本發明涉及電力系統故障預測診斷,尤其涉及一種基于融合終端的臺區故障預測方法及預測系統。
背景技術:
1、隨著電網規模和復雜程度的不斷增加,電網設備故障和事故的頻率也在持續上升,這給電網的安全穩定運行帶來了極大的挑戰。尤其是在持續高溫天氣下,電網設備面臨著額外的壓力和挑戰,因為高溫會導致設備的負荷增加、絕緣性能下降及散熱困難,進而加速設備的老化和故障發生的可能性。故障預測技術通過對電網設備產生的海量數據進行分析和挖掘,能夠在故障發生之前及時發現潛在的故障,為設備維護和管理提供有力支撐。電網設備產生的長時間序列數據具有顯著的拓撲關系,這種關系與設備的位置、布局、連接方式等因素密切相關。由于設備的拓撲關系導致其故障出現也存在一定的相似性,這種隱蔽的關聯性往往被研究人員忽視。
2、在持續高溫天氣的影響下,電網設備的故障預測難度加大,數據量增大、數據類型多樣化、數據質量下降,同時設備的拓撲關系對故障的影響也更加復雜。這些因素使得傳統的故障預測方法在準確率、假警報率和檢測范圍等方面存在明顯不足。
技術實現思路
1、鑒于上述問題,本發明提出了一種基于融合終端的臺區故障預測方法及預測系統,以提高電網設備故障預測的準確性和可靠性,特別是在極端氣候條件下,確保電網的安全穩定運行。
2、本發明的一種技術方案是:
3、一種基于融合終端的臺區故障預測方法,所述方法包括:
4、將基于融合終端獲取的所述臺區的單個設備歷史故障數據作為訓練數據,對長短期記憶網絡模型lstm進行訓練,基于改進的adagrad優化器更新優化模型參數得到設備失效概率直接預測模型得到設備失效概率直接預測模型,基于所述訓練得到的設備失效概率直接預測模型預測未來設備失效概率;
5、基于所述未來設備失效概率,通過圖卷積神經網絡模型計算得到各臺區的失效概率和信度函數值;
6、基于所述各臺區的失效概率和信度函數值對所述臺區故障進行預測。
7、進一步的,所述臺區的單個設備歷史故障數據的獲取包括:
8、獲取臺區數據,所述臺區數據基于融合終端獲取,包括:設備運行數據、歷史故障數據、設備維護數據和環境數據;
9、基于所述臺區數據,得到所述臺區的單個設備歷史故障數據;
10、所述單個設備歷史故障數據包括:單個設備的故障模式、瞬時失效率和在運條件下的失效率。
11、進一步的,所述單個設備的瞬時失效率的獲取方法包括:
12、基于所述設備運行數據和歷史故障數據得到所述單個設備的瞬時失效率;
13、計算公式為:
14、;
15、其中,為瞬時失效率,表示設備在時刻失效的速率,為設備運行總次數,為設備從初始時間工作到時刻的失效數,為設備正常運行次數,為一個極短的時間段,為設備在時間內發生的失效數;
16、所述在運條件下的失效率的獲取方法包括:
17、基于所述單個設備的瞬時失效率得到所述在運條件下的失效率;
18、所述在運條件下的失效率的計算公式為:
19、;
20、其中,為在運條件下的失效率,表示瞬時失效率在0至時刻的時間段上的累積效果,為瞬時失效率;
21、所述單個設備的故障模式的獲取方法包括:
22、利用隨機森林算法對所述歷史故障數據提取同類故障的相同特征,得到歷史故障特征集合;
23、根據單個設備的瞬時失效率、在運條件下的失效率和設備運行數據提取特征向量,將提取出的特征向量和所述歷史故障特征集合中的各向量特征利用皮爾遜相關系數公式進行比較,找到相似度最大的幾種故障類型,確定設備的可能故障模式,相似度計算公式為:
24、;
25、其中,為所述歷史故障特征集合中的特征向量,為特征向量中第個特征值,為特征向量中第個特征值,和分別是特征向量和的所有特征值的均值。
26、進一步的,所述設備運行數據包括:設備歷史運行數據和設備實時運行數據;
