CN113887676B - 设备故障预警方法、装置、设备和存储介质 - Google Patents

设备故障预警方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113887676B
CN113887676B CN202111477280.1A CN202111477280A CN113887676B CN 113887676 B CN113887676 B CN 113887676B CN 202111477280 A CN202111477280 A CN 202111477280A CN 113887676 B CN113887676 B CN 113887676B
Authority
CN
China
Prior art keywords
detection data
probability
power equipment
posterior probability
historical
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.)
Active
Application number
CN202111477280.1A
Other languages
English (en)
Other versions
CN113887676A (zh
Inventor
杨洋
石延辉
张海凤
袁海
廖毅
洪乐洲
杨阳
吴梦凡
吴桐
张朝斌
张博
黄家豪
李凯协
赖皓
黄锴
廖名洋
张卓杰
姚言超
夏杰
李金安
秦金锋
许浩强
王蒙
叶志良
袁振峰
黄兆
严伟
蔡斌
关就
廖聪
李莉
赵晓杰
孔玮琦
王越章
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.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202111477280.1A priority Critical patent/CN113887676B/zh
Publication of CN113887676A publication Critical patent/CN113887676A/zh
Application granted granted Critical
Publication of CN113887676B publication Critical patent/CN113887676B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请涉及一种设备故障预警方法、装置、设备、介质和计算机程序产品。该方法包括：在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。采用本方法能够及时进行故障预警。

