基于深度置信网络的水轮发电机组轴承异常状态预测方法。
背景技术：
1、随着水电机组单机容量不断增加、机组结构日趋复杂，机组运行稳定性的问题逐步凸显。如何在机组不停机状态下，实时监测并评估其运行状态，实现早期状态异常预警，避免机组发生重大停机事故，是最小化水电企业经济损失的关键问题。发电机轴承作为承受机组转动部分径向力和作用于水轮机轮上轴向力的关键部件，其运行状态直接影响机组的安全可靠。然而，由于目前水轮机组轴承运行状态是基于单变量静态阈值进行监测，使得受随机因素影响较大，且无法对异常进行事前预警。因此，研究轴承运行状态异常预测对保障机组安稳运行具有重要意义。
2、水轮发电机组各部件协同工作程度高，特征间关联关系复杂，引起轴承异常的原因较多，如轴瓦受力不均、镜板波浪都不合格、冷却水中断、润滑油掺有杂质。因此，提取轴承状态关键特征可有效降低数据维度，降低计算复杂度。轴承运行工况的变化和长时间投运造成的设备损耗，都对阈值造成波动影响。因此，综合考虑工况和自身健康因素确定特征的动态阈值，可降低预测误差。由于轴承数据分布较分散，且难以拟合为函数。因此，预测模型应在未知数据分布情况下，仍具有较好的学习能力。基于上述方面开展水轮发电机组轴承状态异常预测能够有效提升预测准确度。迄今未见与本发明基于深度置信网络的水轮发电机组轴承异常状态预测方法相关的文献报道和实际应用。
技术实现思路
1、本发明所要解决的技术问题是：提供基于深度置信网络的水轮发电机组轴承异常状态预测方法，解决水轮发电机组轴承异常预测中轴承关键特征提取不全或过多导致轴承运行状态统计特性发生畸变的问题，数据维度过高导致预测模型准确下降的问题，静态阈值设置宽泛的不足、为综合考虑轴承健康状态和运行工况导致预测误差增加的问题，数据分布未知时难以有效分析轴承不同运行状态对预测结果的影响、易陷入局部最优的问题。
2、基于深度置信网络的水轮发电机组轴承异常状态预测方法，包括以下步骤，
3、步骤一、采用灰色关联分析算法进行轴承关键特征提取，根据轴承工作机理定义推力平均瓦温为参考序列，其余特征为比较序列；计算各比较序列与参考序列的灰色关联度；基于灰色关联度提取轴承运行状态强关联特征；
4、步骤二、步骤一所述的强关联特征为非线性关联，采用基于非线性估计进行动态阈值确定；根据时序数据间的欧氏距离，分析实测数据和设备正常运行时健康数据间的相似程度，判断设备的运行状态，更新动态特征阈值；
5、步骤三、构建基于改进的pso优化深度置信网络dbn的轴承异常状态预测模型，预测模型由两部分构成，分别是基于自适应方法的粒子群pso参数寻优和基于pso-dbn模型预测轴承异常状态；对发电机轴承运行状态进行预测，综合评估平均绝对误差、平均绝对百分比误差和均方根误差，验证该模型能够有效降低预测误差。
6、所述灰色关联度采用均值法表示：
7、
8、式中，ηm为关联度值，v为关联系数个数，γm(k)表示k时刻第m个特征与参考序列的关联系数；
9、关联度值ηm越高代表对应的第m个比较序列与参考序列关联性越大，其特征与发电机轴承平均瓦温的关联性越强，与轴承运行状态的关联性越强。
10、所述欧氏距离计算公式为：
11、
12、其中，为非线性运算符，zji表人示第j个某列向量中第i个值，表示向量apre中第i个值，表示z和apre之间的欧氏距离，通过空间距离反映两者之间的关联程度，距离越小关联程度越大。
13、所述相似程度sim的计算公式为：
14、
15、其中，当当估计值与记忆矩阵中某一列值相等时，sim(z,apre)＝1，当两向量偏差较大时，sim(z,apre)趋向0；
16、n个相似度sim值构成n维相似度矩阵sim，如公式(15)所示：
17、sim＝[sim1 sim2 … simn] (15)
18、过程记忆矩阵z由轴承正常状态下的运行数据构成，当轴承处于正常状态时，输入的新观测向量与z矩阵中某一列向量值相近，估计值计算精度较高，残差值较小；但当轴承发生异常时，动态特性的改变，输入的新观测向量偏离正常工作空间，该向量与z矩阵中历史数据向量差别较大，估计值计算精度下降，相似度值减小。
19、所述更新动态特征阈值的方法为：
20、①初始化动态阈值向量mu和参数向量sigma；
21、基于平均值和标准差计算置信区间，用高置信水平区间内数据的平均值初始化动态阈值；置信区间设定方法如公式(16)所示：
22、
23、
24、cii＝mean±i*s(i＝1,2,3)
25、式(16)中，mean表示相似度矩阵sim的总体平均值，simj表示第j个相似度值，s表示相速度矩阵sim的总体标准差，cii表示第i个置信区间；计算三个置信区间内置信水平，选取置信水平最高区间的数据平均值初始化动态阈值初始值；
26、②逐个判断相似度与动态阈值的大小，若相似度大于动态阈值，且大于默认值0.8，则更新动态阈值，判定条件如公式(17)所示，更新方法如公式(18)所示：
