CN118152784A - 模块化变电站设备数据特征提取方法 - Google Patents

Abstract

本发明涉及设备数据特征提取技术领域，具体公开为模块化变电站设备数据特征提取方法，该方法首先对模块化变电站设备进行性能监测，以保持对变电站设备数据的实时监测分析，得到模块化变电站设备的性能异常值，并通过采集模块化变电站设备的历史数据，匹配出模块化变电站设备的性能异常阈值，与模块化变电站设备的性能异常值进行比对，最终匹配得到模块化变电站设备的检验指标集，能够为数据特征提取提供处理基础，并因此提取出模块化变电站设备的各故障特征指标，便于进行反馈预警，以此提高模块化变电站设备的故障维修效率。

Description

模块化变电站设备数据特征提取方法

技术领域

本发明涉及设备数据特征提取技术领域，具体为模块化变电站设备数据特征提取方法。

背景技术

由于传统的变电站设备监测方式已经不能满足对设备状态进行及时的监测需求，会使得变电站设备的效率无法及时获取，因此变电站设备的可靠性和可用性也无法提高，同时随着变电站设备产生的数据量不断增加，无法快速诊断变电站设备的潜在问题，由此需要引入新的数据特征提取技术，以保持对变电站设备数据的实时监测分析。

例如公告号为CN109242439B的发明专利，为基于变电站设备相关联数据的特征提取识别方法，包括下列步骤：1)建立基于变电站设备的特征提取数据库；2)建立基于变电站设备部件的特征识别数据库；3)建立基于变电站工作区的三维仿真设备样本训练平台；4)建立设备特征提取识别系统，现场工作人员通过便携终端实时连接设备特征提取识别系统；5)设备特征提取识别系统在变电站后台，通过便携终端的网络影像，同步查看现场工作人员的工作场景，直接在后台以手写标注的方式注明关键部件或关键工作，实现远程实景指导，通过对电力设备图像特征的识别，对设备的识别标注以及考虑环境参数、设备关联数据的影响因素，建立综合分析的管理数据库，实现对电力设备的管理分析。

结合上述技术方案发现，上述申请在对变电站设备进行数据特征提取的过程中，没有结合变电站历史性的表现数据进行分析，仅仅单一的采集设备的实时数据，不结合历史性的表现而针对性地设置变电站反馈预警的触发门槛，不仅会导致后续建立的管理数据库存在很大程度上的数据管理力度不充分的风险，同时也会使得变电站设备的数据特征提取识别功能的可靠性降低。

发明内容

针对现有技术的不足，本发明提供了模块化变电站设备数据特征提取方法，能够有效解决上述背景技术中涉及的问题。

为实现以上目的，本发明通过以下技术方案予以实现：模块化变电站设备数据特征提取方法，包括：对模块化变电站设备进行性能监测，得到模块化变电站设备的性能异常值；采集模块化变电站设备的历史数据，匹配出模块化变电站设备的性能异常阈值，并与模块化变电站设备的性能异常值进行比对，由此匹配得到模块化变电站设备的检验指标集；对模块化变电站设备的检验指标集进行数据处理，最终提取出模块化变电站设备的各故障特征指标，并进行反馈预警。

作为进一步的方法，所述模块化变电站设备的性能异常值，具体分析公式为：

式中，为模块化变电站设备的性能异常值，/>为模块化变电站设备的气体状态异常指数，/>为模块化变电站设备的机械特性状态异常指数，/>为预设的气体状态异常指数对应的权值因子，/>为预设的机械特性状态异常指数对应的权值因子。

作为进一步的方法，所述匹配出模块化变电站设备的性能异常阈值，具体匹配过程为：

通过采集模块化变电站设备的历史数据，获取模块化变电站设备的历史运维数据以及模块化变电站设备所属区域的环境数据，分别评估得到模块化变电站设备的历史运维影响值以及模块化变电站设备的环境影响值，由此整合得到模块化变电站设备的历史影响度，具体整合公式为：

式中，表示模块化变电站设备的历史影响度，/>表示模块化变电站设备的历史运维影响值，/>为模块化变电站设备的环境影响值，/>表示预定义的历史运维影响值对应的权值因子，/>表示预定义的环境影响值对应的权值因子；将模块化变电站设备的历史影响度与预设的各历史影响度区间对应的性能异常阈值进行匹配，得到模块化变电站设备的性能异常阈值。

作为进一步的方法，所述匹配得到模块化变电站设备的检验指标集，具体匹配过程为：

将模块化变电站设备的性能异常值与模块化变电站设备的性能异常阈值进行比对，若模块化变电站设备的性能异常值高于模块化变电站设备的性能异常阈值，则进行差值处理提取出检验约束值，并与设备模块平台存储的各检验约束值区间对应的各预检测元器件进行匹配，得到模块化变电站设备的各预检测元器件，标记为模块化变电站设备的检验指标集。

作为进一步的方法，所述对模块化变电站设备的检验指标集进行数据处理，具体处理过程为：

根据模块化变电站设备的各预检测元器件，由此获取模块化变电站设备的各预检测元器件在各处理时间点下对应的电流值以及电压值；分别构建出各预检测元器件的电流变化曲线以及电压变化曲线，通过对各预检测元器件的电流变化曲线以及电压变化曲线进行数据处理，由此得到模块化变电站设备的各预检测元器件对应的曲线异常指征值。

