CN110489721A - 电力设备典型缺陷预测方法、终端设备和存储介质 - Google Patents

电力设备典型缺陷预测方法、终端设备和存储介质 Download PDF

Info

Publication number
CN110489721A
CN110489721A CN201910732388.7A CN201910732388A CN110489721A CN 110489721 A CN110489721 A CN 110489721A CN 201910732388 A CN201910732388 A CN 201910732388A CN 110489721 A CN110489721 A CN 110489721A
Authority
CN
China
Prior art keywords
crucial
telemetering amount
typical defect
similarity
prediction
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.)
Pending
Application number
CN201910732388.7A
Other languages
English (en)
Inventor
边伟
贺卫华
刘国瑞
刘雷
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.)
State Grid Shanxi Electric Power Co Ltd
Original Assignee
State Grid Shanxi 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 State Grid Shanxi Electric Power Co Ltd filed Critical State Grid Shanxi Electric Power Co Ltd
Priority to CN201910732388.7A priority Critical patent/CN110489721A/zh
Publication of CN110489721A publication Critical patent/CN110489721A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于电力自动化技术领域，提供了一种电力设备典型缺陷预测方法、终端设备和存储介质，上述方法包括：在预测时间段内分别绘制典型缺陷对应的关键遥测量的预测变化曲线；根据各个遥测量的预测变化曲线以及典型缺陷的历史记录数据，在预测时间段内的各个时间点，分别计算各个关键遥测量的相似度系数；根据各个关键遥测量的相似度系数，计算典型缺陷在预测时间段内的各个时间点的设备缺陷相似度指标；设备缺陷相似度指标表征预测时间段内的各个时间点发生典型缺陷的可能性。本申请实施例提供的电力设备典型缺陷预测方法，通过设备在某一时间段内发生对应的典型缺陷的概率，实现对未来发生的缺陷预测，有利于提高输变电设备运行的可靠性。

