CN115238831B - 故障预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种故障预测方法、装置、计算机设备、存储介质和程序产品。该方法包括：获取换流变电站中多个目标设备在同一时刻的监测数据；对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。采用本方法能够提高对换流变压器故障预测的准确性。

Description

故障预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及电力技术领域，特别是涉及一种故障预测方法、装置、计算机设备和存储介质。

背景技术

换流变压器是交直流系统中能量转换的关键设备，其运行直接影响交直流系统运行可靠性；换流变压器运行状态的评估主要依赖于各类传感器、测量元器件所提供的监测数据信息。

传统技术中，通过现有监测数据信息的变化规律来人为的预测的精度很低，并且通过某一监测数据信息的阈值来判断是否发生故障的误判率也会很高。因此，亟需一种能够精确地对换流变压器的故障进行预测的方法。

发明内容

基于此，有必要针对上述技术问题，提供一种能提高故障预测准确性的故障预测方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种故障预测方法，该方法包括：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

在其中一个实施例中，对多个目标设备的监测数据进行异常检测，得到目标异常监测数据，包括：

将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据；

根据各候选异常监测数据确定目标异常监测数据。

在其中一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；

将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据，包括：

将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

在其中一个实施例中，根据各候选异常监测数据确定目标异常监测数据，包括：

根据各候选异常监测数据确定参考异常数据；

根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

在其中一个实施例中，根据各候选异常监测数据确定参考异常数据，包括：

获取各候选异常监测数据的数量；

将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

在其中一个实施例中，根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据，包括：

将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。

在其中一个实施例中，在对多个目标设备的监测数据进行异常检测之前，方法还包括：

对多个目标设备在同一时刻的监测数据进行预处理；其中，预处理至少包括数据清洗、相关性分析、归一化处理中的一项。

在其中一个实施例中，预测模型包括多个预测子模型，将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，包括：

将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；

根据各初始预测结果和各子模型对应的权重，确定预测结果。

在其中一个实施例中，获取换流变电站中多个目标设备在同一时刻的监测数据之前，方法还包括：

获取换流变电站内多个候选设备的分接开关配置信息；

将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

在其中一个实施例中，预测模型的构建过程包括：

获取训练样本集，训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签；

针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件，

若各初始子模型均训练完成，得到预测模型。

第二方面，本申请还提供了一种故障预测装置，该装置包括：

获取模块，用于获取换流变电站中多个目标设备在同一时刻的监测数据；

异常检测模块，用于对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

模型预测模块，用于将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，该存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质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：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

第五方面，本申请还提供了一种计算机程序产品，该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：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

上述故障预测方法、装置、计算机设备和存储介质，对各个目标设备于同一时刻采集到的监测数据进行异常检测，初步筛选出各个目标设备中可能存在异常的目标设备，将该目标设备对应的目标异常监测数据输入至预测模型，通过预测模型中的机器学习算法进行二次甄别，采用具有自学习能力的预测模型而非人为手动甄别，使得数据处理更为准确；且通过异常检测和预测模型进行两次筛选，能够进一步提高对故障目标设备的识别准确度。

附图说明

图1为一个实施例中故障预测方法的应用环境图；

图2为一个实施例中故障预测方法的流程示意图；

图3为一个实施例中确定各个目标设备步骤的流程示意图；

图4为另一个实施例中对各个监测数据进行预处理步骤的流程示意图；

图5为另一个实施例中确定目标异常监测数据步骤的流程示意图；

图6为另一个实施例中确定目标异常监测数据步骤的流程示意图；

图7为另一个实施例中确定参考异常数据步骤的流程示意图；

图8为另一个实施例中获取预测结果步骤的流程示意图；

图9为另一个实施例中构建预测模型步骤的流程示意图；

图10为一个实施例中故障预测装置的结构框图；

图11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。

本申请实施例提供的故障预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102和服务器104均可以独立执行该故障预测方法，也可以共同执行该故障预测方法，例如，终端102用于采集各个换流变压器（目标设备）的监测数据，服务器104与终端102通信，用于获取换流变电站中多个目标设备在同一时刻的监测数据，对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

输电系统包括直流系统中的换流变电站和交流系统，换流变电站包括多个换流变压器，换流变压器运行状态的评估主要依赖于各类传感器、测量元器件所提供的监测数据信息。通过现有监测数据信息的变化规律来人为的预测的精度很低，并且通过某一监测数据信息的阈值来判断是否发生故障的误判率也会很高。因此，亟需一种能够精确地对换流变压器的故障进行预测的方法。

