CN117556238A - 一种基于故障预测的电力设备巡检方法及系统 - Google Patents
一种基于故障预测的电力设备巡检方法及系统 Download PDFInfo
- Publication number
- CN117556238A CN117556238A CN202311485742.3A CN202311485742A CN117556238A CN 117556238 A CN117556238 A CN 117556238A CN 202311485742 A CN202311485742 A CN 202311485742A CN 117556238 A CN117556238 A CN 117556238A
- Authority
- CN
- China
- Prior art keywords
- inspection
- fault
- route
- data
- points
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000016507 interphase Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于故障预测的电力设备巡检方法及系统包括,获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。能够实现对电力设备的实时监测和分析,提前发现潜在的故障,提高巡检效率和准确性和预防性维护,降低维护成本和提高设备使用寿命。
Description
技术领域
本发明涉及电力设备巡检技术领域,尤其涉及一种基于故障预测的电力设备巡检方法及系统。
背景技术
随着电力行业的快速发展,电力设备的规模和复杂性不断增加。电力设备的正常运行对于整个电力系统的稳定运行至关重要。然而,传统的电力设备巡检方法往往存在一些问题和挑战,如巡检效率低下、故障发现不及时、缺乏预防性维护等。
故障预测技术是一种基于数据分析和机器学习的技术,它通过对设备运行数据的监测和分析,预测设备可能出现的故障,提前采取措施进行维护和修复,从而避免故障的发生或减少故障的影响。随着传感器技术、数据处理技术和人工智能技术的不断发展,故障预测技术在电力行业的应用日益广泛。
基于故障预测的电力设备巡检系统及方法结合了故障预测技术和智能巡检技术,通过采集设备的运行数据,利用故障预测模型对数据进行处理和分析,预测设备的故障趋势和风险等级,提前发现潜在的故障,并采取相应的措施进行维护和修复。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于故障预测的电力设备巡检方法及系统,能够解决背景技术中提到的问题。
为解决上述技术问题,本发明提供如下技术方案,一种基于故障预测的电力设备巡检方法,包括:
获取电力设备的历史数据,所述历史数据包括历史运行状态数据以及历史故障数据;
对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
将电力设备的实时运行数据接入所述故障预测模型,得到故障预测模型的预测结果;
根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型包括:
所述对获取到的历史数据进行预处理包括对获取到的历史数据进行清洗和标准化处理,去除异常值和缺失值;
所述对获取到的历史数据进行预处理还包括特征提取,所述特征提取包括从预处理后的数据中提取出与设备故障相关的特征向量,所述特征向量包括历史数据中设备的电流波形、温度变化趋势、压力波动;
特征向量矩阵表示为:
其中,表示第n个时间点的电流波形数据,/>表示第n个时间点的温度变化趋势数据,/>表示第n个时间点的压力波动数据,n为所述历史数据中包含的时间点个数,n的个数由采样频率确定,Gn表示第n个时间点的故障数据,若该时间点未发生故障,则Gn=0。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:
所述将预处理后的数据用于训练故障预测模型包括,将特征提取后的特征向量按照固定比例分为训练集与测试集,所述训练集与测试集用于故障预测模型的训练与测试,所述故障预测模型通过支持向量机算法实现;
所述故障预测模型包括选择高斯核函数;
所述高斯核函数为:
其中,x和z为不同时间点的输入特征向量,γ是一个正则化参数,控制核函数的宽度和形状,||x-z||2表示x和z之间的欧几里得距离的平方,表示x和z之间的相关性;
所述故障预测模型的目标函数与约束条件为:
所述约束条件包括:
其中,w表示权重向量,y(w)表示间隔函数,ε表示间隔容忍度,α_i与α_j表示输入特征向量x_i与输入特征向量z_j的拉格朗日乘子,||x_i-z_j||2用于计算数据点x_i和z_j之间的相关性,γ是一个正则化参数;
所述目标函数包括:
其中,||w||2表示权重向量的平方范数,C表示一个正则化参数,α_i表示拉格朗日乘子的总和,k表示满足约束条件的拉格朗日乘子总个数。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:
对训练完成后的模型进行评估,设置评估约束条件如下:
准确率约束条件:
灵敏度约束条件:
其中,Sta表示故障且被模型正确预测为故障的样本数,Stb表示正常且被模型正确预测为正常的样本数,Sfb表示正常但被模型错误预测为故障的样本数,Sfa表示故障但被模型错误预测为正常的样本数;
当训练完成后的模型满足评估约束条件时,导出训练完成的模型。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检包括:
将故障划分为一级故障、二级故障以及三级故障;