Description

电力设备典型缺陷预测方法、终端设备和存储介质
技术领域
本申请属于电力自动化技术领域，尤其涉及一种电力设备典型缺陷预测方法、终端设备和存储介质。
背景技术
量测数据在电网正常运行过程中变化较小且有规律，属于平稳序列，能够采用时间序列自回归模型(auto-regressive，AR模型)进行描述。另一部分状态量呈日周期性变化，但变化幅值不大，如油温，环境温度等，去除其周期性后也符合AR模型。因此，采用时间序列自回归模型表示单状态量数据随时间的变化情况。
由于输变电设备的绝缘劣化过程或潜伏性故障发展缓慢，因此当设备处于异常状态时，关联的量测数据往往未超出导则或规程中的限值，从而难以察觉。因此，对于没有超出状态量限值的在线监测数据，单纯地采用AR模型不能够辨识出由于设故障导致的量测数据跳变，也不能对未来发生的缺陷进行预测。
发明内容
有鉴于此，本申请实施例提供了一种电力设备典型缺陷预测方法、终端设备和存储介质，以解决目前输变电设备监测技术不能对未来发生的缺陷进行预测的问题。
根据第一方面，本申请实施例提供了一种电力设备典型缺陷预测方法，包括：获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线；根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数；根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标；所述设备缺陷相似度指标表征所述预测时间段内的各个时间点发生所述典型缺陷的可能性。
结合第一方面，在本申请的一些实施例中，所述获取典型缺陷对应的关键遥测量，包括：获取所述典型缺陷的历史记录数据；根据所述历史记录数据及所述典型缺陷，计算所述典型缺陷发生的实际周期及所述典型缺陷的实际周期内发生异常变化的各个遥测量；将所述典型缺陷的实际周期内发生异常变化的各个遥测量记为关键遥测量。
结合第一方面，在本申请的一些实施例中，所述在预测时间段内分别绘制各个关键遥测量的预测变化曲线，包括：根据需预测的时间点及所述典型缺陷的周期，计算所述预测时间段；根据所述典型缺陷对应的预设的回归模型，计算所述预测时间段内各个关键遥测量的预测值；根据所述预测时间段内各个关键遥测量的预测值，分别绘制各个关键遥测量的预测变化曲线。
结合第一方面，在本申请的一些实施例中，所述根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数，包括：提取所述典型缺陷的历史记录数据中，任一关键遥测量的实际变化曲线；所述任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线具有相同的数据量；所述任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线，计算所述预测时间段内，所述任一关键遥测量的相似度系数序列。
结合第一方面，在本申请的一些实施例中，所述任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线，计算所述预测时间段内，所述任一关键遥测量的相似度系数序列，包括：根据所述任一关键遥测量的实际变化曲线，提取所述预测时间段内任一时间点对应的实际遥测值；根据所述任一关键遥测量的预测变化曲线，提取所述预测时间段内任一时间点对应的预测遥测值；根据所述预测时间段内任一时间点对应的实际遥测值和预测遥测值，计算所述预测时间段内任一时间点上，所述任一关键遥测量对应的相似度系数；在计算得到所述预测时间段内各个时间点上，所述任一关键遥测量对应的相似度系数后，根据时间点的顺序得到对应的所述任一关键遥测量的相似度系数序列。
结合第一方面，在本申请的一些实施例中，所述根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标，包括：根据预设的权重，以及各个关键遥测量的相似度系数序列，采用加权平均的方式分别计算所述预测时间段内的各个时间点的设备缺陷相似度指标。
结合第一方面，在本申请的一些实施例中，所述权重表征各个关键遥测量在发生所述典型缺陷时数据异常变化的程度。
根据第二方面，本申请实施例提供了一种终端设备，包括：输入单元，用于获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线；第一计算单元，用于根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数；第二计算单元，用于根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标；所述设备缺陷相似度指标表征所述预测时间段内的各个时间点发生所述典型缺陷的可能性。
根据第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面任一实施方式所述方法的步骤。
根据第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述方法的步骤。
