CN109146093B - 一种基于学习的电力设备现场勘查方法 - Google Patents

Abstract

一种基于学习的电力设备现场勘查方法，数据分析处理模块被配置为按照以下步骤对数据集进行处理的工作模式：提取数据集的故障特征并基于故障特征建立预测模型以确定电力设备发生故障的第一信息；基于故障特征确定故障类型并生成至少包括故障解决方案的第二信息，在第二信息生成失败的情况下，数据分析处理模块与在线诊断模块通信连接并按照相互访问的方式由在线诊断模块生成所述第二信息，其中，在第二信息生成失败的情况下，基于与第二信息对应的故障类型的关联数据校正所述预测模型。本发明能够识别设备的异常征兆并进行预警，可以提前提供相应措施以避免故障发生，达到变被动检修为主动检修，变非计划停机为计划停机的技术效果。

Description

一种基于学习的电力设备现场勘查方法

技术领域

本发明属于电力***技术领域，尤其涉及一种基于学习的电力设备现场勘查方法。

背景技术

随着以特高压为骨架的电网规模不断扩张、长距离跨区域输电线路迅速增长，智能输电、智能调度规模与日俱增，电网结构优化第一阶段升级完成，便需要有配套的日常运行维护、检修和故障预警与之相适应。电力巡检是保障电力设备安全稳定运行的一项日常生产工作，它能提高电力设备的可靠性，确保设备处于最小故障率状态下运行。电力设备覆盖范围广阔、种类繁多、数量大，目前现有电力设备巡检普遍采用人工巡视、手工录入的工作方法。该方式存在极大的人为干扰因素，即针对相同的设备故障，基于巡检人员工作经验的不同可能得出完全不同的巡检结果，对设备故障的误检将产生严重的后果。

为了降低巡检的误检率及巡检的工作量，基于各种数据源的电网故障在线诊断***应运而生。电网发生故障时，快速、准确的故障诊断能够有效缩短停电时间、缩小故障区域、减少对用户的不利影响。目前，对于电网故障诊断的方法有很多，主要包括专家***、人工神经网络、模糊理论、优化技术、petri网络、粗糙集理论等。但这些方法都存在一定的缺陷，如专家***知识库形成复杂、诊断速度慢、容错能力差，人工神经网络收敛速度慢、缺乏解释能力等，都无法快速准确的得到诊断结果。

此外，在传统的电力设备现场勘查方法中，虽然已经公开了利用数据采集模块来对电力设备的状态进行观测，并在必要时进行预警。然而，这种预警都是事后的，且通常需要人为介入才能做出正确的解决方案。公开号为 CN106646030A的专利文献公开了一种基于多数据源及专家规则库的电网故障诊断方法，包括以下步骤：接收数据采集***中各个告警源发送的信号；根据所述信号确定出可疑设备，若判断获知所述可疑设备的信号满足预设的故障诊断专家规则库中可疑设备所属分类的诊断规则，则确定出所述可疑设备为故障设备，并向数据采集***中的综合智能分析与告警模块推送告警。上述电网诊断***对线路的报警均是在故障发生后进行的，其无法解决当前设备面临的预警问题，不能够识别设备的异常征兆并进行预警。其并不能提供提前采取相应措施以避免故障发生，达到变被动检修为主动检修，变非计划停机为计划停机的技术效果。同时，其为了解决上述问题，其能够对来自电力设备的数据进行分析，但此类分析通常也都仅仅限于事后的分析，缺乏在线诊断能力，特别是其分析结果往往过于滞后，对于现场情况不能做出及时性的诊断结论，很大程度上要依赖于技术人员的经验。

另一方面，在现有技术的情况下，已经公开了在线诊断技术，但在线诊断往往是直接在数据总线上读取故障码或者通过数据接口读取当前***存在的故障信息，而后根据故障码或故障信息从在线库内提取与此代码或信息相关的诊断结果，其在线库不能自我更新，而是依赖于操作人员的事后归集和分析，不利于面对复杂多变的***控制，如电力配电***。