当电力系统的一次设备发生短路故障、断路故障、漏电故障或电力系统中出现火灾、以及控制系统故障,导致整个电力系统停运或电力系统中大型负荷停电,则将此时故障划分为一级故障;
当电力系统的某个机组发生故障导致部分负荷无法供电或输电线路出现故障、保护装置出现故障、变压器故障,则将此时故障划分为二级故障;
当电力系统的某个设备温度过高、接触器触点损坏或该设备损坏且损坏后造成的影响只有该设备本身,则将此时故障划分为三级故障;
若发生故障,该故障同时出现至少两种的故障状态时,以最高等级故障状态作为该次故障的始发状态,认定此次故障为故障状态中最高等级故障产生。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
建立空间直角坐标系,将所需巡检的全部电力设备放置于第一卦限中,记未产生故障时使用的巡检路线为第一巡检路线,巡检路线中各个电力设备均记作巡检点,记录此时全部巡检点的坐标以及巡检顺序,并将第一巡检路线表示为空间坐标形式;
当模型预测结果只有一个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加一个新起始巡检点,所述新起始巡检点为该故障点,新起始巡检点坐标为该故障点坐标,并计算距离该故障点坐标位置距离最小的三个巡检点;
判断该故障点处故障的等级,若故障等级为一级故障或第二故障,则此时按照第二巡检路线进行巡检,所述第二巡检路线包括对新起始巡检点巡检后,再对所述距离最小的三个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,在进行第二巡检路线巡检时,巡检人员中包含维修人员;
若故障等级为一级故障,则在第二巡检路线巡检结束后再进行一次第一路线巡检操作;
若故障等级为二级故障,则在第二巡检路线巡检结束后在不再进行巡检操作;
若对第二巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
若对第二巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
若故障等级为三级故障,则此时按照第二巡检路线进行巡检,且在进行第二巡检路线巡检时,巡检人员中不包含维修人员。
作为本发明所述的基于故障预测的电力设备巡检方法的一种优选方案,其中:所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
当模型预测结果至少两个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加N个新起始巡检点,所述N个新起始巡检点个数与模型预测故障点个数相同,在第一巡检路线的最终巡检点后增加N个最终始巡检点,所述N个最终始巡检点个数与模型预测故障点个数相同,并计算距离该故障点坐标位置距离最小的六个巡检点;
判断该故障点处故障的等级,若故障等级均为一级故障或二级故障或至少一个一级故障时,则此时按照第三巡检路线进行巡检,所述第三巡检路线包括对N个新起始巡检点巡检后,再对N个新起始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,等待第一次巡检完成后对N个最终始巡检点巡检后,再对N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,在进行第三巡检路线巡检时,且巡检人员分为N组同时对N个起始巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员,等待进行第一次巡检路线巡检时,所有组别巡检人员进行合并,同时进行第一次巡检路线巡检,等待第一次巡检路线巡检结束,重新将巡检人员分为N组同时对N个最终巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员;
若故障等级均为一级故障,则在第三巡检路线巡检结束后再进行两次第一路线巡检操作;
若故障等级均为二级故障,则在第三巡检路线巡检结束后在不再进行巡检操作;
若故障等级为一级故障与二级故障结合,则在第三巡检路线巡检结束后再进行一次第一路线巡检操作;
若对第三巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
若对第三巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
若故障等级不包含一级故障时,则此时按照第三巡检路线进行巡检,且在进行第三巡检路线巡检时,巡检人员中不包含维修人员;
当历史数据出现更新时,判断该次故障数据中故障预测模型预测结果是否正确,若正确,则不进行操作,若不正确,则使用更新后的历史数据重新进行训练故障预测模型。
一种基于故障预测的电力设备巡检系统,其特征在于,包括:数据获取模块、模型训练模块、实时预测模块以及巡检模块,
数据获取模块,所述数据获取模块用于获取电力设备的历史数据,所述历史数据包括历史运行状态数据以及历史故障数据;
模型训练模块,所述模型训练模块用于对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
实时预测模块,所述实时预测模块用于将电力设备的实时运行数据接入所述故障预测模型,得到故障预测模型的预测结果;
巡检模块,所述巡检模块用于根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
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如上所述的方法的步骤。
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如上所述的方法的步骤。
