CN104573866A - 一种预测电力设备缺陷的方法和*** - Google Patents
一种预测电力设备缺陷的方法和*** Download PDFInfo
- Publication number
- CN104573866A CN104573866A CN201510009618.9A CN201510009618A CN104573866A CN 104573866 A CN104573866 A CN 104573866A CN 201510009618 A CN201510009618 A CN 201510009618A CN 104573866 A CN104573866 A CN 104573866A
- Authority
- CN
- China
- Prior art keywords
- defect
- defect analysis
- analysis variable
- power equipment
- duration
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 540
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 287
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 132
- 230000001186 cumulative effect Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 15
- 238000001816 cooling Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 12
- 230000002045 lasting effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种预测电力设备缺陷的方法，在N个同类电力设备上实现，包括：提取一时间段中电力设备的历史数据，得到满足预定条件的K个缺陷分析变量；累加出电力设备在同一缺陷分析变量下的持续时间及在K个缺陷分析变量下的总持续时间，进一步得到每一缺陷状态变量的初始概率并组合成向量P(0)；获取K个缺陷分析变量的总次数，且在均分成M个时间片中，确定相邻时间片间K*K种缺陷分析变量转换的次数，进一步得到K*K个转换概率并组合成矩阵P；根据P(1)＝P(0)*P，确定P(1)中最大值对应的缺陷类别为新电力设备投入使用前的预测缺陷。实施本发明，可精确预测出设备可能发生的缺陷，减少设备运维人员的劳动量，提高缺陷分析对实际的指导效果。
Description
技术领域
本发明涉及电力设备管理技术领域，尤其涉及一种预测电力设备缺陷的方法和***。
背景技术
健康的电力设备是保证电网正常运行及提高电网供电可靠性的基础。在实际运行中，有些电力设备虽然能继续使用，但其运行状态发生异常或存在隐患，将会导致设备寿命减短，影响人身、设备和电网的安全，从而出现电能质量下降等不利情况。综上，上述电力设备的异常或隐患均统称为缺陷。因此，对于电力设备中的各类缺陷，需要尽早发现、及时消除，避免缺陷发展为故障，造成电网停电等恶劣状况出现。
目前，对电力设备缺陷的分析方法主要包括：对电力设备的缺陷数量、缺陷消缺率和消缺及时率的统计，并根据上述统计的缺陷数量、缺陷消缺率和消缺及时率对电力设备总体缺陷率进行预测。该分析预测法虽然能够在一定程度上掌握设备缺陷的发生与发展状况，但是缺点在于：信息还不够精确，无法有效指导设备巡视工作的开展。比如，总体缺陷率的预测结果是未来某批电力设备中可能发生缺陷的设备数量占总数量的比例，但在实际生产中，并不能有效的指导设备运维人员的工作。
发明内容
本发明实施例所要解决的技术问题在于，提供一种预测电力设备缺陷的方法和***，可精确预测出电力设备可能发生的缺陷，帮助电力设备运维人员有针对性的进行重点巡视和维护，减少了电力设备运维人员的劳动量，提高了电力设备缺陷分析对实际生产工作的指导效果。
为了解决上述技术问题，本发明实施例提供了一种预测电力设备缺陷的方法，其在N个同一类的电力设备上实现，所述方法包括：
a、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
b、在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
c、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
d、根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，所述方法进一步包括：
获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
其中，所述步骤a的具体步骤包括：
提取一时间段中所述N个电力设备的历史数据，并确定所述历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将所述K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
其中，所述步骤b的具体步骤包括：
在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
其中，所述步骤c的具体步骤包括：
获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
其中，所述电力设备为变压器，所述缺陷分析变量包括未发生缺陷、渗漏油、冷却***故障、仪表故障、操作机构异常和外部机械损坏。
本发明实施例又提供了一种预测电力设备缺陷的方法，其在N个同一类的电力设备上实现，所述方法包括：
S1、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
S2、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
S3、获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
其中，所述步骤S1的具体步骤包括：
提取一时间段中所述N个电力设备的历史数据，并确定所述历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将所述K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
其中，所述步骤S2的具体步骤包括：
获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
其中，所述方法进一步包括：
在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，所述在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)的具体步骤包括：