发明内容

如本文所用的词语“模块”描述任一种硬件、软件或软硬件组合，其能够执行与“模块”相关联的功能。

针对现有技术之不足，本发明提供一种基于学习的电力设备现场勘查方法，基于数据采集模块采集若干个电力设备各自的运行数据以形成数据集，数据分析处理模块被配置为能够按照以下步骤对所述数据集进行处理：提取所述数据集的故障特征并基于所述故障特征建立预测模型以确定电力设备发生故障的第一信息。从数据集提取故障特征并非是从***读取故障码，更不同于通过数据接口离线下载故障信息，而是数据分析处理模块通过自学习的方式至少基于其已经获取的确诊的故障数据，对当前数据集中潜在的或当前已经存在的异常数据加以分析并预测性或监管性导出故障特征，这种故障特征可能代表了真实故障，也可能属于误判。基于预测性故障特征再次建立的预测模型属于二次建模过程，其能够在很大程度上加强故障特征中的预测性特征，也正是由于预测故障特征的不确定性，二次建模后的预测模型的预测结果需要通过其他步骤来确保其准确度。例如在本发明中采用了第二信息进行后续判定。基于所述故障特征确定故障类型并生成至少包括故障解决方案的第二信息，在所述第二信息生成失败的情况下，所述数据分析处理模块与在线诊断模块通信连接并按照相互访问的方式由所述在线诊断模块生成所述第二信息，其中，在所述第二信息生成失败的情况下，基于与所述第二信息对应的故障类型相关联的关联数据校正所述预测模型。与故障类型相关联的关联数据是由在线诊断模块根据故障特征确定的所有故障类型及其对应的解决方案。在预测模型所确定的故障特征存在针对该故障类型的特定解决方案的情况下便能够生成第二信息。但是对于疑似的故障特征或者未出现过的故障类型，由于未有特定的解决方案存在，故而无法生成对应的第二信息。此时需要通过在线诊模块基于采集的数据的实际情况以在线诊断得到的预测性故障特征的准确性。通过在线诊断模块生成的第二信息可以是具有预测性的。例如，在第二信息生成失败的情况下，此时故障并未真正发生，只是基于预测模型预测到具有故障发生的风险，但是无法获得具体的故障类型和对应的解决方案的数据。此时，通过在线诊断模块基于预测模型和实时采集的数据进行在线诊断以进步确定具体的故障类型和解决方案。

根据一种优选实施方式，所述第一信息至少包括故障发生的时间和概率，其中，在完成期望的预测范围的设定的情况下，所述数据分析处理模块至少按照以下步骤得到所述第一信息：基于期望的预测范围所指定的电力设备确定与其关联的主关联对象和次关联对象。获取所述主关联对象的第一历史数据并按照提取故障特征的方式形成第一数据集，获取所述次关联对象的第二历史数据并基于所述第二历史数据修正所述第一数据集以得到第二数据集，基于所述第二数据集建立第一预测模型，其中，基于所述第一预测模型确定所述第一信息。

根据一种优选实施方式，所述第一历史数据和所述第二历史数据至少包括电力设备的运行参数数据、运行状态数据和环境因素数据，其中，所述次关联对象的第二历史数据至少按照如下步骤进行确定：基于所述环境因素数据确定电力设备的环境因素指标值，并将环境因素指标值划分为n个子区间，计算电力设备在各个指标值区间内的故障发生概率；基于各个子区间的均值确定指标值序列，基于距离相关性算法计算环境因素指标值与故障发生概率之间的相关系数，并确定相关系数值最大的第一环境因素。所述次关联对象是受所述第一环境因素影响最大的电力设备。

根据一种优选实施方式，获取所述指定的电力设备的第三历史数据以提取故障特征的方式形成第三数据集，并基于所述第三数据集建立第二预测模型，其中，在基于所述第二预测模型得到预测结果的情况下，基于所述预测结果修正所述第一信息。

根据一种优选实施方式，所述第一预测模型和所述第二预测模型按照互补的方式形成组合预测模型以完成基于所述预测结果对所述第一信息的修正，其中，在第一信息中的概率值大于所述预测结果中的概率值的情况下，所述第一预测模型与所述第二预测模型按照混合比例大于一的方式形成所述组合预测模型。

根据一种优选实施方式，所述第二信息至少按照以下步骤获得：信息存储管理模块将电力设备的所述运行数据分类为第一运行数据和第二运行数据，其中，至少将所述第一运行数据基于故障类型的不同按照分类存储的方式存储至故障数据模块。所述在线诊断模块能够根据所述故障类型以人工诊断的方式生成所述第二信息，其中，所述第二信息按照与其对应的故障类型关联的方式存储至所述故障数据模块。

根据一种优选实施方式，所述主关联对象至少按照以下步骤进行确定：基于所述指定的电力设备确定与其直接相连接的若干个第一关联设备，基于所述期望的预测范围，通过所述距离相关性算法获取所述第一环境因素。所述主关联对象是受所述第一环境因素最大的第一关联设备。

根据一种优选实施方式，所述距离相关性算法的计算公式为：

其中，X为环境因素指标值各个子区间的均值所构成的指标值序列，Y为故障率所构成的序列，dCov(X，Y)表示环境因素指标与故障率之间的距离协方差，dVar(X)dVar(Y)表示环境因素指标与故障率的协方差。

根据一种优选实施方式，在第一信息中的概率值小于所述预测结果中的概率值的情况下，所述第一预测模型与所述第二预测模型按照混合比例小于一的方式形成所述组合预测模型，其中，所述次关联对象是受所述第一环境因素影响最大的第二关联设备，经所述第一关联设备与所述指定的电力设备间接相连若干个电力设备限定所述第二关联设备。

根据一种优选实施方式，所述数据分析处理模块还按照以下步骤得到所述第一信息：基于期望的预测范围所指定的电力设备确定与其关联的主关联对象和次关联对象。获取所述主关联对象的第一历史数据并按照提取故障特征的方式形成第一数据集，获取所述次关联对象的第二历史数据并基于所述第二历史数据修正所述第一数据集以得到第二数据集，基于所述第二数据集建立第一预测模型，获取所述第三历史数据以提取故障特征的方式形成所述第三数据集，并基于所述第三数据集建立所述第二预测模型。训练所述第一预测模型与所述第二预测模型并基于预测结果分别确定最优的第一预测模型和最优的第二预测模型。基于最优的第一预测模型确定所述第一信息，并基于最优的第二预测模型的预测结果修正所述第一信息。

