(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110386991.1 (22)申请日 2021.04.12 (65)同一申请的已公布的文献号 申请公布号 CN 113221442 A (43)申请公布日 2021.08.0 6 (66)本国优先权数据 202011544774.2 2020.12.24 CN (73)专利权人 山东鲁能软件技 术有限公司 地址 250001 山东省济南市高新 技术产业 开发区新 泺大街20 08号银荷大厦 (72)发明人 王立峰　赵俊　安佰京　孙永华　 刘守刚　刘洪涛　李海斌　房玉伟　 王凯　 (74)专利代理 机构 北京元本知识产权代理事务 所(普通合伙) 11308 专利代理师 李斌 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 112034789 A,2020.12.04 CN 107169628 A,2017.09.15 CN 110503833 A,2019.1 1.26 US 2018082189 A1,2018.0 3.22 崔恺 等.基 于广义回归神经网络的风电机 组性能预测模型及状态预警. 《科 学技术与工 程》 .2020, 李大中 等.基 于风场大 数据互信息关联的 风电机组性能评估. 《科 学技术与工程》 .2018, Shuang-Xi n Wang 等.Short-term w ind power predicti on based o n improved s mall- world neural netw ork. 《Neural computi ng & applications》 .2018, 李婕妤.优化的神经网络日用水量预测模型 研究. 《中国优秀硕士学位 论文全文数据库 (工 程科技Ⅱ辑)》 .2016, 审查员 王孜琦 (54)发明名称 一种电厂设备健康评估模型的构建方法及 装置 (57)摘要 本发明公开了一种电厂设备健康评估模型 的构建方法及装置， 利用所述电厂目标设备每个 相关参数的常权重、 所述每个参数残差阈值与对 应的参数分数之间的非线性回归关系以及每类 工况下同类设备同类参数的参数均值和所述目 标参数的最值， 构建电厂设备健康评估模型， 从 而提升了设备健康评价的客观性与准确性。 权利要求书3页 说明书11页 附图2页 CN 113221442 B 2022.08.30 CN 113221442 B 1.一种电厂设备健康评估 模型的构建方法， 其特 征在于， 包括： 根据用户配置的用于反映电厂目标设备运行状态的多个相关参数， 获取每个相关参数 的历史数据， 并根据所述每 个相关参数的历史数据， 得到每 个相关参数的训练数据； 分别计算所述每个相关参数训练数据的信息熵和条件熵， 并利用所述信息熵和条件 熵， 得到所述每 个相关参数训练数据的互信息特 征； 利用所述每个相关参数训练数据的互信 息特征， 得到所述电厂目标设备每个相关参数 的常权重； 利用预置的BP神经网络回归模型、 所述每个相关参数的历史数据和训练数据， 分别计 算所述电厂目标设备每 个相关参数的历史残差数据和训练残差数据； 利用所述电厂目标设备每个相关参数的历史残差数据和训练残差数据， 分别计算所述 电厂目标设备每个相关参数的不同参数评 分分数对应的参数残差阈值， 并构建所述每个参 数残差阈值与对应的参数分数之间的非线性回归关系； 通过对所述每个相关参数的历史数据进行工况划分， 得到多个工况分类， 并根据用户 配置的目标参数， 计算每 类工况下同类设备同类参数的参数均值和所述目标参数的最 值； 利用所述电厂目标设备每个相关参数的常权重、 所述每个参数残差 阈值与对应的参数 分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均值和所述目标参 数的最值， 构建电厂设备健康评估 模型。 2.根据权利要求1所述的方法， 其特征在于， 所述目标参数的最值包括最大值、 最小值 及最优值。 3.根据权利要求1所述的方法， 其特征在于， 所述根据用户配置的用于反映电厂目标设 备运行状态的多个相关参数， 获取每个相关参数 的历史数据， 并根据所述每个相关参数 的 历史数据， 得到每 个相关参数的训练数据包括： 根据用户配置的用于反映电厂目标设备运行状态的多个相关参数， 分别获取所述电厂 目标设备和与所述电厂目标设备同组的其它多个电厂设备的每 个相关参数的历史数据； 根据所述电厂目标设备的每个相关参数的历史数据， 得到所述电厂目标设备每个相关 参数的训练数据。 