作为进一步的方法，所述提取出模块化变电站设备的各故障特征指标，并进行反馈预警，具体分析过程为：

将模块化变电站设备的各预检测元器件对应的曲线异常指征值分别与设定的曲线异常指征阈值进行比对，并统计曲线异常指征值高于设定的曲线异常指征阈值对应的预检测元器件，标记为各故障特征指标，最终对模块化变电站设备的各故障特征指标进行反馈预警。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

（1）本发明通过提供模块化变电站设备数据特征提取方法，首先对模块化变电站设备进行性能监测，以保持对变电站设备数据的实时监测分析，得到模块化变电站设备的性能异常值，并通过采集模块化变电站设备的历史数据，最终匹配出模块化变电站设备的检验指标集，能够为数据特征提取提供处理基础，并因此提取出模块化变电站设备的各故障特征指标，以此降低模块化变电站设备的故障发生率。

（2）本发明通过对模块化变电站设备的运行状态进行自动监测和管理，最终将分析出的模块化变电站设备的性能异常阈值与模块化变电站设备的性能异常值进行比对，匹配得到模块化变电站设备的检验指标集，有助于设备管理人员快速诊断设备问题，缩短故障排除时间，以降低维修成本。

（3）本发明通过对模块化变电站设备数据进行特征提取处理，提取出模块化变电站设备的各故障特征指标，并进行反馈预警，使得模块化变电站设备的故障预防维护得以实时监测实施，能够提高模块化变电站设备的运行效率，同时提高模块化变电站设备的可靠性和可用性。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明的方法流程示意图。

图2为本发明所涉及的电流变化曲线示意图。

图3为本发明所涉及的电压变化曲线示意图。

图4为本发明所涉及的降水量变化曲线示意图。

附图标记：1、降水参考量基准直线；2、降水量异常指征区域面积。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。

参照图1所示，本发明提供了模块化变电站设备数据特征提取方法，包括对模块化变电站设备进行性能监测，得到模块化变电站设备的性能异常值。

在一个具体的实施例中，本发明通过提供模块化变电站设备数据特征提取方法，首先对模块化变电站设备进行性能监测，以保持对变电站设备数据的实时监测分析，得到模块化变电站设备的性能异常值，并通过采集模块化变电站设备的历史数据，最终匹配出模块化变电站设备的检验指标集，能够为数据特征提取提供处理基础，并因此提取出模块化变电站设备的各故障特征指标，以此降低模块化变电站设备的故障发生率。

具体的，所述模块化变电站设备的性能异常值，在一个具体实施例中，可以通过将数据映射到高维空间来寻找数据的边界，其中数据可以为运维检修数据、运作监测数据等，从而得到模块化变电站设备的性能异常值。

上述模块化变电站设备的性能异常值，在本实施例中是将模块化变电站设备的气体状态异常指数以及模块化变电站设备的机械特性状态异常指数进行综合处理，得到关于模块化变电站设备性能异常程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，为模块化变电站设备的性能异常值，本实施例中，气体状态异常指数异常可能意味着设备内部存在气体泄漏或压力异常，火灾、爆炸等安全隐患的可能性会增加；机械特性状态异常指数异常可能导致设备零部件磨损过快、机械故障等，增加设备运行风险，因此及时监测和处理这些异常指标是确保设备正常运行和生产效率的关键。

为模块化变电站设备的气体状态异常指数，/>为模块化变电站设备的机械特性状态异常指数，/>为预设的气体状态异常指数对应的权值因子，/>为预设的机械特性状态异常指数对应的权值因子。

本示例实施例中，上述气体状态异常指数对应的权值因子以及机械特性状态异常指数对应的权值因子，均可以从模块化变电站设备的历史性能数据中通过统计方法得到，其中气体状态异常指数对应的权值因子表示模块化变电站设备的气体状态异常的权重情况，机械特性状态异常指数对应的权值因子表示模块化变电站设备的机械特性状态异常的权重情况，并设定气体状态异常指数对应的权值因子的数值为0.32；机械特性状态异常指数对应的权值因子数值区间为。

进一步的，所述模块化变电站设备的气体状态异常指数，具体分析过程为：

通过对模块化变电站设备进行性能监测，由此获取模块化变电站设备的性能监测数据，包括气体状态监测数据以及机械特性状态监测数据。

根据模块化变电站设备的气体状态监测数据，其中气体状态监测数据包括在设定的状态监测周期内的气体平均密度、在各状态时间点下的/>气体压力以及/>气体水分值。

需要解释的是，上述状态监测周期是从模块化变电站设备的气体监测开始时间点至结束时间点之间的时长，具体数值会随着/>气体的浓度、范围等影响因素而有所调整。

需要阐述的是，上述气体平均密度是获取各状态时间点下的/>气体密度，并通过平均值处理得到的；其中/>气体密度、/>气体压力以及/>气体水分值的获取方式均是通过/>气体状态在线监测传感器得到的相关数据。

进一步需要解释的是，上述状态时间点的获取方式是将状态监测周期随机布设为多个状态时间点，由此得到各状态时间点。

从设备模块平台中提取气体参照密度、/>气体参照压力以及/>气体许可水分值。

最终分析得到模块化变电站设备的气体状态异常指数，在一个具体实施例中，可以利用深度学习模型进行时间序列数据分析，能够有效地检测气体状态异常，以此得到模块化变电站设备的气体状态异常指数。