Description

设备故障预警方法、装置、设备和存储介质
技术领域
本申请涉及电力系统领域，特别是涉及一种设备故障预警方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电力设备作为构成电力系统的基础单位，其运行可靠性直接关联电网的安全运行。因此，及时掌握设备状态并进行故障预警后，对电网的安全运行具有重要意义。
相关技术中，在对电力设备进行故障预警时，会基于所有来源的数据信息进行综合分析以判断电力设备是否存在故障。
然而，电力设备故障机理复杂，有些来源的数据信息的时间存在滞后性，采用上述方法进行电力设备故障预警时，会存在预警不及时的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够及时进行故障预警的设备故障预警方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种设备故障预警方法。该方法包括：
在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；
根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
在其中一个实施例中，根据后验概率确定故障出现的原因，包括：
在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；
将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的；
若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
在其中一个实施例中，第一贝叶斯模型的先验概率和条件概率的获取过程包括：
获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；
针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率，其中，先验概率计算公式表示如下：
Figure DEST_PATH_IMAGE001
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据；
针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
在其中一个实施例中，根据维度类型确定条件概率分布函数，包括：
若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；
若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
在其中一个实施例中，该方法还包括：
获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；
利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；
根据降维处理后的样本数据的维度，生成历史检测数据样本集。
在其中一个实施例中，该方法还包括：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
第二方面，本申请还提供了一种设备故障预警装置。该装置包括：
获取模块，用于在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
运算模块，用于利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；
确定模块，用于根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一所述的设备故障预警方法。
第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一所述的设备故障预警方法。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述第一方面任一所述的设备故障预警方法。
上述设备故障预警方法、装置、计算机设备、存储介质和计算机程序产品，在目标管控阶段获取电力设备的不同维度的第一检测数据，利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因，由于只需利用目标管控阶段获取电力设备的不同维度的第一检测数据即可实现对电力设备存在故障进行预警，而无需等到所有阶段的电力设备数据全部获取到才进行设备故障预警，解决了由于某些数据信息的时间的滞后性带来了预警不及时的问题。
附图说明
图1为一个实施例中设备故障预警方法的流程示意图；
图2为一个实施例中步骤103的流程示意图；
图3为一个实施例中步骤102的流程示意图；
图4为一个实施例中步骤304的流程示意图；
图5为另一个实施例中设备故障预警方法的流程示意图；
图6为又一个实施例中设备故障预警方法的流程示意图；
图7为一个实施例中设备故障预警装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
电力设备作为构成电力系统的基础单位，其运行可靠性直接关联电网的安全运行。据行业相关统计分析，电力设备故障是造成电网停电的主要原因之一。因此，及时掌握设备状态并进行故障预警，对于电网的安全运行具有重要意义。
现有技术中，要对电力设备进行故障时，会基于多种来源的电力数据信息，例如在线实时监测数据、现场检测数据、现场试验数据以及运维数据等等，综合分析以确定电力设备是否存在故障。
然而，电力设备故障机理复杂，有些来源的数据信息的时间存在滞后性，若等待搜集完所有来源的数据电力数据信息再进行故障预警，会存在预警不及时的问题。
有鉴于此，本申请实施例提供了一种设备故障预警方法，能够实现提高设备故障预警的及时性。
需要说明的是，本申请实施例提供的设备故障预警方法，其执行主体可以是设备故障预警装置，该设备故障预警装置可以通过软件、硬件或者软硬件结合的方式实现成为终端的部分或者全部。
下述方法实施例中，均以执行主体是终端为例来进行说明，其中，终端可以是个人计算机、笔记本电脑、媒体播放器、智能电视、智能手机、平板电脑和便携式可穿戴设备等，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
请参考图1，其示出了本申请实施例提供的一种设备故障预警方法的流程图。如图1所示，该设备故障预警方法可以包括以下步骤：
步骤101，在目标管控阶段获取电力设备的不同维度的第一检测数据。
其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数。
可选的，按照电力设备的所有检测数据的获取时间，将其划分为多个管控阶段。例如，该n个管控阶段包括在线监测阶段、现场检测阶段、试验阶段以及运维阶段等等。
可选的，针对不同的管控阶段，终端设备中设置有对应的检测数据维度类型。以电力设备为避雷针为例，其各管控阶段对应的检测数据维度类型如下表1。
表1 避雷针各管控阶段对应的检测数据维度类型
Figure 244761DEST_PATH_IMAGE002
步骤102，利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率。
其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的。