本发明的有益技术效果：

(1)本发明能够识别设备的异常征兆并进行预警，可以提前提供相应措施以避免故障发生并减少故障发生后所造成的损失，达到变被动检修为主动检修，变非计划停机为计划停机的技术效果。

(2)本发明在对电力设备的故障进行预测时，能够基于用户指定的预测范围进行精确预测，在预测过程中，充分考虑了电力设备自身的因素以及与其关联的关联因素，基于电力设备自身的因素建立第二预测模型，并基于关联因素建立第一预测模型，第二预测模型和第一预测模型的预测结果按照互补修正的方式进行输出，使得预测结果更加准确。

(3)本发明预测模型能够基于电力设备的运行过程中能够基于新的电力设备和新的故障进行自主的更新以校正其超参数和权重值，使得其预测结果始终处于最佳状态。

附图说明

图1是本发明优选的电力设备现场勘查***的模块化连接关系示意图。

附图标记列表

1：数据采集模块 2：信息存储管理模块 3：数据分析处理模块

4：电力设备 5：通信模块 6：故障数据模块

7：在线诊断模块

具体实施方式

下面结合附图进行详细说明。

实施例1

图1示出了电力设备现场勘查***的模块化连接关系示意图。如图1所示，本发明提供一种基于学***360°、垂直±45°全方位输电线路区域的山火探测。

优选的，例如是一定区域范围内的所有电网设备或者设置在工厂中的多个电力设备需要通过配置若干个通信模块和若干个数据采集器才能完成对所有设备运行状态的实时监控。信息存储管理模块被配置按照类别的方式对数据采集器采集的电力设备的运行状态数据进行分类存储，通过分类存储能够便于对数据的管理、调用和查询。例如，针对设置在设定区域范围内的若干个配电箱，在安装配电箱并将其录入勘查***时，赋予每台配电箱唯一的编号以区分不同的配电箱。每台配电箱运行状态相关的数据均以与其各自的编号对应的方式进行分类存储。例如，编号为“1”的配电箱设置单独的存储空间，与其相关的例如是地理位置或持续运行时间的数据按照关联存储的方式与编号进行关联存储，在需要查看配电箱的运行情况时，只需以关键字的方式输入对应的编号便能访问相关的数据。优选的，信息存储管理模块能够通过例如是API接口接收并存储其他数据采集设备采集的监测数据，对于更多需要人工参与监测过程所产生的数据，可以基于智能终端将采集的数据通过API接口传输至信息存储管理模块中进行统一存储。信息存储管理模块可以将海量的存储数据进行分类、规范和存储，根据实际情况将存储后的有效信息数据呈现给有需求的人员、机构和部门。优选的，例如是管理部门、政府部门或电力部门的现有***还可以通过接口连接的方式访问信息存储管理模块以实现数据信息的共享。

优选的，数据分析处理模块能够基于数据采集模块采集的电力设备的运行状态相关数据以对电力设备的异常场景进行建模。数据分析处理模块能够基于数据采集模块在时间梯度内累积的大量监测信息数据，利用例如是自动迭代机器学习方式对电力设备的运维情况进行预测，例如，以电网为例，数据分析处理模块能够实现例如是输电线路导线的寿命预测、金具寿命预测、塔倾预测或通道预测。

优选的，电力设备现场勘查***还包括故障数据模块6，故障数据模块能够在确定电力设备发生故障的情况下，将与电力设备故障相关的数据信息进行统一存储并转换为决策树以形成进行故障诊断的规则。例如，故障数据模块可以将发生故障的电力设备的编号、设备类型或名称、故障症状、故障原因及解决方法按照形成表格的方式进行存储，再将表格转换为决策树后便能够形成故障数据模块的故障诊断规则。故障数据模块可以被配置为按照以下方式获取所需的与电力设备故障相关的数据信息：

S1：基于联网的方式从互联网大数据中截取相关的数据信息。例如，电力设备现场勘查***可以通过专网或互联网访问例如是电网管理平台或者电网在线监测平台，在访问的平台公布了对例如是配电箱的常见故障、故障症状以及惯用解决方法的情况下，故障数据模块获取所公布的配电箱的常见故障及惯用解决方法并将其进行存储。当数据分析处理模块监测到数据采集模块采集的运行状态相关数据所限定的运行状态满足故障症状时，便能够判断配电箱所产生的故障类型，并为检修人员推送解决方案。优选的，基于联网的方式从互联网大数据中截取相关的数据信息，故障数据模块能够确定部分故障的解决方案，但当出现新故障时，故障数据模块中由于没有该新故障便会生成第二信息失败。

