CN109460846A - 一种基于数据挖掘的设备状态预测分析方法 - Google Patents

一种基于数据挖掘的设备状态预测分析方法 Download PDF

Info

Publication number
CN109460846A
CN109460846A CN201810631261.1A CN201810631261A CN109460846A CN 109460846 A CN109460846 A CN 109460846A CN 201810631261 A CN201810631261 A CN 201810631261A CN 109460846 A CN109460846 A CN 109460846A
Authority
CN
China
Prior art keywords
change rate
curve
gradient
prediction
smallest interval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810631261.1A
Other languages
English (en)
Other versions
CN109460846B (zh
Inventor
肖艳炜
楼平
蒋水中
陈家乾
赵静
马玲华
林承钱
顾伟康
陈睿智
徐荣华
卢冰
徐国华
唐剑
娄良
姚军
沈莉
陆刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN201810631261.1A priority Critical patent/CN109460846B/zh
Publication of CN109460846A publication Critical patent/CN109460846A/zh
Application granted granted Critical
Publication of CN109460846B publication Critical patent/CN109460846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明通过分析运用主变压器的状态指标，基于数据挖掘的LSTM神经网络分析模型和高维向量距离确定方法对设备的未来状态实现预判。利用PCA方法对数据进行降维处理，通过PCA方法求出数据集的主元，选取最重要的部分，将其余的维数省去，达到降维和简化模型的目的，间接地对数据进行了压缩处理，同时很大程度上保留了原数据的信息。采用阶段式前向推进对比的方式，通过分析曲线的特性，通过对比不同周期的方式，对不同时间维度的曲线进行全寿命周期对比，筛选出最优周期作为趋势预判的阈值。本发明的优点是：设备运行状态预测效率高、精度高。