本申请实施例提供的电力设备典型缺陷预测方法，通过提取能够烦请典型缺陷发生和发展情况的关键遥测量，并计算与各个关键遥测量相关的设备缺陷相似度指标，得到设备在某一时间段内发生对应的典型缺陷的概率，从而实现了对未来发生缺陷的可能性进行预测，有利于提高输变电设备运行的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的电力设备典型缺陷预测方法的流程示意图；
图2是本申请实施例提供的构建基于自组织神经网络的设备状态预测模型的流程示意图；
图3是本申请实施例提供的终端设备的结构示意图；
图4是本申请实施例提供的另一终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
可靠的电力设备是保证电网安全运行、提升供电可靠性的基础。在实际运行中，有些电力设备虽然能继续使用，但运行状态发生异常或存在隐患，并将影响人身安全、电网的可靠经济运行、设备寿命以及电能质量等。这种异常或隐患称为缺陷。在电力系统的运行及维护过程中，电力设备的缺陷会危害整个系统的安全稳定运行。在电力系统运行过程中对未来发生缺陷的可能性进行预测能及时发现设备存在的安全隐患，实现设备的安全可控运行。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例提供了一种电力设备典型缺陷预测方法，如图1所示，该电力设备典型缺陷预测方法可以包括以下步骤：
步骤S101：获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线。
在实际应用中，可以构建基于自组织神经网络的设备状态预测模型，进而通过该预测模型计算典型缺陷对应的各个关键遥测量在预测时间段内的预测值。
如图2所示，可以通过以下几个步骤实现对预测模型的构建：
步骤S201：获取原始遥测数据，并根据原始遥测数据提取对应的典型缺陷。
在一具体实时方式中，可以通过对原始遥测数据进行文本解析，得到对应的关键词集合，进而对关键词集合中的各个关键词进行聚类，根据积累结果确定典型缺陷。
不同类型的缺陷发生时，其伴随的遥测数据发生变化的数据特征往往也是不同的，因此对缺陷进行预测时，需要根据缺陷的类型分别进行分析。而当前缺陷历史记录中的缺陷描述往往是非结构化的自然语言进行描述。因此首先需要采用文本解析技术将非结构化缺陷描述转换成结构化语言，再讲结构化的缺陷描述进行聚类，找出聚类簇中缺陷实例较多的缺陷结合业务分析得出典型缺陷。
文本聚类是指将文本集聚合为由若干个文本簇组成的集合的过程。文本聚类大体包括两个步骤：
文本解析。文本是非结构化的数据，分析前需要对文本的表示及其特征项的选取，把从文本中抽取出的特征词从一个非结构化的原始文本转化为结构化的数据形式，首先通过分词处理、词序列归纳、过滤非关键词及语气助词，从而得到文本的关键词集合，然后利用模型进行转换，用简单而准确的方法将文本表示成计算机能够处理的形式，即文本特征表达，本文采用概率模型方法，该方法综合考虑了词频、文档频率和文档长度等因素，把文档和用户兴趣按照一定的概率关系融合，在概率测度空间上通过概率来衡量两个文本的语义相似度，在信息检索领域得到了较为成功的应用。
如电网中的实际缺陷信息“3号主变5041开关C相SF6压力低。额定压力0.7MPA，现场压力为0.63MPA。”经过这两个步骤后可分为代表“设备名称”的3号主变5041开关C相、代表“缺陷类型”的SF6压力低和代表“缺陷描述”的额定压力0.7MPA，现场压力为0.63MPA；
文本聚类。基于向量空间模型的文本聚类方法对特征文本进行聚类，数量多的向量即为典型缺陷。向量空间模型由Gerard Salton等人于60年代末提出，成功的应用于著名的SMART文本检索系统，后来又在文本聚类领域得到了广泛的应用。该模型的主要思想是将每一个文本都映射为由一组规范化正交特征向量所组成的向量空间中的一个点。向量的各维对应文本中的一个特征项，特征项是指构成文本的各种单位，如词、词组等，特征项的权重反映它对于所在文本内容的主要程度。对于一个文本，为一些互不相同的词条，特征项在文本中的权重记为，文本表示为
如对500kV主变历史缺陷记录进行分析时，特征项为“油温”、“异常”、“高”、“实际值”、“报警值”的缺陷记录为312条，占样本总数的21%。因此对500kV主变来说，油温异常缺陷为典型缺陷。
步骤S202：根据原始遥测数据及典型缺陷，计算典型缺陷发生的实际周期及典型缺陷的实际周期内发生异常变化的各个遥测量。将典型缺陷的实际周期内发生异常变化的各个遥测量记为关键遥测量。
在一具体实时方式中，可以通过以下几个子步骤实现步骤S202的过程：
步骤S2021：根据预设的自组织神经网络模型获取所述原始遥测数据中历史设备正常状态下的遥测数据对应的转移概率矩阵。
步骤S2022：根据所述原始遥测数据获取所述典型缺陷的记录开始时间，并统计所述记录开始时间前的异常点及各个异常点对应的异变时间。将所述及各个异常点对应的异变时间中的最早时间记为缺陷开始时间。
步骤S2023：根据所述原始遥测数据获取所述典型缺陷的消缺时间。将所述消缺时间记为缺陷结束时间。
步骤S2024：根据所述缺陷开始时间和所述缺陷结束时间计算所述典型缺陷发生的实际周期。
步骤S2025：绘制所述典型缺陷的实际周期内各个遥测量随时间变化的缺陷特征曲线。
步骤S2026：根据所述各个遥测量随时间变化的缺陷特征曲线，确定所述典型缺陷的实际周期内发生异常变化的各个遥测量。