在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
本发明实施例还提供了一种预测电力设备缺陷的***，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取初始概率单元，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
获取转换概率单元，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
新设备预测缺陷单元，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，所述***还包括：
运行设备预测缺陷单元，用于获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
本发明实施例又提供了一种预测电力设备缺陷的***，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取转换概率单元，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
运行设备预测缺陷单元，用于获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
其中，所述***还包括：
获取初始概率单元，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
新设备预测缺陷单元，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
实施本发明实施例，具有如下有益效果：
在本发明实施例中，由于根据同类电力设备的历史缺陷信息和当前运行情况，采用马尔科夫预测算法，精确预测出电力设备(包括未投入使用和已经投入使用发生过缺陷)可能发生的缺陷，可帮助电力设备运维人员有针对性的进行重点巡视和维护，减少电力设备运维人员的劳动量，提高了电力设备缺陷分析对实际生产工作的指导效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一预测电力设备缺陷的方法的流程图；
图2为本发明实施例提供的另一预测电力设备缺陷的方法的流程图；
图3为本发明实施例提供的一预测电力设备缺陷的***的结构示意图；
图4为本发明实施例提供的另一预测电力设备缺陷的***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，本发明实施例提供一种预测电力设备缺陷的方法，其在N个同一类的电力设备上实现，所述方法包括：
步骤S101、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
具体过程为，提取一时间段中N个电力设备的历史数据，并确定历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
作为一个例子，电力设备为变压器，其发生缺陷的主要原因包括但不限于渗漏油、冷却***故障、仪表故障、操作机构异常、外部机械损坏等，因此在提取多个变压器一年内的运行数据时，该运行数据中包括存在上述缺陷的缺陷数据。统计出在历史数据中所有变压器内所有缺陷分别出现的总次数，然后将所有缺陷按照总次数由大到小进行排序，筛选出排在最前面几位缺陷为渗漏油、冷却***故障、仪表故障、操作机构异常和外部机械损坏，并将筛选出的缺陷类别和未发生缺陷的类别作为相应的缺陷分析变量，缺陷分析变量定义的顺序为未发生缺陷、出渗漏油、冷却***故障、仪表故障、操作机构异常和外部机械损坏。
步骤S102、在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
具体过程为，在历史数据中，获取N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将得到的K个缺陷分析变量分别对应的持续时间均与获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将K个初始概率组合成向量P(0)。
在本发明实施例中，K个初始概率可分别表示为p1(0)、p2(0)、...pK(0)，因此向量P(0)＝(p1(0)、p2(0)、...pK(0))。
以前述变压器为例，p1(0)表示未发生缺陷的概率，p2(0)、...p6(0)分别表示渗漏油、冷却***故障、仪表故障、操作机构异常和外部机械损坏等缺陷的初始概率。计算缺陷分析变量的初始概率的步骤如下(以p1(0)为例)：
累加所有变压器未发生缺陷的持续时间、累加所有变压器渗漏油的持续时间、累加所有变压器冷却***故障缺陷的持续时间、累加所有变压器仪表故障的持续时间、累加所有变压器操作机构异常的持续时间，直至得到累加出所有变压器外部机械损坏的持续时间的结果为止；
将上述六个缺陷分析变量累加出的持续时间再进行总体相加，从而获得总持续时间；
将所有变压器未发生缺陷的持续时间作为分子，将总持续时间作为分母进行计算，得到p1(0)。
同理，依据上述方法可得到p2(0)、...p6(0)，从而进一步构成向量P(0)＝(p1(0)、p2(0)、...p6(0))。
步骤S103、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
具体过程为，获取K个缺陷分析变量分别在历史数据中出现的总次数；
对K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将K*K个转换概率组合成矩阵P。
应当说明的是，为了计算的需求，K个缺陷分析变量进行两两映射，其包括同一缺陷分析变量的相互映射，如变压器的渗漏油变量映射为相同的渗漏油变量，因此形成的矩阵。
应当说明的是，将时间段均分成的M个时间片尽可能小，使得相邻时间片(上一时间片至下一时间片)出现缺陷类别转变的次数满足为一次，如上一时间片A变压器出现渗漏油，但在下一时间片A变压器只会出现一次冷却***故障缺陷，而不是一次以上的冷却***故障缺陷。
在本发明实施例中，K*K种缺陷分析变量转换方式分别对应的转换概率可分别表示为(p11、p12、...p1K；p21、p22、...p2K；...pK1、pK2、...pKK)，从而形成矩阵 其中，pnn表示为相邻时间片同一电力设备的缺陷分析变量对应的缺陷类别相同，n＝1,2,...K。
以前述变压器为例，将一年按照十二个月进行划分，得到十二个时间片；p11表示上下两个月之间的设备缺陷状态都为未发生缺陷的转换概率，p12表示上一个时间片未发生缺陷及下一个时间片发生了渗漏油缺陷的转换概率，因此以此类推，变压器的缺陷分析变量转换方式分别对应的转换概率可分别表示为(p11、p12、...p16；p21、p22、...p26；...p61、p62、...p66)。计算缺陷分析变量的转换概率的步骤如下(以未发生缺陷(p11、p12、...p16)为例)：
获取六个缺陷分析变量分别在历史数据中出现的总次数，当然此时对于(p11、p12、...p16)来说，只需要确定在历史数据中所有变压器未发生缺陷出现的总次数；