Description

一种基于数据挖掘的设备状态预测分析方法
技术领域
本发明涉及评估技术领域，尤其是涉及一种基于数据挖掘的设备状态预测分析方法。
背景技术
在变压器的研究上我们主要通过温度、负荷、短路电流及变压器油中气体含量等相关的因素的变化来展开对其的状态预测评估分析；通过对这类输变电设备进行状态预测分析，对设备风险进行多因素评估，多途径的风险评价，及时提前揭示设备的安全隐患，对实现检修工作的事后被动型向事前主动型的转变，提升设备监控工作效能，及时动态掌控监控运行态势和指导设备监控工作开展具有重要意义。因此有必要设计一种高效率高精确度的设备状态智能预测分析方法,从而提高输变电设备的运行维护水平。
发明内容
本发明主要是解决上述技术问题，提供了一种高效率高精度的设备状态智能预测分析方法。
本发明解决其技术问题所采用的技术方案是：一种基于数据挖掘的设备状态预测分析方法，其特征是：包括以下步骤：
S1：状态指标选取及获取，对所研究设备进行指标选取并获取指标相关信息，得到原始状态指标；
S2：状态指标预测，运用LSTM神经网络算法分别预测所选取指标的未来走势，得到预测状态指标；
S3：状态指标PCA聚合，对预测状态指标和原始状态指标进行相关性分析，选取合适的降维维度，通过PCA将各状态指标聚合为综合预测曲线和综合曲线；
S4：获取变化率最小区间，对S3所得曲线图进行处理得出预测变化率最小区间和原始变化率最小区间；
S5：得出预测结果，比较预测变化率最小区间和原始变化率最小区间，得出设备运行状态趋势。
作为上述方案的一种优选方案，所述的步骤S4包括以下步骤：
S01：获取窗口梯度曲线，根据综合预测曲线、综合曲线和梯度计算公式得出预测窗口梯度曲线图和原始窗口梯度曲线图，梯度计算公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，fi为区域内梯度的累加和；
S02：获取窗口变化率，根据窗口梯度曲线图、原始窗口梯度曲线图和梯度变化率公式得出预测综合变化率曲线图和原始综合变化率曲线图，梯度变化率公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，ki为区域内单位间隔内梯度的总和变化率；
S03：计算变化率最小区间，根据S01、S02所得曲线图和变化率最小区间计算公式得出预测变化率最小区间和原始变化率最小区间，变化率最小区间计算公式如下：
Fi＝min(fi+ki)i＝{1，2，3，...，xmax}
Fi为变化率；
作为上述方案的一种优选方案，所述的LSTM神经网络算法的模型训练次数为50～60次。LSTM神经网络模型的训练次数少于50次，模型的损失值不稳定，易造成预测结果不稳定，多于60次使得模型运行速度变慢。
作为上述方案的一种优选方案，所述的LSTM神经网络算法的模型训练样本数量为选择样本的历史数据数量。
作为上述方案的一种的优选方案，所述的LSTM神经网络算法的模型要预测的序列长度为选择预测期间的样本数量。
本发明通过分析运用主变压器的状态指标，基于数据挖掘的LSTM神经网络分析模型和高维向量距离确定方法对设备的未来状态实现预判。利用PCA方法对数据进行降维处理，通过PCA方法求出数据集的主元，选取最重要的部分，将其余的维数省去，达到降维和简化模型的目的，间接地对数据进行了压缩处理，同时很大程度上保留了原数据的信息。采用阶段式前向推进对比的方式，通过分析曲线的特性，通过对比不同周期的方式，对不同时间维度的曲线进行全寿命周期对比，筛选出最优周期作为趋势预判的阈值。
本发明的优点是：设备运行状态预测效率高、精度高。
附图说明
图1为本发明的一种流程图。
图2为步骤S4的一种流程图。
图3为预测状态指标相关性矩阵。
图4为主成分解释变量的方差情况表。
图5为钮家变综合预测曲线图。
图6钮家变不同窗口梯度曲线图。
图7为钮家变不同窗口变化率曲线图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例：
本实施例一种基于数据挖掘的设备状态预测分析方法，以钮家变#1主变为例。
一种基于数据挖掘的设备状态预测分析方法，如图1所示，包括以下步骤：
S1：状态指标选取及获取，对所研究设备进行指标选取并获取指标相关信息，得到原始状态指标；选择钮家变#1主变的氢气、一氧化碳、甲烷、乙烯、乙炔、总烃、乙烷、铁芯电流等8个指标为状态指标并获取数据。
S2：状态指标预测，运用LSTM神经网络算法分别预测所选取指标的未来走势，得到预测状态指标；运用LSTM神经网络算法分别预测状态指标，模拟各指标的未来走势。LSTM神经网络模型的训练次数为50次，训练一次的样本数量为选择样本期的历史数据数量；用于评估LSTM神经网络的测试序列长度为7，相当于建模的测试样本集；模型要预测的序列长度为选择预测期间的样本数量。
