本發(fā)明涉及企業(yè)安全評估，具體為一種用于發(fā)電企業(yè)的安全風險評估方法及系統(tǒng)。

背景技術(shù)：

1、隨著發(fā)電企業(yè)規(guī)模的擴大和設(shè)備復雜性的增加，設(shè)備的安全運行對企業(yè)的經(jīng)濟效益和社會效益至關(guān)重要。傳統(tǒng)的安全風險評估方法主要依賴于定期檢查和經(jīng)驗判斷，然而，這種方法不僅存在較大的主觀性，且無法及時發(fā)現(xiàn)潛在的風險，容易導致設(shè)備故障或重大事故的發(fā)生。特別是在現(xiàn)代發(fā)電企業(yè)中，設(shè)備運行環(huán)境復雜，各種因素(如溫度、振動、電流等)都可能影響設(shè)備的運行狀態(tài)，如何全面、準確地評估設(shè)備的安全風險，成為了發(fā)電企業(yè)亟需解決的問題。

2、當前市場上已有的一些安全風險評估系統(tǒng)大多依賴于單一的算法模型，未能充分利用設(shè)備和環(huán)境數(shù)據(jù)中的復雜關(guān)系，這些模型往往只能處理線性關(guān)系或簡單的非線性關(guān)系，難以捕捉數(shù)據(jù)之間的復雜交互作用。此外，這些系統(tǒng)通常缺乏動態(tài)調(diào)整的能力，無法根據(jù)實際運行情況自適應地優(yōu)化評估模型，導致評估結(jié)果的準確性和魯棒性不足。

3、為了解決這些問題，本發(fā)明提出了一種用于發(fā)電企業(yè)的安全風險評估方法，旨在通過多層次的數(shù)據(jù)處理與動態(tài)組合模型，全面捕捉設(shè)備和環(huán)境數(shù)據(jù)中的線性與非線性關(guān)系，從而實現(xiàn)對設(shè)備安全風險的精準評估。

技術(shù)實現(xiàn)思路

1、鑒于上述存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問題是：如何基于發(fā)電企業(yè)設(shè)備和環(huán)境的復雜數(shù)據(jù)，綜合利用線性與非線性模型，動態(tài)調(diào)整和優(yōu)化評估模型，評估設(shè)備的安全風險。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種用于發(fā)電企業(yè)的安全風險評估方法，其包括如下步驟，

4、使用傳感器收集發(fā)電企業(yè)設(shè)備數(shù)據(jù)以及環(huán)境數(shù)據(jù)，進行數(shù)據(jù)預處理；

5、對預處理后的數(shù)據(jù)進行分批和分層分析，提取多維度特征，通過特征優(yōu)化形成綜合特征集；

6、使用線性與非線性模型分別處理綜合特征集，輸出預測結(jié)果；

7、將線性與非線性的預測結(jié)果進行動態(tài)組合，輸出最終的風險評估結(jié)果。

8、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述發(fā)電企業(yè)設(shè)備數(shù)據(jù)以及環(huán)境數(shù)據(jù)包括電壓數(shù)據(jù)、電流數(shù)據(jù)、功率數(shù)據(jù)、轉(zhuǎn)速數(shù)據(jù)、溫升數(shù)據(jù)、繞組溫度數(shù)據(jù)、負載數(shù)據(jù)、冷卻水溫度數(shù)據(jù)和冷卻水壓力數(shù)據(jù)、外部環(huán)境溫度數(shù)據(jù)、濕度數(shù)據(jù)、風速數(shù)據(jù)和氣壓數(shù)據(jù)；

9、所述數(shù)據(jù)預處理是對收集到的原始數(shù)據(jù)進行缺失值檢測，并采用插值法填補缺失值，通過卡爾曼濾波方法去除數(shù)據(jù)中的噪聲，利用z-score方法計算數(shù)據(jù)的標準分，對超過設(shè)定閾值的數(shù)據(jù)點標記為異常數(shù)據(jù)，并通過iqr方法檢測和處理異常值，剔除異常數(shù)據(jù)；對不同量綱的數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)轉(zhuǎn)換至統(tǒng)一的數(shù)值區(qū)間，并根據(jù)設(shè)備類別和時間段對歸一化后的數(shù)據(jù)進行分類和分批處理。

