CN115796059A - 一种基于深度学习的电气设备寿命预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的电气设备寿命预测方法及系统，涉及电气设备寿命预测技术领域。该方法利用寿命预测模型预测电气设备寿命，寿命预测模型的构建过程包括：采集电气设备的状态参数，采用拟合关联的方法获得健康状态估计结果；采集电气设备的位置参数并进行扩充；利用位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。本发明基于不同环境因素的影响，通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估，联立二者的评估结果从而获得准确度较高的电气设备寿命预测模型。

Description

一种基于深度学习的电气设备寿命预测方法及系统

技术领域

本发明涉及电气设备寿命预测技术领域，尤其涉及一种基于深度学习的电气设备寿命预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着电力系统的大规模发展，发电场的建设已经延伸至各个领域，例如海上、沙漠等条件苛刻的环境也已有了较为完善的配电设施。近年来，海上风力发电场在国内已经逐渐的兴建起来，其中变压器是目前大型电力设备的代表，具有多种故障形式，包括放电、过热或兼而有之，因此变压器的高电压配电设备需要较高的防护等级。而由于海上条件的特殊性，譬如盐雾腐蚀、潮湿、设备维护困难等因素的制约，使得变压器的防护要求有了更高的要求，所以需要及时对海上风电场上的变压器进行健康状态监测以及寿命预测。

发明人发现，现有技术中对于电气设备的寿命预测仅限于考虑一般环境下的影响因素，无法兼顾海上环境条件的特殊性影响。例如，对于盐雾腐蚀、大风、潮湿等海上独有的影响因素，除了对电气设备材料有着损害隐患以外，还会加速管路的堵塞程度。另外，由于海上环境苛刻，设备方位数据采集困难，得到的数据与实际数据误差较大，所以使得有效的样本数量非常少，而盐雾腐蚀或大风环境对电气设备的影响程度与其摆放的位置以及角度密切相关。因此如果样本数据不充分，采用常规的寿命预测方法对海上风电场上的电气设备进行寿命预测则会很大程度的降低预测结果的可信度，影响对设备运行状态的可靠性评估。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于深度学习的电气设备寿命预测方法及系统，通过激光雷达获得电气设备的摆放位置以及角度并进行数据集扩充，克服了海上风电场上的电气设备在苛刻条件下有效样本数据较少的缺点。基于不同环境因素的影响，通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估，联立二者的评估结果得到电气设备最终的寿命预测模型。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明第一方面提供了一种基于深度学习的电气设备寿命预测方法，包括以下步骤：

获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模型的构建过程为：

采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

本发明第二方面提供了一种基于深度学习的电气设备寿命预测系统，包括：

寿命预测模块，被配置为获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模块包括：

健康状态估计模块，被配置为采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

数据扩充模块，被配置为采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

耐久度预测模块，被配置为根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

优化模块，被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

以上一个或多个技术方案存在以下有益效果：

本发明公开了一种基于深度学习的电气设备寿命预测方法，由于海上的苛刻条件，通过激光雷达获得的电气设备的摆放位置以及角度存在着有效数据集较少的问题，因此进行采用数据填充的方式进行数据集扩充，并对扩充后的数据进行筛选，克服了海上风电场上的电气设备在苛刻条件下有效样本数据较少的缺点。

本发明还基于不同环境因素的影响，通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估，联立二者的评估结果得到电气设备最终的寿命预测模型。避免了现有寿命预测方法不能考虑海上特殊环境因素的影响，从而导致寿命预测模型可信度低的问题。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例一基于深度学习的电气设备寿命预测方法中寿命预测模型构建过程的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

实施例一：

本发明实施例一以变压器为例提供了一种基于深度学习的电气设备寿命预测方法，获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果。

其中，寿命预测模型的构建过程如图1所示，具体为：

步骤1，采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

步骤2，采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

步骤3，根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

步骤4，根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

步骤1中，采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果的具体步骤为：

采集电气设备的状态参数计算电气设备的老化率；

根据电气设备的老化率和预期寿命可以估算电气设备的实际役龄；

根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合，求得各阶段参数的比例系数和曲率系数，从而计算得到健康状态估计结果。

其中，采集电气设备的状态参数计算电气设备的老化率的具体过程为：获得实时的运行状态参数；根据可查阅信息结合历史运行数据计算得到电气设备的绝缘性能、导电性能和机械性能，并获得相应的性能指数，从而计算当前电气设备的老化率，本实施例中以变压器为例，

