多变量异常检测模型（Multi-Variate Anomaly Detection Models Using Longitudinal Data），这种方法使用机器学习模型，如隔离森林（Isolation Forest）或基于神经网络的模型（如LSTM和RNN），类似于为设备构建数字孪生体。这些模型通常针对每种故障模式或设备故障类型进行构建，用于自动检测异常。它们能够检测到与正常行为的细微偏差，并结合SHAP (SHapley Additive exPlanations)等可解释性模块，帮助识别导致异常的关键驱动因素或根本原因。 故障概率与聚合异常信号模型（Probability of Failure and Aggregate Anomaly Signal Models），也被称为“模型之模型”方法（the model-of-models approach）。它为设备的每个关键变量或参数构建一个预测模型，并将设备的其他变量作为输入。训练完所有模型后，构建一个聚合模型，计算每个模型在任意时间点的预测误差，并利用这些误差生成一个聚合误差信号。如果聚合误差信号出现峰值，则表明存在异常。这一方法的理论基础是，设备的所有参数在稳定运行时应高度相关，如果不相关，则可能预示着异常。 联合学习与迁移学习模型（Federated and Transfer Learning Models），针对新安装或极少发生故障的设备缺乏足够故障数据的难题，联合学习和迁移学习通过在不同机组或发电厂的类似设备上训练AI模型来解决问题。联合学习能够在不传输敏感运营数据的情况下，实现多个发电厂之间的知识共享。通过在其他发电厂的类似设备上训练预测模型，可以利用学到的偏差和权重来识别数据不足设备的异常。这种方法确保了历史故障数据有限的发电厂也能从AI模型的先进预测能力中受益。
如您有供稿或想订阅电力行业专题资讯，请扫码联系。
免责声明：本微信公众号所上传文章仅代表作者观点，版权归原作者所有。如文章来源标注有误或涉及作品版权等问题烦请告知，小编及时予以删除。
责编：魏星｜审核：陈亮丨监审：文卉
点击蓝字 关注我们