在一个实施例中，如图2所示，提供了一种故障预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，获取换流变电站中多个目标设备在同一时刻的监测数据。

其中， 换流变电站包括多个换流变压器，目标设备是指多个换流变压器中的、根据预设筛选规则筛选得到的一组换流变压器，将该组换流变压器作为一个监测组， 其中，筛选规则可以是相同运行时长、相同的配置规则、相近的安装位置等等。

其中，目标设备的监测数据可以是多维度数据，也可以是单一维度数据。具体地，对于任一个目标设备来说，监测数据可以仅仅包括设备运行参数，例如，套管压力值、套管温度、主变内部甲烷气体含量、主变内部氢气含量、主变内部乙炔气体含量、主变本体温度、冷却系统温度、铁芯接地泄漏电流、夹件接地泄漏电流、主变绕组等等，上述各个设备参数可以通过安装在目标设备上的各个传感器模块获取。监测数据也可以包括其他外部因素参数，例如，与当前目标设备关联的其他目标设备的参数、外界温度、外界降雨量、室外电场、室外磁场等等。

步骤204，对多个目标设备的监测数据进行异常检测，得到目标异常监测数据。

其中，多个目标设备作为一个监测组，对整个监测组内的各个监测数据进行异常检测，目的是筛选出监测组中相比于其他目标设备存在数据异常的目标设备。

具体地，进行异常检测时，可以采用以下两种方式中的任一种，方式1）获取预设的筛选规则，根据预设的筛选规则对监测组中的各个目标设备进行筛选，筛选得到异常设备对应的异常监测数据；方式2）根据监测组中的各个监测数据之间的内部关联生成筛选规则，例如，聚类分析等方式，根据生成的筛选规则将异常的监测数据筛选出来作为目标异常监测数据。

步骤206，将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果。

其中，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。将目标异常监测数据输入至预测模型中进行再次验证，以判断该目标异常监测数据对应的目标设备是否会发生故障；采用机器学习算法构建的预测模型是通过历史异常数据训练得到的，对于异常数据具有自学习能力，能够对各种不同的异常数据进行更准确地甄别。

上述故障预测方法，对各个目标设备于同一时刻采集到的监测数据进行异常检测，初步筛选出各个目标设备中可能存在异常的目标设备，将该目标设备对应的目标异常监测数据输入至预测模型，通过预测模型中的机器学习算法进行二次甄别，采用具有自学习能力的预测模型而非人为手动甄别，使得数据处理更为准确；且通过异常检测和预测模型进行两次筛选，能够进一步提高对故障目标设备的识别准确度。

每个换流变压器的A、B、C三相中均设置有分接开关，利用分接开关可使直流输电系统运行在接近最佳状态，且使得换流变压器触发角运行在适当的范围内。分接开关的调压范围一般为20～30％，每个分接开关包含若干个档位，每档调节量为1％～2％。分接开关的档位不同，同一换流变压器在运行过程中产生的参数也会有很大幅度的变化，因此，为了避免在进行异常检测受到分接开关的配置差异的干扰，在本实施中，从换流变电站的各个设备中根据分接开关的配置信息确定出各个目标设备。具体地，在一个实施例中，如图3所示，方法还包括步骤201，步骤201执行于获取换流变电站中多个目标设备在同一时刻的监测数据之前，具体包括：获取换流变电站内多个候选设备的分接开关配置信息；将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

其中，分接开关配置信息即为换流变压器中分接开关的投入个数、各个分接开关的档位信息；预设运行条件是指，各个候选设备以相同的分接开关配置信息运行时所对应的运行时长达到时间阈值。例如，第一候选设备在00:00时刻以第一配置信息开始运行，第二候选设备在同一天的00:05时刻以第一配置信息开始运行，第三候选设备在同一天的00：07时刻以第一配置信息开始运行，则到达同一天的00:08时刻时，第一候选设备以第一配置信息运行5分钟，第二候选设备以第一配置信息运行7分钟，第三候选设备以第一配置信息运行8分钟，5分钟、7分钟和8分钟均大于时间阈值（3分钟），此时将第一候选设备、第二候选设备和第三候选设备作为各个目标设备。

