CN115905959B - 基于缺陷因子的电力断路器关联性故障分析方法及装置 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于缺陷因子的电力断路器关联性故障分析方法及装置，包括：获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子；对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重；利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。本发明还提出一种基于缺陷因子的电力断路器关联性故障分析装置。本发明可以提高电力断路器关联性故障分析的准确性。

Description

基于缺陷因子的电力断路器关联性故障分析方法及装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于缺陷因子的电力断路器关联性故障分析方法及装置。

背景技术

电力断路器是电力系统重要的组成部分，其承担着分配电能、保护系统等作用，其安全稳定运行是电力系统安全稳定运行的保障。电力断路器在运行工作中，经常会出现一些故障，且有些故障难以捕捉。因此，对电力断路器的运行状态进行实时检测，是电力系统安全稳定运行的需要。

现如今，由于电力断路器使用非常频繁，故障检测技术也不够成熟，导致捕捉的故障存在偏差，已经对电力系统的运行造成安全隐患，因此如何提升电力断路器关联性故障分析准确性，成为了亟待解决的问题。

发明内容

本发明提供一种基于缺陷因子的电力断路器关联性故障分析方法及装置，其主要目的在于解决基于缺陷因子的电力断路器关联性故障分析时准确性较低的问题。

为实现上述目的，本发明提供的一种基于缺陷因子的电力断路器关联性故障分析方法，包括：

获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子；

对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；

利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重；

利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。

可选地，所述对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子，包括：

对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据；

利用预设的距离算法计算所述编码数据与预设的缺陷标签之间的缺陷距离，其中，所述预设的距离算法为：

其中，是所述缺陷距离，是所述编码数据中的子数据的标识，是所述编码数据 中的子数据的总数，是所述编码数据中的第个子数据，是所述编码数据的均值，是所 述预设的缺陷标签的均值，是所述预设的缺陷标签中的第个子数据；

根据所述缺陷距离确定所述全寿命周期数据的缺陷因子。

可选地，所述对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据，包括：

对所述全寿命周期数据进行数据清洗，得到所述全寿命周期数据的标准数据；

对所述标准数据进行分词处理，得到所述标准数据的标准分词；

利用预设的编码词库对所述标准分词进行向量转化，得到所述标准分词的标准向量，确定所述标准向量为所述全寿命周期数据的编码数据。

可选地，所述根据所述缺陷距离确定所述全寿命周期数据的缺陷因子，包括：

选取所述缺陷距离小于预设的距离阈值的缺陷距离为目标距离，获取所述目标距离对应的编码数据；

对所述编码数据进行解码，得到所述编码数据的缺陷因子。

可选地，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行函数归一化，得到所述缺陷因子的函数归一化因子；

对所述函数归一化因子进行特征聚类，得到所述缺陷因子的分类因子。

可选地，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行分维度归一化，得到所述缺陷因子的分维度归一化因子；

