本发明涉及水电站运行监控与预警领域，应用于流量监测过程中，具体涉及基于深度学习自适应的水电站流量跳变报警阈值预测方法及系统。
背景技术：
1、在水电站的日常运行中，技术供水系统扮演着至关重要的角色，它是确保水轮发电机组高效稳定运行的关键辅助设备。该系统的核心任务是为发电机的推力轴承、导轴承、空气冷却器、水轮机导轴承以及主变压器等关键部件提供必要的冷却和润滑，同时维持主轴密封，有效防止因设备连续工作而引起的过热现象，避免由此产生的安全隐患和设备寿命缩短问题。因此，对水源的压力、流量、温度等参数进行精确控制和实时监测，对于保障水电站的安全、经济运行具有不可估量的价值。
2、当前，大型水电站普遍采用电磁流量计、热导流量计、超声波流量计等基于单一测量原理的设备来监控液体流量。这些流量计虽然在一定程度上满足了基本的监测需求，但其固有的局限性不容忽视。首先，这些设备多依赖于预设的固定阈值来触发报警机制，这种静态的阈值设定难以应对生产现场环境的动态变化，特别是在面对复杂工况时，如管路震动、介质特性变化等，可能导致流量读数出现异常波动，从而引发误报警或漏报警的情况。其次，频繁的误报不仅消耗了大量的人力资源，用于现场勘察和故障排除，而且长此以往，会降低系统的整体可靠性，对工业安全生产造成潜在威胁。
3、鉴于上述问题，现有技术在实现精准流量监测、适应环境动态变化、减少人工干预方面存在明显不足，迫切需要一种更为智能、灵活且高精度的流量监测解决方案，以提升水电站运行的稳定性和安全性，实现智能化运维。
技术实现思路
1、基于背景技术中的现状，本发明的目的在于解决传统流量监测报警系统中固定阈值所带来的准确性不足和适应性差的问题，因此提出了基于深度学习自适应的水电站流量跳变报警阈值预测方法及系统。本发明通过实时分析流体数据的时间序列特征，动态调整报警阈值，从而更准确地预测流量跳变事件；动态调整机制使得报警系统不再受限于固定阈值的局限性，能够灵活应对各种流体环境的变化，有效减少误报和漏报的发生。
2、本发明采用了以下技术方案来实现目的：
3、一种基于深度学习自适应的水电站流量跳变报警阈值预测方法，所述方法包括如下步骤：
4、s1、获取水电站的流体监测数据与环境监测数据并进行数据预处理，得到用于模型训练的数据集；
5、s2、构建循环神经网络rnn，使用数据集对循环神经网络rnn进行训练，训练完成后得到适应流体环境变化进行流量预测的深度学习模型；
6、s3、将深度学习模型部署于水电站流量监测环境中，同时采集水电站实际的流量监测值，输入至深度学习模型中，得到预设时间后的流量预测值；
7、s4、基于流量预测值的时刻，采集该时刻到来时对应的流量监测值，计算该流量监测值与对应的流量预测值之间的误差，将误差作为流量跳变报警阈值的调整依据，完成流量跳变报警阈值的预测。
8、进一步的，步骤s4中，将原本作为深度学习模型输入值的yi记为流量监测值yi；采用均方根误差rmse和平均绝对误差mae的统计度量方式计算深度学习模型的流量预测值与对应时刻下实时监测的新的流量监测值yi之间的误差，均方根误差rmse的计算公式如下：
9、
10、平均绝对误差mae的计算公式如下：
11、
12、依据误差计算结果，调整流量跳变报警阈值；在调整过程中使用卡尔曼滤波器的自适应滤波算法，状态更新公式如下：
13、
14、式中，为时间k的最优状态估计、yk为观测值，kk为卡尔曼增益，其计算公式如下：
15、kk＝pk|k-1ht(hpk|k-1ht+r)-1
16、式中，pk|k-1为预测误差协方差、h为观测模型矩阵、r为观测噪声协方差；在调整过程中，依据实时监测的流量监测值yi的变化趋势，同时应用了指数平滑技术，令流量跳变报警阈值响应流体环境的实时变化。
17、综上所述，由于采用了本技术方案，本发明的有益效果如下：
18、传统的流量报警系统通常采用静态阈值，无法适应流体环境的动态变化，导致在不同的季节、不同施工环境条件下的报警准确性下降。本发明通过引入深度学习模型，尤其是循环神经网络rnn，使得系统能够学习和预测流体变化的时序模式，从而动态调整报警阈值，显著提高了系统的适应性和准确性。
19、固定阈值方法在面对复杂多变的流体数据时，容易出现误报和漏报。本发明通过实时分析和处理历史数据与实时监测数据，结合深度学习模型的预测结果，实现了对流量跳变的精确预测，有效降低了误报和漏报率。
20、在不同的季节和环境条件下，适宜的报警阈值是变化的。本发明提出的阈值动态调整策略，能够根据实时监测数据和预测误差，自动调整报警阈值，使之始终保持在合适的水平，确保报警系统能够及时响应实际的流量变化。