10、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述綜合特征集是對預處理之后的數(shù)據(jù)進行分批處理；

11、將不同類別的設(shè)備數(shù)據(jù)按設(shè)備類別分批處理，根據(jù)時間段劃分數(shù)據(jù)，從分批處理后的數(shù)據(jù)中提取基礎(chǔ)統(tǒng)計特征，基于基礎(chǔ)統(tǒng)計特征進行動態(tài)特征提取計算數(shù)據(jù)的變化斜率、趨勢方向和波動幅度，識別動態(tài)變化特征；

12、基于動態(tài)特征提取的結(jié)果進行高級特征提取，通過非線性分析方法提取數(shù)據(jù)的周期性特征、模態(tài)特征和非線性關(guān)系特征；

13、基于高級特征提取的結(jié)果進行優(yōu)化，通過重要性分析和相關(guān)性篩選去除冗余特征，生成綜合特征集；

14、所述提取基礎(chǔ)統(tǒng)計特征包括計算加權(quán)均值、標準差、最大值、最小值和修正方差。

15、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述動態(tài)特征提取計算數(shù)據(jù)的變化斜率、趨勢方向和波動幅度，識別動態(tài)變化特征，表達式為：

16、

17、amplitudet＝δx·(1+skew(x))

18、

19、

20、其中，βt為趨勢調(diào)節(jié)的變化斜率，ti為第i個時間點，為時間點的均值，為標準差的調(diào)節(jié)系數(shù)，amplitudeet為波動幅度，δx為極值差，skew(x)為數(shù)據(jù)的偏度，ar(x)為自回歸模型，φ0、φk為自回歸系數(shù)，自回歸模型中的權(quán)重，xt-k為滯后k期的數(shù)據(jù)值，εt為噪聲項，trendar為自回歸趨勢方向，φ1>0時當前數(shù)據(jù)與上一個時間點的數(shù)據(jù)之間呈正相關(guān)，φ1<0時當前數(shù)據(jù)與上一個時間點的數(shù)據(jù)呈負相關(guān)，φ1＝0時當前數(shù)據(jù)與上一個時間點的數(shù)據(jù)無相關(guān)性；

21、通過非線性分析方法提取數(shù)據(jù)的周期性特征、模態(tài)特征和非線性關(guān)系特征，表達式為：

22、

23、

24、

25、其中，p(f)為周期性特征的能量譜密度，λ為衰減因子，fk為第k個頻率成分，fk-1為第k-1個頻率成分，βt為趨勢調(diào)節(jié)后的變化斜率，m(t)為模態(tài)特征，an為第n個模態(tài)的幅值，fn為第n個模態(tài)的頻率，φn為第n個模態(tài)的相位，g(t)為衰減函數(shù)，trendar為趨勢方向，k(x,y)為動態(tài)核函數(shù)，表示兩個數(shù)據(jù)集之間的非線性關(guān)系，αi、αj為特征系數(shù)，||xi-yj||2為歐氏距離，表示兩個數(shù)據(jù)點之間的距離，σ為核寬度，控制核函數(shù)的平滑度，amplitudet為波動幅度；

26、所述通過重要性分析和相關(guān)性篩選去除冗余特征，生成綜合特征集，表達式為：

27、

28、

29、

30、featuresetopt＝{fselect∣importance(fi)>θ}

31、其中，importance(fi)為特征對結(jié)果的貢獻度，varadj(fi)為第i個特征的修正方差，∑varadj(fj)為所有特征的修正方差之和，βt為趨勢調(diào)節(jié)后的變化斜率，為特征fi和fj之間的相關(guān)系數(shù)，表示兩個特征之間的線性關(guān)系，cov(fi,fj)為特征fi和fj之間的協(xié)方差，分別為特征fi和fj的標準差，δ為相關(guān)性閾值，fselect為篩選出的特征集，featuresetopt為綜合特征集，θ為重要性閾值，篩選重要性的特征。

32、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述使用線性與非線性模型分別處理綜合特征集包括使用最小二乘法求出線性回歸模型中的截距，再通過線性回歸模型處理綜合特征集，生成線性預測輸出，表達式為：

33、

34、其中，β0為模型的截距，βi為第i個特征fi的回歸系數(shù)，fi為綜合特征集中的第i個特征，γj為特征間交互項的系數(shù)，表示兩個特征fi和fj之間的交互作用對預測結(jié)果的影響，εlinear為線性模型的誤差項；