S2：电力设备现场勘查***在对电力设备进行实时监控的过程中，可以直接采集电力设备在运行过程中产生的与故障相关的数据。故障相关的数据至少包括电力设备的类型、故障发生的时间、故障发生的地点、故障发生前的环境因素和故障发生时与其直接相关的其他电力设备的异常情况。例如，以配电箱为例，配电箱中具有例如是熔断器、断路器、浪涌保护器和散热器等若干种电子元器件，当配电箱中的电子元器件发生故障导致配电箱不能正常工作时，电力设备现场勘查***首先便能获得发生故障的配电箱的时间和地点。在监测到例如是熔断器发生故障的情况下，并不能代表熔断器失效便是导致配电箱发生故障的根本原因。电子元器件的异常工作通常受周边的环境因素和与其关联的其他元器件的综合影响。例如，熔断器发生故障可能与其工作环境的温度有关，当配电箱中的温度在夏天超过极限温度的情况便极有可能导致熔断器的失效，在通过设置在配电箱中的温度传感器采集其实时环境温度超出极限温度的情况下便能将配电箱产生故障的根本原因判断为配电箱散热不良。进而再监测与影响熔断器的散热的散热器的运行状态，当发现散热器处于失效工作状态时便能够直接将配电箱产生故障的首要原因归结于散热器发生工作异常，进而给出重点检修散热器的配电箱维修方案。通过采集与故障相关的环境因素和相关电力设备的运行情况，使得电力设备现场勘查***不仅能够确定具体是哪台电力设备产生故障，更能够精确到具体是哪个电子元器件产生故障，从而使得故障的诊断结果更为准确。例如，还可以利用自动分类技术对传感器收集上传的成千上万个数据进行分类分析，便可以发现与故障相关的变量。例如当电力设备的温度慢慢增加时，气压随之增加，而抖动的幅度也会慢慢增加。当上述变量的数据超过诊断规则的阈值，***将自动触发预警信号并做出相关故障提示。

S3：在电力设备运行的过程中通常会出现各种各样的故障，并不是所有的故障均能够被勘查***正确检测，例如，在勘查***的故障数据模块中未记录的故障类型。此时，电力设备故障的确定需要通过现场检修人员完成，现场检修人员完成对电力设备故障的确定及解决后可以按照联网的方式将其故障类型、故障症状及解决方法上传至故障数据模块中进行保存。优选的，电力设备勘查***还包括在线诊断模块7，在例如是巡检人员在巡检过程中发现电力设备产生故障时，巡检人员能够现在对发现的故障进行判断并进行维修处理，当巡检人员无法判断故障的根源时，其可以通过例如是移动终端按照联网的方式访问在线诊断模块7。在线诊断模块是由经验丰富的设备专家构成的在线诊断平台，巡检人员可以通过在线诊断模块与设备专家进行直接交流，通过向设备专家描述现场情况和故障症状等信息后由设备专家进行在线指导以确定故障产生的根本原因及对应的解决措施。故障数据模块能够获取在线诊断模块进行故障诊断过程中相关数据进行存储。优选的，故障数据模块可以是数据更新库，故障数据模块接收到的与故障相关的数据能够按照故障类型进行分类存储，进而可以形成一个故障及症状的列表，当电力设备发生故障时，用户只需要检索列表中的症状便能确定故障类型及解决方法。列表被配置为能够被更新的工作模式，例如，当互联网中出现关于新的电力设备的常见故障、症状及解决方法的描述时，列表能够基于互联网中的数据进行自动更新。故障数据模块能够随着时间的推移，不断地更新新的故障，通过一段时间的累积便能够形成具有丰富故障类型的大数据库。数据更新库中存储有海量的故障数据信息，通过对比判断的方式便能够快捷地获取电力设备的故障类型及解决手段。

优选的，信息存储管理模块将电力设备的运行数据分类为第一运行数据和第二运行数据，其中，至少将第一运行数据基于故障类型的不同按照分类存储的方式存储至故障数据模块。第一运行数据是电力设备的正常运行数据，第二运行数据是电力设备发生故障时所产生的异常运行数据。在线诊断模块能够根据故障类型以人工诊断的方式生成第二信息，其中，第二信息按照与其对应的故障类型关联的方式存储至故障数据模块。

为了便于理解，将本发明的勘查***的工作原理进行详细论述。

数据采集模块按照实时采集数据的方式对电力设备的运行状态进行监测，采集的监测数据传输至信息存储管理模块中进行统一存储。在信息存储管理模块中海量的监测数据被分类存储，数据分析处理模块通过对同一类数据的处理便能够以例如是趋势图的方式对电力设备的运行状态进行直观展示。例如，可以获得电力设备的核心元器件在随时间变化的电流或电压的波动图。可以获得核心元器件所处的环境温度随时间变化的趋势图。故障数据模块在初始状态时便内置有电力设备常见的故障症状及解决方法以形成初始的决策树模型。在数据分析处理模块对电力设备的数据进行处理的过程中，数据分析处理模块将处理得到的数据与故障数据模块中的数据进行对比，当两者匹配的情况下，生成电力设备会在未来的一段时间内发生故障的预测信息，并通过预警的方式向工作人员发送预防检修建议书，使得电力设备能够在发生故障之前得到及时的检修。或者，在故障发生后，现场检修人员或者工作人员通过录入故障的症状、类型和/或发生地点的方式对故障数据模块进行访问检索，故障数据模块便能自动地反馈故障的解决方案以供其参考。当新的电力设备投入使用的情况下，新的故障类型也会随之而来，针对新的故障类型，可以通过在线诊断模块提供在线式的诊断、分析、指导和 /或总结。

