CN117933447A - 一种基于数据分析的故障预测方法及系统 - Google Patents
一种基于数据分析的故障预测方法及系统 Download PDFInfo
- Publication number
- CN117933447A CN117933447A CN202311686382.3A CN202311686382A CN117933447A CN 117933447 A CN117933447 A CN 117933447A CN 202311686382 A CN202311686382 A CN 202311686382A CN 117933447 A CN117933447 A CN 117933447A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- maintenance
- fault
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 73
- 230000036541 health Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000009413 insulation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000012212 insulator Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010016256 fatigue Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的故障预测方法及系统，包括：采集过往设备维修和机器运行数据；提取设备运行状态特征量和维修记录特征量，利用建立运行特征量与维修特征量的映射；构建深度学习模型，用特征量进行训练，建立设备健康状态预测模型；将设备健康状态预测模型用于设备状态评估和故障预测。本发明通过数据分析，可以提前预知出现故障的设备，并及时进行维修，降低维修成本和时间。延长设备使用寿命：通过数据分析，可以更好地了解设备的使用情况，制定更合理的维护计划，从而延长设备的使用寿命。
Description
技术领域
本发明涉及电网故障预测技术领域，具体为一种基于数据分析的故障预测方法及系统。
背景技术
随着社会的不断发展，对电力稳定性的要求越来越高，电力设备的保养与维修也越来越重要。传统的维修方式，需要人工巡检设备，主要依靠经验丰富的工程师进行判断，这种方法存在主观性大、效率低下、准确性不足等问题，很难及时发现设备故障并进行维修。这不仅使得设备的损坏更加严重，而且也增加了生产成本。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：传统方法存在主观性大、效率低下、准确性不足。
为解决上述技术问题，本发明提供如下技术方案：一种基于数据分析的故障预测方法，包括：
采集过往设备维修和机器运行数据；
提取设备运行状态特征量和维修记录特征量，利用建立运行特征量与维修特征量的映射；
构建深度学习模型，用特征量进行训练，建立设备健康状态预测模型；
将设备健康状态预测模型用于设备状态评估和故障预测。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述采集过往设备维修和机器运行数据包括，采集过往设备维修记录和机器运行状态，包括但不限于变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器的温度、湿度、断路器、刀闸位置、各类仪表数据以及维修历史记录。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述特征量提取包括，创建设备维修次数、设备维修记录与设备运行状态数据之间的关系对应表；
利用收集的过往设备维修和机器运行的数据库，对变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器过往数据进行趋势滤波处理，去除干扰数据，再利用算法对滤波后的信号进行建模训练，得到设备维修记录特征量W与设备运行状态特征量X之间的权重系数K，将设备维修次数即为G。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述建立特征量映射包括，
X＝[x1,x2,...,xn]表示设备运行状态特征量，W＝[w1,w2,...,wm]表示维修记录特征量；用f映射这两类特征量，表示为：