可选的，利用第一贝叶斯模型输出的电力设备的诊断结果包括多个故障诊断类型，例如，设备正常，设备异常-故障原因1，设备异常-故障原因2，等等。该先验概率是指某个诊断结果发生的可能性。条件概率是指在某种诊断结果出现的可能下某维度的检测数据出现的可能性。
通过对第一目标历史检测数据以及各第一目标历史检测数据进行统计分析，得到先验概率和条件概率。
可选的，利用以下公式，计算得到第一后验概率，计算公式如下：
Figure 443661DEST_PATH_IMAGE003
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，P(aj|yci)表示在故障诊断类型为ci的情况下维度aj对应的条件概率，P(yci|x)表示表示故障诊断类型ci对应的第一后验概率。
步骤103，根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
可选的，比较各故障诊断类型对应的第一后验概率的大小，将最大第一后验概率对应的故障诊断类型作为诊断结果。并在诊断结果为设备出现故障时，确定该故障诊断类型对应的故障原因。
上述设备故障预警方法中，在目标管控阶段获取电力设备的不同维度的第一检测数据，利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因，由于只需利用目标管控阶段获取电力设备的不同维度的第一检测数据即可实现对电力设备存在故障进行预警，而无需等到所有阶段的电力设备数据全部获取到才进行设备故障预警，解决了由于某些数据信息的时间的滞后性带来了预警不及时的问题。同时基于多维度对电力设备进行分析预测，减缓运维人员的工作量。
在本申请实施例中，基于图1所示的实施例，参见图2，本实施例涉及的是步骤103中根据所述第一后验概率确定故障出现的原因的实现过程。如图2所示，该实现过程包括步骤201、步骤202和步骤203：
步骤201，在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据。
可选的，在上一管控阶段的故障诊断结果为出现故障时，终端执行获取下一管控阶段的检测数据。
步骤202，将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率。
其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的。
可选的，获取第i+1个管控阶段对应的电力设备的各维度对应的第二目标历史检测数据。针对各维度对应的第二目标历史检测数据，统计各种故障诊断类型对应的第二目标历史检测数据的数量。基于统计到的各种故障诊断类型对应的第二目标历史检测数据的数量，得到各维度对应的第二贝叶斯模型的条件概率。
步骤203，若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
可选的，若第i+1个阶段不是多个管控阶段的最后一个阶段，则继续将上一管控阶段对应的后验概率作为先验概率，再次计算后验概率。
可选的，比较各故障诊断类型对应的第二后验概率的大小，将最大第二后验概率对应的故障诊断类型作为诊断结果。并在诊断结果为设备出现故障时，确定该故障诊断类型对应的故障原因。
本实施例中，通过在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据，将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，并在第i+1个阶段是多个管控阶段的最后一个阶段的情况下，根据第二后验概率确定故障出现的原因，在上一阶段诊断故障的情况下，进一步通过下一管控阶段的检测数据进行再次诊断，提高了故障出现原因的诊断结果的准确性。
在本申请实施例中，基于图1所示的实施例，参见图3，本实施例涉及的是步骤102中第一贝叶斯模型的先验概率和条件概率的获取过程。如图3所示，该实现过程包括步骤301、步骤302、步骤303和步骤304：
步骤301，获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型。
可选的，终端从数据库中调取过去一段时间内对应的n个管控阶段对应的电力设备的不同维度的历史检测数据，作为历史检测数据样本集。或者，数据库中调取过去一段时间内对应的n个管控阶段对应的电力设备的历史检测数据，对该历史检测数据进行加工过滤处理，例如采用低方差过滤删除方差值较小的一些维度，得到历史检测数据样本集。
步骤302，针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率。
其中，先验概率计算公式表示如下：
Figure 142234DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量。
步骤303，基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据。
可选的，终端根据历史检测数据样本中各数据样本对应的电力设备的维度类，然后判断该数据样本是否属于目标管控阶段，以得到第一目标历史检测数据。
步骤304，针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
其中，该维度类型包括离散类型和连续类型。例如该泄漏电流全电流为连续特征类型，红外发热为连续类型。
可选的，针对离散类型的维度，利用统计发生次数的方法，获取该维度对应的条件概率分布函数。针对连续类型的维度，基于历史检测数据，获取历史检测数据中该维度下的各检测数据的取值以及各取值对应的条件概率值，利用曲线拟合的方式，得到该维度对应的条件概率分布函数。
本实施例中，获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型以用于获取条件概率和先验概率，利用统计分析的方法得到的条件概率和先验概率可靠性高，提高了故障预警的准确性。
在本申请实施例中，基于图3所示的实施例，参见图4，本实施例涉及的是步骤304中根据所述维度类型确定条件概率分布函数的获取过程。如图4所示，该实现过程包括步骤401和步骤402：
步骤401，若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数。
步骤402，若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
可选的，根据第一目标历史检测数据，计算各维度对应的检测数据的均值和方差，基于计算得到的均值和方差，得到各维度对应的高斯分布函数。
本实施例中，通过在维度类型为离散类型情况下将古典概率分布函数作为所述条件概率分布函数，在维度类型为连续类型的情况下将高斯概率分布函数作为所述条件概率分布函数，方法简单，计算量小。
在本申请实施例中，基于图3所示的实施例，参见图5，本实施例提供的设备故障预警方法，还包括以下步骤：
步骤501，获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集。
步骤502，利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度。
可选的，获取原始历史检测数据样本集中的样本数据的各维度对应的样本数据，计算所有维度中任一两个维度之间的相关系数，计算公式如下：
Figure 135597DEST_PATH_IMAGE005
，
其中，rij表示维度i和维度j之前的相关系数，xai表示维度i对应的数据样本中第a个检测数据值；
Figure 155506DEST_PATH_IMAGE006
i表示维度i对应的数据样本中检测数据的均值；xaj表示维度j对应的数据样本中第a个检测数据值；