上述模块化变电站设备的气体状态异常指数，在本实施例中是将气体平均密度、/>气体压力以及/>气体水分值进行综合处理，得到关于模块化变电站设备气体状态异常程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，为模块化变电站设备的气体状态异常指数，本实施例中，/>气体的平均密度和压力异常可能导致绝缘性能下降，使设备内部发生放电、击穿等故障，影响设备的正常运行；/>气体水分值过高可能导致设备内部产生腐蚀、气体分解等问题，降低设备的安全性，增加设备故障的风险；因此，及时监测和维护/>气体的状态是保障设备安全稳定运行的关键。

表示模块化变电站设备在设定的状态监测周期内的/>气体平均密度，其中/>气体平均密度表示在状态监测周期内/>气体的密度平均值。

为/>气体参照密度，是指分析/>气体密度时所规定的密度最佳参考值。

表示模块化变电站设备在第E个状态时间点下的/>气体压力，其中/>气体压力表示/>气体在设备内部的压力水平。

为/>气体参照压力，是指在分析/>气体压力时所设定的压力最适配的数值。

表示模块化变电站设备在第E个状态时间点下的/>气体水分值，其中/>气体水分值表示/>气体中所含水分值的含量。

为/>气体许可水分值，是在判定/>气体水分值时，所允许的最大水分值数值。

表示预设的气体平均密度对应的状态评估因子，/>表示预设的气体压力对应的状态评估因子，/>表示预设的气体水分值对应的状态评估因子，E为各状态时间点的编号，/>，U为状态时间点的总数。

本示例实施例中，上述气体平均密度对应的状态评估因子、气体压力对应的状态评估因子以及气体水分值对应的状态评估因子均可以根据气体的历史状态数据以及专家意见数据统计分析得到；气体平均密度对应的状态评估因子代表/>气体密度的评估修正程度，数值为0.52；气体压力对应的状态评估因子代表/>气体压力的评估修正程度，数值为0.58；气体水分值对应的状态评估因子代表/>气体水分值的评估修正程度，数值区间为/>。

具体的，所述模块化变电站设备的机械特性状态异常指数，具体分析过程为：

根据模块化变电站设备的机械特性状态监测数据，其中机械特性状态监测数据包括在各状态时间点下的储能电击电流以及液压机构压力值。

本实施例中，上述储能电击电流的获取方式为电流传感器；液压机机构压力值的获取方式是压力传感器。

对模块化变电站设备进行操作状态监测，由此得到模块化变电站设备的分闸操作数据以及合闸操作数据，通过对模块化变电站设备的分闸操作数据以及合闸操作数据进行处理分析，最终得到模块化变电站设备的操作控制度。

需要解释的是，上述分闸操作数据包括分闸1线圈电流、分闸2线圈电流、分闸1时间、分闸1时间、分闸1速度、分闸2速度以及分位移开距；合闸操作数据包括合闸线圈电流、合闸时间、合闸速度以及合位移开距；同时分闸操作数据是通过在开关设备的机构中使用位置传感器，以检测分闸操作的位置状态；类似于分闸操作，合闸操作也可以通过位置传感器来监测合闸操作的位置状态。

进一步需要解释的是，上述对模块化变电站设备的分闸操作数据以及合闸操作数据进行处理分析，具体处理分析过程如下：

首先需要确保模块化变电站设备上安装了相应的传感器来采集分闸操作和合闸操作的数据；对采集到的数据进行预处理，包括数据清洗、去噪、校准等操作，以确保数据质量；使用数据分析工具和算法对分闸操作数据和合闸操作数据进行分析，例如：

分析操作的时间序列数据，找出操作时的变化趋势和关键时间点，统计操作数据的特征，如平均值、最大值、最小值等，以了解操作的基本情况，分析不同传感器数据之间的关联性，发现操作之间的相关性和影响因素，检测数据中的异常情况，如异常操作、异常电流变化等，及时发现潜在问题；根据数据分析结果，诊断模块化变电站设备可能存在的问题或潜在风险，提出改进措施和维护建议，以此得到模块化变电站设备的操作控制度。

从设备模块平台中提取储能电击适配电流以及液压机构适配压力值。

由此评估出模块化变电站设备的机械特性状态异常指数，在一个具体实施例中，可以利用训练好的模型对数据进行预测，得到每个时间点的异常指数，并通过整合处理，以此得到模块化变电站设备的机械特性状态异常指数。

上述模块化变电站设备的机械特性状态异常指数，在本实施例中是将操作控制度、储能电击电流以及液压机构压力值进行综合处理，得到关于设备机械特性状态异常程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

为模块化变电站设备的机械特性状态异常指数，本实施例中，操作控制度异常或不稳定会导致设备的操作不准确，可能使得开关动作不到位或产生误操作；储能电击电流异常可能使得设备的储能和释能速度不稳定，影响设备的动作性能；液压机构压力值异常会影响设备的动作速度和力度，导致设备动作不到位或产生异常振动；因此，及时监测和处理这些因素的异常是非常重要的，可以帮助确保设备的正常运行和延长设备的寿命。

为设定的操作控制度单位数值对应的状态影响因子，/>为设定的储能电击电流对应的特性评估因子，/>为设定的液压机构压力值对应的特性评估因子。

本示例实施例中，上述操作控制度单位数值对应的状态影响因子、储能电击电流对应的特性评估因子以及液压机构压力值对应的特性评估因子，均可以根据模块化变电站设备的历史机械特性状态数据以及统计学分析方法分析得到；操作控制度单位数值对应的状态影响因子表示操作控制度的影响情况，具体数值的范围为；储能电击电流对应的特性评估因子代表储能电击电流变化的修正程度，具体数值为0.56；液压机构压力值对应的特性评估因子代表液压机构压力值变化的修正程度，具体数值为0.59。