实施例2

本实施例是对实施例1的进一步改进，重复的内容不再赘述。

数据分析处理模块能对数据进行存储管理，并能够基于机器学习算法对数据采集模块采集的实时数据流进行建模分析。数据分析处理模块能够建立预测模型以对电力设备的故障进行预测。例如，在长时间累积大量监测信息数据的基础上，利用自动迭代机器学习可以对例如是输电线路导线寿命预测、金具寿命预测、塔倾预测和通道预测的输电线路运维情况进行预测。具体的，可以通过在输电线路杆塔上的安装各种传感器，传感器可将例如是输电线路上的杆塔倾斜数据、微气象数据、覆冰数据、杆塔滑移数据、导线弧垂数据、绝缘子污秽监测数据、图像信息或视频信息数据传输至数据分析处理模块中。通过实时监控输电线路的运行状态数据，当发现故障隐患能够自动触发报警或修理命令。

优选的，数据分析处理模块还能够按照时间序列的方式分析数据以获得其变化规律，进而能够预测电力设备故障的发生可能性。例如，通过对同一设备的故障发生的时间、故障发生时的状态、故障类型等综合因素的分析，便能够实现对故障发生的预测。故障发生时的状态至少包括发生故障的设备所处的环境状态，发生故障的设备自身的电流、电压、温度或其他工作参数，与发生故障的设备关联的其他设备的工作参数状态和环境状态。具体的，以变电器为例，在例如是一个月的时间周期内，其往往不是处于连续运行的工作状态。变电器可能由于其自身故障、断电检修或关联的线路故障而停止运行。基于变电器内部的电子元器件的寿命周期，其往往会在连续运行一定时间周期后便产生故障，使得变电器的基于电子元器件寿命终止而导致的特定故障的产生时间具有一定的规律性，数据分析模块能够通过故障类型和故障发生的时间确定上述时间规律，进而能够对该特定故障进行***。同时，并非所有的变电器故障均是基于其自身电子元器件的寿命终止而导致的，变电器产生故障可能故障发生时的状态因素有关。例如，夏季气候炎热温度较高，用电负荷急剧增大，变压器长期在满负荷状态下运行，甚至过负荷状态。当数据分析模块根据数据采集模块采集到设备所处的环境状态数据预测到变压器处于长期的过负荷或油温过高的状态下，便能预测在某一区间范围内，绝缘老化引起***故障或电气击穿的可能性。

优选的，数据分析处理模块被配置为按照如下的步骤对故障发生情况进行预测分析。

S1：建立预测模型。

数据分析处理模块能够被配置为同时建立若干个预测模型的工作模式。预测模型可以是卡尔曼滤波预测模型、BP神经网络预测模型、基于回归预测方法构建的模型、采用多种预测按照等权组合或不等权组合构成的组合预测模型。预测模型可以根据实际的电力设备故障预测的特殊性进行灵活选择，例如，预测模型可以根据实际情况从灰色预测模型、差值与拟合预测模型、时间序列预测模型、朴素贝叶斯模型、决策树模型、马尔科夫预测模型、差分方程预测模型和微分方程预测模型中进行灵活选择。

S2：提取数据采集模块采集的运行数据中的故障特征，输入预测模型中以调试预测模型中的参数。

预测模型建立后需要根据现有数据对其进行训练调试以确定最优的例如是BP神经网络预测模型中的初始连接权值和阈值等参数，进而使得预测模型能够以更快的速度收敛并达到更高的预测精度。例如，数据采集模块在一定时间周期内采集的电力设备的所有故障数据可以按照例如是均分的分配方式分为两组，第一组用于构建预测模型，第二组用于对预测模型进行训练以确定初始的最优参数。例如，数据采集模块采集的运行状态数据可以包括例如是温度、压力、电量、流量等慢变信号以及机械故障振动信号。可以提取运行状态数据中的故障敏感特征因子作为预测时间序列，预测模型通过对预测时间序列中的各种信号数据在设定的预测区间内进行预测便能够实现对预测模型中参数的调试。

S3：确定最优预测模型。

在所有预测模型的训练均完成的情况下，将数据采集模块采集的电力设备的实时运行数据分别导入不同的预测模型中，便能得到不同的预测结果。例如，根据每个预测模型的预测步长、真实值和预测模型的输出结果便能得到预测模型的预测误差和预测效率。预测效率是将实时运行数据导入预测模型并得到预测结果的整体耗时，耗时越短，则预测模型的预测效率越高。预测误差可以是预测模型错误地预测将要产生故障的比例。