其中，α和βj表示模型参数，通过数据拟合得到；Z表示归一化因子；g(xi)表示过滤函数，对设备被运行特征特征量的复杂信息进行过滤，g(xi)＝exp(-γxi 2)；h(wj,xi)表示用于结合两类数据特征量的函数，h(wj,xi)＝ln(1+wj·xi)。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述构建深度学习模型包括，将特征量数据分为训练集、验证集和测试集，构建CNN神经网络据输入数据的设定输入层；选择损失函数和优化器，使用均方误差MSE作为损失函数；使用训练数据来训练模型，调节参数在验证集上监控模型的性能；在测试集上评估模型的准确性、召回率、F1分数指标。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述设备健康状态预测模型包括，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型表示为；
其中，表示对设备运行状态的深度学习模型权重系数；/>表示对维修特征量深度学习模型权重系数；φ(xi)表示对运行状态特征的高级信息过滤函数；/>对维修记录特征的转换函数；b表示偏置项；σ表示激活函数。
作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述用于设备状态评估和故障预测包括，设定一个初始阈值t0，根据设备的运行历史和环境数据动态调整阈值；对设备的不同子系统进行单独评分；计算总评分S＝w1s1+w2s2+...+wnsn；使用深度学习算法根据评分系统识别运行数据中的异常模式；对设备性能参数的长期趋势进行分析，以预测潜在故障；若f(X,W,S)>t则判断设备处于正常运行状态；若f(X,W,s)<t，则预测设备将会出现故障；使用机器学习模型根据历史数据不断调整预测算法；定期更新模型以适应设备的变化和新的运行数据。
第二方面，本发明还提供了基于数据分析的故障预测系统，包括，
数据采集模块：负责从设备收集必要的运行数据和维修记录数据；
深度学习模块：利用深度学习技术对收集的数据进行分析，以识别潜在的故障模式，使用训练好的模型进行异常模式识别和趋势分析；
综合处理模块：将深度学习模块的输出与其他数据综合考虑，形成最终的预测和决策；
数据传输模块：在系统的不同部分之间以及系统与用户或其他系统之间传输数据；对数据进行加密，与云平台连接，进行数据备份和远程访问。
第三方面，本发明还提供了一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于数据分析的故障预测方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于数据分析的故障预测方法的步骤。
本发明的有益效果：本发明提供的基于数据分析的故障预测方法)提高预测准确性：通过大数据分析，可以更精准地预测出设备的故障时间，减少了漏判和误判的可能性。提高维修效率：通过数据分析，可以提前预知出现故障的设备，并及时进行维修，降低维修成本和时间。延长设备使用寿命：通过数据分析，可以更好地了解设备的使用情况，制定更合理的维护计划，从而延长设备的使用寿命。
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数据分析的故障预测方法的整体流程图。
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。
实施例1
参照图1，为本发明的一个实施例，提供了一种基于数据分析的故障预测方法，包括：
S1：采集过往设备维修和机器运行数据。
进一步的，采集过往设备维修和机器运行数据包括，采集过往设备维修记录和机器运行状态，包括但不限于变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器的温度、湿度、断路器、刀闸位置、各类仪表数据以及维修历史记录。
更进一步的，包括故障日期、故障类型、故障原因、维修所需时间、更换的部件、维修成本等。这些数据可以从设备的维护日志或维护管理系统中获得。
更进一步的，记录设备的运行时间、停机时间、运行频率等信息。这些信息对于理解设备的使用模式和潜在疲劳累积非常重要。包括温度、压力、振动、湿度、电流、电压等传感器读数。这些数据有助于实时监测设备的运行状态，从而提早发现潜在的故障迹象。
更进一步的，记录设备的操作历史，包括操作者、操作时间、操作类型等。不当操作可能是导致设备故障的重要因素。
更进一步的，设备所在环境的温度、湿度、灰尘浓度等。环境条件对设备的运行和故障率有直接影响。