为模块化变电站设备的操作控制度，表示模块化变电站设备在操作过程中的控制精度和控制稳定性，其中操作过程包括分闸操作以及合闸操作。

为模块化变电站设备在第E个状态时间点下的储能电击电流，其中储能电击电流是表示设备在进行储能或释能过程中所产生的电流，这种电流通常是短暂的、高峰值的电流脉冲。

为储能电击适配电流，表示在分析储能电击电流的过程中，所规定的电流最佳数值。

为模块化变电站设备在第E个状态时间点下的液压机构压力值，其中液压机构压力值是表示液压系统中用于传递能量和控制执行机构动作的液压压力值。

为液压机构适配压力值，表示在判定液压机构压力值时，所设定的压力最适合的数值。

E为各状态时间点的编号，，U为状态时间点的总数。

采集模块化变电站设备的历史数据，匹配出模块化变电站设备的性能异常阈值，并与模块化变电站设备的性能异常值进行比对，由此匹配得到模块化变电站设备的检验指标集。

具体的，所述匹配出模块化变电站设备的性能异常阈值，具体匹配过程为：

模块化变电站设备的历史影响度，在一个具体实施例中，可以通过机器学习算法用于建模复杂的非线性关系，并通过训练数据来预测设备的历史影响度，以此得到模块化变电站设备的历史影响度。

上述模块化变电站设备的历史影响度，在本实施例中是通过采集模块化变电站设备的历史数据，获取模块化变电站设备的历史运维数据以及模块化变电站设备所属区域的环境数据，分别评估得到模块化变电站设备的历史运维影响值以及模块化变电站设备的环境影响值，并进行综合处理，得到关于模块化变电站设备的历史影响程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，表示模块化变电站设备的历史影响度，本实施例中，历史运维影响值高则显示设备经常需要维修或存在故障，可能意味着设备维护成本增加，包括维修费用、零部件更换费用和人工成本等，这对于设备的运营成本会有负面影响；如果模块化变电站设备的环境影响值高，例如能源消耗大、废弃物产生多或排放物超标，将会对设备的运行环境造成负面影响，且加剧资源浪费问题；由此综合考虑历史运维影响值和环境影响值的负面影响，可以帮助管理者识别设备运行中存在的问题和潜在风险，采取相应的改进措施和维护策略，以提高设备的可靠性、可持续性和环保性，从而降低历史影响度对设备运行的不利影响。

表示模块化变电站设备的历史运维影响值，/>为模块化变电站设备的环境影响值，/>表示预定义的历史运维影响值对应的权值因子，/>表示预定义的环境影响值对应的权值因子。

本示例实施例中，上述历史运维影响值对应的权值因子以及环境影响值对应的权值因子均可以根据历史影响数据统计分析得到，其中历史运维影响值对应的权值因子表示历史运维影响值变化的权重性，具体数值为0.65；环境影响值对应的权值因子表示环境影响值变化的权重性，具体数值为0.89。

将模块化变电站设备的历史影响度与预设的各历史影响度区间对应的性能异常阈值进行匹配，得到模块化变电站设备的性能异常阈值。

进一步的，所述匹配得到模块化变电站设备的检验指标集，具体匹配过程为：

将模块化变电站设备的性能异常值与模块化变电站设备的性能异常阈值进行比对，若模块化变电站设备的性能异常值高于模块化变电站设备的性能异常阈值，则进行差值处理提取出检验约束值，并与设备模块平台存储的各检验约束值区间对应的各预检测元器件进行匹配，得到模块化变电站设备的各预检测元器件，标记为模块化变电站设备的检验指标集。

需要解释的是，上述检验约束值的获取方式，是将模块化变电站设备的性能异常值与模块化变电站设备的性能异常阈值进行差值处理，得到的性能异常差对应的绝对值标记为检验约束值。

具体的，所述模块化变电站设备的历史运维影响值，具体分析过程为：

通过模块化变电站设备的历史运维数据，从中提取模块化变电站设备在设定的历史运维周期内的外壳红外最高温度、气室最高温度、平均负载率、气体泄漏次数以及局部放电次数，同时提取出模块化变电站设备的运营年数。

本实施例中，上述历史运维周期是提取模块化变电站设备的历史运维部分数据对应的时长，具体数值会随着历史运维数据的多少、模块化变电站设备的历史运维规模等因素而有所调整。

需要阐述的是，上述外壳红外最高温度、气室最高温度的获取方式均是通过温度传感器获取模块化变电站设备在历史运维周期内的多个温度值，通过筛选处理得到外壳红外最高温度、气室最高温度；平均负载率的获取方式为负载在线监测传感器；气体泄漏次数的获取方式是气体传感器来实时监测气体泄漏，通过检测气体浓度的变化并记录泄漏事件的发生次数，以此得到模块化变电站设备在设定的历史运维周期内的气体泄漏次数；局部放电次数的获取方式为局部放电在线监测传感器；运营年数是从监控系统中提取运行时间、运行状态以及故障次数等数据，从中可以推断设备的运营年数。

将模块化变电站设备在设定的历史运维周期内的外壳红外最高温度以及气室最高温度，通过数值算法处理得到模块化变电站设备的外壳劣化度，与设备模块平台中定义的各外壳劣化度区间对应的外壳劣化等级评分进行匹配，得到模块化变电站设备的外壳劣化等级评分。