对所述分维度归一化因子进行等量划分，得到所述分维度归一化因子的子维度因子，确定所述子维度因子为所述缺陷因子的分类因子。

可选地，所述利用预设的关联度算法确定所述分类因子的关联性，包括：

对所述分类因子进行无量纲化处理，得到所述分类因子的无量纲因子，根据所述无量纲因子确定电力断路器的参考数列和比较数列；

利用预设的关联度算法、所述参考数列和所述比较数列生成所述比较数列对所述参考数列的关联度；

根据所述关联度的大小确定所述分类因子的关联性。

可选地，所述根据所述关联性和所述分类因子生成所述分类因子的因子权重，包括：

根据所述关联性建立所述分类因子的特征矩阵，根据所述特征矩阵生成所述分类因子的因子拓扑图；

对所述因子拓扑图进行重要性标识，得到所述因子拓扑图的重点拓扑图，利用所述重点拓扑图生成所述分类因子的因子权重。

可选地，所述利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，包括：

确定预设的循环神经网络的模型结构，对所述模型结构进行初始化，得到初始循环神经网络；

利用所述缺陷因子和所述因子权重对所述初始循环神经网络进行参数调整，得到终极循环神经网络，确定所述终极循环神经网络为电力断路器缺陷检测模型。

为了解决上述问题，本发明还提供一种基于缺陷因子的电力断路器关联性故障分析装置，所述装置包括：

缺陷数据提取模块，用于获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子；

特征分类模块，用于对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；

因子权重模块，用于利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重；

构建模型模块，用于利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。

本发明实施例通过对获取的电路断路器的全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据中与所述电路断路器的缺陷相关的数据，排除了冗余数据的感染，利用归一化处理对生成的缺陷因子进行特征分类，平衡了取值范围不一致而产生的误差，并且有助于清晰快速的获取所需数据，利用关联度算法建立所述分类因子的关联性有利于更加准确地确定所述分类因子之间的关系，生成所述分类因子的因子权重对所述分类因子之间的关系进行量化表示，进而构建的电力断路器缺陷检测模型可以利用数据对所述电力断路器进行故障的判断，提高了故障分析的准确性，因此本发明提出基于缺陷因子的电力断路器关联性故障分析方法及装置，可以解决电力断路器关联性故障分析准确性较低的问题。

附图说明

图1为本发明一实施例提供的基于缺陷因子的电力断路器关联性故障分析方法的流程示意图；

图2为本发明一实施例提供的数据编码的流程示意图；

图3为本发明一实施例提供的分类因子的关联性分析的流程示意图；

图4为本发明一实施例提供的基于缺陷因子的电力断路器关联性故障分析装置的功能模块图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于缺陷因子的电力断路器关联性故障分析方法。所述基于缺陷因子的电力断路器关联性故障分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于缺陷因子的电力断路器关联性故障分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于缺陷因子的电力断路器关联性故障分析方法的流程示意图。在本实施例中，所述基于缺陷因子的电力断路器关联性故障分析方法包括：

S1、获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子。

在本发明实施例中，所述电力断路器是电力系统重要的开关设备，在正常运行时断路器可以接通和切断电气设备的负荷电流，在系统发生故障时则能可靠地切断短路电流；全寿命周期是指所述电力断路器从自然界获取资源、能源，经开采冶炼加工制造等生产过程，又经储存、销售、使用消费直至报废处置各阶段的全过程，进行物质转化的整个生命周期，所述全寿命周期数据是所述电力断路器整个生命周期中产生的数据。

详细地，所述对所述全寿命周期数据进行缺陷数据提取是指从所述全寿命周期数据提炼出与所述电力断路器缺陷相关的数据；所述缺陷因子是指可能对电力断路器的缺陷产生影响的因素。

在本发明实施例中，所述对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子，包括：

对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据；

利用预设的距离算法计算所述编码数据与预设的缺陷标签之间的缺陷距离，其中，所述预设的距离算法为：

其中，是所述缺陷距离，是所述编码数据中的子数据的标识，是所述编码数据 中的子数据的总数，是所述编码数据中的第个子数据，是所述编码数据的均值，是所 述预设的缺陷标签的均值，是所述预设的缺陷标签中的第个子数据；

根据所述缺陷距离确定所述全寿命周期数据的缺陷因子。

在本发明实施例中，所述数据编码可以利用独热编码或者词袋模型，其中，所述独热编码是指又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效，可以这样理解，对于每一个特征，如果它有若干个可能值，那么经过独热编码后，就变成了若干个二元特征，并且这些特征互斥，每次只有一个激活，因此，数据会变成稀疏的；所述词袋模型能够把一个句子转化为向量表示，是比较简单直白的一种方法，它不考虑句子中单词的顺序，只考虑词表中单词在这个句子中的出现次数。

详细地，参图2所示，所述对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据，包括：

S21、对所述全寿命周期数据进行数据清洗，得到所述全寿命周期数据的标准数据；

S22、对所述标准数据进行分词处理，得到所述标准数据的标准分词；

S23、利用预设的编码词库对所述标准分词进行向量转化，得到所述标准分词的标准向量，确定所述标准向量为所述全寿命周期数据的编码数据。

详细地，所述数据清洗目的在于删除重复信息、纠正存在的错误，并提供数据一致性，所述数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。

详细地，所述分词处理可以利用Python和VS Code软件；所述向量转化可以利用word2vec和doc2vec，所述word2vec就是词嵌入的一种，简单点来说就是把一个词语转换成对应向量的表达形式，来让机器读取数据，所述word2vec的模型可以利用skip-gram。

详细地，所述根据所述缺陷距离确定所述全寿命周期数据的缺陷因子，包括：

选取所述缺陷距离小于预设的距离阈值的缺陷距离为目标距离，获取所述目标距离对应的编码数据；

对所述编码数据进行解码，得到所述编码数据的缺陷因子。

详细地，所述预设的距离阈值可以人为设定，也可以对大数据进行分析获得，假设所述预设的距离阈值为1，那么只有所述缺陷距离小于1时，才能确定所述缺陷距离对应的编码数据需要解码，亦即，只有所述缺陷距离小于1的数据才是与所述电力断路器缺陷相关的数据。

S2、对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子。

在本发明实施例中，所述分类因子是根据所述缺陷因子生成的，例如：所述分类因子可以归为人为因素、环境因素和内部机理这三类。

在本发明实施例中，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行函数归一化，得到所述缺陷因子的函数归一化因子；

对所述函数归一化因子进行特征聚类，得到所述缺陷因子的分类因子。

详细地，因为不同的特征有不同的取值范围，在有些算法中，例如线性模型或者距离相关的模型等，特征的取值范围会对最终的结果产生较大影响，例如二元特征的取值范围为[0，1]，而距离特征取值可能是[0，+∞)，在实际使用中会对距离进行截断，例如[0，3000000]，但是这两个特征由于取值范围不一致导致了模型可能会更偏向于取值范围较大的特征，为了平衡取值范围不一致的特征，需要对特征进行归一化处理，将特征取值归一化到［0，1］区间，所以需要对所述缺陷因子进行归一化处理。

详细地，所述函数归一化是指通过映射函数将所述缺陷因子取值映射到［0，1］区间，例如：最大最小值归一化方法是一种线性的映射，还有通过非线性函数的映射，其中，所述非线性函数可以是log函数。

详细地，所述特征聚类可以根据欧式距离公式、聚类指标或者聚类模型进行。

在本发明实施例中，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行分维度归一化，得到所述缺陷因子的分维度归一化因子；

对所述分维度归一化因子进行等量划分，得到所述分维度归一化因子的子维度因子，确定所述子维度因子为所述缺陷因子的分类因子。

详细地，所述分维度归一化可以按照最大最小值归一化方法，但是最大最小值选取的是所属类别的最大最小值，即使用的是局部最大最小值，不是全局的最大最小值。

详细地，所述等量划分是指根据所述分维度归一化因子的样本总数进行均分，每段等量个样本划分为1段，例如：所述分维度归一化因子的取值范围为［0，3000000］，使用等量划分切分成10段，最终的切分结果可能是[0，100)，[100，300)，[300，500)，..，[10000，3000000]，前面的区间划分比较密，后面的比较稀疏，避免等比例划分时，绝大数样本都落在第一段。

S3、利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重。

在本发明实施例中，所述关联性是指所述分类因子之间存在相互制约、相互作用的关系，例如：设备投运首年发生缺陷会对后期设备缺陷生成的影响发生质变提升；环境因素突变会产生设备内部温度、湿度及设备稳定性的改变，此等改变会导致检修处理等人为因素的产生，人为因素进一步影响设备稳定性的改变；设备内部的异常产生，会影响设备被人为因素进一步干扰等。

进一步地，根据经验主义得出：电力断路器的缺陷发生往往是：发生过缺陷的设备更容易发生缺陷，未发生缺陷的设备在全寿命途中除非内外部影响过大，否则发生缺陷的几率很小。

在本发明实施例中，参图3所示，所述利用预设的关联度算法确定所述分类因子的关联性，包括：

S31、对所述分类因子进行无量纲化处理，得到所述分类因子的无量纲因子，根据所述无量纲因子确定电力断路器的参考数列和比较数列；

S32、利用预设的关联度算法、所述参考数列和所述比较数列生成所述比较数列对所述参考数列的关联度；

S33、根据所述关联度的大小确定所述分类因子的关联性。

详细地，所述对所述分类因子进行无量纲化处理时因为由于所述电力断路器中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论。因此在进行关联性分析时，一般都要进行无量纲化的数据处理。

详细地，所述参考数列时反映所述电力断路器行为特征的数据序列，所述比较数列影响所述电力断路器行为的因素组成的数据序列。

进一步地，由于所述参考数列所对应的所述比较数列不止一个，而信息过于分散不便于进行整体性比较，因此有必要将比较数列与参考数列各个时刻的关联系数集中为一个值，作为比较数列与参考数列间关联程度的数量表示。

详细地，所述预设的关联度算法：

其中，是所述分类因子中比较数列对所述分类因子中参考数列的关联度，是所 述比较数列的总数，是所述比较数列的标识，是两级最小差，是两级最大 差，是分辨系数，是所述比较数列曲线上的每一个点与所述参考数列曲线上的每一 个点的绝对差值。