要对未来的遥测量变化趋势与历史缺陷发生时的相似度进行预测，首先需要找到缺陷发生的实际周期及周期内发生异常变化的遥测量。同时由于电力设备的部分潜伏性缺陷发展缓慢，当设备刚开始处于异常状态时往往巡视人员难以察觉，缺陷实际发生的时间往往早于缺陷历史记录中记录的时间。因此需要对缺陷发生的周期进行分析，得出找出整个缺陷发生的时间，从而才能得出该缺陷发生周期内相关遥测量的数据特征。
首先根据回归模型和自组织神经网络算法基于历史设备正常状态下的遥测数据得出该遥测量在正常状态下的数据变化规律，即其转移概率矩阵。将要进行异常检测的缺陷记录开始时间及开始时间前一天的所有该遥测数据实测值与遥测量在正常状态下的数据变化规律进行对比，不符合其规律，即转移概率为0的点即为异常点，该点对应的时间即为该遥测量发生异常的时间。根据判断过程，得出缺陷发生时，其关联的各个遥测项异变的时间，取异变时间最早的时间作为缺陷开始时间，缺陷记录中的消缺时间为缺陷结束时间，从而得到每个缺陷发生的时间周期，并根据时间周期得出缺陷发生时各遥测量随时间变化的缺陷特征曲线。
步骤S203：根据原始遥测数据计算典型缺陷对应的各个关键遥测量的权重。
在一具体实时方式中，可以通过以下几个子步骤实现步骤S203的过程：
步骤S2031：计算任一关键遥测量在正常状态下的转移概率矩阵；
步骤S2032：根据所述典型缺陷发生的实际周期，计算所述任一关键遥测量在异常状态下的转移概率矩阵；
步骤S2033：根据所述任一关键遥测量在正常状态下的转移概率矩阵，以及所述任一关键遥测量在异常状态下的转移概率矩阵，计算所述任一关键遥测量的权重。
具体的，可以根据所述任一关键遥测量在正常状态下的转移概率矩阵，以及所述任一关键遥测量在异常状态下的转移概率矩阵，计算差异绝对值及对应的置信区间；将置信区间中的各个差异乘以其对应的后验概率，计算得到对应的期望值，期望值为所述任一关键遥测量的权重。
本算法的目的是通过计算在缺陷发生时其遥测量发生异常变化的幅度大小作为相似度分析时的权重。由于仅仅考虑数据异常状态下异常变化的幅度大小无法评价其与正常状态下数据规律的差别。因此采用正常状态下的数据变化规律与异常状态下的数据变化规律进行对比，并求出其差值的期望值的方法来表示该遥测量异常变化的幅度大小。
其算法思路为：首先得出该遥测量在正常状态下的数据变化规律，即其正常状态下的转移概率矩阵。同理基于缺陷发生期间内的遥测数据得出该遥测量在异常状态下的数据变化规律，即异常状态下的转移概率矩阵。
基于贝叶斯理论，通过计算遥测量在缺陷发生时每个时间点其最可能发生的取值及其发生概率（最大后验分布）的方法，利用公式
计算该遥测量在正常状态下缺陷发生时间段内的概率转移矩阵。并将该概率转移矩阵与求出的缺陷发生时的异常数据概率转移矩阵做对比。根据两个转移概率矩阵计算每一个遥测变量对应状态取值的差异绝对值及该差异的置信区间。将置信区间中的每一个差异乘以其对应发生的概率（即后验概率），计算其期望值，该期望值体现了遥测量异常变化的幅度大小。
步骤S204：根据典型缺陷的实际周期，以及与典型缺陷对应的各个关键遥测量的权重，建立典型缺陷对应的预测模型。
具体的，可以根据回归分析算法建立典型缺陷对应的预测模型。
确定了缺陷发生周期内哪些遥测量异常变化后，即可针对这些遥测量分析其变化趋势得出这些遥测量随时间变化的函数，从而对遥测量在未来时间段的变化趋势进行预测。回归分析是利用数据统计原理，对大量统计数据进行数学处理，确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程(函数表达式)，用于预测今后的因变量的变化的分析方法。采用回归分析法对主变油温异常这一典型缺陷的相关影响因素的变化趋势进行分析，进一步得出各因素的预测函数。
进一步的，可以根据典型缺陷对应的预测模型对典型缺陷进行设备状态预测。可以将所述典型缺陷对应的各个关键遥测量的实测数据代入所述回归模型，计算得到对应的预测值。当所述预测值大于或等于预设的阈值时，判断设备状态为异常，对应的异常类型为所述典型缺陷。
图2所示的构建预测模型的方法，针对输变电设备的绝缘劣化过程或潜伏性故障发展缓慢的情况，能够在设备处于异常状态初期时，识别原本难以察觉的尚未超出导则或规程限值的关键遥测量，从而实现对没有超出状态量限值的故障数据跳变识别，解决了现有技术不能及时识别输变电设备在绝缘劣化初期的故障以及潜伏性故障，有利于提高输变电设备运行的可靠性。
在根据图2所示的预测模型的构建方法计算得到预测模型后，可以首先根据需预测的时间点及所述典型缺陷的周期，计算预测时间段；继而根据典型缺陷对应的预设的预测模型，计算预测时间段内各个关键遥测量的预测值；最后根据预测时间段内各个关键遥测量的预测值，分别绘制各个关键遥测量的预测变化曲线。
步骤S102：根据各个关键遥测量的预测变化曲线以及典型缺陷的历史记录数据，在预测时间段内的各个时间点，分别计算各个关键遥测量的相似度系数。
具体的，可以首先提取典型缺陷的历史记录数据中，任一关键遥测量的实际变化曲线；其次，根据任一关键遥测量的实际变化曲线与该关键遥测量的预测变化曲线，计算预测时间段内，该关键遥测量的相似度系数序列。
需要说明的是，为了逐时间点地分别计算相似度系数，任一关键遥测量的实际变化曲线应当与该关键遥测量的预测变化曲线具有相同的数据量。