未发生缺陷将会映射出六种转换方式为：未发生缺陷映射未发生缺陷、未发生缺陷映射渗漏油、未发生缺陷映射冷却***故障、未发生缺陷映射仪表故障、未发生缺陷映射操作机构异常和未发生缺陷映射外部机械损坏；
从一至十二月排序，确定相邻时间片之间所有变压器对应于上述六种缺陷分析变量转换方式的次数；
将上述六种缺陷分析变量转换方式的次数依次均作为分子，历史数据中所有变压器未发生缺陷出现的总次数作为分母，得到(p11、p12、...p16)。
同理，依据上述方法可得到(p21、p22、...p26；...p61、p62、...p66)，从而进一步构成矩阵
步骤S104、根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
通过预测新电力设备投入使用前的缺陷可以使得电力设备维护人员有针对性的进行重点巡视和维护，减少电力设备运维人员的劳动量，提高了电力设备缺陷分析对实际生产工作的指导效果。
以前述变压器为例， 得到P(1)中的最大值对应为冷却***故障缺陷，将冷却***故障缺陷作为预测的变压器的缺陷。
本发明实施例中预测电力设备缺陷的方法所产生的转换矩阵对已经投入使用的电力设备的缺陷预测也具有对实际生产工作的指导效果，并且在一定条件下不需要增加数据的计算量对当前电力设备进行缺陷预测，因此所述方法进一步包括：
获取一已投入使用电力设备当前发生的缺陷，并依据该当前缺陷的类别在矩阵P中查找到对应于K种转换方式中的最大值，且将查找到的最大值对应的缺陷类别作为当前发生缺陷的电力设备的下一预测缺陷。
如图2所示，本发明实施例提供了另一种预测电力设备缺陷的方法，其在N个同一类的电力设备上实现，所述方法包括：
步骤S201、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
具体过程为，提取一时间段中N个电力设备的历史数据，并确定历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
步骤S202、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
具体过程为，获取K个缺陷分析变量分别在历史数据中出现的总次数；
对K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将K*K个转换概率组合成矩阵P。
应当说明的是，为了计算的需求，K个缺陷分析变量进行两两映射，其包括同一缺陷分析变量的相互映射，如变压器的渗漏油变量映射为相同的渗漏油变量，因此形成的矩阵。
应当说明的是，将时间段均分成的M个时间片尽可能小，使得相邻时间片(上一时间片至下一时间片)出现缺陷类别转变的次数满足为一次，如上一时间片A变压器出现渗漏油，但在下一时间片A变压器只会出现一次冷却***故障缺陷，而不是一次以上的冷却***故障缺陷。
在本发明实施例中，K*K种缺陷分析变量转换方式分别对应的转换概率可分别表示为(p11、p12、...p1K；p21、p22、...p2K；...pK1、pK2、...pKK)，从而形成矩阵 其中，pnn表示为相邻时间片同一电力设备的缺陷分析变量对应的缺陷类别相同，n＝1,2,...K。
步骤S203、获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
通过预测已投入使用电力设备投入使用前的缺陷可以使得电力设备维护人员有针对性的进行重点巡视和维护，减少电力设备运维人员的劳动量，提高了电力设备缺陷分析对实际生产工作的指导效果。
本发明实施例中预测新电力设备在投入使用前的缺陷也具有对实际生产工作的指导效果，因此所述方法进一步包括：
步骤S21、在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
具体过程为，在历史数据中，获取N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将得到的K个缺陷分析变量分别对应的持续时间均与获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将K个初始概率组合成向量P(0)。
在本发明实施例中，K个初始概率可分别表示为p1(0)、p2(0)、...pK(0)，因此向量P(0)＝(p1(0)、p2(0)、...pK(0))。
步骤S22、根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，所述在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)的具体步骤包括：
如图3所示，本发明实施例还提供了一种预测电力设备缺陷的***，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元110，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取初始概率单元120，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
获取转换概率单元130，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
新设备预测缺陷单元140，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，***还包括：
运行设备预测缺陷单元150，用于当获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
其中，获取初始概率单元120包括：
获取持续时间模块1201，用于在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
获取总持续时间模块1202，用于累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
确定初始概率模块1203，用于将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
其中，获取转换概率单元130包括：
获取缺陷总次数模块1301，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
缺陷映射模块1302，用于对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
获取缺陷转换次数模块1303，用于将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
确定转换概率模块1304，用于将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