本实施例，以相同的分接开关配置信息作为筛选条件对各个设备进行初步筛选，使得在后续的异常数据筛选过程中能够滤除分接开关配置信息对监测数据的干扰。进一步地，在相同的分接开关配置信息的基础上以运行时长达到时间阈值作为筛选条件，目的是滤除分接开关调节过程中瞬时状态的跳变带来的影响，只关注各个目标设备以相同的配置、在稳定状态下产生的监测数据。

在获取换流变电站中多个目标设备在同一时刻的监测数据之后，为了对监测数据进行准确地分析，首先要考虑到由于各个换流变压器的设备接法不同，或不同设备的相同参数可能会存在量纲或数值范围的差别这一干扰因素，即，若两个不同目标设备基于同一参数的量纲或者数值范围存在较大差别，那么即便两个目标设备的监测数据存在相同的变化规律，也可能会出现两个目标设备因数值差异过大而被识别为异常的情况，因此在本实施例中，需要对各个目标设备的监测数据进行预处理，而后才对预处理后的多个目标设备的监测数据进行异常检测。具体地，在一个实施例中，在对多个目标设备的监测数据进行异常检测之前，如图4所示，方法还包括步骤203：对多个目标设备在同一时刻的监测数据进行预处理。

其中，预处理至少包括数据清洗、相关性分析以及归一化处理中的一项。具体地，数据清洗包括：对缺失值进行过滤；对重复数据进行去重；对明显的错误数据进行改正，无法改正时将对应记录删除。相关性分析是对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。归一化处理可以采用最大最小标准化算法。

在本实施例中，通过对获取到的监测数据进行预处理，可以将不符合规范的数据去除，通过归一化的处理方式，可以消除不同尺寸（量纲或数量级）的同一参数对异常检测带来的误差干扰。

在异常检测时，采用单一的异常检测算法可能会出现误差，为了进一步消除误差，在一个实施例中，如图5所示，步骤204中对多个目标设备的监测数据进行异常检测，得到目标异常监测数据，包括：

步骤2041，将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

其中，各个筛选模型分别采用不同的异常检测算法，每个筛选模型根据各自的异常检测算法输出各自对应的候选异常监测数据；具体地，当存在异常情况时，候选异常监测数据为各个目标设备的监测数据中的至少一项；当不存在异常情况时，目标异常监测数据为空值。

其中，当目标设备的监测数据为单维数据时，对应的各个筛选模型采用适用于单维数据的异常检测算法，例如：3-sigma算法、格拉布斯算法（Grubbs算法）和随机森林算法。当监测数据为多维数据时，可以采用以下两种方式中的任一种对多维度监测数据进行异常检测：1、采用多维数据的异常检测算法，例如主元分析法来进行异常检测（principalcomponent analysis，PCA算法）；2、将多维数据划分为多个维度，对于每一个维度，采用单维度检测算法进行检测，若识别出某一单维度数据为异常点数据，则将该异常点数据对应的目标设备的监测数据作为目标异常监测数据。

例如，3-sigma算法：定义目标设备的监测数据中的任一维度为A参数，各个目标设备的A参数组成序列S，如果待检测点的数值不在整个序列S的[-3*sigma，3*sigma]区间内，则认为待检测点异常。

例如，孤立森林算法：定义目标设备的监测数据中的任一维度为A参数，各个目标设备的A参数组成序列S，通过拟合序列S创建一个孤立森林模型，然后用该模型预测任一目标设备的A参数，当预测结果为-1时则认为该点是异常点。

例如，Grubbs算法：定义目标设备的监测数据中的任一维度为A参数，各个目标设备的A参数组成序列S，将S中的各个目标设备对应的A参数由小到达进行排序；计算序列S平均值μ和样本标准差s；根据样本平均值μ和样本标准差s计算格拉布斯检验统计量Gi；确定检出水平α；概率P＝1－α，根据选定的P值和序列S中A参数的个数，查格拉布斯表，横竖相交得临界值G P(n)；若Gi>G P(n)，则判断Xi（序列S中的任一待测点）为异常值，将其从测量数据中剔除，否则无异常值。

例如，PCA算法：将每个目标设备的监测数据的多维度监测数据作为一条样本X，求解样本X的特征值和特征向量；对样本X进行降维；计算样本X的异常得分；设定异常得分阈值，大于阈值则判断该样本X对应的数据是异常监测数据，其中样本X在不同方向上的方差变化反应了其内在特点，如果单个数据样本跟整体数据样本表现出的特点不一致，样本的偏离较大，则识别该样本是一个异常点。