Figure 892518DEST_PATH_IMAGE006
j表示维度j对应的数据样本中检测数据的均值。
根据计算得到所有维度中任一两个维度之间的相关系数，构建一个相关系数矩阵R，其中相关系数矩阵R中第i行第j列对应的元素的取值为rij；并根据各维度对应的数据样本，构建特征矩阵X，其中，该特征矩阵X的第i行对应的特征向量为由维度i对应的数据样本构成的向量；利用Gram-Schmidt正交法求解(λE-R)X=0方程组，得各维度对应的特征值，其中，λi为特征值，Xi为对应特征向量。
最后，利用以下公式计算各维度对应的贡献度，具体公式如下：
Figure 947061DEST_PATH_IMAGE007
，
将得到的各个贡献度按照从大到小排序，若前k个贡献度之和大于预设值时，则将该k个贡献度对应的维度，降维处理后的样本数据的维度。
步骤503，根据降维处理后的样本数据的维度，生成历史检测数据样本集。
本实施例中，通过采用主成分分析法降低样本数据的维度，减少了数据与数据之间的关联度，同时降低了数据处理量，提升了故障诊断的效率。
在本申请实施例中，基于图5所示的实施例，参见图6，本实施例提供的设备故障预警方法，还包括以下步骤：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
可选的，在每次走完n个管控阶段后，会将该n个管控阶段对应的不同维度的检测数据存入历史检测数据样本集中，并更新对应的条件概率信息和先验概率信息。
本实施例中，通过在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集，实现了历史检测数据样本集的更新，增加了历史检测数据样本集的数据量，提高了后续利用贝叶斯模型进行故障预警的准确性。
在本申请实施例中，参见图6，本实施例提供的设备故障预警方法，包括以下步骤：
步骤601，获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；
步骤602，利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；
步骤603，根据降维处理后的样本数据的维度，生成历史检测数据样本集；
步骤604，在目标管控阶段获取电力设备的不同维度的第一检测数据。
其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
步骤605，获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；
步骤606，针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率。
其中，先验概率计算公式表示如下：
Figure 376906DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量。
步骤607，基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据。
步骤608，针对第一目标历史检测数据的各个维度，获取维度的维度类型。
步骤609，若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
步骤610，基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
步骤611，利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率。
步骤612，根据第一后验概率确定电力设备是否出现故障。
步骤613，在出现故障的情况下，在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；
步骤614，将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率。
其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的。
步骤615，若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
该实施例中，在目标管控阶段获取电力设备的不同维度的第一检测数据，利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因，由于只需利用目标管控阶段获取电力设备的不同维度的第一检测数据即可实现对电力设备存在故障进行预警，而无需等到所有阶段的电力设备数据全部获取到才进行设备故障预警，解决了由于某些数据信息的时间的滞后性带来了预警不及时的问题。同时基于多维度对电力设备进行分析预测，减缓运维人员的工作量。此外，通过采用主成分分析法降低样本数据的维度，减少了数据与数据之间的关联度，同时降低了数据处理量，提升了故障诊断的效率。
以下是以电力设备为避雷针举例对本方案进行试验验证。
S1：基于历史故障数据样本，避雷器故障类型划分为受潮、老化、表面裂化、表面污秽以及其他类型。根据避雷器检测手段的不同，避雷器的检测数据来源包括监测、检测、试验、运维等数据来源。
当避雷器出现老化或受潮缺陷时，避雷器泄漏电流阻性分量会显著增大。氧化锌避雷器阀片的老化会导致其非线性特性变差，主要表现在系统正常运行电压下阻性电流高次谐波分量显著增大，而阻性电流基波分量相对增加较少。氧化锌阀片的受潮，主要表现在系统正常运行电压下阻性电流基波分量显著增大，而阻性电流高次谐波分量增加相对较小。因此，选取避雷器泄漏电流全电流、阻性电流基波、阻性电流三次谐波、趋势变化量、三相泄漏电流差异量作为监测电流特征量。
检测阶段数据即为红外和局部检测手段下，避雷器是否发热、是否存在局方的0/1特征量。
根据当前避雷器离线试验规程，以直流1mA参考电压（kV）、75%U1mA下电流（μA）、绝缘电阻作为特征量。
根据运维记录，关键的特征量包括有缺陷类型/原因、缺陷时检测特征量以及检测特征量。设备台账信息特征量为生产厂家、设备型号以及投运年限。天气数据主要包括环境温湿度、气象、季节特征量。各管控阶段对应的维度类型如表2所示：
表2 避雷针各管控阶段对应的检测数据原始维度类型
Figure 618531DEST_PATH_IMAGE008
S2:对表2中的19维特征变量进行主成分分析，分析结果如表3所示。
表3 主成分分析结果
Figure 221551DEST_PATH_IMAGE009
在本次分析中，选取累计贡献率大于98%，由表3可以看出，在对避雷器进行整体分析时，只需要保留前11个特征变量就可以满足精度要求，降维后，各管控阶段对应的维度类型如表4所示。
表4 避雷针各管控阶段对应的检测数据降维后的维度类型
Figure 865022DEST_PATH_IMAGE010
S3：统计某地区避雷器2000条运维数据形成样本集D，样本中所包含的类别C={正常，异常-老化，异常-受潮，异常-表面污秽，异常-其他原因}，其中避雷器异常-老化样本数为17个，异常-受潮样本数为24个，异常-表面裂化样本数为0个，异常-表面污秽样本数为21个，异常-其他原因样本数为29个。各维度的特征变量X={泄漏电流全电流，动作次数，泄漏电流趋势变化，红外异常发热，是否存在局方}。
计算样本集中避雷器不同状态类型出现的先验概率，计算结果见表5。
表5 避雷器不同状态类型的先验概率
Figure 200188DEST_PATH_IMAGE011
计算离散特征量特征变量Xi的条件概率，计算结果见表6。
表6 不同离散特征量条件概率
Figure 460268DEST_PATH_IMAGE012