S3：状态指标PCA聚合，对预测状态指标和原始状态指标进行相关性分析，选取合适的降维维度，通过PCA将各状态指标聚合为综合预测曲线和综合曲线；建立预测状态指标相关性矩阵，预测状态指标相关性矩阵如图3所示，对预测状态指标进行分析处理，得到主成分解释变量的方差情况表，如图4所示。结合图4，通过PCA将预测状态指标聚合为综合预测曲线，钮家变综合预测曲线如图5所示。原始状态指标进行相同处理。
S4：获取变化率最小区间，对S3所得曲线图进行处理得出预测变化率最小区间和原始变化率最小区间；如图2所示，S4具体包括以下步骤：
S01：获取窗口梯度曲线，根据综合预测曲线、综合曲线和梯度计算公式得出预测窗口梯度曲线图和原始窗口梯度曲线图，梯度计算公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，fi为区域内梯度的累加和；利用上述公式对原始状态指标进行处理，得到窗口梯度曲线图，钮家变不同窗口梯度曲线图如图6所示。
S02：获取窗口变化率，根据窗口梯度曲线图、原始窗口梯度曲线图和梯度变化率公式得出预测综合变化率曲线图和原始综合变化率曲线图，梯度变化率公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，ki为区域内单位间隔内梯度的总和变化率；结合图6和梯度变化率公式，得到钮家变不同窗口变化率曲线图，如图7所示。
S03：计算变化率最小区间，根据S01、S02所得曲线图和变化率最小区间计算公式得出预测变化率最小区间和原始变化率最小区间，变化率最小区间计算公式如下：
Fi＝min(fi+ki)i＝{1，2，3，...，xmax}
Fi为变化率；结合图6、7,和变化率最小区间计算公式得到原始变化率最小区间，原始变化率最小区间即为最优周期。预测状态指标进行相同处理。
S5：得出预测结果，比较预测变化率最小区间和原始变化率最小区间，得出设备运行状态趋势。进上述步骤可得最优周期的变化率为609.0874，预测的变化率为679.1026，预测变化率大于最优变化率，钮家变的综合指标趋势预测情况劣于最优周期值，设备处于偏劣运行状态。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于数据挖掘的设备状态预测分析方法，其特征是：包括以下步骤：
S1：状态指标选取及获取，对所研究设备进行指标选取并获取指标相关信息，得到原始状态指标；
S2：状态指标预测，运用LSTM神经网络算法分别预测所选取指标的未来走势，得到预测状态指标；
S3：状态指标PCA聚合，对预测状态指标和原始状态指标进行相关性分析，选取合适的降维维度，通过PCA将各状态指标聚合为综合预测曲线和综合曲线；
S4：获取变化率最小区间，对S3所得曲线图进行处理得出预测变化率最小区间和原始变化率最小区间；
S5：得出预测结果，比较预测变化率最小区间和原始变化率最小区间，得出设备运行状态趋势。
2.根据权利要求1所述的基于数据挖掘的设备状态预测分析方法，其特征是：所述的步骤S4包括以下步骤：
S01：获取窗口梯度曲线，根据综合预测曲线、综合曲线和梯度计算公式得出预测窗口梯度曲线图和原始窗口梯度曲线图，梯度计算公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，fi为区域内梯度的累加和；
S02：获取窗口变化率，根据窗口梯度曲线图、原始窗口梯度曲线图和梯度变化率公式得出预测综合变化率曲线图和原始综合变化率曲线图，梯度变化率公式如下：
θ表示x轴正方向，m>n且m，n≥0，n<j<m，i＝{1,2,3…Xmax}，ki为区域内单位间隔内梯度的总和变化率；
S03：计算变化率最小区间，根据S01、S02所得曲线图和变化率最小区间计算公式得出预测变化率最小区间和原始变化率最小区间，变化率最小区间计算公式如下：
Fi＝min(fi+ki)i＝{1，2，3，...，xmax}
Fi为变化率。
3.根据权利要求1所述的基于数据挖掘的设备状态预测分析方法，其特征是：所述的LSTM神经网络算法的模型训练次数为50～60次。
4.根据权利要求1所述的基于数据挖掘的设备状态预测分析方法，其特征是：所述的LSTM神经网络算法的模型训练样本数量为选择样本的历史数据数量。
5.根据权利要求1所述的基于数据挖掘的设备状态预测分析方法，其特征是：所述的LSTM神经网络算法的模型要预测的序列长度为选择预测期间的样本数量。
CN201810631261.1A 2018-06-19 2018-06-19 一种基于数据挖掘的设备状态预测分析方法 Active CN109460846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810631261.1A CN109460846B (zh) 2018-06-19 2018-06-19 一种基于数据挖掘的设备状态预测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810631261.1A CN109460846B (zh) 2018-06-19 2018-06-19 一种基于数据挖掘的设备状态预测分析方法