再继续参照图5，步骤2042，根据各候选异常监测数据确定目标异常监测数据。

其中，目标异常监测数据为根据各个候选异常数据确定的监测数据，具体地，确定目标异常监测数据的方式可以是将满足预设保留条件的各个候选异常监测数据均作为目标异常监测数据，或者是从各个候选监测数据中确定出异常概率最大的监测数据作为目标异常监测数据。

本实施例中，通过各个不同的筛选模型对同一组目标设备的监测数据进行多样性的异常检测，得到各个筛选模型各自对应的候选异常监测数据，再综合各个候选异常监测数据得到目标异常数据，通过综合各个筛选模型的集成学习算法方式能够降低单一筛选模型的误判率，提高异常检测准确性。

由于换流变压器一般存在于换流变电站中，而大部分换流变电站的位置都处于室外，环境因素（例如温度、湿度）对换流变压器的运行有很大的影响，例如，导致换流变压器绝缘受潮的最直接原因是水分，换流变压器周围环境的湿度与绝缘受潮具有很强的相关性，因此在对换流变压器进行状态评估时，需要考虑换流变压器外部环境的湿度参量，具体地，换流变压器内部是密封，在换流变压器和外界的接通处连接有绝缘油罐和呼吸器，呼吸器内设有用于吸水的硅胶，如果呼吸器内的硅胶变色则可能说明换流器内部潮湿；又例如，在夏季高温期间，外界环境温度较高，换流变压器会向周围区域散发大量热量，同时变压器控制盘柜内的电气元件在运行期间也会发热，若变压器控制盘柜内部的环境不良，出现过热等情况，则变压器控制盘柜内的电气元件在高温下运行故障率较高并会加速老化，引发各种缺陷与异常，影响设备性能和运行可靠性。因此，在一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；步骤2041中将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据，包括：将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

其中，环境维度数据可以从其他平台直接获取；具体地，环境维度至少包括当前环境温度、当前环境湿度、当前环境降水量、当前环境振动信息、当前环境电场、当前环境磁场中的一种。本实施例，基于包含了环境维度的监测数据进行异常检测能够降低环境因素对设备参数维度的干扰，即，在相同环境维度的影响下，若目标设备中不存在异常设备，则各个目标设备的设备参数维度变化规律应该是一致的，若目标设备中存在异常设备，则该异常目标设备与其他各个目标设备的设备参数变化规律存在差异；以此筛选出异常的目标设备，通过滤除环境因素对各个目标设备的影响，能够进一步提高预测准确度。

在一个实施例中，如图6所示，步骤2042中根据各候选异常监测数据确定目标异常监测数据，包括：

步骤20421，根据各候选异常监测数据确定参考异常数据。

其中，例如，6个目标设备对应的监测数据分别为第一监测数据、第二监测数据、第三监测数据、第四监测数据、第五监测数据和第六监测数据；第一筛选模型筛选出来的候选监测数据为第一监测数据和第二监测数据，第二候选模型筛选出来的候选监测数据为第二监测数据，第三筛选模型筛选出来的候选监测数据为第一监测数据和第三监测数据，第四筛选模型筛选出来的候选监测数据为第三监测数据；则根据各个第一监测数据、各个第二监测数据和各个第三监测数据确定参考异常数据。

具体地，如图7所示，步骤20421根据各候选异常监测数据确定参考异常数据，包括：步骤S421a，获取各候选异常监测数据的数量。

其中，接上例，各个筛选模型筛选出来的第一监测数据的总数为2，各个筛选模型筛选出来的第二监测数据的总数为1，各个筛选模型筛选出来的第三监测数据的总数为2。

步骤S421b，将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

其中，接上例，第一监测数据的个数和第三监测数据的个数均为2个，均达到预设数量阈值（2个），则将第一监测数据和第三监测数据作为参考异常数据。

本实施例中，通过综合各个筛选模型的输出结果，在某一个候选异常监测数据被多个筛选模型识别为异常数据时，将该候选异常数据作为参考异常数据，实现了通过集成各个筛选模型的输出结果提高异常数据筛选的准确性的功能。