通过高斯分布表示不同故障特征下连续特征量的条件概率分布，通过样本集计算得到连续属性的条件概率分布的样本均值和标准差，计算结果如表7所示。
表7 连续特征量的条件概率分布
Figure 539083DEST_PATH_IMAGE013
S4：基于某避雷器在线监测系统，获取泄漏电流全电流、阻性电流以及动作次数数据，某时刻分别为9mA、0.42mA、42次，相较于同一工况下泄漏电流增长率为30%，阻性电流占全电流比值为45%，根据贝叶斯推理预测模型计算概率如表8所示，可初步判断当前设备运行存在异常-表面老化缺陷。
表8 贝叶斯推理模型初始计算结果
Figure 37060DEST_PATH_IMAGE014
S5：根据诊断结果，现场采用红外测温发现避雷器A相最高温度35℃，A相异常发热，则输入避雷器新的特征证据{红外发热}，计算避雷器缺陷概率，计算结果如表9所示，确定避雷器存在异常-老化风险。
表9 贝叶斯推理模型第二次计算结果
Figure 74286DEST_PATH_IMAGE015
停电后，现场运维对该避雷器进行绝缘电阻试验，发现A相绝缘电阻远低于其他两相绝缘电阻值，进一步对该避雷器进行解体检查和分析，发现避雷器阀片已劣化，诊断正确。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的设备故障预警方法的设备故障预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个设备故障预警装置实施例中的具体限定可以参见上文中对于设备故障预警方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种设备故障预警装置，包括：获取模块、运算模块和确定模块，其中：
获取模块，用于在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，所述电力设备包括n个管控阶段，所述目标管控阶段为所述n个管控阶段中第i个管控阶段，i为小于n的整数；
运算模块，用于利用第一贝叶斯模型对所述第一检测数据进行后验概率运算处理，得到第一后验概率，其中，所述第一贝叶斯模型的先验概率和条件概率是根据所述目标管控阶段对应的所述电力设备的不同维度的第一目标历史检测数据得到的；
确定模块，用于根据所述第一后验概率确定所述电力设备是否出现故障，并在出现故障的情况下，根据所述第一后验概率确定故障出现的原因。
在一个实施例中，该确定模块具体用于：
在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；
将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的；
若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
在其中一个实施例中，该运算模块具体用于：
获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；
针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率，其中，先验概率计算公式表示如下：
Figure 24925DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据；
针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
在其中一个实施例中，该运算模块还具体用于：
若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；
若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
在其中一个实施例中，该装置还用于：
获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；
利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；
根据降维处理后的样本数据的维度，生成历史检测数据样本集。
在其中一个实施例中，该装置还用于：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
上述设备故障预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种设备故障预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；
根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的；若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率，其中，其中，先验概率计算公式表示如下：
Figure 736791DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据；针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；根据降维处理后的样本数据的维度，生成历史检测数据样本集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；
根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的；若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率，其中，先验概率计算公式表示如下：
Figure 89275DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据；针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；根据降维处理后的样本数据的维度，生成历史检测数据样本集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，电力设备包括n个管控阶段，目标管控阶段为n个管控阶段中第i个管控阶段，i为小于n的整数；
利用第一贝叶斯模型对第一检测数据进行后验概率运算处理，得到第一后验概率，其中，第一贝叶斯模型的先验概率和条件概率是根据目标管控阶段对应的电力设备的不同维度的第一目标历史检测数据得到的；
根据第一后验概率确定电力设备是否出现故障，并在出现故障的情况下，根据第一后验概率确定故障出现的原因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在多个管控阶段中的第i+1个管控阶段，获取电力设备的不同维度的第二检测数据；将第一后验概率转换为第二贝叶斯模型的先验概率，并利用第二贝叶斯模型对第二检测数据进行后验概率运算处理，得到第二后验概率，其中，第二贝叶斯模型的条件概率是根据第i+1个管控阶段对应的电力设备的不同维度的第二目标历史检测数据得到的；若第i+1个阶段是多个管控阶段的最后一个阶段，则根据第二后验概率确定故障出现的原因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的历史检测数据样本集以及历史检测数据样本集中各数据样本对应的故障诊断类型；针对各故障诊断类型，利用先验概率计算公式，得到各故障诊断类型对应的第一贝叶斯模型的先验概率，其中，先验概率计算公式表示如下：
Figure 31823DEST_PATH_IMAGE004