Publications (2)

Publication Number Publication Date
CN109460846A true CN109460846A (zh) 2019-03-12
CN109460846B CN109460846B (zh) 2022-04-01

Family

ID=65606368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810631261.1A Active CN109460846B (zh) 2018-06-19 2018-06-19 一种基于数据挖掘的设备状态预测分析方法

Country Status (1)

Country Link
CN (1) CN109460846B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393102A (zh) * 2021-06-02 2021-09-14 重庆大学 一种基于数据驱动的配电变压器运行状态趋势预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472671A (zh) * 2003-06-19 2004-02-04 上海交通大学 基于网络的设备状态监控与性能退化预测方法
CN101542509A (zh) * 2005-10-18 2009-09-23 霍尼韦尔国际公司 用于早期事件检测的系统、方法和计算机程序
CN103472343A (zh) * 2013-09-29 2013-12-25 国家电网公司 一种高电压设备状态预测方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法
WO2017024583A1 (zh) * 2015-08-13 2017-02-16 华为技术有限公司 模型预测控制的方法和装置
CN106447202A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司 基于数据挖掘和主成分分析的电力设备状态评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472671A (zh) * 2003-06-19 2004-02-04 上海交通大学 基于网络的设备状态监控与性能退化预测方法
CN101542509A (zh) * 2005-10-18 2009-09-23 霍尼韦尔国际公司 用于早期事件检测的系统、方法和计算机程序
CN103472343A (zh) * 2013-09-29 2013-12-25 国家电网公司 一种高电压设备状态预测方法
WO2017024583A1 (zh) * 2015-08-13 2017-02-16 华为技术有限公司 模型预测控制的方法和装置
CN106447202A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司 基于数据挖掘和主成分分析的电力设备状态评估方法
CN106248381A (zh) * 2016-10-11 2016-12-21 西安交通大学 一种基于多特征和相空间的滚动轴承寿命动态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡云鹏: "基于主元分析的传感器故障检测盲区预测", 《化工学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393102A (zh) * 2021-06-02 2021-09-14 重庆大学 一种基于数据驱动的配电变压器运行状态趋势预测方法

Also Published As

Publication number Publication date
CN109460846B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
Zhang et al. A fault diagnosis model of power transformers based on dissolved gas analysis features selection and improved krill herd algorithm optimized support vector machine
Wang et al. Sparse and redundant representation-based smart meter data compression and pattern extraction
CN117713221B (zh) 一种微逆光伏并网优化系统
Zheng et al. Fault diagnosis of power transformers using multi-class least square support vector machines classifiers with particle swarm optimisation
CN110610121B (zh) 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法
Hong et al. A novel SVM-based decision framework considering feature distribution for Power Transformer Fault Diagnosis
CN110119948A (zh) 基于时变权重动态组合的电力用户信用评价方法及系统
CN111444963A (zh) 一种基于ssa-svr模型的高炉铁水硅含量预测方法
CN114118592B (zh) 一种智能电网用电端短期能耗预测系统
CN109460846A (zh) 一种基于数据挖掘的设备状态预测分析方法
CN111311135A (zh) 一种变电站能效评估方法
CN117094478B (zh) 能量调度管理方法、装置、设备及存储介质
KR102556093B1 (ko) 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치
Feng et al. Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty
CN110852370A (zh) 基于聚类算法的大工业用户细分方法
CN113222339B (zh) 基于计量全景数据的同类型企业用能差异分析方法及系统
CN115293195A (zh) 一种应用于煤改电负荷特性的分析预测方法及装置
CN114662576A (zh) 基于有监督分类的非侵入式电瓶车充电检测方法及系统
Zhao et al. Energy System Planning and Intelligent Regulation and Optimization based on Artificial Intelligence
Wang et al. A new method for short-term electricity load forecasting
Zhang et al. Anode Effect prediction based on Expectation Maximization and XGBoost model
Xiong et al. Research on Industrial Load Decomposition Based on Correlation Analysis and DNN
Hong et al. Power Transformer Fault Diagnosis Based on Improved Support Vector Machine
CN111242160A (zh) 一种基于人工智能技术的智能数据管理及风险控制系统
CN115618752B (zh) 一种基于Autoformer模型的电力负荷控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant