CN115829129A - 一种基于数据挖掘的用户终端设备故障检修预测方法 - Google Patents

Abstract

本发明涉及一种基于数据挖掘的用户终端设备故障检修预测方法，包括步骤一建立状态感知模型，对电力设备数据进行数据标准化，聚类和回归预测；步骤二建立用户用电数据与设备运行之间的动态关联模型，确定反应系统行为特征的参考数列和影响系统行为的比较数列，对参考数列和比较数列进行无量纲化处理，求出灰色关联系数和关联度，求得关联度排序；步骤三将预测数据与实测数据进行数据对比，确定用户设备故障点；利用状态感知与动态关联实现数据挖掘，实现对用户用电行为数据的融合分析，能更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。

Description

一种基于数据挖掘的用户终端设备故障检修预测方法

技术领域

本发明涉及智能检修技术领域，尤其涉及一种基于数据挖掘的用户终端设备故障检修预测方法。

背景技术

随着大数据、人工智能等新兴数据挖掘与分析技术的不断创新发展，为电力行业业务创新、智能化辅助决策、服务能力提升、市场竞争力增强等方面的发展提供无限空间，预测性维修可以通过对装备状态进行监测和诊断，对装备的状态作出正确的判断，从而制定出科学合理的维修策略，克服了许多维修所面临的难题，故障诊断和状态预测技术的发展是预测性维修发展的关键。

公众号为CN 111784064 A的中国专利公开了一种基于大数据的电厂设备智能预测检修方法和系统，包括如下步骤：步骤S1：利用计算机构建故障搜索引擎；步骤S2：在故障搜索引擎中建立故障知识库以及相对应的检修方法知识库；步骤S3：在故障搜索引擎中输入故障信息；步骤S4：故障知识库根据输入的故障信息筛选出有效信息；步骤S5：筛选完成后，以获得检修方法知识库中相对应的检修方法；但该发明建立的是故障信息群，针对没有发生的故障存在漏掉的风险，因此预测检修存在一定漏洞。

公众号为CN 102063119 A的中国专利公开了一种基于点巡检数据和DCS在线数据的设备，建立设备检修信息库，检修信息库中包括设备点巡检数据和DCS在线数据以及设备检修数据，并将设备点巡检数据和DCS在线数据与设备检修数据进行关联存储；然后周期性地将设备当前阶段的数据与检修信息库中的数据进行数据匹配处理，当设备当前阶段的数据与检修信息库中的某一次检修数据相匹配时，依据检修信息库中的数据对设备进行故障类型的预测和故障发生时间的预测；随着设备检修信息库中的数据积累，可对大多数的设备故障类型进行预测，为设备的预防性检修提供有效依据，为生产的正常进行提供基本保障；但该发明运用的点巡检方式和DCS在线数据的监测存在设备监测数据不全的状态，因此也容易造成预测检修的不全面。

发明内容

本发明提供了一种基于数据挖掘的用户终端设备故障检修预测方法，利用状态感知与动态关联实现数据挖掘，实现对用户用电行为数据的融合分析，能更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。

为了达到上述目的，本发明采用以下技术方案实现：

一种基于数据挖掘的用户终端设备故障检修预测方法，包括以下步骤：

步骤一：建立状态感知模型；

步骤二：建立用户用电数据与设备运行之间的动态关联模型；

步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出的排序基础上进行数据对比，确定用户设备故障点。

进一步地，所述步骤一具体过程如下：

1)收集整理有关设备信息，建立设备信息库，采集电力设备观测点数据，将数据作为各个分量的向量；

2)通过对上述收集到的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作；

3)利用线性回归模型进行数据预测。

进一步地，所述步骤二具体过程如下：

1)确定反映系统行为特征的参考数列和影响系统行为的比较数列；

2)对参考数列和比较数列进行无量纲化处理；

3)求参考数列与比较数列的灰色关联系数ξ(Xi)；

4)求关联度r_i；

5)对关联度排序。

进一步地，所述步骤三中收集用户设备的实时数据，根据动态关联模型的关联程度顺序对数据进行先后排序，将从感知模型中得到预测数据范围与实测数据进行对比，对比误差率在范围内则没有故障点，超出误差率即可确定故障点。

进一步地，所述数据标准化采用Z-score分布方法，聚类采用k-means聚类方法。

进一步地，一种用于实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的装置，其特征在于，包括存储器和处理器；

所述的存储器存储计算机中实现步骤一到步骤三所述方法产生的数据和程序；

所述的处理器用于执行所述计算机程序时实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的步骤。

与现有技术相比，本发明的有益效果是：

1)利用状态感知与动态关联实现了数据挖掘，实现了对用户用电行为数据的融合分析；

2)更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。

附图说明

图1是本发明的方法步骤流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

见图1，是本发明的方法步骤流程图。本发明一种基于数据挖掘的用户终端设备故障检修预测方法，包括以下步骤：

步骤一：建立状态感知模型；

步骤二：建立用户用电数据与设备运行之间的动态关联模型；

步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出的排序基础上进行数据对比，确定用户设备故障点。

进一步地，所述步骤一具体过程如下：

1)数据标准化：收集整理有关设备的大量信息，建立设备信息库，设备信息包括运行数据、常规检测数据、设备状态监测数据、设备历史数据、同类设备的故障信息与检修经验、国家、行业、公司、电厂的有关标准、规程和规定，运行数据包括运行实时数据、运行日志、运行巡检记录、运行分析记录，常规检测包括点检数据、金属检测试验数据、性能试验数据和技术监督项目的测试数据，设备历史数据包括设备图纸、说明书、安装记录、故障记录、检修记录、更改台账；

将采集到的电力设备的多个观测点数据作为多个分量的向量，再对数据进行标准化处理，采用Z-score分布方法，数据标准化过程如下：

其中，X_ij为电气设备向量数据第j个分量；

标准化后X_i的第j个分量公式为：

2)聚类：通过对大量的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作，采用k-means聚类方法，具体步骤如下：

首先，随机设置K个特征空间内的点作为初始的聚类中心，不同点之间的欧几里得距离公式为：

其中，x,y为随机点的坐标，d为随机点距离聚类中心的距离；

其次，对于其他每个点计算到K个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别；

再次，对着标记的聚类中心之后，重新计算出每个聚类的新中心点(平均值)；

然后，计算得出的新中心点与原中心点一样(质心不再移动)，那么结束，否则重新进行第二步过程；

最后，当每次迭代结果不变时，认为算法收敛，聚类完成，K-Means一定会停下，不可能陷入一直选质心的过程；

3)回归预测：线性回归模型进行数据预测；

回归问题是研究自变量和因变量之间的关系，从而对未来数据进行预测的一种数据模型，将历史数据代入线性等式，利用最小二乘法得到系数后即可预测新自变量的变化趋势；

通过历史数据对预测模型进行训练，将实际数据和预测数据进行对比得到预测误差，最终把所有实际和预测之间的误差加在一起就可以量化实际数据和预测数据之间的误差；然后，结合数学模型得到线性回归的损失函数，

其中y⁽ⁱ⁾为实际数据，

为预测数据；

当损失函数得到的值越小，就说明找到的直线越能拟合数据，就可以将参数求解问题转换为求最小误差问题，常见获得最佳拟合线的方法有最小二乘法和梯度下降算法等。本文采用最小二乘法来获取最佳拟合线，计算公式为：

|e|＝|ax+b-y| (7)

当Q最小时即可得到最佳拟合的直线，同时也可求导得到a、b，把所有的|e|都求和构造如下函数，

其可以解释为数据集中能够被模型所解释的方差占数据总方差的比重，因此，值越接近1，说明模型对数据的拟合程度越高，R²可用来评估拟合程度，公式如下，

其中，

为平均值。

进一步地，所述步骤二具体步骤如下：

1)确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为电气设备正常运行时的数据构成，比较数列由电气设备数据构成；

2)在进行灰色关联度分析时，对参考数列和比较数列进行无量纲化处理；

3)求参考数列与比较数列的灰色关联系数ξ(Xi)；

对于一个参考数列X0有若干个比较数列X1,X2,…,Xn，其中ρ为分辨系数，一般在0～1之间，通常取0.5，Δ是第二级最小差，记为Δmin，是两级最大差，记为Δmax，为各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值，记为Δ_0i(k)，所以关联系数ξ(Xi)也可简化如下列公式：

4)求关联度r_i：联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度r_i公式如下,

其中，r_i比较数列xi对参考数列x₀的灰关联度，或称为序列关联度、平均关联度、线关联度。r_i值越接近1，说明相关性越好。

5)对关联度排序，将电气设备正常运行数据及影响因素的因子值视为一条线上的点,与电气设备采集数据及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出电气设备正常运行数据与电气设备采集数据各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断电气设备采集数据对电气设备的影响程度，m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联序，记为{x}，它反映了对于母序列来说各子序列的“优劣”关系。若r_0i>r_0j，则称{x_i}对于同一母序列{x₀}优于{x_j}，记为{x_i}>{x_j}；r_0i表示第i个子序列对母数列特征值，根据关联系数求关联度得到如下关系：

r₁＝x₁；(运行数据与电气设备的关联程度)

r₂＝x₂；(常规检测数据与电气设备的关联程度)

r₃＝x₃；(设备状态监测数据与电气设备的关联程度)

r₂＝x₄；(设备历史数据与电气设备的关联程度)

r₃＝x₅；(同类设备的故障信息和检修经验与电气设备的关联程度)

相应的关联序为r₁>r₃>r₂>r₄>r₅

进一步地，所述步骤三收集用户设备实时数据，实时数据包括：

1)运行数据，分别有运行实时数据、运行日志、运行巡检记录和运行分析记录；

2)常规检测数据，包括点检数据、金属检测试验数据、性能试验数据和技术监督项目的测试数据；

3)设备状态监测数据，为各种监测设备测得的数据；

4)设备历史数据，包括设备图纸、说明书、安装记录、故障记录、检修记录和更改台账；

5)同类设备的故障信息和检修经验；

6)国家、行业、公司、电厂的有关标准、规程和规定；

将采集到的实时数据，根据步骤二的关联程度顺序对数据进行先后排序，上述算法表明对电气设备影响最大的是运行数据，其次是设备状态监测数据，再其次是常规检测数据，对电气设备的运行数据进行分析，利用步骤一得出设备状态准确的预测值，将正常数据与预测值范围进行对比，将所有的数据与预测数据放在同一个表格内，绘制柱形图，观察图像，实测数据与预测数据的误差率在一定范围之内，与预测值进行比对之后误差率为95％、90％、87％、85％和82％,之后的排序数据准确率保持在75％以上，数据就没有问题。

经过对比用户设备所有的数据，得出的结果中所有的数据都在误差率之内，即表明用户设备没有问题，如果经过对比之后，结果中发现有一项误差率超过其范围，表明该用户设备存在问题，需要对发生异常的数据进行处理，由此完成用户终端设备故障检修预测。

进一步地，一种用于实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的装置，其特征在于，包括存储器和处理器；

所述的存储器存储计算机中实现步骤一到步骤三所述方法产生的数据和程序；

所述的处理器用于执行所述计算机程序时实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的步骤。

以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (6)

1.一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，包括以下步骤：

步骤一：建立状态感知模型；

步骤二：建立用户用电数据与设备运行之间的动态关联模型；

步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出的排序基础上进行数据对比，确定用户设备故障点。

2.根据权利要求1所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述步骤一具体过程如下：

1)收集整理有关设备信息，建立设备信息库，采集电力设备的观测点数据，将数据作为各个分量的向量；

2)通过对上述收集到的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作；

3)利用线性回归模型进行数据预测。

3.根据权利要求1所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述步骤二具体过程如下：

1)确定反映系统行为特征的参考数列和影响系统行为的比较数列；

2)对参考数列和比较数列进行无量纲化处理；

3)求参考数列与比较数列的灰色关联系数ξ(Xi)；

4)求关联度r_i；

5)对关联度排序。

4.根据权利要求1所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述步骤三中收集用户设备的实时数据，根据动态关联模型的关联程度顺序对数据进行先后排序，将从感知模型中得到预测数据范围与实测数据进行对比，对比误差率在范围内则没有故障点，超出误差率即可确定故障点。

5.根据权利要求2所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述数据标准化采用Z-score分布方法，聚类采用k-means聚类方法。

6.一种用于实现权利要求1～5中任意一项所述的一种基于数据挖掘的用户终端设备故障检修预测方法的装置，其特征在于，包括存储器和处理器；

所述的存储器存储计算机中实现步骤一到步骤三所述方法产生的数据和程序；

所述的处理器用于执行所述计算机程序时实现如权利要求1至5任一项所述一种基于数据挖掘的用户终端设备故障检修预测方法的步骤。

Images