进一步地，所述根据所述关联度的大小确定所述分类因子的关联性是因为所述关联度的大小反映了所述缺陷因子的关联程度。

在本发明实施例中，所述根据所述关联性和所述分类因子生成所述分类因子的因子权重，包括：

根据所述关联性建立所述分类因子的特征矩阵，根据所述特征矩阵生成所述分类因子的因子拓扑图；

对所述因子拓扑图进行重要性标识，得到所述因子拓扑图的重点拓扑图，利用所述重点拓扑图生成所述分类因子的因子权重。

详细地，所述根据所述关联性建立所述分类因子的特征矩阵是指对所述关联性进行指标化，再根据生成指标建立所述分类因子的特证据正，其中，所述对所述关联性进行指标化可将所述关联性分为不关联、弱关联、一般关联、强关联四类，其中，所述不关联的指标为0，弱关联的指标为33%，一般关联的指标为66%，强关联的指标为100%。

详细地，所述因子拓扑图是基于所述分类因子所对应的标签和所述特征矩阵生成的，标签对应所述因子拓扑图的点，根据所述关联性生成的特征矩阵生成所述因子拓扑图的边。

详细地，所述重要性标识是根据所述缺陷因子的关联性强度的，所述重点性标识在所述因子拓扑图的边上进行。

进一步地，所述利用所述重点拓扑图生成所述分类因子的因子权重，假设A与B之间的关联性为90%，B与C之间的关联性为90%,并且A、B和C之间仅存在依次顺承关系，那么A与C之间的关联性为81%。

S4、利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。

在本发明实施例中，所述利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，包括：

确定预设的循环神经网络的模型结构，对所述模型结构进行初始化，得到初始循环神经网络；

利用所述缺陷因子和所述因子权重对所述初始循环神经网络进行参数调整，得到终极循环神经网络，确定所述终极循环神经网络为电力断路器缺陷检测模型。

详细地，所述预设的循环神经网络在迭代的训练过程中，不断调整参数，直到满足精度要求。因此它在解决时间序列问题的实际使用过程中有更高的预测精度，传统的前馈神经网络中，神经元的信息传递是通过网络层与网络层之间的单向传递完成的，此模式使得前馈神经网络变得更容易学习，但在一定程度上也削弱了前馈神经网络模型能力，预设的循环神经网络是前馈神经网络的一种改进体，是一类具有短期记忆能力的神经网络。预设的循环神经网络形成的环路的网络结构，使得神经元既可以接收到其他神经元的信息，也能接收到本身的信息。所以，相比之下，预设的循环神经网络在处理与时序数据相关的预测问题时有着比预设的循环神经网络更明显的优势。在实际应用中，需要根据故障模型构建合适的预设的循环神经网络的网络结构，并需要兼顾快速性、鲁棒性与准确性。

详细地，所述初始化是指确定所述预设的循环神经网络的隐层数与每层的神经元个数等；所述参数调整可以利用贝叶斯优化或者遗传算法，其中，所述贝叶斯优化迭代次数少，速度快，针对非凸问题依然稳健，所述遗传算法是根据称为算子的某些规则修改一组候选解决方案（种群）来工作，相较于基于精度/速度的网格搜索技术表现更好。

本发明实施例通过对获取的电路断路器的全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据中与所述电路断路器的缺陷相关的数据，排除了冗余数据的感染，利用归一化处理对生成的缺陷因子进行特征分类，平衡了取值范围不一致而产生的误差，并且有助于清晰快速的获取所需数据，利用关联度算法建立所述分类因子的关联性有利于更加准确地确定所述分类因子之间的关系，生成所述分类因子的因子权重对所述分类因子之间的关系进行量化表示，进而构建的电力断路器缺陷检测模型可以利用数据对所述电力断路器进行故障的判断，提高了故障分析的准确性，因此本发明提出基于缺陷因子的电力断路器关联性故障分析方法，可以解决电力断路器关联性故障分析准确性较低的问题。

如图4所示，是本发明一实施例提供的基于缺陷因子的电力断路器关联性故障分析装置的功能模块图。

本发明所述基于缺陷因子的电力断路器关联性故障分析装置100可以安装于电子设备中。根据实现的功能，所述基于缺陷因子的电力断路器关联性故障分析装置100可以包括缺陷数据提取模块101、特征分类模块102、因子权重模块103及构建模型模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述缺陷数据提取模块101，用于获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行缺陷数据提取，得到所述全寿命周期数据的缺陷因子；

所述特征分类模块102，用于对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；

所述因子权重模块103，用于利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重；

所述构建模型模块104，用于利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。

在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述方法包括：

获取电力断路器的全寿命周期数据，对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据，利用预设的距离算法计算所述编码数据与预设的缺陷标签之间的缺陷距离，其中，所述预设的距离算法为：