应说明的是，记录设备的软件操作和更新历史。软件故障或不兼容也可能导致设备运行问题。操作员或维护人员对设备运行状况的观察和反馈。用户的实际使用体验可以提供重要的故障预测信息。
S2：利用建立运行特征量与维修特征量的映射。
进一步的，创建设备维修次数、设备维修记录与设备运行状态数据之间的关系对应表。
更进一步的，利用收集的过往设备维修和机器运行的数据库，对变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器过往数据进行趋势滤波处理，去除干扰数据，再利用算法对滤波后的信号进行建模训练，得到设备维修记录特征量W与设备运行状态特征量X之间的权重系数K，将设备维修次数即为G。
更进一步的，X＝[x1,x2,...,xn]表示设备运行状态特征量，W＝[w1,w2,...,wm]表示维修记录特征量；用f映射这两类特征量，表示为：
其中，α和βj表示模型参数，通过数据拟合得到；Z表示归一化因子；g(xi)表示过滤函数，对设备被运行特征特征量的复杂信息进行过滤，g(xi)＝exp(-γxi 2)；h(wj,xi)表示用于结合两类数据特征量的函数，h(wj,xi)＝ln(1+wj·xi)。
应说明的是，可以根据设备的运行状态和维修历史计算出一个综合评分，用于评估设备的健康状况。如果这个评分超过某个预设阈值，则可以判断设备处于良好状态；如果低于阈值，则预测设备可能会出现故障。这种方法通过综合考虑多种因素和复杂的数学运算，提高了故障预测的准确性和可靠性。
S3：构建深度学习模型。
进一步的，构建深度学习模型包括，将特征量数据分为训练集、验证集和测试集，构建CNN神经网络据输入数据的设定输入层；选择损失函数和优化器，使用均方误差MSE作为损失函数；使用训练数据来训练模型，在验证集上监控模型的性能，调节参数防止过拟合情况的产生；在测试集上评估模型的准确性、召回率、F1分数指标。
更进一步的，损失函数：如果故障预测是一个分类问题(例如，预测设备是否会故障)，可以使用交叉熵损失函数(如二元交叉熵或分类交叉熵)。如果是回归问题(例如，预测到故障的剩余时间)，可以使用均方误差(MSE)。
更进一步的，根据输入数据的形状定义输入层。例如，如果输入是从传感器收集的多维数据，则输入层的维度应与数据维度相匹配。添加多个卷积层，每个卷积层后跟着一个激活函数，通常是ReLU。
更进一步的，建立CNN卷积层，通过卷积操作提取设备运行数据X中的空间特征，卷积层Ck应用激活函数ReLU，表示为：
Ck＝ReLU(Wk*xk+bk)
其中，Ck表示第k个卷积层的输出；Wk表示第k个卷积层的权重；bk表示第k个卷积层的偏置；*表示卷积操作；ReLU表示激活函数。
更进一步的，在CNN卷积层之间添加池化层(如最大池化层)来降低维度和参数数量。在卷积层之后添加一个或多个全连接层(Dense Layers)。在这些层之间使用Dropout作为正则化方法，以减少过拟合。
更进一步的，构建LSTM层，处理设备的维修记录数据W，捕捉时间序列特征；通过遗忘门、输入门、输出门和细胞状态的计算进行高重要度信息的筛选处理；构建全连接层整合CNN和LSTM特征，提取特征间的关联信息，并输出概率分布:
其中，z表示全连接层的输出向量；zj表示向量z的第j个元素，故障类别的原始分数；zk表示故障类型；softmax()输出设备各种状态的概率分布。
更进一步的，对于分类问题，输出层的神经元数量应等于类别数量，激活函数通常是Softmax。对于回归问题，输出层通常有一个神经元，激活函数可能是线性的。
更进一步的，超参数调整根据验证集上的性能调整模型的超参数，如学习率、批大小、卷积层数量和大小等。
应说明的是，数据准备，将数据划分为训练集、验证集和测试集。对数据进行预处理，如归一化或标准化。模型训练，使用训练集数据训练CNN模型。在训练过程中，监控验证集上的性能指标，如准确度或损失函数值。使用早停(Early Stopping)技术来防止过拟合，即在验证集上的性能不再提升时停止训练。
S4：建立设备健康状态预测模型。
进一步的，设备健康状态预测模型包括，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型。权重参数的映射表示为：
其中，表示对设备运行状态的深度学习模型权重系数；/>表示对维修特征量深度学习模型权重系数；φ(xi)表示对运行状态特征的高级信息过滤函数；/>表示对维修记录特征的转换函数；b表示偏置项；σ表示激活函数。
更进一步的，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型表示为；
