团队名称: 能源大数据与软件技术创新团队
项目负责人: 龚安
研究方向: 主要研究方向有大数据智能处理,领域数据工程、知识图谱,彩色融合图像质量评价,数据获取与评价,数据驱动等。
核心人数: 5人 其中博士:1人
D类
研发团队
该方法是一种基于改进 BP 神经网络的电厂设备的状态监测方法。针对电厂设备状态的复杂性、设备种类的多样性和设备数据的实时性和复杂性,采用遗传算法对 BP 神经网络进行优化,减少计算时间,并提出了一种基于个体迁移-扩展机制的遗传算法(IM-EMGA),在保证收敛到全局最优解的同时加快了收敛速度,最后利用优化后的 BP 神经网络进行状态监控,从而能够及时发现故障发生的预兆,避免停机现象。该方法可广泛适用于电厂设
备的状态监测领域。同时,该方法也可广泛应用于即时性强、复杂性高的工厂设备状态监测领域。
基于改进BP神经网络的电厂设备的状态监测方法 | CN104503235B | 发明专利 | 查看 |
针对遗传算法早熟问题以及神经网络容易陷入局部最优解的局限性问题,通过采集电厂数据(包括历史数据和实时数据)作为数据源进行种群初始化和个体迁移,初始化后得到三个种群,对三个种群采取不同的选择方式和交叉操作即个体迁移,防止取得的电厂数据种群陷入局部最优。当陷入局部最优时,加入扩展机制,增强种群的多样性,使算法跳出局部最优解。
由于电厂设备的工作状态变化没有规律性,很难使用现有的数学模型对其进行拟合估计。电厂设备的工作状态直接影响了电厂的工作运行,对电厂设备进行检测已成为电厂研究的重要问题。神经网络具有优秀的非线性拟合能力,适合对复杂的工作状态进行拟合,但是它容易陷入局部最优解,每次拟合结果可能不尽相同,遗传算法可以处理任意形式的目标函数和约束,具有良好的全局寻优能力以及较快的收敛速度,然而遗传算法也存在早熟的现象。因此,现在需要发明一种方法,在解决遗传算法早熟问题的同时提高算法收敛到全局最优解速度,以此来满足电厂设备工况数据的精确性和实时性的要求。商业模式为:成立“基于改进 BP 神经网络的电厂设备的状态监测方法”研究小组,实现该方法的产业化,扩展该方法在电厂中的应用。
无政策风险