其中，是所述缺陷距离，/>是所述编码数据中的子数据的标识，/>是所述编码数据中的子数据的总数，/>是所述编码数据中的第/>个子数据，/>是所述编码数据的均值，/>是所述预设的缺陷标签的均值，/>是所述预设的缺陷标签中的第/>个子数据，根据所述缺陷距离确定所述全寿命周期数据的缺陷因子；

对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；

利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重，其中，所述预设的关联度算法：

其中，是所述分类因子中比较数列对所述分类因子中参考数列的关联度，/>是所述比较数列的总数，/>是所述比较数列的标识，/>是两级最小差，/>是两级最大差，/>是分辨系数，/>是所述比较数列曲线上的每一个点与所述参考数列曲线上的每一个点的绝对差值；

利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。

2.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据，包括：

对所述全寿命周期数据进行数据清洗，得到所述全寿命周期数据的标准数据；

对所述标准数据进行分词处理，得到所述标准数据的标准分词；

利用预设的编码词库对所述标准分词进行向量转化，得到所述标准分词的标准向量，确定所述标准向量为所述全寿命周期数据的编码数据。

3.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述根据所述缺陷距离确定所述全寿命周期数据的缺陷因子，包括：

选取所述缺陷距离小于预设的距离阈值的缺陷距离为目标距离，获取所述目标距离对应的编码数据；

对所述编码数据进行解码，得到所述编码数据的缺陷因子。

4.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行函数归一化，得到所述缺陷因子的函数归一化因子；

对所述函数归一化因子进行特征聚类，得到所述缺陷因子的分类因子。

5.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子，包括：

对所述缺陷因子进行分维度归一化，得到所述缺陷因子的分维度归一化因子；

对所述分维度归一化因子进行等量划分，得到所述分维度归一化因子的子维度因子，确定所述子维度因子为所述缺陷因子的分类因子。

6.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述利用预设的关联度算法确定所述分类因子的关联性，包括：

对所述分类因子进行无量纲化处理，得到所述分类因子的无量纲因子，根据所述无量纲因子确定电力断路器的参考数列和比较数列；

利用预设的关联度算法、所述参考数列和所述比较数列生成所述比较数列对所述参考数列的关联度；

根据所述关联度的大小确定所述分类因子的关联性。

7.如权利要求1所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述根据所述关联性和所述分类因子生成所述分类因子的因子权重，包括：

根据所述关联性建立所述分类因子的特征矩阵，根据所述特征矩阵生成所述分类因子的因子拓扑图；

对所述因子拓扑图进行重要性标识，得到所述因子拓扑图的重点拓扑图，利用所述重点拓扑图生成所述分类因子的因子权重。

8.如权利要求1至7中任一项所述的基于缺陷因子的电力断路器关联性故障分析方法，其特征在于，所述利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，包括：

确定预设的循环神经网络的模型结构，对所述模型结构进行初始化，得到初始循环神经网络；

利用所述缺陷因子和所述因子权重对所述初始循环神经网络进行参数调整，得到终极循环神经网络，确定所述终极循环神经网络为电力断路器缺陷检测模型。

9.一种基于缺陷因子的电力断路器关联性故障分析装置，其特征在于，所述装置包括：

缺陷数据提取模块，用于获取电力断路器的全寿命周期数据， 对所述全寿命周期数据进行数据编码，得到所述全寿命周期数据的编码数据，利用预设的距离算法计算所述编码数据与预设的缺陷标签之间的缺陷距离，其中，所述预设的距离算法为：

其中，是所述缺陷距离，/>是所述编码数据中的子数据的标识，/>是所述编码数据中的子数据的总数，/>是所述编码数据中的第/>个子数据，/>是所述编码数据的均值，/>是所述预设的缺陷标签的均值，/>是所述预设的缺陷标签中的第/>个子数据，根据所述缺陷距离确定所述全寿命周期数据的缺陷因子；

特征分类模块，用于对所述缺陷因子进行特征分类，得到所述缺陷因子的分类因子；

因子权重模块，用于利用预设的关联度算法确定所述分类因子的关联性，根据所述关联性和所述分类因子生成所述分类因子的因子权重；

构建模型模块，用于利用所述因子权重和所述缺陷因子构建电力断路器缺陷检测模型，利用所述电力断路器缺陷检测模型进行目标电力断路器的故障分析。