本发明的有益效果:本发明提出一种基于故障预测的电力设备巡检方法及系统,获取电力设备的历史数据,所述历史数据包括历史运行状态数据以及历史故障数据;对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;将电力设备的实时运行数据接入所述故障预测模型,得到故障预测模型的预测结果;根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。能够实现对电力设备的实时监测和分析,提前发现潜在的故障,提高巡检效率和准确性和预防性维护,降低维护成本和提高设备使用寿命。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的方法流程图;
图2为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的建模示意图;
图3为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的某地第一巡检路线示意图;
图4为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的某地第二巡检路线示意图;
图5为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的某地第三巡检路线示意图;
图6为本发明一个实施例提供的一种基于故障预测的电力设备巡检方法及系统的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-6,为本发明的第一个实施例,该实施例提供了一种基于故障预测的电力设备巡检方法及系统,包括:
获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;
更进一步的,对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
更进一步的,对获取到的历史数据进行预处理包括对获取到的历史数据进行清洗和标准化处理,去除异常值和缺失值;
在本申请实施例中,清洗和标准化处理使用中位数填充进行数据清洗,使用Min-Max标准化进行标准化处理。
更进一步的,对获取到的历史数据进行预处理还包括特征提取,特征提取包括从预处理后的数据中提取出与设备故障相关的特征向量,特征向量包括历史数据中设备的电流波形、温度变化趋势、压力波动;
其中,特征向量矩阵表示为:
其中,表示第n个时间点的电流波形数据,/>表示第n个时间点的温度变化趋势数据,/>表示第n个时间点的压力波动数据,n为历史数据中包含的时间点个数,n的个数由采样频率确定,Gn表示第n个时间点的故障数据,若该时间点未发生故障,则Gn=0。
更进一步的,对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:将预处理后的数据用于训练故障预测模型包括,将特征提取后的特征向量按照固定比例分为训练集与测试集,训练集与测试集用于故障预测模型的训练与测试;
在本申请实施例中,故障预测模型通过支持向量机算法实现;该算法是一种常用的机器学习算法,用于分类和回归问题。在故障预测中,支持向量机算法可以将历史数据作为输入,学习并预测未来的故障趋势。
可选的,故障预测模型还可以通过其他机器学习算法实现,例如决策树、神经网络等。此外,故障预测模型还可以通过深度学习算法实现,例如卷积神经网络、循环神经网络等。
更进一步的,故障预测模型包括选择高斯核函数;
高斯核函数为:
其中,x和z为不同时间点的输入特征向量,γ是一个正则化参数,控制核函数的宽度和形状,||x-z||2表示x和z之间的欧几里得距离的平方,表示x和z之间的相关性;
更进一步的,故障预测模型的目标函数与约束条件为:
约束条件包括:
其中,w表示权重向量,y(w)表示间隔函数,ε表示间隔容忍度,α_i与α_j表示输入特征向量x_i与输入特征向量z_j的拉格朗日乘子,||x_i-z_j||2用于计算数据点x_i和z_j之间的相关性,γ是一个正则化参数;
更进一步的,目标函数包括:
其中,||w||2表示权重向量的平方范数,C表示一个正则化参数,α_i表示拉格朗日乘子的总和,k表示满足约束条件的拉格朗日乘子总个数。
更进一步的,对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:
对训练完成后的模型进行评估,设置评估约束条件如下:
准确率约束条件:
灵敏度约束条件:
其中,Sta表示故障且被模型正确预测为故障的样本数,Stb表示正常且被模型正确预测为正常的样本数,Sfb表示正常但被模型错误预测为故障的样本数,Sfa表示故障但被模型错误预测为正常的样本数;
当训练完成后的模型满足评估约束条件时,导出训练完成的模型。
更进一步的,将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;
更进一步的,根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
在本申请实施例中,将故障划分为一级故障、二级故障以及三级故障;
当电力系统的一次设备发生短路故障、断路故障、漏电故障或电力系统中出现火灾、以及控制系统故障,导致整个电力系统停运或电力系统中大型负荷停电,则将此时故障划分为一级故障;
当电力系统的某个机组发生故障导致部分负荷无法供电或输电线路出现故障、保护装置出现故障、变压器故障,则将此时故障划分为二级故障;
当电力系统的某个设备温度过高、接触器触点损坏或该设备损坏且损坏后造成的影响只有该设备本身,则将此时故障划分为三级故障;
若发生故障,该故障同时出现至少两种的故障状态时,以最高等级故障状态作为该次故障的始发状态,认定此次故障为故障状态中最高等级故障产生。