需要解释的是，上述通过数值算法处理得到模块化变电站设备的外壳劣化度，具体处理过程如下：

对采集的外壳红外最高温度以及气室最高温度进行清洗和预处理，包括处理缺失值、异常值和数据格式转换等操作；从外壳红外最高温度和气室最高温度数据中提取特征，如平均值、最大值、最小值、波动范围等；通过使用数学模型、机器学习算法来建立劣化度评估模型；根据计算得到的外壳劣化度数据，进行分析和解释，了解设备在历史运维周期内的劣化情况，以此得到模块化变电站设备的外壳劣化度。

对模块化变电站设备在设定的历史运维周期内的平均负载率以及模块化变电站设备的运营年数进行数据分析，得到模块化变电站设备的终端故障度，与设备模块平台中定义的各终端故障度区间对应的终端故障等级评分进行匹配，得到模块化变电站设备的终端故障等级评分。

本实施例中，上述得到模块化变电站设备的终端故障度，其具体获取过程如下：

对平均负载率数据和运营年数进行清洗和预处理，包括处理缺失值、异常值和数据格式转换等操作；从平均负载率和运营年数数据中提取特征，如平均值、标准差、最大值、最小值等；同时考虑使用故障率、失效概率等指标结合负载率和运营年数数据来评估设备的终端故障度；通过使用可靠性分析模型来建立终端故障度的预测模型，根据模型计算得到终端故障度数据，并进行分析和解释，以此评估出模块化变电站设备的终端故障度。

根据模块化变电站设备在设定的历史运维周期内的气体泄漏次数以及局部放电次数，通过数值算法处理得到模块化变电站设备的元件故障度，与设备模块平台中定义的各元件故障度区间对应的元件故障等级评分进行匹配，得到模块化变电站设备的元件故障等级评分。

本实施方法中，上述通过数值算法处理得到模块化变电站设备的元件故障度，具体过程如下：

对气体泄漏次数和局部放电次数进行清洗和预处理，包括处理缺失值、异常值和数据格式转换等操作；同时可以考虑结合其他信息，如时间段内的变化趋势、元件类型；设计适当的数值算法来计算设备的元件故障度；根据计算得到的元件故障度数据，并了解设备元件的故障情况和可能的影响因素，以此整合出模块化变电站设备的元件故障度。

综合分析出模块化变电站设备的历史运维影响值，在一个具体实施例中，可以通过回归分析模型建立历史运维影响值与其他指标，如故障次数、维护周期等之间的关系，预测出历史运维影响值的变化趋势和影响因素，以此得到模块化变电站设备的历史运维影响值。

上述模块化变电站设备的历史运维影响值，在本实施例中是将外壳劣化等级评分、终端故障等级评分以及元件故障等级评分进行综合处理，得到关于设备运维影响程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，表示模块化变电站设备的历史运维影响值，本实施例中，外壳劣化等级评分低可能导致设备外壳的损坏或漏电风险增加，增加触电或火灾的风险；元件故障可能导致设备部件损坏或失效，降低设备的寿命和稳定性；终端故障可能导致能量损失增加，影响设备的能效和运行效率；因此，通过对外壳劣化等级、终端故障等级和元件故障等级评分的分析，可以及时发现设备运维存在的问题，采取有效的措施进行维护和修复，降低负面影响，确保设备的安全、可靠性和高效运行。

表示模块化变电站设备的外壳劣化等级评分，其中外壳劣化等级评分是指评估设备外壳状况的一个指标，反映设备外壳的健康状况和可能存在的问题程度。

表示预设的外壳劣化等级评分对应单位数值的影响因子，本示例实施例中，其外壳劣化等级评分对应单位数值的影响因子可以从变电站设备的历史劣化等级评分的数据中获取得到，代表外壳劣化等级评分变化的影响程度，其数值为0.47。

表示模块化变电站设备的终端故障等级评分，其中终端故障等级评分是评估设备终端部分可能存在的故障状况和问题程度的一个指标，有助于评估设备的连接可靠性、电气性能和安全性。

表示预设的终端故障等级评分对应单位数值的影响因子，本示例实施例中，其终端故障等级评分对应单位数值的影响因子可以从变电站设备的历史终端故障等级评分的数据中获取得到，代表终端故障等级评分变化的影响程度，其数值为0.74。

表示模块化变电站设备的元件故障等级评分，其中元件故障等级评分是评估设备内部元件可能存在的故障风险和问题程度的一个指标。

表示预设的元件故障等级评分对应单位数值的影响因子，本示例实施例中，其元件故障等级评分对应单位数值的影响因子可以从变电站设备的历史元件故障等级评分的数据中获取得到，代表元件故障等级评分变化的影响程度，其数值为0.85。

进一步的，所述模块化变电站设备的环境影响值，具体分析过程为：

根据模块化变电站设备所属区域的环境数据，其中环境数据包括在各历史运维日的累计降水量、在各历史运维时间点下的温度值和湿度值，与设备模块平台中存储模块化变电站设备的母线许可温度以及许可湿度分别进行比对，分别得到高于母线许可温度的历史运维时间点个数、高于许可湿度的历史运维时间点个数，若某个历史运维时间点下的温度值和湿度值分别同时高于模块化变电站设备的母线许可温度以及许可湿度，则将该历史运维时间点标记为异常运维时间点，由此统计模块化变电站设备的异常运维时间点个数。

本实施例中，上述历史运维日是将历史运维周期按照日期时间划分得到的，即历史运维周期包含10个工作日，则历史运维日为10。

需要解释的是，上述温度值的获取方式为温度在线监测传感器；湿度值的获取方式是湿度在线监测传感器；同时各历史运维时间点的获取方式是将历史运维周期划分为多个历史运维时间点得到的。

