CN109460846B - 一种基于数据挖掘的设备状态预测分析方法 - Google Patents

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}，f_i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}，k_i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：

F_i＝min(f_i+k_i)i＝{1，2，3，...，x_max}

F_i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}，f_i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}，k_i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：

F_i＝min(f_i+k_i)i＝{1，2，3，...，x_max}

F_i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 (4)

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；步骤S4还包括以下步骤：

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}，

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}，

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：

为变化率；

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LSTM神经网络算法的模型训练次数为50~60次。

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样本数量为选择样本的历史数据数量。

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要预测的序列长度为选择预测期间的样本数量。

Images