S4：对预测模型进行校正更新以保证预测模型的预测结果准确性。

预测模型是有生命周期的，初始运行时预测结果准确度较高，当数据数值逐渐发生变化时，预测模型会逐渐出现偏差，导致预测准确度的降低。确定的最优的预测模型的预测误差和/或预测效率超过设定阈值的情况下，可以将最优预测模型运行时间周期内处理完成的电力设备的历史运行数据导入所有预测模型中进行校正更新以对预测模型的参数进行优化。根据预测模型的预测误差和预测效率可以重新确定最优的预测模型，在随后的预测分析中均采用重新确定的预测模型。预测模型按照定期更新的方式能够有效地保证预测模型的参数处于优化状态，进而保证了预测误差和预测效率的优良性。

实施例3

本实施例是对实施例1和实施例2的进一步改进，重复的内容不再赘述。

本发明还提供一种电力设备现场勘查方法，基于机器学习方法建立预测模型，采集电力设备的运行状态数据，并基于运行状态数据建立训练集和验证集，其中，基于训练集对预测模型进行训练，基于验证集对预测模型的预测结果进行分析以确定最优的预测模型，根据设定的时间周期内采集的新的电力设备的运行状态数据对预测模型进行再次训练，优选的，预测模型是基于时间序列数据建立的时间序列预测模型，其能够预测电力设备在未来的某个时间段发生某种故障的概率。在指定期望的预测范围的情况下，至少按照以下步骤生成与期望的预测范围相符的预测结果：

S1：确定期望的预测范围所涉及的关联对象，并基于关联对象确定主关联对象和次关联对象。

优选的，期望的预测范围是指指定的电力设备在指定的未来时间范围内发生指定的故障的概率。例如，在变电站的运行过程中，检修人员基于检修计划需要在未来的第十天对变电站的避雷器进行检修，此时，检修人员可以对预测模型提出预测申请，申请预测在未来的第十天中变电器发生例如是绕组故障的可能性，使得检修人员能够基于预测结果在对避雷器进行检修的同时对变电器进行预测性检修。期望的预测范围的相关对象可以指定的电力设备和/或指定的未来时间范围。

优选的，电力设备通常并不是处于独立工作状态的，在一定范围的若干台电力设备彼此间存在通信连接，按照协同的方式共同进行工作。电力设备彼此间的协同工作方式使得彼此之间存在相互影响，例如，当位于上游的一台电力设备存在故障的发生趋势时，位于其下游并且紧密配合其工作的关联设备可能会受其影响而逐渐产生故障的发生趋势。关联设备故障的产生时间相比于例如是其元器件使用寿命导致的故障产生具有提前性，即在其元器件使用寿命未结束的情况下便会提前发生故障。电力设备的拓扑连接结构用于表示电力设备彼此之间通信连接关系，通过电力设备的拓扑连接结构往往能有效地区别关键设备、普通设备或与关键设备紧密相关的关联设备。例如，在例如是变电站的具有诸多例如是变压器、避雷器、断路器、开关设备和通信调度设备的电力设备。通过功能划分或者连接关系划分的方式可以确定关键设备，例如，与变压器直接相连的电力设备最多，则初步判断变压器为变电站的关键设备。

优选的，基于电力设备的拓扑连接结构，针对电力设备的故障类型，确定若干个主关联对象和若干个次关联对象，其中，主关联对象对故障产生的贡献大于次关联对象。例如，在配电箱中，风扇产生故障使得配电箱散热不良的情况下，其中的第一电子元器件基于温度的上升而持续处于不正常工作状态，与第一电子元器件关联的第二电子元器件对散热要求严苛程度较低，其故障的产生率较小。此时，风扇是第一电子元器件的主关联对象，第二电子元器件是第一电子元器件的次关联对象。优选的，主关联对象和次关联对象的数量均可以大于等于二。优选的，基于电力设备彼此连接形成的拓扑连接结构，与指定设备直接相连的设备是第一关联设备，通过第一关联设备与指定设备间接相连的设备是第二关联设备，其中，在基于关联算法确定与故障产生最相关的第一环境因素的情况下，选取第一关联设备中最受第一环境因素影响的至少一个电力设备作为主关联对象，选取第二关联设备中最受第一环境因素影响的至少一个电力设备作为次关联对象。在考虑指定电力设备的连接拓扑结构的基础上，确定主关联对象和次关联对象使得强化了预测模型的训练数据中环境因素的重要性，使得预测模型更能适应受环境因素影响较为严重的电网设备的故障预测。优选的，受第一环境因素影响最大是指电力设备在该环境因素条件下最易发生故障，受第一环境因素影响最大的电力设备可以基于例如是关联性算法计算第一环境因素与电力设备发生故障的相关性系数，选取相关性系数最大的电力设备作为主关联对象或次关联对象。

S2：在获取指定设备的第三历史数据以提取故障特征的方式形成第三数据集，并基于第三数据集建立第二预测模型的情况下，获取指定设备的主关联对象的第一历史数据以形成第一数据集，第三历史数据和第一历史数据均至少包括运行参数数据、运行状态数据和环境因素数据，其中，基于关联算法确定环境因素数据与故障特征的关联性。