如图4所示，本发明实施例还提供了另一种预测电力设备缺陷的***，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元210，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取转换概率单元220，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
运行设备预测缺陷单元230，用于获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
其中，所述获取转换概率单元220包括：
获取缺陷总次数模块2201，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
缺陷映射模块2202，用于对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
获取缺陷转换次数模块2203，用于将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
确定转换概率模块2204，用于将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
其中，所述***还包括：
获取初始概率单元240，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
新设备预测缺陷单元250，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
其中，所述获取初始概率单元240包括：
获取持续时间模块2401，用于在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
获取总持续时间模块2402，用于累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
确定初始概率模块2403，用于将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
实施本发明实施例，具有如下有益效果：
在本发明实施例中，由于根据同类电力设备的历史缺陷信息和当前运行情况，采用马尔科夫预测算法，精确预测出电力设备(包括未投入使用和已经投入使用发生过缺陷)可能发生的缺陷，可帮助电力设备运维人员有针对性的进行重点巡视和维护，减少电力设备运维人员的劳动量，提高了电力设备缺陷分析对实际生产工作的指导效果。
值得注意的是，上述***实施例中，所包括的各个***单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (15)
1.一种预测电力设备缺陷的方法，其特征在于，其在N个同一类的电力设备上实现，所述方法包括：
a、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
b、在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
c、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
d、根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
2.如权利要求1所述的方法，其特征在于，所述方法进一步包括：
获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
3.如权利要求1所述的方法，其特征在于，所述步骤a的具体步骤包括：
提取一时间段中所述N个电力设备的历史数据，并确定所述历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将所述K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
4.如权利要求1所述的方法，其特征在于，所述步骤b的具体步骤包括：
在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
5.如权利要求1所述的方法，其特征在于，所述步骤c的具体步骤包括：
获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
6.如权利要求1至5中任一项所述的方法，其特征在于，所述电力设备为变压器，所述缺陷分析变量包括未发生缺陷、渗漏油、冷却***故障、仪表故障、操作机构异常和外部机械损坏。
7.一种预测电力设备缺陷的方法，其特征在于，其在N个同一类的电力设备上实现，所述方法包括：
S1、提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
S2、获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
S3、获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
8.如权利要求7所述的方法，其特征在于，所述步骤S1的具体步骤包括：
提取一时间段中所述N个电力设备的历史数据，并确定所述历史数据中每一缺陷发生的总次数；
将每一缺陷发生的总次数由大至小依序排列，筛选出前K-1个总次数大的缺陷，并将所述K-1个缺陷对应的类别和未发生缺陷的类别作为满足条件的K个缺陷类别且进一步设置为缺陷分析变量。
9.如权利要求7所述的方法，其特征在于，所述步骤S2的具体步骤包括：
获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数；
对所述K个缺陷分析变量进行两两映射，得到K*K种缺陷分析变量转换方式；
将所述时间段均分成M个时间片，依时间从小到大排序，确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数；
将每一种缺陷分析变量转换方式的次数均作为分子，并确定每一分子中主映射对应的缺陷分析变量，且筛选出所述每一分子中主映射对应的缺陷分析变量出现的总次数作为相应的分母，得到所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步将所述K*K个转换概率组合成矩阵P。
10.如权利要求7所述的方法，其特征在于，所述方法进一步包括：
在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
11.如权利要求10所述的方法，其特征在于，所述在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)的具体步骤包括：
在所述历史数据中，获取所述N个电力设备对应每一缺陷分析变量的持续发生时间，筛选出同一缺陷分析变量下所述N个电力设备的持续时间并进行累加，得到K个缺陷分析变量分别对应的持续时间；
累加所述得到的K个缺陷分析变量分别对应的持续时间，获得总持续时间；
将所述得到的K个缺陷分析变量分别对应的持续时间均与所述获得的总持续时间相除，得到K个缺陷分析变量分别对应的初始概率，并将所述K个初始概率组合成向量P(0)。