通过监测传感器可以获得实时的变压器的温度、湿度、振动情况等运行状态参数，根据可查阅的变压器、产地、型号、预期寿命以及负荷等信息，结合历史运行数据可以计算得到变压器相关的绝缘性能、导电性能和机械性能，并获得相关的性能指数，从而计算当前变压器的老化率Q：

，

其中，Q为当前变压器的老化率，

为当前时刻的性能指数与初始性能指数的差值，

为当前时刻与初始时刻差值，i为性能编号，i=1，2，3……n，n为性能种类总数，

为性能系数，根据不同性能对变压器老化影响程度得到。

根据变压器的老化率和预期寿命可以估算变压器的实际役龄，根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合，求得各阶段参数的比例系数和曲率系数，从而计算得到健康状态估计结果，健康状态估计函数为：

，

其中，S为实际役龄，

为曲率系数，

为比例系数，H为健康状态估计结果。

步骤2中，采用激光雷达采集电气设备的位置参数，形成位置样本数据集；然而由于海上大风、浪涌等不确定因素存在，在激光雷达的采集位置数据的过程中，会随着激光雷达数量的增多导致误差累计，因此为了保证样本数据的准确性，采用少量确定位置的激光雷达进行位置参数采集，并对有效的位置样本数据集采用数据填充的方法进行扩充，克服了有效样本数量少的缺陷的同时，也保证了其正确性。

具体步骤为：

利用激光雷达获得三维点云数据，对数据进行二维化处理和紧凑化处理形成二维点云图像，对二维点云图像进行采样形成五通道的二维图像；

在五通道的二维图像的每一行数据下插入若干行空白扩充数据，进行初始化扩充；

对初始化扩充后的图像中的每一个点进行处理，使每个点周围生成若干扩充点。因为每个点的扩充点在其附近，因此设每个点与其扩充点的反射率一致。

将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中，生成最终的数据集。

步骤3中，无论是盐雾的腐蚀、大风的冲击还是潮湿造成的生锈等，均会对变压器造成一定程度的磨损。并且，由于变压器的摆放角度和位置不同，其磨损程度会有明显的区别，在迎风且潮湿的位置，其磨损程度要比其他地方严重许多。大风刮来的沙粒或者生锈、腐蚀生成的碎屑则会加速管路的堵塞，影响电路的性能。因此，对于变压器在海上条件下的耐久度分析十分必要。本实施例中根据现有的仿真或实验室模拟的磨损试验可以建立综合的耐久度模型，输入不同电气设备的位置数据，便可输出该电气设备的耐久度评分。然而仿真实验不能完全模拟海上条件，因此其耐久度模型的准确度还有待提高，基于此，本实施例利用扩充后的位置样本数据集对耐久度模型进行深度学习训练：

将扩充后的位置样本数据集进行归一化处理，并对数据集进行预训练；

对耐久度模型进行误差分析，并采用反向传播算法进行调优；

误差分析过程中，模型整体误差计算公式为：

，

其中，

为模型整体误差，m为样本个数，j为第j个样本，j=1，2，3……m，

为实际耐久度评分，

为模型输出耐久度评分。

根据误差分析，对扩充后的数据集进行筛选，将异常评分数据进行剔除后得到新的数据集，重新进行训练。

经过不断迭代后得到初步寿命预测模型。

步骤4中，虽然海上风电场上具有盐雾、大风等特殊的环境条件对电气设备的健康状态带来很大的影响，但是常规影响因素如温度、振动等对于电气设备的影响还是不可忽视的。所以说，若想获得更为准确的电气设备寿命预测模型，需要对特殊环境下的影响因素和常规影响因素综合考虑。因此，本实施例根据步骤1中获得的健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型：

根据健康状态估计结果随着电气设备运行年份的变化规律，确定突变阈值；本实施例中，制作健康状态估计结果随着电气设备运行年份的变化规律的曲线图，得出当变压器投入9年以后，变压器由于维护困难等原因，故障发生的概率会随着投入年份的增加而加速增长。因此根据突变阈值可将变压器的预期寿命进行分段。