关联算法至少包括以下步骤：

A1：基于环境因素数据确定电力设备的环境因素指标值，并按照均分的方式将环境因素指标值划分为n个子区间，其中，基于电力设备的历史数据计算在各个指标值区间内的故障发生概率。例如，针对例如是40℃的温度因素，其指标值区间可以确定为[0，40]，当n是4是便可以将其划分为[0， 10]、[10、20]、[20，30]和[30，40]四个区间。n的取值过小时，会降低数据的规律性，因此根据实际情况，可以将n值尽量选为较大的数值。

A2：基于各个子区间的均值确定指标值序列，利用距离相关性算法计算环境因素指标值与故障发生率之间的相关系数。例如，[0，10]、[10、20]、 [20，30]和[30，40]四个区间形成的指标值序列为5、15、25、35。其中，距离相关性算法的计算公式为：

其中，X为环境因素指标值各个子区间的均值所构成的指标值序列，Y 为故障率所构成的序列，dCov(X，Y)表示环境因素指标与故障率之间的距离协方差，dVar(X)dVar(Y)表示环境因素指标与故障率的协方差。

优选的，当环境因素的相关系数dCor(X，Y)大于设定值的情况下，便将其确定为故障的导致因素以表明该故障的产生与该环境因素具有很大的关联性。

S3：基于环境因素与故障产生的相关性以确定至少一个次关联对象，基于次关联对象的第二历史数据修正第一数据集以得到第二数据集，其中，基于第二数据集建立第一预测模型。次关联对象为最易受该环境因素影响的设备，次关联对象的确定可以依据例如是将运行状态数据与运行参数数据进行对比的方式进行。例如，电力设备的运行参数数据可以是设定的工艺参数数据、额定的工作电压或额定工作电流，运行状态数据可以是电力设备在运行过程中的实际的工艺参数数据、工作电压或工作电流。当例如是温度的环境因素在不同的温度区间变化时，电力设备的运行状态会发生例如是电流波动的现象，通过将额定电流与工作电流进行对比，将电流波动幅度值最大的电力设备确定为次关联对象。

优选的，基于指定的故障类型，根据各个环境因素与该故障发生的相关性值的大小可以确定关联程度最高的环境因素，第二历史数据至少包括次关联对象受关联程度最高的环境因素的影响程度超过设定阈值的运行状态数据。第一数据集将受关联程度最高的环境因数的影响程度低于设定阈值的相关历史数据删除以优化第一数据集。通过将优化后的第一数据集与第二历史数据进行合并后形成第二数据集。第一数据集的修正能够排除与故障关联程度不高的数据，提高第一预测模型的预测准确度。

S4：基于第一预测模型的预测结果对第二预测模型的预测结果进行校正。第二预测模型的预测结果是独立于与其故障类型直接关联的历史数据得到的，在电力设备是由其自身的原因导致的故障发生的情况下，第二预测模型具有很好的预测准确度。电力设备的故障是与其关联的其他电力设备或者与其关联的环境因素引起的情况下，其预测结果可能会产生较大的误差性，这种误差性通过对预测模型的刷新校正能够有所减缓，但在样本容量很大的条件下，对预测模型进行刷新耗时普遍较长，在时间紧迫的情况下是无法满足时间需求的。在电力设备的故障是与其关联的其他电力设备或者与其关联的环境因素引起的情况下，第一预测模型的预测结果能够具有较高的准确性，两个预测模型可以通过并行计算的方式同时进行计算以得到不同的预测结果，通过将第二预测模型和第一预测模型的预测结果按照一定的方式进行混合便能得到较为准确的预测结果。例如。第二预测模型的预测结果为在未来的第10天至第12天之间会发生故障，发生概率为80％，第一预测模型的预测结果为在未来的第9天至第10天之间会发生故障，发生概率为70％，将两者进行混合后可以得到预测结果为在第10天会发生故障，故障的发生概率为80％*0.7+70％*0.4＝84％。

优选的，第二预测模型和第一预测模型还能够按照一定混合比例的方式形成组合预测模型，通过互补的方式形成组合预测模型能够使得预测结果更为准确。优选的，第一信息中的概率值大于预测结果中概率值表明指定设备受环境因素和/或关联设备影响大于其自身的影响，其故障的产生大部分是由其关联设备和/或环境因素导致的，将第一预测模型与第二预测模型按照混合比例大于一的方式形成组合预测模型，能够使得组合预测模型具有更高的预测准确度。通过将指定设备以及与其关联的设备和环境因素数据输入混合预测模型中再一次的进行分析预测，便能得到预测精度更加准确的预测结果。

需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种基于学习的电力设备现场勘查方法，基于数据采集模块(1)采集若干个电力设备(4)各自的运行数据以形成数据集，其特征在于，数据分析处理模块(3)能够被配置为按照以下步骤对所述数据集进行处理：