其中，Kik表示运行状态特征量xk相关权重系数；Gj表示维护记录特征量wj相关权重系数；ReLU(Wck*xk+bck)表示卷积层的输出，提取运行状态数据的空间特征；Wck表示CNN中第k个卷积层的权重参数；bck表示CNN中第k个卷积层的偏置参数；xk表示设备的第个运行状态量；ReLU()表示激活函数，ReLU(x)＝max(0,x)；LSTM(wj)表示处理第j个维护记录特征量wj后的输出；Z表示归一化因子；使用预测模型对设备运行状态进行预测，结合CNN与LSTM的输出运行状态特征量和维修记录特征量，完成对设备维修与设备运行情况的预测。
更进一步的，设定初始故障阈值λ0，根据设备的运行历史故障率G和环境数据动态调整阈值；对设备整体进行评分，预测到设备将会产生故障时，对设备的子模块进行单独评分；计算设备总评分S表示为：
S＝F(i)
S＝K1F1+K2F2+,...,+KnFn
其中，Fi为设备中的子模块的评分；Ki表示子模块的权重系数；n表示设备中会对设备运行状态产生影响的子模块的数量。
若S＞λ0，则判断设备处于正常运行状态；若S＜λ0，则判断设备将会出现故障，进一步分析设备中的子模块的状态预测值Fi，若Fi＞λ0，则子模块运行正常，若Fi＜λ0，则子模块运行异常，判断为将会发生故障；根据Ki判断子模块在设备运行中的重要程度，根据重要程度进行排序，按顺序进行运行状态预测，确定状态预测异常的子模块，判断故障影响程度；深度学习模型分类算法分析出故障类别，完成对设备故障的预测和故障类型的诊断。
更进一步的，使用深度学习算法根据评分系统识别运行数据中的异常模式；对设备性能参数的长期趋势进行分析，以预测潜在故障；若f(X,W,S)>λ0则判断设备处于正常运行状态；若f(X,W,s)<λ0，则预测设备将会出现故障；使用机器学习模型根据历史数据不断调整预测算法；定期更新模型以适应设备的变化和新的运行数据。
应说明的是，设备处于高温环境下连续运行超过6小时，动态提高故障判断阈值。如果电源系统评分低于某一特定值，即使总评分高于阈值，也发出潜在故障警告。检测到运行数据中的异常波动超过两次，立即进行趋势分析，以判断是否需要提前维护。根据设备的实时响应调整预测模型，确保在不同运行条件下的准确性。
一种基于数据分析的故障预测系统，其特征在于，包括，深度学习模块，综合处理模块，数据传输模块，数据采集模块。
数据采集模块：负责从设备收集必要的运行数据和维修记录数据。
深度学习模块：利用深度学习技术对收集的数据进行分析，以识别潜在的故障模式，使用训练好的模型进行异常模式识别和趋势分析。
综合处理模块：将深度学习模块的输出与其他数据综合考虑，形成最终的预测和决策。
数据传输模块：在系统的不同部分之间以及系统与用户或其他系统之间传输数据；对数据进行加密，与云平台连接，进行数据备份和远程访问。
本实施例还提供一种计算设备，包括，存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于数据分析的故障预测方法。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于数据分析的故障预测方法。
本实施例提出的存储介质与上述实施例提出的基于数据分析的故障预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
以下为本发明的一个实施例，提供了一种基于数据分析的故障预测方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
本实施例旨在验证一种基于数据分析的故障预测策略。选取四种不同的电力设备：变压器、高压组合电器、电流互感器和耦合电容器。这些设备在特定电力系统中运行，收集了包括温度、湿度、电流、电压和设备运行状态的数据。此外，还收集了设备的维修记录，包括故障位置、原因、维修活动等详细信息如表1所示。
表1设备健康状态预测对比表格
据表1可知，运行小时数较高的设备(如电流互感器)倾向于有较低的健康分数，暗示了长时间运行可能导致的设备疲劳和故障风险。在高温高湿环境下运行的设备(如高压组合电器)显示出较低的健康分数，表明环境条件对设备健康有显著影响。频繁维修的设备(如电流互感器)健康分数较低，反映出设备可能存在潜在的设计或运行问题。
本发明通过综合分析设备运行数据和维修记录，使用深度学习模型有效预测设备健康状态。与现有技术相比，这种方法更准确地识别潜在故障，提前采取维修措施，从而提高电力系统的运行效率和稳定性。
维护频率的重要性：维护频率较高的设备表现出较低的健康分数，暗示频繁维护可能是由于潜在的问题或不稳定的运行条件。通过以上分析，可以得出结论，本发明的设备健康状态预测模型能够有效地综合多种运行参数，为设备的健康状况提供准确的预测。