12.一种预测电力设备缺陷的***，其特征在于，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取初始概率单元，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
获取转换概率单元，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
新设备预测缺陷单元，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
13.如权利要求12所述的***，其特征在于，所述***还包括：
运行设备预测缺陷单元，用于获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
14.一种预测电力设备缺陷的***，其特征在于，其在N个同一类的电力设备上实现，所述***包括：
确定缺陷分析变量单元，用于提取一时间段中所述N个电力设备的历史数据，根据所述历史数据统计得到满足预定条件的K个缺陷类别，并将所述得到的K个缺陷类别均作为缺陷分析变量；其中，K、N均为正整数；
获取转换概率单元，用于获取所述K个缺陷分析变量分别在所述历史数据中出现的总次数，并将所述时间段均分成M个时间片，依序确定相邻时间片之间所述N个电力设备对应于K*K种缺陷分析变量转换方式的次数，并根据所述获取的K个缺陷分析变量出现的总次数及K*K种缺陷分析变量转换方式的次数，确定所述K*K种缺陷分析变量转换方式分别对应的转换概率，进一步由所述K*K个转换概率组合成矩阵P；其中，M为正整数；
运行设备预测缺陷单元，用于获取一已投入使用电力设备当前发生的缺陷，并依据所述当前缺陷的类别在所述矩阵P中查找到对应于K种转换方式中的最大值，且将所述查找到的最大值对应的缺陷类别作为所述当前发生缺陷的电力设备的下一预测缺陷。
15.如权利要求14所述的***，其特征在于，所述***还包括：
获取初始概率单元，用于在所述历史数据中，针对每一缺陷分析变量均累加出所述N个电力设备在同一缺陷分析变量下的持续时间，并累加K个所述N个电力设备在同一缺陷分析变量下的持续时间而获得总持续时间，且根据所述累加出的总持续时间及所述累加出的每一缺陷分析变量对应的持续时间，确定每一缺陷状态变量的初始概率，进一步由所述K个初始概率组合成向量P(0)；
新设备预测缺陷单元，用于根据公式P(1)＝P(0)*P，确定P(1)中的最大值，并将所述确定的最大值对应的缺陷类别作为新电力设备投入使用前的预测缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009618.9A CN104573866B (zh) | 2015-01-08 | 2015-01-08 | 一种预测电力设备缺陷的方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510009618.9A CN104573866B (zh) | 2015-01-08 | 2015-01-08 | 一种预测电力设备缺陷的方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573866A true CN104573866A (zh) | 2015-04-29 |
| CN104573866B CN104573866B (zh) | 2017-12-08 |
Family
ID=53089881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510009618.9A Active CN104573866B (zh) | 2015-01-08 | 2015-01-08 | 一种预测电力设备缺陷的方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573866B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303296A (zh) * | 2015-09-29 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种电力设备全寿命状态评价方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
| CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011041741A2 (en) * | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
| CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
| CN103177186A (zh) * | 2013-03-21 | 2013-06-26 | 国家电网公司 | 一种电气回路故障概率预测方法 |
| CN103714401A (zh) * | 2014-01-21 | 2014-04-09 | 国家电网公司 | 一种电网配变故障次数预测的方法 |
| US20140163936A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
-
2015
- 2015-01-08 CN CN201510009618.9A patent/CN104573866B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011041741A2 (en) * | 2009-10-01 | 2011-04-07 | Edsa Micro Corporation | Microgrid model based automated real time simulation for market based electric power system optimization |
| CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
| US20140163936A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
| CN103177186A (zh) * | 2013-03-21 | 2013-06-26 | 国家电网公司 | 一种电气回路故障概率预测方法 |
| CN103714401A (zh) * | 2014-01-21 | 2014-04-09 | 国家电网公司 | 一种电网配变故障次数预测的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吕启深 等: "《基于贝叶斯网络和粗糙集约简的变压器故障诊断 》", 《中国电力》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303296A (zh) * | 2015-09-29 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种电力设备全寿命状态评价方法 |