具体的，可以根据任一关键遥测量的实际变化曲线，提取预测时间段内任一时间点对应的实际遥测值；根据该关键遥测量的预测变化曲线，提取预测时间段内任一时间点对应的预测遥测值；根据预测时间段内任一时间点对应的实际遥测值和预测遥测值，计算预测时间段内任一时间点上，该关键遥测量对应的相似度系数；在计算得到预测时间段内各个时间点上，该关键遥测量对应的相似度系数后，根据时间点的顺序得到对应的该关键遥测量的相似度系数序列。
通过类似方法，可以计算得到各个关键遥测量的相似度系数序列，在此不再赘述。
曲线相似度对比的算法思路为将曲线等效为两组数据进行相关性分析。相关性分析能够对两条数据特征类似的曲线进行分析。采用相关性分析可以避免两条曲线形状相似而取值差距很大被认为不相关的情况。
统计学中常用相关系数来表示两变量之间的相关关系。相关关系的值介于-1与1之间，相关关系为正时是正相关，反映当x增加(减少)时，y随之相应增加(减少)；呈正相关的两个变量之间的相关系数一定为正值，这个正值越大说明正相关的程度越高。正相关的两个变量变动方向相同，一个变量由大到小或由小到大变化时，另一个变量亦由大到小或由小到大变化。即其数据曲线的切线斜率始终大于零。
相关分析主要有三种相关分析方法：线性相关分析、Spearman等级分析、Kendall等级分析。对应的相关系数分别是线性相关系数、Spearman相关系数、Kendall相关系数。Spearman相关系数适合研究一般分布的数据总体，且对有异常值的观测数据具有稳健性。因此，在本申请实施例中可以采用Spearman相关系数进行相关分析。
步骤S103：根据各个关键遥测量的相似度系数，计算典型缺陷在预测时间段内的各个时间点的设备缺陷相似度指标。设备缺陷相似度指标可以用于表征预测时间段内的各个时间点发生典型缺陷的可能性。
具体的，可以根据预设的权重，以及各个关键遥测量的相似度系数序列，采用加权平均的方式分别计算预测时间段内的各个时间点的设备缺陷相似度指标。在步骤S103中，权重是用于表征各个关键遥测量在发生典型缺陷时数据异常变化程度的系数。
由于影响缺陷可能性评价的因素往往是众多而复杂的，如果仅从每一项单一的维度曲线相似度指标上对缺陷可能性进行综合评价不尽合理，因此需要将反映缺陷可能性的多项指标的信息加以汇集，得到一个综合指标，以此来从整体上反映缺陷可能性的整体情况。综合指标处理的方法有多种，由于每个典型缺陷其相关维度都经过了筛选，因此影响缺陷的各个指标之间没有很强的相关性。在计算综合指标时，不需要考虑指标间的相关关系，只需要采用以加权平均为基础的指标评分法即可。其实质是将多个指标用加权平均的方法综合成一个综合评价值。
本申请实施例提供的电力设备典型缺陷预测方法，通过提取能够烦请典型缺陷发生和发展情况的关键遥测量，并计算与各个关键遥测量相关的设备缺陷相似度指标，得到设备在某一时间段内发生对应的典型缺陷的概率，从而实现了对未来发生缺陷的可能性进行预测，有利于提高输变电设备运行的可靠性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备，如图3所示，该终端设备可以包括：输入端元301、第一计算单元302和第二计算单元303。
输入单元301用于获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线；其对应的工作过程可参见上述方法实施例中步骤S101所述。
第一计算单元302用于根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数；其对应的工作过程可参见上述方法实施例中步骤S102所述。
第二计算单元303用于根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标；所述设备缺陷相似度指标表征所述预测时间段内的各个时间点发生所述典型缺陷的可能性；其对应的工作过程可参见上述方法实施例中步骤S103所述。
图4是本申请一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备600包括：处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603，例如电力设备典型缺陷预测程序。所述处理器601执行所述计算机程序603时实现上述各个电力设备典型缺陷预测方法实施例中的步骤，例如图1所示的步骤S101至步骤S103。或者，所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块/单元的功能，例如图3所示输入端元301、第一计算单元302和第二计算单元303的功能。
所述计算机程序603可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器602中，并由所述处理器601执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序603在所述终端设备600中的执行过程。例如，所述计算机程序603可以被分割成同步模块、汇总模块、获取模块、返回模块（虚拟装置中的模块）。