再继续参照图6，步骤20422，根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

其中，历史异常数据对应的换流变压器配置信息可以是该参考异常数据对应的设备配置信息相同，以消除设备配置对于异常检测的影响。具体地，将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。例如，对于每个目标设备来说，以该目标设备开始运行为时间起点，历史异常数据对应的历史设备在开始运行后的05：00时刻发生了故障，则以05：00时刻、预设的时间跨度形成历史异常数据对应的时间区间，例如，时间区间为[04：30，05：00]；由于本申请的目的是预测故障，因此主要关注设备发生故障前的数据；若参考异常数据对应的时间点为该设备运行开始后的04：40时刻，04：40时刻落入时间区间为[04：30，05：00]内，则将该参考异常数据作为目标监测数据。

本实施例中，对于同一类型的故障，在不同设备上发生故障的时间点可能相近，因此通过已知的发生故障的时间点对参考异常数据进行再次验证，能够进一步降低误判几率。

在利用预测模型对目标异常监测数据进行验证时，为了进一步提高识别精度，具体地，如图8所示，在一个实施例中，步骤206中预测模型包括多个预测子模型，将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，包括：

步骤2061，将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果。

其中，各个预测子模型是根据不同的机器学习算法构建的神经网络模型，通过不同机器学习算法对目标异常监测数据进行甄别能够提高预测精度，具体地，各个预测子模型对应的机器学习算法，例如：支持向量机（SVM算法）、K最邻近算法（K-Nearest Neighbor，KNN算法）、K均值算法（K-Means算法）、随机森林算法等等。其中，当目标设备的监测数据为多维度数据时，每个预测子模型的输入数据也是多维度的目标异常监测数据；当目标设备的监测数据为单维度数据时，每个预测子模型对应的输入数据（待测数据）也单维度的目标异常监测数据。

步骤2062，根据各初始预测结果和各子模型对应的权重，确定预测结果。

其中，每个预测子模型各自对应有权重值，预测结果=a*第一预测子模型概率值+b*第一预测子模型概率值+c*第三预测子模型概率值+d*第四预测子模型概率值（其中a、b、c、d均为正数，且均为预设值）。

例如，上述各个预测子模型中，基于SVM算法的预测子模型对应的输出值为数值（百分比），KNN算法、K-Means算法和随机森林最后得出的结果都是类别定值，即，第一类别（预计出现故障）和第二类别（非故障），本实施例中在计算预测结果时，将第一类别转化为百分比数值（即100%），将第二类别转化为百分比数值（0）。

本申请实施例，采用机器学习算法的预测子模型能够适应单维度或多维度的目标异常监测数据，通过集成各个预测子模型的输出结果来确定预测结果，基于集成学习算法使得预测结果更为准确。

在一个实施例中，如图9所示，预测模型的构建过程包括：步骤S300，获取训练样本集。

其中，训练样本集中异常数据和正常数据比例按照样本均衡比例来获取，例如1:1；训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签。异常监测数据可以根据历史数据获取得到；在获取正常监测数据时，将筛选模型筛选出来的未被选入目标异常监测数据的参考异常数据滤除，以避免利用易出现混淆的监测数据对预测模型进行训练而对预测模型的精度造成影响。

步骤S302，针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件。

其中，每个初始子模型各自对应有收敛条件，例如，损失函数的数值达到精度阈值。

步骤S304，若各初始子模型均训练完成，得到预测模型。

其中，对各个子模型均训练完毕后，可以获取测试集，对预测模型进行测试，将满足测试条件后的预测模型作为训练好的预测模型。

获取换流变电站内多个候选设备的分接开关配置信息，将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备，获取换流变电站中多个目标设备在同一时刻的监测数据，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据，对多个目标设备在同一时刻的监测数据进行预处理，将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据，获取各候选异常监测数据的数量，将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据，根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据，将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；根据各初始预测结果和各子模型对应的权重，确定预测结果。

应该理解的是，虽然如上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故障预测方法的故障预测装置。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故障预测装置实施例中的具体限定可以参见上文中对于故障预测法的限定，在此不再赘述。

在一个实施例中，如图10所示，提供了一种故障预测装置100，包括：获取模块110、异常检测模块120和模型预测模块130，其中：

获取模块110，用于获取换流变电站中多个目标设备在同一时刻的监测数据；

异常检测模块120，用于对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

模型预测模块130，用于将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

在一个实施例中，异常检测模块120包括：

筛选单元，用于将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据；

综合单元，用于根据各候选异常监测数据确定目标异常监测数据。

在一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；筛选单元还用于将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