提取所述数据集的故障特征并基于所述故障特征建立预测模型以确定电力设备(4)发生故障的第一信息；

基于所述故障特征确定故障类型并生成至少包括故障解决方案的第二信息，在所述第二信息生成失败的情况下，所述数据分析处理模块(3)与在线诊断模块(7)通信连接并按照相互访问的方式由所述在线诊断模块(7)生成所述第二信息，其中，在所述第二信息生成失败的情况下，基于与所述第二信息对应的故障类型相关联的关联数据校正所述预测模型。

2.如权利要求1所述的电力设备现场勘查方法，其特征在于，所述第一信息至少包括故障发生的时间和概率，其中，在完成期望的预测范围的设定的情况下，所述数据分析处理模块(3)至少按照以下步骤得到所述第一信息：

基于期望的预测范围所指定的电力设备(4)确定与其关联的主关联对象和次关联对象；

获取所述主关联对象的第一历史数据并按照提取故障特征的方式形成第一数据集，获取所述次关联对象的第二历史数据并基于所述第二历史数据修正所述第一数据集以得到第二数据集，基于所述第二数据集建立第一预测模型，其中，

基于所述第一预测模型确定所述第一信息。

3.如权利要求2所述的电力设备现场勘查方法，其特征在于，所述第一历史数据和所述第二历史数据至少包括电力设备的运行参数数据、运行状态数据和环境因素数据，其中，所述次关联对象的第二历史数据至少按照如下步骤进行确定：

基于所述环境因素数据确定电力设备(4)的环境因素指标值，并将环境因素指标值划分为n个子区间，计算电力设备在各个指标值区间内的故障发生概率；

基于各个子区间的均值确定指标值序列，基于距离相关性算法计算环境因素指标值与故障发生概率之间的相关系数，并确定相关系数值最大的第一环境因素；

所述次关联对象是受所述第一环境因素影响最大的电力设备(4)。

4.如权利要求3所述的电力设备现场勘查方法，其特征在于，获取所述指定的电力设备的第三历史数据以提取故障特征的方式形成第三数据集，并基于所述第三数据集建立第二预测模型，其中，

在基于所述第二预测模型得到预测结果的情况下，基于所述预测结果修正所述第一信息。

5.如权利要求4所述的电力设备现场勘查方法，其特征在于，所述第一预测模型和所述第二预测模型按照互补的方式形成组合预测模型以完成基于所述预测结果对所述第一信息的修正，其中，

在第一信息中的概率值大于所述预测结果中的概率值的情况下，所述第一预测模型与所述第二预测模型按照混合比例大于一的方式形成所述组合预测模型。

6.如权利要求5所述的电力设备现场勘查方法，其特征在于，所述第二信息至少按照以下步骤获得：

信息存储管理模块(2)将电力设备(4)的所述运行数据分类为第一运行数据和第二运行数据，其中，至少将所述第一运行数据基于故障类型的不同按照分类存储的方式存储至故障数据模块(6)；

所述在线诊断模块(7)能够根据所述故障类型以人工诊断的方式生成所述第二信息，其中，所述第二信息按照与其对应的故障类型关联的方式存储至所述故障数据模块(6)。

7.如权利要求6所述的电力设备现场勘查方法，其特征在于，所述主关联对象至少按照以下步骤进行确定：

基于所述指定的电力设备(4)确定与其直接相连接的若干个第一关联设备，基于所述期望的预测范围，通过所述距离相关性算法获取所述第一环境因素；

所述主关联对象是受所述第一环境因素最大的第一关联设备。

8.如权利要求7所述的电力设备现场勘查方法，其特征在于，所述距离相关性算法的计算公式为：

其中，X为环境因素指标值各个子区间的均值所构成的指标值序列，Y为故障率所构成的序列，dCov(X，Y)表示环境因素指标与故障率之间的距离协方差，dVar(X)dVar(Y)表示环境因素指标与故障率的协方差。

9.如权利要求8所述的电力设备现场勘查方法，其特征在于，在第一信息中的概率值小于所述预测结果中的概率值的情况下，所述第一预测模型与所述第二预测模型按照混合比例小于一的方式形成所述组合预测模型，其中，

所述次关联对象是受所述第一环境因素影响最大的第二关联设备，经所述第一关联设备与所述指定的电力设备间接相连若干个电力设备(4)限定所述第二关联设备。

10.如权利要求8所述的电力设备现场勘查方法，其特征在于，所述数据分析处理模块(3)还按照以下步骤得到所述第一信息：

基于期望的预测范围所指定的电力设备(4)确定与其关联的主关联对象和次关联对象；

获取所述主关联对象的第一历史数据并按照提取故障特征的方式形成第一数据集，获取所述次关联对象的第二历史数据并基于所述第二历史数据修正所述第一数据集以得到第二数据集，基于所述第二数据集建立第一预测模型，获取所述第三历史数据以提取故障特征的方式形成所述第三数据集，并基于所述第三数据集建立所述第二预测模型；

训练所述第一预测模型与所述第二预测模型并基于预测结果分别确定最优的第一预测模型和最优的第二预测模型，

基于最优的第一预测模型确定所述第一信息，并基于最优的第二预测模型的预测结果修正所述第一信息。

Images