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于历史检测数据样本中目标管控阶段对应的电力设备的不同维度的数据样本，得到第一目标历史检测数据；针对第一目标历史检测数据的各个维度，获取维度的维度类型，根据维度类型确定条件概率分布函数，并基于条件概率分布函数，得到维度对应的第一贝叶斯模型的条件概率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若维度类型为离散类型时，则将古典概率分布函数作为条件概率分布函数；若维度类型为连续类型时，则将高斯概率分布函数作为条件概率分布函数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取n个管控阶段对应的电力设备的不同维度的原始历史检测数据样本集；利用主成分分析法对原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；根据降维处理后的样本数据的维度，生成历史检测数据样本集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在接收到针对历史检测数据样本集的更改操作时，基于更改操作更新历史检测数据样本集。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种设备故障预警方法，其特征在于，所述方法包括：
在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，所述电力设备包括n个管控阶段，所述目标管控阶段为所述n个管控阶段中第i个管控阶段，i为小于n的整数；
利用第一贝叶斯模型对所述第一检测数据进行后验概率运算处理，得到第一后验概率，其中，所述第一贝叶斯模型的先验概率和条件概率是根据所述目标管控阶段对应的所述电力设备的不同维度的第一目标历史检测数据得到的；
根据所述第一后验概率确定所述电力设备是否出现故障，并在出现故障的情况下，根据所述第一后验概率确定故障出现的原因，其中，所述根据所述第一后验概率确定故障出现的原因，包括：
在多个管控阶段中的第i+1个管控阶段，获取所述电力设备的不同维度的第二检测数据；
将所述第一后验概率转换为第二贝叶斯模型的先验概率，并利用所述第二贝叶斯模型对所述第二检测数据进行后验概率运算处理，得到第二后验概率，其中，所述第二贝叶斯模型的条件概率是根据所述第i+1个管控阶段对应的所述电力设备的不同维度的第二目标历史检测数据得到的；
若所述第i+1个阶段是所述多个管控阶段的最后一个阶段，则根据所述第二后验概率确定故障出现的原因。
2.根据权利要求1所述的方法，其特征在于，所述第一贝叶斯模型的先验概率和条件概率的获取过程包括：
获取所述n个管控阶段对应的所述电力设备的不同维度的历史检测数据样本集以及所述历史检测数据样本集中各数据样本对应的故障诊断类型；
针对各所述故障诊断类型，利用先验概率计算公式，得到各所述故障诊断类型对应的所述第一贝叶斯模型的先验概率，其中，所述先验概率计算公式表示如下：
Figure 159760DEST_PATH_IMAGE001
，
其中，P(yci)表示故障诊断类型ci对应的第一贝叶斯模型的先验概率，nci表示历史检测数据样本集中故障诊断类型ci对应的数据样本的数量，ND表示历史检测数据样本集包含的数据样本的总数量；
基于所述历史检测数据样本中所述目标管控阶段对应的所述电力设备的不同维度的数据样本，得到第一目标历史检测数据；
针对所述第一目标历史检测数据的各个维度，获取所述维度的维度类型，根据所述维度类型确定条件概率分布函数，并基于所述条件概率分布函数，得到所述维度对应的所述第一贝叶斯模型的条件概率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述维度类型确定条件概率分布函数，包括：
若所述维度类型为离散类型时，则将古典概率分布函数作为所述条件概率分布函数；
若所述维度类型为连续类型时，则将高斯概率分布函数作为所述条件概率分布函数。
4.根据权利要求3所述的方法，其特征在于，所述高斯概率分布函数的构建过程，包括：
基于所述第一目标历史检测数据，确定所述维度对应的检测数据均值和检测数据方差；
根据所述检测数据均值以及所述检测数据方差，得到所述高斯概率分布函数。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取历史时间段内所述n个管控阶段对应的所述电力设备的不同维度的历史检测数据；
对所述历史检测数据进行加工过滤处理，得到所述历史检测数据样本集。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述n个管控阶段对应的所述电力设备的不同维度的原始历史检测数据样本集；
利用主成分分析法对所述原始历史检测数据样本集中的样本数据的维度进行降维处理，得到降维处理后的样本数据的维度；
根据所述降维处理后的样本数据的维度，生成所述历史检测数据样本集。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在接收到针对所述历史检测数据样本集的更改操作时，基于所述更改操作更新所述历史检测数据样本集。
8.一种设备故障预警装置，其特征在于，所述装置包括：
获取模块，用于在目标管控阶段获取电力设备的不同维度的第一检测数据，其中，所述电力设备包括n个管控阶段，所述目标管控阶段为所述n个管控阶段中第i个管控阶段，i为小于n的整数；
运算模块，用于利用第一贝叶斯模型对所述第一检测数据进行后验概率运算处理，得到第一后验概率，其中，所述第一贝叶斯模型的先验概率和条件概率是根据所述目标管控阶段对应的所述电力设备的不同维度的第一目标历史检测数据得到的；
确定模块，用于根据所述第一后验概率确定所述电力设备是否出现故障，并在出现故障的情况下，根据所述第一后验概率确定故障出现的原因，其中，所述根据所述第一后验概率确定故障出现的原因，包括：在多个管控阶段中的第i+1个管控阶段，获取所述电力设备的不同维度的第二检测数据；将所述第一后验概率转换为第二贝叶斯模型的先验概率，并利用所述第二贝叶斯模型对所述第二检测数据进行后验概率运算处理，得到第二后验概率，其中，所述第二贝叶斯模型的条件概率是根据所述第i+1个管控阶段对应的所述电力设备的不同维度的第二目标历史检测数据得到的；若所述第i+1个阶段是所述多个管控阶段的最后一个阶段，则根据所述第二后验概率确定故障出现的原因。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111477280.1A 2021-12-06 2021-12-06 设备故障预警方法、装置、设备和存储介质 Active CN113887676B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111477280.1A CN113887676B (zh) 2021-12-06 2021-12-06 设备故障预警方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111477280.1A CN113887676B (zh) 2021-12-06 2021-12-06 设备故障预警方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113887676A CN113887676A (zh) 2022-01-04
CN113887676B true CN113887676B (zh) 2022-04-08