35、使用神經(jīng)網(wǎng)絡模型處理綜合特征集，生成非線性預測輸出，表達式為：

36、ynonlinear＝nn(f)

37、其中，nn(f)為神經(jīng)網(wǎng)絡模型，f為高級優(yōu)化特征集的整體輸入。

38、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述將線性與非線性的預測結(jié)果進行動態(tài)組合是通過非線性整合函數(shù)將線性預測輸出和非線性預測輸出進行動態(tài)組合，并引入特征之間的交互項，經(jīng)過訓練動態(tài)調(diào)整組合函數(shù)中的權(quán)重和交互項，表達式為：

39、

40、其中，yfinal為最終的預測輸出，g(·)為非線性整合函數(shù)，h(ylinear,ynonlinear)為組合函數(shù)，λij為特征交互項的系數(shù)，fi·fj為特征fi和fj之間的交互項。

41、作為本發(fā)明所述的一種用于發(fā)電企業(yè)的安全風險評估方法的一種優(yōu)選方案，其中：所述風險評估結(jié)果是根據(jù)線性預測輸出和非線性預測輸出進行動態(tài)組合輸出的結(jié)果與閾值進行比對，若動態(tài)組合輸出的結(jié)果大于閾值，則判定為危險狀態(tài)，若動態(tài)組合輸出的結(jié)果小于等于閾值，則判定為安全狀態(tài)。

42、本發(fā)明的另外一個目的是提供一種用于發(fā)電企業(yè)的安全風險評估系統(tǒng)，其能通過多層次的數(shù)據(jù)處理與動態(tài)組合模型，捕捉設(shè)備和環(huán)境數(shù)據(jù)中的線性與非線性關(guān)系，實現(xiàn)對設(shè)備安全風險的精準評估，能夠有效地處理復雜的設(shè)備運行數(shù)據(jù)。

43、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種用于發(fā)電企業(yè)的安全風險評估系統(tǒng)，包括：數(shù)據(jù)采集與預處理模塊、特征提取與優(yōu)化模塊、線性與非線性建模模塊、組合與整合模塊以及風險評估與決策支持模塊；

44、所述數(shù)據(jù)采集與預處理模塊是從發(fā)電企業(yè)的各類設(shè)備和環(huán)境傳感器中實時收集數(shù)據(jù)，將收集到的原始數(shù)據(jù)進行清洗、歸一化、去噪處理；

45、所述特征提取與優(yōu)化模塊是從預處理后的數(shù)據(jù)中提取重要的特征，利用重要性分析和相關(guān)性篩選，對提取的特征進行優(yōu)化，去除冗余特征，生成綜合特征集；

46、所述線性與非線性建模模塊是使用線性回歸模型對特征集進行建模，捕捉數(shù)據(jù)中的線性關(guān)系和特征間的線性交互作用，使用神經(jīng)網(wǎng)絡模型以及非線性模型，處理數(shù)據(jù)中的非線性關(guān)系；

47、所述組合與整合模塊是將線性和非線性模型的輸出結(jié)果進行整合，使用非線性組合函數(shù)動態(tài)調(diào)整兩個模型的影響，通過訓練自動調(diào)整組合函數(shù)中的權(quán)重和交互項，優(yōu)化最終的風險評估輸出；

48、所述風險評估與決策支持模塊是基于組合與整合模塊的最終輸出，判斷系統(tǒng)當前的安全狀態(tài)，將預測值與預設(shè)閾值進行對比，評估是否處于安全范圍內(nèi)。

49、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上所述一種用于發(fā)電企業(yè)的安全風險評估方法的步驟。

50、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述一種用于發(fā)電企業(yè)的安全風險評估方法的步驟。

51、本發(fā)明的有益效果：本發(fā)明通過多層次的數(shù)據(jù)處理與動態(tài)組合模型，能夠全面、準確地捕捉發(fā)電企業(yè)設(shè)備和環(huán)境數(shù)據(jù)中的線性與非線性關(guān)系，從而實現(xiàn)對設(shè)備安全風險的精準評估。相比于傳統(tǒng)方法，本發(fā)明大幅提升了風險評估的準確性和實時性。