水电站的机电系统由数量庞大、种类繁多、集成度很高的各种机电设备组成,是水电站正常运作的核心,设备的工作状况直接影响到水电站的生产运营情况。随着科技的发展,无人值守和少人值守的水电站越来越多。智能化发展给人们带来众多便利的同时,也带来了新的问题——更多的设备故障,如何对设备故障进行有效的分析和处理已成为一个重要课题。当前,利用计算机相关技术对某些关键设备进行故障诊断,提高系统的可靠性和稳定性,已逐渐成为水电站维护工作的一种有效手段,但这种维护手段有局限性和滞后性。数据挖掘技术能从大量不完全的、有噪声的数据中提取隐藏在其中的、不为人知的有用信息,将数据挖掘技术利用到水电站机电设备故障预测中能够对设备维护工作起到强有力的支撑作用。本文结合蔡家洲水电站设备故障数据的特点,研究了不平衡数据集的分类问题,分析了传统的单一分类算法的局限性,分别提出了两种以Microsoft决策树和Microsoft朴素贝叶斯为基分类器的组合分类算法——MDB和WMDB,并用常见的性能指标对两种算法进行 了评估。利用 Microsoft Visual Studio 2008 和 Microsoft SQL Server 2008 R2 作为开发工具和数据平台,设计和实现了水电站设备故障预测系统。对故障数据进行了多维分析,实现数据多方位、多角度的浏览。利用SQL Server分析服务器(SSAS)的算法扩展功能实现了两种组合分类算法的集成。以2016年上半年蔡家洲水电站设备故障数据为测试样本,分别用窗口操作和命令操作方式完成了基于两种算法的模型的实际应用。最后,用提升图和分类矩阵对模型性能进行了验证,模型验证结果与算法评估结果相符,进一步证实了 WMDB和MDB两种组合分类算法是对单一分类算法的有效改进,其中又以WMDB算法综合性能更佳,更能满足水电站设备故障预测系统实际应用的需要。
暂无评论