Family

ID=79015613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111477280.1A Active CN113887676B (zh) 2021-12-06 2021-12-06 设备故障预警方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113887676B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187593B (zh) * 2023-04-27 2023-07-25 国网山东省电力公司滨州市沾化区供电公司 一种配电网故障预测处理方法、装置、设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270461A (zh) * 2018-10-15 2019-01-25 四川长虹电器股份有限公司 基于贝叶斯网络的故障检测方法
CN110968061A (zh) * 2019-12-06 2020-04-07 珠海格力电器股份有限公司 设备故障的预警方法、装置、存储介质和计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134010B (zh) * 2014-08-12 2017-02-15 哈尔滨工业大学 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法
CN110645153B (zh) * 2018-06-27 2020-11-24 北京金风科创风电设备有限公司 风力发电机组故障诊断方法、装置和电子设备
CN109596913B (zh) * 2018-11-26 2021-06-15 国网冀北电力有限公司 充电桩故障原因诊断方法及装置
CN111680727B (zh) * 2020-05-29 2023-12-26 深圳市英维克信息技术有限公司 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270461A (zh) * 2018-10-15 2019-01-25 四川长虹电器股份有限公司 基于贝叶斯网络的故障检测方法
CN110968061A (zh) * 2019-12-06 2020-04-07 珠海格力电器股份有限公司 设备故障的预警方法、装置、存储介质和计算机设备

Also Published As

Publication number Publication date
CN113887676A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN114254879B (zh) 多传感器信息融合的电力设备安全诊断方法和装置
Li et al. False alarm reducing in PCA method for sensor fault detection in a nuclear power plant
CN113887676B (zh) 设备故障预警方法、装置、设备和存储介质
CN115841046A (zh) 基于维纳过程的加速退化试验数据处理方法和装置
Lisnianski et al. On sensitivity analysis of aging multi-state system by using LZ-transform
Xie et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM
Cai et al. Assessing the effect of repair delays on a repairable system
Wu et al. Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
CN114266284A (zh) 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品
Wang et al. Less is more: robust prediction for fueling processes on hydrogen refueling stations
CN113946983A (zh) 产品可靠性薄弱环节评估方法、装置和计算机设备
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
ul Hassan et al. Online static security assessment for cascading failure using stacked De-noising Auto-encoder
CN115795928A (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN114198863B (zh) 机房空调的故障检测方法、装置、计算机设备、存储介质
CN115601013A (zh) 核反应堆故障判定方法、装置、设备、存储介质和产品
CN112256735B (zh) 一种用电监测方法、装置、计算机设备和存储介质
CN115085368A (zh) 变压器健康状态监测方法、装置、计算机设备和存储介质
Mahfoud et al. Reliability assessment of degradable systems under imperfect maintenance and utilisation rate: a case study
CN115829543B (zh) 基于故障需检区间的电力设备预防性试验有效性确定方法
CN116149971B (zh) 设备故障预测方法、装置、电子设备及存储介质
JP7467876B2 (ja) 性能変化検知装置、性能変化検知方法及びプログラム
CN115442214A (zh) 业务异常排障方法、装置、设备、存储介质和程序产品
CN114154662A (zh) 运行系统的故障诊断方法、装置、计算机设备和存储介质

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
CB03 Change of inventor or designer information

Inventor after: Yang Yang

Inventor after: Wu Tong

Inventor after: Zhang Chaobin

Inventor after: Zhang Bo

Inventor after: Huang Jiahao

Inventor after: Li Kaixie

Inventor after: Lai Hao

Inventor after: Huang Jie

Inventor after: Liao Mingyang

Inventor after: Zhang Zhuojie

Inventor after: Yao Yanchao

Inventor after: Shi Yanhui

Inventor after: Xia Jie

Inventor after: Li Jinan

Inventor after: Qin Jinfeng

Inventor after: Xu Haoqiang

Inventor after: Wang Meng

Inventor after: Ye Zhiliang

Inventor after: Yuan Zhenfeng

Inventor after: Huang Zhao

Inventor after: Yan Wei

Inventor after: Cai Bin

Inventor after: Zhang Haifeng

Inventor after: Guan Jiu

Inventor after: Liao Cong

Inventor after: Li Li

Inventor after: Zhao Xiaojie

Inventor after: Kong Weiqi

Inventor after: Wang Yuezhang

Inventor after: Yuan Hai

Inventor after: Liao Yi

Inventor after: Hong Lezhou

Inventor after: Ruan Yanjun

Inventor after: Wu Mengfan

Inventor before: Yang Yang

Inventor before: Zhang Chaobin

Inventor before: Zhang Bo

Inventor before: Huang Jiahao

Inventor before: Li Kaixie

Inventor before: Lai Hao

Inventor before: Huang Jie

Inventor before: Liao Mingyang

Inventor before: Zhang Zhuojie

Inventor before: Yao Yanchao

Inventor before: Xia Jie

Inventor before: Shi Yanhui

Inventor before: Li Jinan

Inventor before: Qin Jinfeng

Inventor before: Xu Haoqiang

Inventor before: Wang Meng

Inventor before: Ye Zhiliang

Inventor before: Yuan Zhenfeng

Inventor before: Huang Zhao

Inventor before: Yan Wei

Inventor before: Cai Bin

Inventor before: Guan Jiu

Inventor before: Zhang Haifeng

Inventor before: Liao Cong

Inventor before: Li Li

Inventor before: Zhao Xiaojie

Inventor before: Kong Weiqi

Inventor before: Wang Yuezhang

Inventor before: Yuan Hai

Inventor before: Liao Yi

Inventor before: Hong Lezhou

Inventor before: Wu Mengfan

Inventor before: Wu Tong

CB03 Change of inventor or designer information