进一步需要阐述的是，上述母线许可温度表示母线在正常运行情况下所能承受的最高温度，母线是用于连接各种电气设备的主要导电部件，承担着电能传输和分配的重要功能。

根据模块化变电站设备所属区域在各历史运维日的累计降水量，最终构建模块化变电站设备的降水量变化曲线。

需要解释的是，上述降水量的提取方式可以通过气象站选择模块化变电站所在区域的气象站数据，以此提取出所属区域的降水量。

本实施例中，上述模块化变电站设备的降水量变化曲线，具体如图4所示，横坐标为历史运维日，单位是天；纵坐标为累计降水量，单位是毫米。

通过设备模块平台中定义的日均降水参考量，由此在模块化变电站设备的降水量变化曲线中勾勒出降水参考量基准直线，最终勾勒获取高于降水参考量基准直线的曲线覆盖区域面积，记为模块化变电站设备的降水量异常指征区域面积。

本实施例中，上述降水量异常指征区域面积获取过程如下：

如图4所示，将高于降水参考量基准直线1的曲线区域，通过面积整合算法得到高于降水参考量基准直线1的曲线覆盖区域面积，由此记为降水量异常指征区域面积2。

整合得到模块化变电站设备的环境影响值，在一个具体实施例中，可以通过评估每个因素对环境的影响，如温室气体排放、能耗、水资源利用；并使用归因模型来评估每个因素对环境影响值的贡献程度，将每个因素的环境影响值量化为统一的影响指标，以此得到模块化变电站设备的环境影响值。

上述模块化变电站设备的环境影响值，在本实施例中是将异常运维时间点个数和降水量异常指征区域面积进行综合处理，得到关于设备环境影响程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，为模块化变电站设备的环境影响值，本实施例中，当异常运维时间点个数增多或降水量异常指征区域面积较大时，可能导致设备的维护和检修工作受到影响，无法及时进行必要的维护和修复，增加设备故障的风险；在降水量异常指征区域面积较大的情况下，可能会导致设备运行不稳定，加大能源消耗，降低设备的能效表现，增加能源成本；因此需要进行综合评估和有效管理，以降低对环境和设备运行的不利影响，提高设备的环境友好性和可持续性。

为模块化变电站设备的异常运维时间点个数，是将历史运维时间点下的温度值高于模块化变电站设备的母线许可温度的同时，此历史运维时间点的湿度值也高于模块化变电站设备的许可湿度，统计出此类历史运维时间点的个数，以此得到运维时间点个数之和，标记为模块化变电站设备的异常运维时间点个数，表示模块化变电站设备所属区域的温度、湿度的异常情况。

为设定的单个异常运维时间点对应的影响值，本示例实施例中，其中单个异常运维时间点对应的影响值的获取方式为统计分析方法分析历史异常运维数据得出，代表每个异常运维时间点的影响情况，数值通常设定的范围为/>。

为模块化变电站设备的降水量异常指征区域面积，表示在降水量变化曲线中，高于降水参考量基准直线以上的区域面积，是指模块化变电站设备所属区域的降水量异常程度。

为设定的降水量异常指征区域单位面积对应的影响值，本示例实施例中，其中降水量异常指征区域单位面积对应的影响值是从历史降水量异常数据通过聚类算法分析得到，表示降水量异常指征区域面积的影响情况，数值通常设定为0.35。

在一个具体的实施例中，本发明通过对模块化变电站设备的运行状态进行自动监测和管理，最终将分析出的模块化变电站设备的性能异常阈值与模块化变电站设备的性能异常值进行比对，匹配得到模块化变电站设备的检验指标集，有助于设备管理人员快速诊断设备问题，缩短故障排除时间，以降低维修成本。

对模块化变电站设备的检验指标集进行数据处理，最终提取出模块化变电站设备的各故障特征指标，并进行反馈预警。

具体的，所述对模块化变电站设备的检验指标集进行数据处理，具体处理过程为：

根据模块化变电站设备的各预检测元器件，由此获取模块化变电站设备的各预检测元器件在各处理时间点下对应的电流值以及电压值。

本实施例中，上述电流值的获取方式为电流传感器；电压值的获取方式是电压传感器。

需要阐述的是，上述各处理时间点的获取方式是将设定的数据处理周期随机分配为多个处理时间点，以此得到各处理时间点。

分别构建出各预检测元器件的电流变化曲线以及电压变化曲线，其中电流变化曲线如图2所示，横坐标为处理时间点，单位是秒，纵坐标为电流值，单位是安；电压变化曲线如图3所示，横坐标为处理时间点，单位是秒，纵坐标为电压值，单位是伏。

通过对各预检测元器件的电流变化曲线以及电压变化曲线进行数据处理。

本实施例中，上述对各预检测元器件的电流变化曲线以及电压变化曲线进行数据处理，能够得到电流变化曲线中的各波峰对应的高度值以及陡度值、电压变化曲线中的各波峰对应的高度值以及陡度值，通过数据比对处理，筛选出各预检测元器件的电流变化曲线以及电压变化曲线的所有波峰中最大高度以及最大陡度。

由此得到模块化变电站设备的各预检测元器件对应的曲线异常指征值，在一个具体实施例中，可以根据数据的特点和曲线形态的预期，选择合适的曲线模型进行拟合；利用选定的曲线模型，对数据进行曲线拟合，找到最符合数据分布的曲线；通过评估拟合曲线与原始数据点的拟合程度，可以得到曲线的异常指征值。

