论文部分内容阅读
火力发电仍是我国目前最重要的发电方式之一。锅炉作为火力发电厂最重要的核心设备,对其运行中的各项状态参数进行检测和分析,对于其安全运行至关重要。本文以电厂锅炉管道的异常检测为背景,对多维时序数据异常检测方法及其在锅炉管道异常检测中的应用展开了相关研究。主要研究内容如下:(1)提出了一种多维时序数据异常检测方法ALSTM-AE。引入了一种结合滑动窗口和统计学特征提取的时序数据预处理方法,可丰富原始时序数据的特征维度。在此基础上,基于数据重构的思想,引入LSTM自编码器(LSTM-AE),基于重构误差完成异常检测。另外,由于LSTM-AE中间码容量的限制,在时间序列长度增加的情况下,可能导致LSTM-AE中解码器的解码准确率严重下降。针对该问题,进一步引入注意力机制,通过对输入序列进行权重分配来提高解码的准确率。在来源于真实场景的公开数据集UAH-Drive Set和NAB上的实验表明,与LOF、OC-SVM、2DCNN-AE和LSTM-AE四种异常检测方法相比,ALSTMAE的精确率提高了0.33%到19.7%,召回率提高0.61%到121%,F1分数提高0.42%到63.6%。(2)以ALSTM-AE模型为基础,提出了一种针对电厂锅炉管道异常检测的改进模型CNN-ALSTM-AE。电厂锅炉中过热器和再热器的管道壁温受减温水速度、烟气温度、给煤量的大小等多种因素的影响,而ALSTM-AE难以很好地提取这些因素之间的潜在相关性信息。因此,在相关性分析的基础上,进一步引入CNN,提出一种锅炉管道异常检测模型CNN-ALSTM-AE。该模型不仅能够通过CNN有效提取多特征之间的相关性,又能通过ALSTM-AE捕获该数据的时序信息。实验表明,CNN-ALSTM-AE相比于LOF、OC-SVM、AE、LSTM-AE、ALSTM-AE五种异常检测方法,在电厂锅炉管道异常检测上表现出最好,其F1得分比ALSTM-AE平均提高了1.59%。