| CN105303296B (zh) * | 2015-09-29 | 2019-04-23 | 国网浙江省电力公司电力科学研究院 | 一种电力设备全寿命状态评价方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN105740975B (zh) * | 2016-01-26 | 2019-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106845728A (zh) * | 2017-02-14 | 2017-06-13 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
| CN106845728B (zh) * | 2017-02-14 | 2020-11-06 | 北京邮电大学 | 一种电力变压器缺陷的预测方法及装置 |
| CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573866B (zh) | 2017-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohsenian-Rad et al. | Distribution synchrophasors: Pairing big data with analytics to create actionable information | |
| CN103679293A (zh) | 智能变电站告警和辅助决策*** | |
| CN104573866A (zh) | 一种预测电力设备缺陷的方法和*** | |
| CN110322135A (zh) | 一种电网设备安全运行状态的实时监控方法及*** | |
| CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及*** | |
| CN113191687B (zh) | 一种弹性配电网全景信息可视化方法及*** | |
| Feng et al. | A technical framework of PHM and active maintenance for modern high-speed railway traction power supply systems | |
| CN102663535A (zh) | 变压器的技术性能及财务信息的管理方法及装置 | |
| US20220308573A1 (en) | System and method for predicting failure in a power system in real-time | |
| CN109814004A (zh) | 配电网故障定位***及方法 | |
| CN110472772B (zh) | 一种隔离开关过热预警方法及一种隔离开关过热预警*** | |
| CN116451876B (zh) | 一种基于人工智能的配电网故障预测和主动检修*** | |
| CN104680254A (zh) | 一种基于综合成本模型的电网规划方案优选方法 | |
| CN103559580A (zh) | 一种配电网分析***和方法 | |
| CN104506137A (zh) | 一种设备故障诊断方法和装置 | |
| CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
| CN103359137A (zh) | 道岔故障预警方法 | |
| Jia et al. | Coordinating energy resources in an islanded microgrid for economic and resilient operation | |
| CN112763963A (zh) | 一种基于深度网络对互感器进行在线监控的***及方法 | |
| CN114252716A (zh) | 一种电网故障诊断方法与装置、存储介质 | |
| CN105426991A (zh) | 一种变压器缺陷率预测的方法和*** | |
| CN114091213A (zh) | 一种电力通信网规划方案评价*** | |
| CN105096217A (zh) | 一种电力计量自动化终端通信状态预测方法和*** | |
| CN117639228A (zh) | 基于数字孪生的配电网运行状态预测方法及*** | |
| CN105184657B (zh) | 一种面向电力***的供电风险评估方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Patentee after: Shenzhen Power Supply Co.,Ltd. Country or region after: China Patentee after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd. Address before: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Patentee before: Shenzhen Power Supply Co.,Ltd. Country or region before: China Patentee before: SHENZHEN COMTOP INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240315 Address after: 518101, 3rd Floor, Building 40, Baotian Industrial Zone, Chentian Community, Xixiang Street, Bao'an District, Shenzhen City, Guangdong Province Patentee after: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd. Country or region after: China Address before: 518000 electric power dispatching and communication building, 4020 Shennan East Road, Luohu District, Shenzhen, Guangdong Patentee before: Shenzhen Power Supply Co.,Ltd. Country or region before: China Patentee before: China Southern Power Grid Digital Platform Technology (Guangdong) Co.,Ltd. |
|
| TR01 | Transfer of patent right |