上述模块化变电站设备的各预检测元器件对应的曲线异常指征值，在本实施例中是将曲线最大波峰高度以及曲线最大波峰陡度进行综合处理，得到关于预检测元器件对应的曲线异常程度的数据，本实施例采用更加精确的计算方法进行获得，具体的计算方法如下：

式中，为模块化变电站设备的第i个预检测元器件对应的曲线异常指征值，本实施例中，当曲线中的最大波峰高度和陡度数值过高，可能导致曲线处理难度增大；同时使得曲线整体的趋势和规律无法达到理想状态，影响对故障影响指标的全面分析；为了避免这些负面影响，需要在分析过程中综合考虑曲线的整体特征、趋势和局部细节，确保分析方法合理和全面，同时使得数据处理结果准确、可靠。

为第i个预检测元器件的曲线最大波峰高度，表示第i个预检测元器件的电流变化曲线以及电压变化曲线中，所有波峰的高度最大值。

为第i个预检测元器件的曲线最大波峰陡度，表示第i个预检测元器件的电流变化曲线以及电压变化曲线中，所有波峰的陡度最大值。

为预设的曲线最大波峰高度对应单位数值的影响因子，/>为预设的曲线最大波峰陡度对应单位数值的影响因子，K为预设的曲线异常指征对应的评估因子。

本示例实施例中，上述曲线最大波峰高度对应单位数值的影响因子、曲线最大波峰陡度对应单位数值的影响因子均从统计分析方法分析历史波峰数据得到的，曲线异常指征对应的评估因子是从专家意见报告中总结提取的；曲线最大波峰高度对应单位数值的影响因子代表曲线最大波峰高度变化的影响程度，具体数值为0.65；曲线最大波峰陡度对应单位数值的影响因子代表曲线最大波峰陡度变化的影响程度，具体数值为0.35；曲线异常指征对应的评估因子代表曲线异常指征变化的修正程度，具体数值为0.95。

i为各预检测元器件的编号，，n为预检测元器件的总数。

进一步的，所述提取出模块化变电站设备的各故障特征指标，并进行反馈预警，具体分析过程为：

将模块化变电站设备的各预检测元器件对应的曲线异常指征值分别与设定的曲线异常指征阈值进行比对，并统计曲线异常指征值高于设定的曲线异常指征阈值对应的预检测元器件，标记为各故障特征指标，最终对模块化变电站设备的各故障特征指标进行反馈预警。

本实施例中，上述对模块化变电站设备的各故障特征指标进行反馈预警，具体反馈预警过程如下：

安装传感器和监测设备来实时监测模块化变电站设备的关键指标；利用数据处理技术对采集的数据进行处理和分析，以此识别设备的各故障特征指标；建立各故障特征指标与设备故障之间的关联模型，并设定预警规则和阈值；一旦触发预警条件，系统应立即发出警报通知相关人员；相关工作人员接收到预警信息后，应及时进行故障诊断和处理，同时采取相应的维护措施；完成故障处理后，对预警系统的反馈进行记录和分析，评估预警的准确性和效果；根据反馈结果，对预警规则和系统进行必要的调整和改进，以此提高预警系统的准确性和响应速度。

在一个具体的实施例中，本发明通过对模块化变电站设备数据进行特征提取处理，提取出模块化变电站设备的各故障特征指标，并进行反馈预警，使得模块化变电站设备的故障预防维护得以实时监测实施，能够提高模块化变电站设备的运行效率，同时提高模块化变电站设备的可靠性和可用性。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.模块化变电站设备数据特征提取方法，其特征在于，包括：

对模块化变电站设备进行性能监测，得到模块化变电站设备的性能异常值；

采集模块化变电站设备的历史数据，匹配出模块化变电站设备的性能异常阈值，并与模块化变电站设备的性能异常值进行比对，由此匹配得到模块化变电站设备的检验指标集；

对模块化变电站设备的检验指标集进行数据处理，最终提取出模块化变电站设备的各故障特征指标，并进行反馈预警。

2.根据权利要求1所述的模块化变电站设备数据特征提取方法，其特征在于：所述模块化变电站设备的性能异常值，具体分析公式为：

，式中，/>为模块化变电站设备的性能异常值，/>为模块化变电站设备的气体状态异常指数，/>为模块化变电站设备的机械特性状态异常指数，/>为预设的气体状态异常指数对应的权值因子，/>为预设的机械特性状态异常指数对应的权值因子。

3.根据权利要求1所述的模块化变电站设备数据特征提取方法，其特征在于：所述匹配出模块化变电站设备的性能异常阈值，具体匹配过程为：

通过采集模块化变电站设备的历史数据，获取模块化变电站设备的历史运维数据以及模块化变电站设备所属区域的环境数据，分别评估得到模块化变电站设备的历史运维影响值以及模块化变电站设备的环境影响值，由此整合得到模块化变电站设备的历史影响度，具体整合公式为：

，式中，/>表示模块化变电站设备的历史影响度，/>表示模块化变电站设备的历史运维影响值，/>为模块化变电站设备的环境影响值，/>表示预定义的历史运维影响值对应的权值因子，/>表示预定义的环境影响值对应的权值因子；