根据突变阈值将电气设备预期寿命进行分段，每一段设置不同的优化因子；

根据每段的健康状态评估结果变化规律，确定优化因子的数值，根据不同的优化因子调整初步寿命预测模型；

将不同分段的寿命预测模型进行整合，形成最终的寿命预测模型。

本实施例中，设变压器预期寿命为35年，根据突变阈值，将其分为1-9年段，10-17年段，18-25年段，25-30年段和30-35年段，其故障概率依次升高。

实施例二：

本发明实施例二提供了一种基于深度学习的电气设备寿命预测系统，包括：

寿命预测模块，被配置为获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模块包括：

健康状态估计模块，被配置为采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

数据扩充模块，被配置为采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

耐久度预测模块，被配置为根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

优化模块，被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于深度学习的电气设备寿命预测方法，其特征在于，包括以下步骤：

获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模型的构建过程为：

采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

2.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果的具体步骤为：

采集电气设备的状态参数计算电气设备的老化率；

根据电气设备的老化率和预期寿命估算电气设备的实际役龄；

根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合，求得各阶段参数的比例系数和曲率系数，从而计算得到健康状态估计结果。

3.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充得具体步骤为：

利用激光雷达获得三维点云数据，对数据进行二维化处理和紧凑化处理形成二维点云图像，对二维点云图像进行采样形成五通道的二维图像；

在五通道的二维图像的每一行数据下插入若干行空白扩充数据，进行初始化扩充；

对初始化扩充后的图像中的每一个点进行处理，使每个点周围生成若干扩充点；

将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中，生成最终的数据集。

4.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型的具体步骤为：

将扩充后的位置样本数据集进行归一化处理，并对数据集进行预训练；

对耐久度模型进行误差分析，并采用反向传播算法进行调优；

根据误差分析，对扩充后的数据集进行筛选，将异常评分数据进行剔除后得到新的数据集，重新进行训练；

经过不断迭代后得到初步寿命预测模型。

5.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，

根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型的具体步骤为：

根据健康状态估计结果随着电气设备运行年份的变化规律，确定突变阈值；

根据突变阈值将电气设备预期寿命进行分段，每一段设置不同的优化因子；

根据每段的健康状态评估结果变化规律，确定优化因子的数值，根据不同的优化因子调整初步寿命预测模型；

将不同分段的寿命预测模型进行整合，形成最终的寿命预测模型。

6.一种基于深度学习的电气设备寿命预测系统，其特征在于，包括：

寿命预测模块，被配置为获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模块包括：

健康状态估计模块，被配置为采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

数据扩充模块，被配置为采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

耐久度预测模块，被配置为根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

优化模块，被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

7.如权利要求6所述的基于深度学习的电气设备寿命预测系统，其特征在于，采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果的具体步骤为：

采集电气设备的状态参数计算电气设备的老化率；

根据电气设备的老化率和预期寿命估算电气设备的实际役龄；

根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合，求得各阶段参数的比例系数和曲率系数，从而计算得到健康状态估计结果。

8.如权利要求6所述的基于深度学习的电气设备寿命预测系统，其特征在于，采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充得具体步骤为：

利用激光雷达获得三维点云数据，对数据进行二维化处理和紧凑化处理形成二维点云图像，对二维点云图像进行采样形成五通道的二维图像；

在五通道的二维图像的每一行数据下插入若干行空白扩充数据，进行初始化扩充；

对初始化扩充后的图像中的每一个点进行处理，使每个点周围生成若干扩充点；

将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中，生成最终的数据集。

9.如权利要求6所述的基于深度学习的电气设备寿命预测系统，其特征在于，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型的具体步骤为：

将扩充后的位置样本数据集进行归一化处理，并对数据集进行预训练；

对耐久度模型进行误差分析，并采用反向传播算法进行调优；

根据误差分析，对扩充后的数据集进行筛选，将异常评分数据进行剔除后得到新的数据集，重新进行训练；

经过不断迭代后得到初步寿命预测模型。

10.如权利要求6所述的基于深度学习的电气设备寿命预测系统，其特征在于，根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型的具体步骤为：

根据健康状态估计结果随着电气设备运行年份的变化规律，确定突变阈值；

根据突变阈值将电气设备预期寿命进行分段，每一段设置不同的优化因子；

根据每段的健康状态评估结果变化规律，确定优化因子的数值，根据不同的优化因子调整初步寿命预测模型；

将不同分段的寿命预测模型进行整合，形成最终的寿命预测模型。

Images