更进一步的,根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
建立空间直角坐标系,将所需巡检的全部电力设备放置于第一卦限中,记未产生故障时使用的巡检路线为第一巡检路线,巡检路线中各个电力设备均记作巡检点,记录此时全部巡检点的坐标以及巡检顺序,并将第一巡检路线表示为空间坐标形式;
应说明的是,当模型预测结果只有一个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加一个新起始巡检点,新起始巡检点为该故障点,新起始巡检点坐标为该故障点坐标,并计算距离该故障点坐标位置距离最小的三个巡检点;
在本申请实施例中,距离直接通过空间直角坐标进行计算。
应说明的是,判断该故障点处故障的等级,若故障等级为一级故障或第二故障,则此时按照第二巡检路线进行巡检,第二巡检路线包括对新起始巡检点巡检后,再对距离最小的三个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,在进行第二巡检路线巡检时,巡检人员中包含维修人员;
若故障等级为一级故障,则在第二巡检路线巡检结束后再进行一次第一路线巡检操作;
若故障等级为二级故障,则在第二巡检路线巡检结束后在不再进行巡检操作;
应说明的是,若对第二巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
应说明的是,若对第二巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
应说明的是,若故障等级为三级故障,则此时按照第二巡检路线进行巡检,且在进行第二巡检路线巡检时,巡检人员中不包含维修人员。
更进一步的,根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
当模型预测结果至少两个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加N个新起始巡检点,N个新起始巡检点个数与模型预测故障点个数相同,在第一巡检路线的最终巡检点后增加N个最终始巡检点,N个最终始巡检点个数与模型预测故障点个数相同,并计算距离该故障点坐标位置距离最小的六个巡检点;
判断该故障点处故障的等级,若故障等级均为一级故障或二级故障或至少一个一级故障时,则此时按照第三巡检路线进行巡检,第三巡检路线包括对N个新起始巡检点巡检后,再对N个新起始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,等待第一次巡检完成后对N个最终始巡检点巡检后,再对N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,在进行第三巡检路线巡检时,且巡检人员分为N组同时对N个起始巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员,等待进行第一次巡检路线巡检时,所有组别巡检人员进行合并,同时进行第一次巡检路线巡检,等待第一次巡检路线巡检结束,重新将巡检人员分为N组同时对N个最终巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员;
若故障等级均为一级故障,则在第三巡检路线巡检结束后再进行两次第一路线巡检操作;
若故障等级均为二级故障,则在第三巡检路线巡检结束后在不再进行巡检操作;
若故障等级为一级故障与二级故障结合,则在第三巡检路线巡检结束后再进行一次第一路线巡检操作;
若对第三巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
若对第三巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
若故障等级不包含一级故障时,则此时按照第三巡检路线进行巡检,且在进行第三巡检路线巡检时,巡检人员中不包含维修人员;
应说明的是,当历史数据出现更新时,判断该次故障数据中故障预测模型预测结果是否正确,若正确,则不进行操作,若不正确,则使用更新后的历史数据重新进行训练故障预测模型。
综上,本发明提出一种基于故障预测的电力设备巡检方法,获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。能够实现对电力设备的实时监测和分析,提前发现潜在的故障,提高巡检效率和准确性和预防性维护,降低维护成本和提高设备使用寿命。
在一个优选的实施例中,一种基于故障预测的电力设备巡检系统,包括:数据获取模块、模型训练模块、实时预测模块以及巡检模块,
数据获取模块,数据获取模块用于获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;
模型训练模块,模型训练模块用于对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
实时预测模块,实时预测模块用于将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;
巡检模块,巡检模块用于根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
上述各单元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6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、运营商网络、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基于故障预测的电力设备巡检方法。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。