所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器601、存储器602。本领域技术人员可以理解，图4仅仅是终端设备600的示例，并不构成对终端设备600的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端设备600的内部存储单元，例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备，例如所述终端设备600上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电力设备典型缺陷预测方法，其特征在于，包括：
获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线；
根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数；
根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标；所述设备缺陷相似度指标表征所述预测时间段内的各个时间点发生所述典型缺陷的可能性。
2.如权利要求1所述的电力设备典型缺陷预测方法，其特征在于，所述获取典型缺陷对应的关键遥测量，包括：
获取所述典型缺陷的历史记录数据；
根据所述历史记录数据及所述典型缺陷，计算所述典型缺陷发生的实际周期及所述典型缺陷的实际周期内发生异常变化的各个遥测量；将所述典型缺陷的实际周期内发生异常变化的各个遥测量记为关键遥测量。
3.如权利要求2所述的电力设备典型缺陷预测方法，其特征在于，所述在预测时间段内分别绘制各个关键遥测量的预测变化曲线，包括：
根据需预测的时间点及所述典型缺陷的周期，计算所述预测时间段；
根据所述典型缺陷对应的预设的预测模型，计算所述预测时间段内各个关键遥测量的预测值；
根据所述预测时间段内各个关键遥测量的预测值，分别绘制各个关键遥测量的预测变化曲线。
4.如权利要求3所述的电力设备典型缺陷预测方法，其特征在于，所述根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数，包括：
提取所述典型缺陷的历史记录数据中，任一关键遥测量的实际变化曲线；所述任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线具有相同的数据量；
根据所述任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线，计算所述预测时间段内，所述任一关键遥测量的相似度系数序列。
5.如权利要求4所述的电力设备典型缺陷预测方法，其特征在于，所述根据任一关键遥测量的实际变化曲线与所述任一关键遥测量的预测变化曲线，计算所述预测时间段内，所述任一关键遥测量的相似度系数序列，包括：
根据所述任一关键遥测量的实际变化曲线，提取所述预测时间段内任一时间点对应的实际遥测值；
根据所述任一关键遥测量的预测变化曲线，提取所述预测时间段内任一时间点对应的预测遥测值；
根据所述预测时间段内任一时间点对应的实际遥测值和预测遥测值，计算所述预测时间段内任一时间点上，所述任一关键遥测量对应的相似度系数；
在计算得到所述预测时间段内各个时间点上，所述任一关键遥测量对应的相似度系数后，根据时间点的顺序得到对应的所述任一关键遥测量的相似度系数序列。
6.如权利要求5所述的电力设备典型缺陷预测方法，其特征在于，所述根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标，包括：
根据预设的权重，以及各个关键遥测量的相似度系数序列，采用加权平均的方式分别计算所述预测时间段内的各个时间点的设备缺陷相似度指标。
7.如权利要求6所述的电力设备典型缺陷预测方法，其特征在于，所述权重表征各个关键遥测量在发生所述典型缺陷时数据异常变化的程度。
8.一种终端设备，其特征在于，包括：
输入单元，用于获取典型缺陷对应的关键遥测量，并在预测时间段内分别绘制各个关键遥测量的预测变化曲线；
第一计算单元，用于根据所述各个关键遥测量的预测变化曲线以及所述典型缺陷的历史记录数据，在所述预测时间段内的各个时间点，分别计算所述各个关键遥测量的相似度系数；
第二计算单元，用于根据所述各个关键遥测量的相似度系数，计算所述典型缺陷在所述预测时间段内的各个时间点的设备缺陷相似度指标；所述设备缺陷相似度指标表征所述预测时间段内的各个时间点发生所述典型缺陷的可能性。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201910732388.7A 2019-08-09 2019-08-09 电力设备典型缺陷预测方法、终端设备和存储介质 Pending CN110489721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910732388.7A CN110489721A (zh) 2019-08-09 2019-08-09 电力设备典型缺陷预测方法、终端设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910732388.7A CN110489721A (zh) 2019-08-09 2019-08-09 电力设备典型缺陷预测方法、终端设备和存储介质

