本发明涉及火电厂设备智能预警，具体涉及一种基于大数据分析的火电厂设备智能预警方法。
背景技术：
1、电厂在运行过程中，会产生各式各样的生产数据，这些数据在进行采集、汇总和处理后，对电厂优化运行、节能降耗、安全环保有着重要的决策依据和意义。
2、现有技术中研究了很多的火电厂设备智能预警方法，例如中国发明专利cn114757380a公开了一种火电厂故障预警系统、方法、电子设备及存储介质，数据采集模块获取当前火电厂机组中每个电力设备的运行数据；数据管理模块对运行数据进行分析，以在运行数据中筛选构建不同电力设备故障预警模型所需的模型数据；模型构建模块构建各电力设备对应的故障预警模型，以基于各故障预警模型对当前火电厂进行故障预警。
3、但是，上述专利依旧存在以下问题：
4、(1)由于设备种类和数量繁多，各设备的数据量庞大，导致计算量负担重，较大的影响输出速度，同时也会降低设备出现异常时预警的速度；
5、(2)当设备出现未知故障预警时，难以及时获取专业的诊断建议，也无法自动将新类型故障及时更新，导致智能预警方法使用受限。
6、基于此，本发明设计了一种基于大数据分析的火电厂设备智能预警方法以解决上述问题。
技术实现思路
1、针对现有技术所存在的上述缺点，本发明提供了一种基于大数据分析的火电厂设备智能预警方法。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种基于大数据分析的火电厂设备智能预警方法，包括以下步骤：
4、一、设备数据中心实时获取火电厂各机组和设备的历史运行状态信息，建立机组和设备的历史运行档案库；历史运行档案库包括健康档案库、故障档案库、故障案例库；
5、二、根据历史运行档案库的数据，从机组和设备的历史运行数据中学习，为机组和设备分别建立异常诊断最优模型；
6、三、识别出相同类型的机组或设备，实时采集机组和设备的实时参数数据，实时采集机组和设备的状态信息，并将数据传送至中央处理器；
7、四、中央处理器接收到机组和设备的实时参数数据，并将相同类型的机组或设备的参数数据通过算法模块进行计算，预先排除非异常情况，再对异常情况进行针对性诊断，并输出诊断结果；
8、五、故障识别模块根据机组或设备的各参数i的异常诊断结果，结合故障案例库，判断是否属于历史故障类型，若是，则输出故障类型、对应的解决思路和运维建议；若否，则进行下一步；
9、六、启动专家诊断模块与故障识别模块通讯；获取故障类型、对应的解决思路和运维建议；
10、七、故障更新模块与火电厂后台监控系统通讯，将新的故障类型、对应的解决思路和运维建议收录至历史运行档案库的故障案例库内，完成历史运行档案库的更新；
11、八、各火电厂选择性的将故障案例库的部分或者全部数据上传至云端故障案例库，形成云端的故障案例库的集合。
12、更进一步的，健康档案库用于存储机组和设备正常运行状态下的参数波动范围数值，处于该数值范围内的参数值均为健康状态。
13、更进一步的，故障档案库用于存储机组和设备故障运行状态下的参数范围数值，处于该数值范围内的参数值均为故障状态。
14、更进一步的，故障案例库用于收集故障类型，以及各种故障类型对应的解决思路和运维建议。
15、更进一步的，根据故障档案库采用现有技术中的最小二乘支持向量机模型、拉格朗日乘数法、kkt(karush-kuhn-tucker)条件、混沌粒子群优化算法，构建得到异常诊断最优模型。
16、更进一步的，异常诊断结果分为严重异常状态、轻微异常状态和异常预警状态。
17、更进一步的，步骤三、设备识别模块识别出相同类型的机组或设备，并将数据传送至中央处理器；数据采集单元实时采集机组和设备的实时参数数据，并将数据传送至中央处理器；状态采集模块实时采集机组和设备的位置信息、监控信息，并将数据传送至中央处理器。
18、更进一步的，步骤四具体如下：
19、(1)算法模块接收相同类型的机组或设备的参数数据，并将各参数进行如下计算：
20、xi＝∑m/n；
21、xi代表各参数i的均值，∑m代表相同类型的机组或设备的参数i的数值之和，n代表相同类型的机组或设备的个数；
22、(2)比较各参数xi是否在预设值范围内；若在，则正常；若不在，则进行下一步；
23、(3)将机组或设备的参数i输入异常诊断最优模型，得到异常诊断结果，输出异常诊断结果：严重异常、轻微异常或异常预警。
24、更进一步的，将异常诊断结果和异常机组或设备的位置信息、监控信息一起发送给火电厂后台监控系统。
25、更进一步的，步骤六具体如下：
26、首先，专家诊断模块与云端故障案例库进行比对，获取相似度超过80％的故障案例，输出故障类型、对应的解决思路和运维建议；
27、其次，若无相似度超过80％的故障案例，则专家诊断模块将故障列表发送至专家客户端，专家客户端研究处理后生成疑似故障诊断单和故障处理流程单，并发送至火电厂后台监控系统；火电厂后台监控系统根据疑似故障诊断单和故障处理流程单对设备进行故障排除，并在故障排除后收录新的故障类型、对应的解决思路和运维建议。
28、有益效果
29、本发明在对机组或设备进行预警之前，预先对机组或设备进行分组计算，由于火电厂内相同类型、运行参数要求相同的机组或设备数量很多，因此可大幅度减少计算的数量，优先将非异常情况排除，再对异常情况进行针对性诊断，并输出诊断结果，降低了针对每台机组或设备均需要计算导致计算量负担重的问题，有利于提升输出速度和预警速度；
30、本发明可实现在设备出现未知故障预警时，先通过与云端故障案例库进行比对，找出相似度较高的故障案例，从而获取指导建议，若无则再咨询相关技术专家，获取指导建议，之后还可及时更新故障案例至本火电厂故障案例库，也可将故障案例分享至云端给其他本火电做技术指导参考。
1.一种基于大数据分析的火电厂设备智能预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，健康档案库用于存储机组和设备正常运行状态下的参数波动范围数值，处于该数值范围内的参数值均为健康状态。
3.根据权利要求2所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，故障档案库用于存储机组和设备故障运行状态下的参数范围数值，处于该数值范围内的参数值均为故障状态。
4.根据权利要求3所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，故障案例库用于收集故障类型，以及各种故障类型对应的解决思路和运维建议。
5.根据权利要求4所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，根据故障档案库采用现有技术中的最小二乘支持向量机模型、拉格朗日乘数法、kkt条件、混沌粒子群优化算法，构建得到异常诊断最优模型。
6.根据权利要求5所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，异常诊断结果分为严重异常状态、轻微异常状态和异常预警状态。
7.根据权利要求6所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，步骤三、设备识别模块识别出相同类型的机组或设备，并将数据传送至中央处理器；数据采集单元实时采集机组和设备的实时参数数据，并将数据传送至中央处理器；状态采集模块实时采集机组和设备的位置信息、监控信息，并将数据传送至中央处理器。
8.根据权利要求7所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，步骤四具体如下：
9.根据权利要求8所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，将异常诊断结果和异常机组或设备的位置信息、监控信息一起发送给火电厂后台监控系统。
10.根据权利要求9所述的基于大数据分析的火电厂设备智能预警方法，其特征在于，步骤六具体如下：