在一个实施例中，综合单元包括

第一筛选子单元，用于根据各候选异常监测数据确定参考异常数据；

第二筛选子单元，用于根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

在一个实施例中，第二筛选子单元包括：

获取组件，用于获取各候选异常监测数据的数量；

分析组件，用于将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

在一个实施例中，分析组件还用于将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。

在一个实施例中，故障预测装置100还包括预处理模块，预处理模块用于：对多个目标设备在同一时刻的监测数据进行预处理；其中，预处理至少包括数据清洗、相关性分析、归一化处理中的一项

在一个实施例中，模块预测模块，用于将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；

根据各初始预测结果和各子模型对应的权重，确定预测结果。

在一个实施例中，故障预测装置100还包括筛选模块，筛选模块还用于获取换流变电站内多个候选设备的分接开关配置信息；

将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

在一个实施例中， 故障预测装置100还包括构建模块，构建模块用于获取训练样本集，训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签；

针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件；

若各初始子模型均训练完成，得到预测模型。

上述故障预测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11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故障预测方法。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11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：

获取换流变电站中多个目标设备在同一时刻的监测数据；对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

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：将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据；根据各候选异常监测数据确定目标异常监测数据。

在一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；处理器执行计算机程序时还实现以下步骤：将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

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：根据各候选异常监测数据确定参考异常数据； 根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

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：获取各候选异常监测数据的数量；将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

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：将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。

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：对多个目标设备在同一时刻的监测数据进行预处理；其中，预处理至少包括数据清洗、相关性分析、归一化处理中的一项。

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：将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；根据各初始预测结果和各子模型对应的权重，确定预测结果。

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：获取换流变电站内多个候选设备的分接开关配置信息；将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

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：获取训练样本集，训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签；针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件，若各初始子模型均训练完成，得到预测模型。

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：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

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：

将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据；根据各候选异常监测数据确定目标异常监测数据。

在一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；计算机程序被处理器执行时还实现以下步骤：将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

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：根据各候选异常监测数据确定参考异常数据；根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

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：获取各候选异常监测数据的数量；将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

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：将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。

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：对多个目标设备在同一时刻的监测数据进行预处理；其中，预处理至少包括数据清洗、相关性分析、归一化处理中的一项。

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：将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；根据各初始预测结果和各子模型对应的权重，确定预测结果。

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：获取换流变电站内多个候选设备的分接开关配置信息；将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

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：获取训练样本集，训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签；针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件，若各初始子模型均训练完成，得到预测模型。

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：

获取换流变电站中多个目标设备在同一时刻的监测数据；

对多个目标设备的监测数据进行异常检测，得到目标异常监测数据；

将目标异常监测数据输入至训练好的预测模型中，得到预测模型输出的预测结果，预测结果表征目标异常监测数据对应的目标设备存在故障的概率。

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：

将多个目标设备的监测数据分别输入至多个不同的筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据；根据各候选异常监测数据确定目标异常监测数据。

在一个实施例中，监测数据包括设备至少一个参数维度的监测数据和环境维度的监测数据；计算机程序被处理器执行时还实现以下步骤：将多个目标设备的各参数维度的监测数据和环境维度的监测数据均分别输入至各筛选模型中，得到各筛选模型输出的多个目标设备的监测数据中的候选异常监测数据。

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：根据各候选异常监测数据确定参考异常数据；根据参考异常数据、参考异常数据对应的异常时刻以及历史异常数据对应的时间区间，确定目标异常监测数据。

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：获取各候选异常监测数据的数量；将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据。

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：将异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据。

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：对多个目标设备在同一时刻的监测数据进行预处理；其中，预处理至少包括数据清洗、相关性分析、归一化处理中的一项。

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：将目标异常监测数据分别输入至各预测子模型，得到各子模型输出的初始预测结果；根据各初始预测结果和各子模型对应的权重，确定预测结果。

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：获取换流变电站内多个候选设备的分接开关配置信息；将分接开关配置信息相同且均满足预设运行条件的候选设备作为各目标设备。

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：获取训练样本集，训练样本集包括多个样本监测数据、各个样本监测数据对应的异常类别标签；针对于初始预测模型中的任一个初始子模型，将训练样本集输入至初始子模型，对各个初始子模型进行训练，直至初始子模型满足预设的收敛条件，若各初始子模型均训练完成，得到预测模型。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

