设备健康度评估方法、设备及介质与流程

摘要: 本技术涉及设备健康度评估,具体涉及一种设备健康度评估方法、设备及介质。背景技术:1、随着新型储能产业的规模化发展,储能设备的健康状态评估成为保障电站安全稳定运行...
设备健康度评估方法、设备及介质与流程

本技术涉及设备健康度评估,具体涉及一种设备健康度评估方法、设备及介质。

背景技术:

1、随着新型储能产业的规模化发展,储能设备的健康状态评估成为保障电站安全稳定运行的关键。当前,行业内主流的设备健康度评估方法主要分为两类:纯人工专家固定规则打分评估方法和无规则约束的纯机器学习建模评估方法。

2、纯人工专家固定规则打分评估方法,由专家根据设备手册和经验,为各项运行指标(如igbt温度、电池soh等)设定固定阈值和权重,通过加权计算得到健康分;该方法虽符合业务逻辑,但规则固化,无法适配电池电芯温度等双向劣化指标(如电芯温度以25℃为最优,温度过高或过低均有害),导致低温故障漏判;且固定权重难以适应设备个体差异与老化带来的劣化规律变化,评估准确性随设备状态变化而降低。

3、无规则约束的纯机器学习建模评估方法,直接利用历史数据训练模型进行预测,虽实现了自动化,但在工业场景下存在固有缺陷。一方面,现场健康样本占绝大多数,故障样本稀缺,导致模型无法有效学习指标渐变劣化的规律,难以区分不同程度的故障等级。另一方面,模型缺乏业务先验知识,当传感器故障导致输入数据中单个指标出现超量程异常值(如99999),而其余指标全部正常时,模型可能被其他正常指标主导,输出偏高的健康分值,从而将极端故障误判为一般工况,存在严重安全隐患。

4、现有技术尝试将两者简单结合,即用规则标注数据后再训练模型,但仍存在极端异常误判的问题。

5、相应地,本领域需要一种新的设备健康度评估方案来解决上述问题。

技术实现思路

1、为了克服上述缺陷,提出了本技术,以解决或至少部分地解决现有方法存在极端异常误判的技术问题。

2、在第一方面,提供一种设备健康度评估方法,所述方法包括:

3、获取待评估的设备运行数据,所述设备运行数据中包括多个指标的数值;

4、当任意指标的数值超过所述指标对应的预设阈值时,基于所述任意指标的数值确定极端故障分值,并基于所述极端故障分值获得设备健康度评估结果;

5、当所有指标的数值均未超过所述指标对应的预设阈值时,将所述待评估的设备运行数据输入预设的设备健康度评估模型,获得设备健康度评估结果。

6、在上述设备健康度评估方法的一个技术方案中,所述预设的设备健康度评估模型为lightgbm模型、xgboost模型或catboost模型。

7、在上述设备健康度评估方法的一个技术方案中,所述预设的设备健康度评估模型的获取方法包括:

8、获取训练数据集,所述训练数据集包括多个训练样本以及训练样本对应的健康度标签;

9、将所述训练数据集划分为训练集和验证集;

10、获取所述待训练的设备健康度评估模型,并配置特征随机采样参数;

11、基于所述训练集、验证集以及特征随机采样参数,采用优化算法对所述待训练的设备健康度评估模型进行监督训练,训练完成后获得所述预设的设备健康度评估模型。

12、在上述设备健康度评估方法的一个技术方案中,所述获取训练数据集,包括:

13、获取多组设备实测运行数据以及仿真运行数据,每组运行数据中包括多个指标的数值;

14、将所述实测运行数据以及仿真运行数据构建为原始训练数据集,所述原始训练数据集中包括多个训练样本,每个训练样本对应一组运行数据;

15、基于所述预设扣分规则确定所述原始训练数据集中各个训练样本的健康度标签,并基于所述健康度标签生成训练数据集。

16、在上述设备健康度评估方法的一个技术方案中,所述仿真运行数据包括分层工况运行数据以及单指标参数梯度运行数据,

17、所述获取多组仿真运行数据,包括:

18、基于数据生成模块分别生成多组分层工况运行数据以及单指标参数梯度运行数据。

19、在上述设备健康度评估方法的一个技术方案中,所述基于数据生成模块分别生成多组分层工况运行数据以及单指标参数梯度运行数据,包括:

20、基于所述数据生成模块,根据不同等级的设备健康度批量生成多组所述分层工况运行数据,所述设备健康度根据等级由高到低包括健康、良好、一般、轻度异常、中度故障以及极端故障;

21、基于所述数据生成模块,从所述多个指标中选取任一指标进行参数梯度变化,并固定其余指标处于最优工况下,生成多组所述单指标参数梯度运行数据。

22、在上述设备健康度评估方法的一个技术方案中,所述预设扣分规则包括:

23、当所述指标为数值大于所述指标的最优值导致所述设备健康度等级下降时,获取所述指标的数值与所述最优值之间的第一差值,基于所述第一差值对初始健康分数进行逐级扣分,所述第一差值越大,扣分越多;

24、当所述指标为数值小于所述指标的最优值导致所述设备健康度等级下降时,获取所述指标的数值与所述最优值之间的第二差值,基于所述第二差值对所述初始健康分数进行逐级扣分,所述第二差值越大,扣分越多;

25、当所述指标为数值大于所述指标的最优值或小于所述指标的最优值导致设备健康度等级下降时,获取所述指标的数值与所述最优值之间的第三差值,基于所述第三差值对所述初始健康分数进行逐级扣分,所述第三差值越大,扣分越多;

26、其中,所述初始健康分数为设备健康时的分数。

27、在上述设备健康度评估方法的一个技术方案中,所述基于预设扣分规则确定所述原始训练数据集中各个训练样本的健康度标签,包括:

28、针对各个训练样本,

29、当任意指标的数值超过所述指标对应的预设阈值时,基于所述任意指标的数值确定极端故障分值,并基于所述极端故障分值确定各个训练样本的健康度标签;

30、当所有指标的数值均未超过所述指标对应的预设阈值时,基于所述预设扣分规则确定所述训练样本中各个指标的健康分值;

31、基于所述训练样本中各指标的健康分值以及各指标的权重,获得所述训练样本的健康度评分;

32、基于所述健康度评分确定所述原始数据集中各个训练样本的健康度标签,所述健康度评分越低,设备健康度等级越低。

33、在第二方面,提供一种电子设备,该电子设备包括至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现上述设备健康度评估方法的技术方案中任一项技术方案所述的方法。

34、在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述设备健康度评估方法的技术方案中任一项技术方案所述的方法。

35、本技术上述一个或多个技术方案,至少具有如下一种或多种有益效果:

36、在实施本技术提供的设备健康度评估方法技术方案中,获取待评估的设备运行数据,设备运行数据中包括多个指标的数值;当任意指标的数值超过指标对应的预设阈值时,基于任意指标的数值确定极端故障分值,并基于极端故障分值获得设备健康度评估结果,极端故障分值越低,设备健康度等级越低;当所有指标的数值均未超过指标对应的预设阈值时,将待评估的设备运行数据输入预设的设备健康度评估模型,获得设备健康度评估结果;本技术针对各个指标进行是否超过预设阈值的判断,在判断超过时直接输出评估结果,在未超过时利用模型进行评估,能够避免极端异常误判的问题。