将模块化变电站设备的历史影响度与预设的各历史影响度区间对应的性能异常阈值进行匹配，得到模块化变电站设备的性能异常阈值。

4.根据权利要求3所述的模块化变电站设备数据特征提取方法，其特征在于：所述匹配得到模块化变电站设备的检验指标集，具体匹配过程为：

将模块化变电站设备的性能异常值与模块化变电站设备的性能异常阈值进行比对，若模块化变电站设备的性能异常值高于模块化变电站设备的性能异常阈值，则进行差值处理提取出检验约束值，并与设备模块平台存储的各检验约束值区间对应的各预检测元器件进行匹配，得到模块化变电站设备的各预检测元器件，标记为模块化变电站设备的检验指标集。

5.根据权利要求4所述的模块化变电站设备数据特征提取方法，其特征在于：所述对模块化变电站设备的检验指标集进行数据处理，具体处理过程为：

根据模块化变电站设备的各预检测元器件，由此获取模块化变电站设备的各预检测元器件在各处理时间点下对应的电流值以及电压值；

分别构建出各预检测元器件的电流变化曲线以及电压变化曲线，通过对各预检测元器件的电流变化曲线以及电压变化曲线进行数据处理，由此得到模块化变电站设备的各预检测元器件对应的曲线异常指征值。

6.根据权利要求5所述的模块化变电站设备数据特征提取方法，其特征在于：所述提取出模块化变电站设备的各故障特征指标，并进行反馈预警，具体分析过程为：

将模块化变电站设备的各预检测元器件对应的曲线异常指征值分别与设定的曲线异常指征阈值进行比对，并统计曲线异常指征值高于设定的曲线异常指征阈值对应的预检测元器件，标记为各故障特征指标，最终对模块化变电站设备的各故障特征指标进行反馈预警。

7.根据权利要求2所述的模块化变电站设备数据特征提取方法，其特征在于：所述模块化变电站设备的气体状态异常指数，具体分析过程为：

通过对模块化变电站设备进行性能监测，由此获取模块化变电站设备的性能监测数据，包括气体状态监测数据以及机械特性状态监测数据；

根据模块化变电站设备的气体状态监测数据，其中气体状态监测数据包括在设定的状态监测周期内的气体平均密度、在各状态时间点下的/>气体压力以及/>气体水分值；

从设备模块平台中提取气体参照密度、/>气体参照压力以及/>气体许可水分值，最终分析得到模块化变电站设备的气体状态异常指数。

8.根据权利要求2所述的模块化变电站设备数据特征提取方法，其特征在于：所述模块化变电站设备的机械特性状态异常指数，具体分析过程为：

根据模块化变电站设备的机械特性状态监测数据，其中机械特性状态监测数据包括在各状态时间点下的储能电击电流以及液压机构压力值；

对模块化变电站设备进行操作状态监测，由此得到模块化变电站设备的分闸操作数据以及合闸操作数据，通过对模块化变电站设备的分闸操作数据以及合闸操作数据进行处理分析，最终得到模块化变电站设备的操作控制度；

从设备模块平台中提取储能电击适配电流以及液压机构适配压力值，由此评估出模块化变电站设备的机械特性状态异常指数。

9.根据权利要求3所述的模块化变电站设备数据特征提取方法，其特征在于：所述模块化变电站设备的历史运维影响值，具体分析过程为：

通过模块化变电站设备的历史运维数据，从中提取模块化变电站设备在设定的历史运维周期内的外壳红外最高温度、气室最高温度、平均负载率、气体泄漏次数以及局部放电次数，同时提取出模块化变电站设备的运营年数；

将模块化变电站设备在设定的历史运维周期内的外壳红外最高温度以及气室最高温度，通过数值算法处理得到模块化变电站设备的外壳劣化度，与设备模块平台中定义的各外壳劣化度区间对应的外壳劣化等级评分进行匹配，得到模块化变电站设备的外壳劣化等级评分；

对模块化变电站设备在设定的历史运维周期内的平均负载率以及模块化变电站设备的运营年数进行数据分析，得到模块化变电站设备的终端故障度，与设备模块平台中定义的各终端故障度区间对应的终端故障等级评分进行匹配，得到模块化变电站设备的终端故障等级评分；

根据模块化变电站设备在设定的历史运维周期内的气体泄漏次数以及局部放电次数，通过数值算法处理得到模块化变电站设备的元件故障度，与设备模块平台中定义的各元件故障度区间对应的元件故障等级评分进行匹配，得到模块化变电站设备的元件故障等级评分；

根据模块化变电站设备的外壳劣化等级评分、终端故障等级评分以及元件故障等级评分，综合分析出模块化变电站设备的历史运维影响值。

10.根据权利要求3所述的模块化变电站设备数据特征提取方法，其特征在于：所述模块化变电站设备的环境影响值，具体分析过程为：

根据模块化变电站设备所属区域的环境数据，其中环境数据包括在各历史运维日的累计降水量、在各历史运维时间点下的温度值和湿度值，与设备模块平台中存储模块化变电站设备的母线许可温度以及许可湿度分别进行比对，分别得到高于母线许可温度的历史运维时间点个数、高于许可湿度的历史运维时间点个数，若某个历史运维时间点下的温度值和湿度值分别同时高于模块化变电站设备的母线许可温度以及许可湿度，则将该历史运维时间点标记为异常运维时间点，由此统计模块化变电站设备的异常运维时间点个数；

根据模块化变电站设备所属区域在各历史运维日的累计降水量，最终构建模块化变电站设备的降水量变化曲线；

通过设备模块平台中定义的日均降水参考量，由此在模块化变电站设备的降水量变化曲线中勾勒出降水参考量基准直线，最终勾勒获取高于降水参考量基准直线的曲线覆盖区域面积，记为模块化变电站设备的降水量异常指征区域面积，整合得到模块化变电站设备的环境影响值。