4.根据权利要求3所述的方法， 其特征在于， 所述分别计算所述每个相关参数训练数据 的信息熵和条件熵， 并利用所述信息熵和条件熵， 得到所述每个相关参数训练数据的互信 息特征包括： 计算所述每 个相关参数训练数据的信息熵； 在已知某一相关参数训练数据的条件下， 计算每 个相关参数训练数据的条件熵； 利用所述每个相关参数训练数据的信 息熵和所述每个相关参数训练数据的条件熵， 得 到所述每 个相关参数训练数据的互信息特 征。 5.根据权利要求1所述的方法， 其特征在于， 所述利用预置的BP神经网络回归模型、 所 述每个相关参数的历史数据和训练数据， 分别计算所述电厂目标设备每个相关参数的历史 残差数据和训练残差数据包括： 利用预置的BP神经网络回归模型和所述每个相关参数的历史数据， 计算所述每个相关 参数历史数据的评估值， 同时利用预置的BP神经网络回归模 型和所述每个相关参数的训练 数据， 计算所述每 个相关参数训练数据的评估值；权　利　要　求　书 1/3 页 2 CN 113221442 B 2根据所述每个相关参数的历史数据和所述每个相关参数历史数据的评估值， 计算所述 电厂目标设备每个相关参数的历史残差数据， 同时根据所述每个相关参数的训练数据和所 述每个相关参数训练数据的评估值， 计算所述电厂目标设备每个相关参数的训练残差数 据。 6.根据权利要求1所述的方法， 其特征在于， 所述利用所述电厂目标设备每个相关参数 的历史残差数据和训练残差数据， 分别计算所述电厂目标设备每个相关参数的不同参数评 分分数对应的参数残差阈值包括： 利用所述电厂目标设备每个相关参数的训练残差数据， 计算所述电厂目标设备每个相 关参数的第一 参数评分 分数对应的参数残差阈值； 利用所述电厂目标设备每个相关参数的历史残差数据和预置的第一置信度和第二置 信度， 分别计算所述电厂目标设备每个相关参数的第二参数评 分分数和 第三参数评 分分数 对应的参数残差阈值； 其中， 所述第一参数评分分数＞所述第二参数评分分数＞所述第三参数评分分数， 所 述第一置信度＜所述第二置信度。 7.一种电厂设备健康评估 模型的构建装置， 其特 征在于， 包括： 获取常权重模块， 用于根据用户配置的用于反映电厂目标设备运行状态的多个相关参 数， 获取每个相关参数的历史数据， 并根据所述每个相关参数的历史数据， 得到每个相关参 数的训练数据， 分别计算所述每个相关参数训练数据的信息熵和条件熵， 并利用所述信息 熵和条件熵， 得到所述每个相关参数训练数据的互信息特征， 以及利用所述每个相关参数 训练数据的互信息特 征， 得到所述电厂目标设备每 个相关参数的常权 重； 构建非线性回归关系模块， 用于利用预置的BP神经网络回归模型、 所述每个相关参数 的历史数据和训练数据， 分别计算所述电厂目标设备每个相关参数的历史残差数据和训练 残差数据， 利用所述电厂目标设备每个相关参数 的历史残差数据和训练残差数据， 分别计 算所述电厂目标设备每个相关参数的不同参数评分分数对应的参数残差阈值， 并构建所述 每个参数残差阈值与对应的参数分数之间的非线性回归关系； 计算模块， 用于通过对所述每个相关参数的历史数据进行工况划分， 得到多个工况分 类， 并根据用户配置的目标参数， 计算每类工况下同类设备同类参数 的参数均值和所述 目 标参数的最 值； 构建模块， 用于利用所述电厂目标设备每个相关参数的常权重、 所述每个参数残差阈 值与对应的参数分数之间的非线性回归关系以及每类工况下同类设备同类参数的参数均 值和所述目标参数的最 值， 构建电厂设备健康评估 模型。 8.根据权利要求7所述的装置， 其特征在于， 所述目标参数的最值包括最大值、 最小值 及最优值。 9.根据权利要求7 所述的装置， 其特 征在于， 所述获取常权 重模块包括： 获取训练数据 单元， 用于根据用户配置的用于反映电厂目标设备运行状态的多个相关 参数， 分别获取所述电厂目标设备和与所述电厂目标设备同组的其它多个电厂设备的每个 相关参数 的历史数据， 并根据所述电厂目标设备 的每个相关参数 的历史数据， 得到所述电 厂目标设备每 个相关参数的训练数据。 10.根据权利要求9所述的装置， 其特 征在于， 所述获取常权 重模块包括：权　利　要　求　书 2/3 页 3 CN 113221442 B 3