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:
获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;
对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;
根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
实施例2
参照图3-5,为本发明的一个实施例,提供了一种基于故障预测的电力设备巡检方法及系统,包括,
图3为某地第一巡检路线示意图,其中A1、A2...A20,均为巡检点,A1为起始巡检点,A20为最终巡检点,巡检顺序为A1->A2->...->A20;
模型预测结果只有一个故障点时,增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加一个新起始巡检点,新起始巡检点为该故障点,新起始巡检点坐标为该故障点坐标,并计算距离该故障点坐标位置距离最小的三个巡检点;
判断该故障点处故障的等级为一级故障,按照第二巡检路线进行巡检,图4为某地第二巡检路线示意图,图中五角星标志为新起始巡检点,十字型标志为距离最小的三个巡检点;
第二巡检路线包括对新起始巡检点A11巡检后,再对距离最小的三个巡检点按照距离从小到大进行巡检,即按照A14->A15->A10进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,在进行第二巡检路线巡检时,巡检人员中包含维修人员,且在第二巡检路线巡检结束后再进行一次第一路线巡检操作;
模型预测结果有两个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加2个新起始巡检点,在第一巡检路线的最终巡检点后增加2个最终始巡检点,2个最终始巡检点个数与模型预测故障点个数相同,并计算距离该故障点坐标位置距离最小的六个巡检点;
判断两处故障点处故障的等级均为一级故障,按照第三巡检路线进行巡检,图5为某地第三巡检路线示意图,图中五角星标志为新起始巡检点或最终巡检点,十字型标志为距离最小的六个巡检点;
此时同时向新起始巡检点A6以及新起始巡检点A18派送巡检人员,巡检人员分为2组同时对2个起始巡检点以及2个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检;
记此时巡检组为A组与B组;
A组巡检路线为:A6->A2->A4->A5->A7->A8->A9->A1->A2...->A19->A20->A18->A17->A16->A15->A14->A13->A19;
B组巡检路线为:A18->A17->A16->A15->A14->A13->A19->A1->A2...->A19->A20->A6->A2->A4->A5->A7->A8->A9;
A组与B组同时进行巡检,进行第一次巡检路线巡检时,所有组别巡检人员进行合并,同时进行第一次巡检路线巡检,
故障等级均为一级故障,在第三巡检路线巡检结束后再进行两次第一路线巡检操作;
模型预测结果只有一个故障点时以及模型预测结果有两个故障点时的故障预测模型预测结果均正确。
综上,本发明提出一种基于故障预测的电力设备巡检方法,获取电力设备的历史数据,历史数据包括历史运行状态数据以及历史故障数据;对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;将电力设备的实时运行数据接入故障预测模型,得到故障预测模型的预测结果;根据故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。能够实现对电力设备的实时监测和分析,提前发现潜在的故障,提高巡检效率和准确性和预防性维护,降低维护成本和提高设备使用寿命。
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者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于故障预测的电力设备巡检方法,其特征在于,包括:
获取电力设备的历史数据,所述历史数据包括历史运行状态数据以及历史故障数据;
对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
将电力设备的实时运行数据接入所述故障预测模型,得到故障预测模型的预测结果;
根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
2.如权利要求1所述的基于故障预测的电力设备巡检方法,其特征在于,所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型包括:
所述对获取到的历史数据进行预处理包括对获取到的历史数据进行清洗和标准化处理,去除异常值和缺失值;
所述对获取到的历史数据进行预处理还包括特征提取,所述特征提取包括从预处理后的数据中提取出与设备故障相关的特征向量,所述特征向量包括历史数据中设备的电流波形、温度变化趋势、压力波动;
特征向量矩阵表示为:
其中,表示第n个时间点的电流波形数据,/>表示第n个时间点的温度变化趋势数据,表示第n个时间点的压力波动数据,n为所述历史数据中包含的时间点个数,n的个数由采样频率确定,Gn表示第n个时间点的故障数据,若该时间点未发生故障,则Gn=0。
3.如权利要求2所述的基于故障预测的电力设备巡检方法,其特征在于,所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:
