基于自组织神经网络的火电厂健康状态数据提取算法
吴胜聪，陈雨轩，沈可心，程浩轩
（三峡大学 电气与新能源学院，湖北 宜昌 443002）
摘 要：火电厂设备健康数据提取是火电厂设备状态评估数据处理的一个关键步骤，有利于提高设备状态评估的准确性与效率。将设备状态数据首先利用R 型层次聚类进行特征参数选取与冗余数据清除，再采用自组织神经网络筛选异常值。利用所诉方法对某发电厂的汽泵前置泵设备的监测数据进行健康状态数据提取，发现清除的异常数据远远大于提取出的健康数据，表明该方法清除的数据满足预期，为后续健康状态评估提供了准确的参照数据，并且降低监测数据维度提高评估效率。
关键词：大数据；自组织神经网络；R 型聚类；电力设备状态数据
中图分类号：TM621 文献标识码：A 文章编号：1007-3175(2019)09-0027-06
Health State Data Extraction Algorithm for Thermal Power Plant Based on Self-Organizing Neural Network
WU Sheng-cong, CHEN Yu-xuan, SHEN Ke-xin, CHENG Hao-xuan
（College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, China）
Abstract: The health data extraction of thermal power plant equipment is a key step in the processing of equipment state assessment of thermal power plants, which is conducive to improving the accuracy and efficiency of equipment state assessment. The power equipment status data were carried out characteristic parameters selection and redundant data eliminating by R-type hierarchical clustering, then the outliers of device status data were filtered by self-organizing neural network. The proposed algorithm was used to extract the health status data from the monitoring data on turbine pump booster pump device in certain power plant. It is found that The clearing abnormal data is far greater than the extracted health data, which indicates that the algorithm meets the expectation. This algorithm provides the accurate reference data for subsequent health assessment, reducing the monitoring data dimension and improving evaluation efficiency.
Key words: big data; self-organizing neural network; R-type clustering; power equipment status data
参考文献
[1] 高起栋. 基于数据挖掘技术的火电厂设备状态监测系统[J]. 工业技术创新，2017，4(6)：24-27.
[2] 谢小鹏，林玥廷，林英明. 火电厂设备状态监测与故障预警的研究[J]. 华电技术，2018，40(6)：7-9.
[3] 严英杰，盛戈皞，陈玉峰，等. 基于时间序列分析的输变电设备状态大数据清洗方法[J]. 电力系统自动化，2015，39(7)：138-144.
[4] 徐步云，倪禾. 自组织神经网络和K-means聚类算法的比较分析[J]. 新型工业化，2014，4(7)：63-69.
[5] 刘焕海，叶剑锋，阿斯耶姆. 基于自组织特征映射网络(SOM) 的聚类分析方法[J]. 软件导刊，2016，15(12)：133-135.
[6] 冯震. 无线传感器网络数据离群点检测若干方法研究[D]. 上海：上海大学，2017.
[7] 陆可，邹启鸣，李鸣，等. 基于R型聚类- 因子分析的指标体系简化方法[J]. 计算机系统应用，2016，25(5)：118-123.
[8] 张好勇，张东亮，高树军，等. 基于自组织特征映射神经网络的高压断路器故障诊断[J]. 电气应用，2016，35(23)：21-24.
[9] 焦毛. 基于多重分形和SOM神经网络的水电机组振动故障诊断研究[D]. 西安：西安理工大学，2018.