27、
28、
29、式(17)、式(18)中，simi为相似度sim矩阵中第i个相似度值，d为滑动窗口大小，由于采用区间统计思想确定阈值，用sigma反映数据区间统计特性；当不满足式(17)所示的判定条件时，则不更新，如公式(19)所示：
30、
31、采用基于估计值与过程记忆矩阵相似度的阈值确定方法，每一时刻的新观测向量都是由n个关键特征构成的一维向量，对应一个n维相似度矩阵sim，通过遍历n个相似度值，按公式(17)-(19)计算后确定该时刻的阈值；其中，每个关键特征对阈值的影响通过累计误差贡献率得出；累计误差贡献率如公式(20)所示：
32、
33、式(20)中，表示测试样本中第j个特征第t个预测值，表示测试样本中第j个特征第t个实际值，errorratej为第j个特征的累计误差贡献率，影响越大，累计误差贡献率越大；
34、③所有相似度值均完成计算后，输出动态阈值threshold，如公式(21)所示：
35、threshold＝mu-d*sigma (21)
36、通过上述步骤，采用轴承正常状态下的健康数据构建过程记忆矩阵，计算新输入向量在过程矩阵下的估计向量，通过欧氏距离衡量估计值与实际值的相似程度，基于相似度确定动态阈值，实现根据轴承运行工况和自身健康状态更新关键特征阈值，使其更贴合设备实际情况，以降低轴承异常预测的误差。
37、所述基于自适应方法的粒子群pso参数寻优方法为：
38、根据上一次迭代结果动态调整pso算法参数的取值，迭代更新学习因子c1、c2，如公式(22)所示：
39、
40、其中，cmax为最大加速系数，cmin为最小加速系数，p为当前迭代次数，pmax为最大迭代次数；
41、惯性权重ω用于调节对解空间的搜索范围；ω越大，移动的范围就越广，越容易找到全局最优解；ω越小，局部搜索能力更强；ω的迭代更新方法如公式(23)所示：
42、
43、其中，ωmax为最大惯性权重，ωmin为最小惯性权重；
44、基于此计算输出dbn各隐含层节点数和权重为最优解，使轴承状态异常预测结果更贴合轴承历史数据波动形态，降低预测误差。
45、所述基于pso-dbn模型预测轴承异常状态的方法为：
46、①划分轴承关键特征数据集，按照4:1比例划分出训练集和测试集；
47、②确定dbn网络结构；包括训练次数、隐含层层数、隐含层节点的取值范围；并将轴承关键特征和动态阈值输入dbn中；
48、③初始化pso神经网络结构，设置最大迭代次数kmax、学习因子的取值范围，以及惯性权重的取值范围；
49、④计算粒子的动态适应度值，并迭代更新粒子的个体最优位置和适应度值；
50、⑤更新群体极值最优位置；比较当前个体适应度值与全局最优适应度值，若当前值更优，则更新全局最优适应度值；反之不更新适应度值，并执行④，直到达到最大迭代次数；
51、⑥pso输出寻优结果，dbn轴承异常预测模型每个隐层最优节点数和权重；
52、⑦基于pso的寻优结果型构建dbn轴承异常状态预测模型，预测轴承异常运行状态。
53、通过上述设计方案，本发明可以带来如下有益效果：基于深度置信网络的水轮发电机组轴承异常状态预测方法，采用灰色关联理论解析发电机轴承相关特征量间的耦合关系，根据关联度强弱提取出轴承运行状态关键特征，降低数据维度；确定轴承关键特征动态阈值，采用非线性状态评估方法综合分析轴承运行工况和轴承健康状态，动态更新轴承关键特征阈值；将轴承关键特征数据集和动态阈值输入基于pso-dbn的预测模型，用自适应方法动态更新pso学习因子和惯性权重，提升pso对dbn参数的寻优性能，降低预测模型误差，提高设备故障规避风险的能力，保证机组的安稳运行。
1.基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：包括以下步骤，
2.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述灰色关联度采用均值法表示：
3.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述欧氏距离计算公式为：
4.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述相似程度sim的计算公式为：
5.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述更新动态特征阈值的方法为：
6.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述基于自适应方法的粒子群pso参数寻优方法为：
7.根据权利要求1所述的基于深度置信网络的水轮发电机组轴承异常状态预测方法，其特征是：所述基于pso-dbn模型预测轴承异常状态的方法为：