所述将预处理后的数据用于训练故障预测模型包括,将特征提取后的特征向量按照固定比例分为训练集与测试集,所述训练集与测试集用于故障预测模型的训练与测试,所述故障预测模型通过支持向量机算法实现;
所述故障预测模型包括选择高斯核函数;
所述高斯核函数为:
其中,x和z为不同时间点的输入特征向量,γ是一个正则化参数,控制核函数的宽度和形状,||x-z||2表示x和z之间的欧几里得距离的平方,表示x和z之间的相关性;
所述故障预测模型的目标函数与约束条件为:
所述约束条件包括:
其中,w表示权重向量,y(w)表示间隔函数,ε表示间隔容忍度,α_i与α_j表示输入特征向量x_i与输入特征向量z_j的拉格朗日乘子,||x_i-z_j||2用于计算数据点x_i和z_j之间的相关性,γ是一个正则化参数;
所述目标函数包括:
其中,||w||2表示权重向量的平方范数,C表示一个正则化参数,α_i表示拉格朗日乘子的总和,k表示满足约束条件的拉格朗日乘子总个数。
4.如权利要求3所述的基于故障预测的电力设备巡检方法,其特征在于,所述对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型还包括:
对训练完成后的模型进行评估,设置评估约束条件如下:
准确率约束条件:
灵敏度约束条件:
其中,Sta表示故障且被模型正确预测为故障的样本数,Stb表示正常且被模型正确预测为正常的样本数,Sfb表示正常但被模型错误预测为故障的样本数,Sfa表示故障但被模型错误预测为正常的样本数;
当训练完成后的模型满足评估约束条件时,导出训练完成的模型。
5.如权利要求4所述的基于故障预测的电力设备巡检方法,其特征在于,所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检包括:
将故障划分为一级故障、二级故障以及三级故障;
当电力系统的一次设备发生短路故障、断路故障、漏电故障或电力系统中出现火灾、以及控制系统故障,导致整个电力系统停运或电力系统中大型负荷停电,则将此时故障划分为一级故障;
当电力系统的某个机组发生故障导致部分负荷无法供电或输电线路出现故障、保护装置出现故障、变压器故障,则将此时故障划分为二级故障;
当电力系统的某个设备温度过高、接触器触点损坏或该设备损坏且损坏后造成的影响只有该设备本身,则将此时故障划分为三级故障;
若发生故障,该故障同时出现至少两种的故障状态时,以最高等级故障状态作为该次故障的始发状态,认定此次故障为故障状态中最高等级故障产生。
6.如权利要求5所述的基于故障预测的电力设备巡检方法,其特征在于,所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
建立空间直角坐标系,将所需巡检的全部电力设备放置于第一卦限中,记未产生故障时使用的巡检路线为第一巡检路线,巡检路线中各个电力设备均记作巡检点,记录此时全部巡检点的坐标以及巡检顺序,并将第一巡检路线表示为空间坐标形式;
当模型预测结果只有一个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加一个新起始巡检点,所述新起始巡检点为该故障点,新起始巡检点坐标为该故障点坐标,并计算距离该故障点坐标位置距离最小的三个巡检点;
判断该故障点处故障的等级,若故障等级为一级故障或第二故障,则此时按照第二巡检路线进行巡检,所述第二巡检路线包括对新起始巡检点巡检后,再对所述距离最小的三个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,在进行第二巡检路线巡检时,巡检人员中包含维修人员;
若故障等级为一级故障,则在第二巡检路线巡检结束后再进行一次第一路线巡检操作;
若故障等级为二级故障,则在第二巡检路线巡检结束后在不再进行巡检操作;
若对第二巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
若对第二巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
若故障等级为三级故障,则此时按照第二巡检路线进行巡检,且在进行第二巡检路线巡检时,巡检人员中不包含维修人员。
7.如权利要求6所述的基于故障预测的电力设备巡检方法,其特征在于,所述根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检还包括:
当模型预测结果至少两个故障点时,则增加第一巡检路线的巡检点,在第一巡检路线的起始巡检点前增加N个新起始巡检点,所述N个新起始巡检点个数与模型预测故障点个数相同,在第一巡检路线的最终巡检点后增加N个最终始巡检点,所述N个最终始巡检点个数与模型预测故障点个数相同,并计算距离该故障点坐标位置距离最小的六个巡检点;
判断该故障点处故障的等级,若故障等级均为一级故障或二级故障或至少一个一级故障时,则此时按照第三巡检路线进行巡检,所述第三巡检路线包括对N个新起始巡检点巡检后,再对N个新起始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,等待巡检完成后再按照第一巡检路线进行再次巡检,等待第一次巡检完成后对N个最终始巡检点巡检后,再对N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,在进行第三巡检路线巡检时,且巡检人员分为N组同时对N个起始巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员,等待进行第一次巡检路线巡检时,所有组别巡检人员进行合并,同时进行第一次巡检路线巡检,等待第一次巡检路线巡检结束,重新将巡检人员分为N组同时对N个最终巡检点以及N个最终始巡检点的相间距离最小的六个巡检点按照距离从小到大进行巡检,每组巡检人员中均包含维修人员;