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。
Claims (10)
1.一种基于数据分析的故障预测方法，其特征在于，包括：
采集过往设备维修和机器运行数据；
提取设备运行状态特征量和维修记录特征量，建立运行特征量与维修特征量的映射；
构建深度学习模型，用特征量进行训练，得到设备健康状态预测模型；
将设备健康状态预测模型用于设备状态评估和故障预测。
2.如权利要求1所述的基于数据分析的故障预测方法，其特征在于：所述采集过往设备维修和机器运行数据包括，采集过往设备维修记录和机器运行状态，包括变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器的温度、湿度、断路器、刀闸位置、各类仪表数据以及维修历史记录。
3.如权利要求2所述的基于数据分析的故障预测方法，其特征在于：所述特征量提取包括，创建设备维修次数、设备维修记录与设备运行状态数据之间的关系对应表；
利用收集的过往设备维修和机器运行的数据库，对变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器过往数据进行趋势滤波处理，去除干扰数据，得到设备维修记录特征量W与设备运行状态特征量X之间的权重系数K，设备历史故障率G；
X＝[x1,x2,...,xn]表示设备运行状态特征量，W＝[w1,w2,...,wm]表示维修记录特征量；用f提取这两类特征量，表示为：
其中，α和βj表示模型参数，通过数据拟合得到；Z表示归一化因子；g(xi)表示过滤函数，对设备被运行特征特征量的复杂信息进行过滤，g(xi)＝exp(-γxi 2)；h(wj,xi)表示用于结合两类数据特征量的函数，h(wj,xi)＝ln(1+wj·xi)；xi表示第i个设备运行状态数据；wj表示第j个设备维修数据。
4.如权利要求3所述的基于数据分析的故障预测方法，其特征在于：所述构建深度学习模型包括，建立CNN卷积层，通过卷积操作提取设备运行数据X中的空间特征，卷积层Ck应用激活函数ReLU，表示为：
Ck＝ReLU(Wk*xk+bk)
其中，Ck表示第k个卷积层的输出；Wk表示第k个卷积层的权重；bk表示第k个卷积层的偏置；*表示卷积操作；ReLU表示激活函数；
构建LSTM层，处理设备的维修记录数据W，捕捉时间序列特征；通过遗忘门、输入门、输出门和细胞状态的计算进行高重要度信息的筛选处理；构建全连接层整合CNN和LSTM特征，提取特征间的关联信息，并输出概率分布:
其中，z表示全连接层的输出向量；zj表示向量z的第j个元素，故障类别的原始分数；zk表示故障类型；softmax()输出设备各种状态的概率分布。
5.如权利要求4所述的基于数据分析的故障预测方法，其特征在于：所述构建深度学习模型包括，将特征量数据分为训练集、验证集和测试集，构建CNN-LSTM神经网络据输入数据的设定输入层；选择损失函数和优化器，使用均方误差MSE作为损失函数；使用训练集数据训练深度学习模型；调节运行状态数据权重系数，在验证集上训练模型；在测试集上评估模型的准确性、召回率、F1分数指标。
6.如权利要求5所述的基于数据分析的故障预测方法，其特征在于：所述设备健康状态预测模型包括，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型表示为；
其中，Kik表示运行状态特征量xk相关权重系数；Gj表示维护记录特征量wj相关权重系数；ReLU(Wck*xk+bck)表示卷积层的输出，提取运行状态数据的空间特征；Wck表示CNN中第k个卷积层的权重参数；bck表示CNN中第k个卷积层的偏置参数；xk表示设备的第个运行状态量；ReLU()表示激活函数，ReLU(x)＝max(0,x)；LSTM(wj)表示处理第j个维护记录特征量wj后的输出；Z表示归一化因子；使用预测模型对设备运行状态进行预测，结合CNN与LSTM的输出运行状态特征量和维修记录特征量，完成对设备维修与设备运行情况的预测。
7.如权利要求6所述的基于数据分析的故障预测方法，其特征在于：所述用于设备状态评估和故障预测包括，设定初始故障阈值λ0，根据设备的运行历史故障率G和环境数据动态调整阈值；对设备整体进行评分，预测到设备将会产生故障时，对设备的子模块进行单独评分；计算设备总评分S表示为：
S＝F(i)
S＝K1F1+K2F2+,...,+KnFn
其中，Fi为设备中的子模块的评分；Ki表示子模块的权重系数；n表示设备中会对设备运行状态产生影响的子模块的数量；