Publications (1)

Publication Number Publication Date
CN110489721A true CN110489721A (zh) 2019-11-22

Family

ID=68550393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910732388.7A Pending CN110489721A (zh) 2019-08-09 2019-08-09 电力设备典型缺陷预测方法、终端设备和存储介质

Country Status (1)

Country Link
CN (1) CN110489721A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004153228A (ja) * 2002-09-04 2004-05-27 Hitachi Ltd 欠陥情報解析方法およびその装置
CN103226651A (zh) * 2013-03-23 2013-07-31 中国水利电力物资有限公司 基于相似度统计的风电机组状态评估预警方法和系统
CN104361419A (zh) * 2014-09-10 2015-02-18 国家电网公司 基于调控合一的输变电设备状态监控缺陷管理系统及方法
CN105740975A (zh) * 2016-01-26 2016-07-06 云南电网有限责任公司电力科学研究院 一种基于数据关联关系的设备缺陷评估与预测方法
CN108344795A (zh) * 2018-01-24 2018-07-31 四川钜莘信合科技有限公司 油气管道缺陷识别方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004153228A (ja) * 2002-09-04 2004-05-27 Hitachi Ltd 欠陥情報解析方法およびその装置
CN103226651A (zh) * 2013-03-23 2013-07-31 中国水利电力物资有限公司 基于相似度统计的风电机组状态评估预警方法和系统
CN104361419A (zh) * 2014-09-10 2015-02-18 国家电网公司 基于调控合一的输变电设备状态监控缺陷管理系统及方法
CN105740975A (zh) * 2016-01-26 2016-07-06 云南电网有限责任公司电力科学研究院 一种基于数据关联关系的设备缺陷评估与预测方法
CN108344795A (zh) * 2018-01-24 2018-07-31 四川钜莘信合科技有限公司 油气管道缺陷识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110502751A (zh) 大电网运行态势感知方法、终端设备和存储介质
Pinzón et al. Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning
Chang et al. Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM
CN106600115A (zh) 一种企业信息系统运维智能分析方法
Zhao R and data mining: Examples and case studies
CN112559305B (zh) 不间断电源系统内部关键模块性能预测方法、装置和设备
CN115081673B (zh) 一种油气管道的异常预测方法、装置、电子设备及介质
Venkatesh et al. Synchronized measurements-based wide-area static security assessment and classification of power systems using case based reasoning classifiers
CN117041017A (zh) 数据中心的智能运维管理方法及系统
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
Liang et al. Bi-Mamba4TS: Bidirectional Mamba for Time Series Forecasting
Ding et al. Prediction model of dissolved gas in transformer oil based on VMD‐SMA‐LSSVM
Appiah et al. Extremely randomised trees machine learning model for electricity theft detection
Zhao et al. Network traffic prediction in network security based on EMD and LSTM
Agrawal et al. Adaptive anomaly detection in cloud using robust and scalable principal component analysis
Wang et al. Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters
Li et al. Topic modeling for sequential documents based on hybrid inter-document topic dependency
CN110489721A (zh) 电力设备典型缺陷预测方法、终端设备和存储介质
Zhuang et al. Dynamic generative residual graph convolutional neural networks for electricity theft detection
Duan et al. A performance degradation prediction approach for turbo-generator bearing considering complex working conditions based on clustering indicator and self-optimized deep learning model
Efendi et al. Prediction of Malaysian–Indonesian oil production and consumption using fuzzy time series model
Dian-Gang et al. Anomaly behavior detection based on ensemble decision tree in power distribution network
CN110502724A (zh) 基于自组织神经网络的设备状态预测方法和终端设备
CN111222550B (zh) 一种用户用电行为确定方法和装置
Zhang et al. LstFcFedLear: A LSTM‐FC with Vertical Federated Learning Network for Fault Prediction

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191122

RJ01 Rejection of invention patent application after publication