若故障等级均为一级故障,则在第三巡检路线巡检结束后再进行两次第一路线巡检操作;
若故障等级均为二级故障,则在第三巡检路线巡检结束后在不再进行巡检操作;
若故障等级为一级故障与二级故障结合,则在第三巡检路线巡检结束后再进行一次第一路线巡检操作;
若对第三巡检路线进行巡检的过程中出现预测模型预测到的故障,则维修人员进行维修,且此时其他巡检人员返回故障发生指令,并将此次故障情况更新至历史数据中;
若对第三巡检路线进行巡检的过程中未出现预测模型预测到的故障,则此时巡检人员返回故障未发生指令,并将此次故障情况更新至历史数据中;
若故障等级不包含一级故障时,则此时按照第三巡检路线进行巡检,且在进行第三巡检路线巡检时,巡检人员中不包含维修人员;
当历史数据出现更新时,判断该次故障数据中故障预测模型预测结果是否正确,若正确,则不进行操作,若不正确,则使用更新后的历史数据重新进行训练故障预测模型。
8.一种基于故障预测的电力设备巡检系统,其特征在于,包括:数据获取模块、模型训练模块、实时预测模块以及巡检模块,
数据获取模块,所述数据获取模块用于获取电力设备的历史数据,所述历史数据包括历史运行状态数据以及历史故障数据;
模型训练模块,所述模型训练模块用于对获取到的历史数据进行预处理,并将预处理后的数据用于训练故障预测模型;
实时预测模块,所述实时预测模块用于将电力设备的实时运行数据接入所述故障预测模型,得到故障预测模型的预测结果;
巡检模块,所述巡检模块用于根据所述故障预测模型的预测结果,更新电力设备巡检路线,完成基于故障预测的电力设备巡检。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311485742.3A CN117556238A (zh) | 2023-11-09 | 2023-11-09 | 一种基于故障预测的电力设备巡检方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311485742.3A CN117556238A (zh) | 2023-11-09 | 2023-11-09 | 一种基于故障预测的电力设备巡检方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556238A true CN117556238A (zh) | 2024-02-13 |
Family
ID=89819664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311485742.3A Pending CN117556238A (zh) | 2023-11-09 | 2023-11-09 | 一种基于故障预测的电力设备巡检方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556238A (zh) |
-
2023
- 2023-11-09 CN CN202311485742.3A patent/CN117556238A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
CN101907868B (zh) | 牵引供电系统智能故障诊断方法及其系统 | |
CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
US10729382B2 (en) | Methods and systems to predict a state of the machine using time series data of the machine | |
CN109632355B (zh) | 基于机电设备状态数据漂移的故障预测方法及系统 | |
JP6543028B2 (ja) | 異常診断装置及び異常診断方法 | |
CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN107121943B (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
CN107328994A (zh) | 变压器绝缘电阻试验装置及方法 | |
CN117129815A (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和系统 | |
CN117556238A (zh) | 一种基于故障预测的电力设备巡检方法及系统 | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
CN113341347B (zh) | 一种基于aoelm的配电变压器故障动态检测方法 | |
CN114925866A (zh) | 低压配网线路中的辅助决策装置、故障报警方法及系统 | |
CN115100592A (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
CN114399660A (zh) | 一种故障类型的确定方法、装置、电子设备及存储介质 | |
CN116842837A (zh) | 一种变压器故障诊断方法、装置、电子设备及存储介质 | |
JP7257455B2 (ja) | コントローラの意思決定論理の性能を監視するための方法および監視システム | |
CN116665199A (zh) | 一种设备故障诊断方法、装置、设备及存储介质 | |
CN115795913A (zh) | 配电网电压薄弱环节的分析诊断方法、装置、设备及介质 |
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 |