21、随着时间的推移，各设备会出现不同程度的老化现象，新的合规流体环境也会出现，这要求报警系统能够不断学习和适应新的条件。本发明通过自我学习和维护方式，定期使用新的监测数据对深度学习模型进行再训练，并依据系统运行情况调整模型参数和阈值调整策略，确保了系统的持续优化和长期有效性。优化后的报警通知机制使得相关人员能够更直观迅速地获取准确的报警信息和可能原因，从而采取有效应对措施。
1.一种基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：步骤s1中，从多个监测点处按照预设时间间隔的采集频率采集历史与当前的流体监测数据与环境监测数据；流体监测数据包括流量、密度和电导率，环境监测数据包括温度、湿度、管路压力和管路震动频率。
3.根据权利要求2所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：预先定义流体监测数据与环境监测数据的多种类型，并将最低采集频率确定为一分钟一次；采集到的流体监测数据与环境监测数据经过数据校验与传输异常检测后，传输至水电站的中央数据库中进行存储，随后进行数据预处理过程。
4.根据权利要求3所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于，数据预处理过程为：首先对采集的数据进行清洗，移除重复的采集数据点，修正明显错误或明显偏差的采集数据点；接着进行缺失值处理，识别数据中的缺失部分，依据数据特性采用前向填充、后向填充、插值法或均值替换的方式进行填补；然后识别并剔除数据中的异常值，通过计算数据的统计特性中的均值和标准差来确定异常值的范围，再将其从数据中剔除。
5.根据权利要求4所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：在剔除异常值之后，采用最小-最大归一化方法，对数据进行归一化处理，将数据缩放为0至1的数值范围；归一化处理后，采用特征工程方式识别并提取与流量变化预测相关的影响特征，再通过数学变换与统计分析方式，从提取的影响特征中得到额外的派生特征；基于影响特征与派生特征，采用相关性分析、主成分分析或递归特征消除技术减少特征维度，完成特征的选择与分类，形成分类数据；基于循环神经网络rnn的输入要求，使用独热编码处理分类数据，完成数据编码后得到数据集；
6.根据权利要求1所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：步骤s2中，构建的循环神经网络rnn中每层由预设数量的神经元组成，用于捕捉时间序列数据的复杂依赖性；时间序列数据由对数据集的准备处理操作获得，将数据集中的时间点数据转换为序列形式，并定义时间间隔δt和序列长度l；在设定循环神经网络rnn超参数后，循环神经网络rnn的激活函数relu如下式：
7.根据权利要求6所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：基于循环神经网络rnn的激活函数与损失函数，在模型训练过程中，使用adam优化器作为优化算法；adam优化器的更新规则采用下式：
8.根据权利要求1所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：步骤s4中，将原本作为深度学习模型输入值的yi记为流量监测值yi；采用均方根误差rmse和平均绝对误差mae的统计度量方式计算深度学习模型的流量预测值与对应时刻下实时监测的新的流量监测值yi之间的误差，均方根误差rmse的计算公式如下：
9.根据权利要求1所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法，其特征在于：对流量跳变报警阈值进行动态调整与预测后，设置报警触发逻辑，实时监控水电站的流量监测值；当流量监测值的变化程度在预设时间内超出动态更新的流量跳变报警阈值时，认定水电站流量存在风险或处于异常情况，执行报警动作，向水电站中央监控系统发出报警。
10.一种计算机装置设备系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现权利要求1-9任一项所述的基于深度学习自适应的水电站流量跳变报警阈值预测方法的步骤。