若S＞λ0，则判断设备处于正常运行状态；若S＜λ0，则判断设备将会出现故障，分析设备中的子模块的状态预测值Fi，若Fi＞λ0，则子模块运行正常，若Fi＜λ0，则子模块运行异常，判断为将会发生故障；根据Ki判断子模块在设备运行中的重要程度，根据重要程度进行排序，按顺序进行运行状态预测，确定状态预测异常的子模块，判断故障影响程度；深度学习模型分类算法分析出故障类别，完成对设备故障的预测和故障类型的诊断。
8.一种采用如权利要求1～7任一所述方法的基于数据分析的故障预测系统，其特征在于，包括，深度学习模块，综合处理模块，数据传输模块，数据采集模块；
数据采集模块：负责从设备收集必要的运行数据和维修记录数据；
深度学习模块：利用深度学习技术对收集的数据进行分析，以识别潜在的故障模式，使用训练好的模型进行异常模式识别和趋势分析；
综合处理模块：将深度学习模块的输出与其他数据综合考虑，形成最终的预测和决策；
数据传输模块：在系统的不同部分之间以及系统与用户或其他系统之间传输数据；对数据进行加密，与云平台连接，进行数据备份和远程访问。
9.一种计算设备，包括：存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686382.3A CN117933447A (zh) | 2023-12-08 | 2023-12-08 | 一种基于数据分析的故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311686382.3A CN117933447A (zh) | 2023-12-08 | 2023-12-08 | 一种基于数据分析的故障预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117933447A true CN117933447A (zh) | 2024-04-26 |
Family
ID=90758251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311686382.3A Pending CN117933447A (zh) | 2023-12-08 | 2023-12-08 | 一种基于数据分析的故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933447A (zh) |
-
2023
- 2023-12-08 CN CN202311686382.3A patent/CN117933447A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN112713649B (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
| JP2013538543A (ja) | 送電網用の機械学習 | |
| CN108051709A (zh) | 基于人工智能技术的变压器状态在线评估分析方法 | |
| CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
| CN117973902B (zh) | 一种基于保电平台故障处置智能决策方法及系统 | |
| CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
| CN114740343B (zh) | 断路器用实时检测系统 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
| CN117639251A (zh) | 一种高压开关柜智能在线监测系统 | |
| CN117639228A (zh) | 基于数字孪生的配电网运行状态预测方法及系统 | |
| CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN117933447A (zh) | 一种基于数据分析的故障预测方法及系统 | |
| CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
| CN114722705A (zh) | 一种电力电缆线路劣化诊断方法 | |
| CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 |
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 |