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)

1.一种故障预测方法，其特征在于，所述方法包括：

获取换流变电站中多个目标设备在同一时刻的监测数据；其中，各目标设备为所述换流变电站内分接开关配置信息相同且均满足预设运行条件的候选设备；其中，所述预设运行条件为各个候选设备以相同的分接开关配置信息运行时所对应的运行时长达到时间阈值；其中，所述监测数据包括设备参数维度的监测数据和环境维度的监测数据；

将所述多个目标设备的各所述参数维度的监测数据和所述环境维度的监测数据均分别输入至各筛选模型中，得到各所述筛选模型输出的所述多个目标设备的监测数据中的候选异常监测数据；

获取各所述候选异常监测数据的数量；

将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据；

基于各参考异常数据对应的异常时刻，将所述异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据；其中，针对于任一目标设备，该目标设备对应的任一历史异常数据对应的时间区间为，以该目标设备开始运行的时间点为时间起点，以预设的时间跨度形成的时间区间；

将所述目标异常监测数据输入至训练好的预测模型中，得到所述预测模型输出的预测结果，所述预测结果表征所述目标异常监测数据对应的目标设备存在故障的概率。

2.根据权利要求1所述的方法，其特征在于，所述分接开关配置信息包括候选设备中分接开关的投入个数、各个分接开关的档位信息。

3.根据权利要求1所述的方法，其特征在于，在对所述多个目标设备的监测数据进行异常检测之前，所述方法还包括：

对所述多个目标设备在同一时刻的监测数据进行预处理；其中，所述预处理至少包括数据清洗、相关性分析、归一化处理中的一项。

4.根据权利要求1所述的方法，其特征在于，所述预测模型包括多个预测子模型，所述将所述目标异常监测数据输入至训练好的预测模型中，得到所述预测模型输出的预测结果，包括：

将所述目标异常监测数据分别输入至各所述预测子模型，得到各所述子模型输出的初始预测结果；

根据各所述初始预测结果和各所述子模型对应的权重，确定所述预测结果。

5.根据权利要求1所述的方法，其特征在于，各个筛选模型分别采用不同的异常检测算法，不同的异常检测算法包括用于单维数据的异常检测算法和多维度数据的异常检测算法。

6.根据权利要求4所述的方法，其特征在于，所述预测模型的构建过程包括：

获取训练样本集，所述训练样本集包括多个样本监测数据、各个所述样本监测数据对应的异常类别标签；

针对于初始预测模型中的任一个初始子模型，将所述训练样本集输入至所述初始子模型，对各个所述初始子模型进行训练，直至所述初始子模型满足预设的收敛条件；

若各所述初始子模型均训练完成，得到所述预测模型。

7.根据权利要求1所述的方法，其特征在于，所述环境维度至少包括当前环境温度、当前环境湿度、当前环境降水量、当前环境振动信息、当前环境电场、当前环境磁场中的一种。

8.一种故障预测装置，其特征在于，所述装置包括：

获取模块，用于获取换流变电站中多个目标设备在同一时刻的监测数据；其中，各目标设备为换流变电站内分接开关配置信息相同且均满足预设运行条件的候选设备；其中，所述预设运行条件为各个候选设备以相同的分接开关配置信息运行时所对应的运行时长达到时间阈值；其中，所述监测数据包括设备参数维度的监测数据和环境维度的监测数据；

异常检测模块，用于将所述多个目标设备的各所述参数维度的监测数据和所述环境维度的监测数据均分别输入至各筛选模型中，得到各所述筛选模型输出的所述多个目标设备的监测数据中的候选异常监测数据；

获取各所述候选异常监测数据的数量；

将数量达到预设数量阈值的候选异常监测数据确定为参考异常数据；

基于各参考异常数据对应的异常时刻，将所述异常时刻处于历史异常数据对应的时间区间内的参考异常数据，确定为目标异常监测数据；其中，针对于任一目标设备，该目标设备对应的任一历史异常数据对应的时间区间为，以该目标设备开始运行的时间点为时间起点，以预设的时间跨度形成的时间区间；

模型预测模块，用于将所述目标异常监测数据输入至训练好的预测模型中，得到所述预测模型输出的预测结果，所述预测结果表征所述目标异常监测数据对应的目标设备存在故障的概率。

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。

Images