27、所述設備實時運行數據包括:負荷、溫度、壓力、電流、電壓以及時間戳;
28、所述歷史故障數據包括:歷史故障發生的時間、故障類型和維修記錄。
29、進一步的,所述基于改進的adagrad優化器更新優化模型參數,包括:
30、在每次更新權重時,將學習率衰減因子應用于adagrad優化器的學習率的迭代,迭代公式為:
31、;
32、adagrad優化器的學習率計算公式為:
33、;
34、其中,為全局學習率,為一個非零小數,為衰減因子,為迭代步數,為第次迭代中的學習率,為第次迭代中的學習率,為累積的平方梯度。
35、進一步的,所述基于改進的adagrad優化器更新優化模型參數,還包括:
36、在adagrad優化器的梯度下降迭代中對當前梯度加入動量項,迭代公式為:
37、;
38、動量項迭代公式為:
39、;
40、其中,為第次迭代中的動量項,為動量系數,為當前梯度,為全局學習率,為第次迭代中的參數,為第次迭代中的參數。
41、進一步的,所述基于所述未來設備失效概率,通過圖卷積神經網絡模型計算得到各臺區的失效概率和信度函數值,包括:
42、提取設備的當前狀態特征,構建特征向量;
43、圖卷積神經網絡模型構建,包括:以每個設備作為一個節點,設置所述設備的特征向量作為所述節點的特征,設置所述設備之間的連接關系作為圖的邊,設置設備之間的相互影響程度作為邊的權重,構建鄰接矩陣和度矩陣;
44、構建圖卷積神經網絡模型,圖卷積操作表示為:
45、;
46、其中,為節點在層的特征向量,為節點的鄰居節點集合,為第層的權重矩陣,為第層的偏置項,為激活函數;
47、多層圖卷積層堆疊,每一層的輸出作為下一層的輸入,計算公式為:
48、;
49、其中,為第層的特征矩陣層的特征矩陣,為鄰接矩陣,為度矩陣,且,表示節點的度,表示節點與節點連接關系,如果存在連接關系,否則,和分別為第層的權重矩陣和偏置項;
50、利用圖卷積神經網絡模型的輸出,聚合節點的信度值并計算得到各節點的信度函數值,計算公式為:
51、;
52、其中,為節點的信度函數值,為節點的瞬時失效率,為圖卷積神經網絡模型輸出的節點的信度函數值,和為權重系數,用于調節圖卷積神經網絡模型輸出和失效率的影響,為非線性映射函數;
53、累加所有設備的瞬時失效率,得到臺區的總失效率,計算公式為:
54、;
55、其中,是臺區的總失效率,為節點的瞬時失效率,為圖節點集合;
56、累加所有設備的信度函數值,得到臺區的整體信度函數值,計算公式為:
57、;
58、其中,是臺區的整體信度函數值,為節點的瞬時失效率,為圖節點集合。
59、進一步的,所述基于所述各臺區的失效概率和信度函數值對所述臺區故障進行預測,包括:
60、根據所述各臺區信度函數值,選取最大的信度函數值的臺區標簽作為臺區的故障標簽,確定為預警臺區;在預警臺區內,比較所有設備的信度函數值,選擇信度函數值最大的設備標記為預警設備;
61、根據預警臺區中故障設備的失效概率,計算設備故障率,使用設備故障率、預警臺區內最大信度函數值以及投運年限,計算從當前時刻起到預警時刻的時間段,預測未來的故障預警時間;根據計算出的故障預警時間,得出距離當前時間的預警時間點,并生成包含設備標簽、故障預警時間和相關描述的預警信息,包括以下計算公式:
62、計算設備故障率,計算公式為:
63、;
64、其中,為時刻設備故障率,是指失效概率從0至時刻的累積效果,為時刻預警臺區中故障設備的失效概率,為從0至時刻內的一個時間參數;
65、通過以下方程組計算從當前時刻至預警時刻的時間段:
66、;
67、;
68、其中,為時刻設備故障率,為投運年限,為從當前時刻至預警時刻的時間段,為預警臺區內最大信度函數值,是指失效概率從0至時刻的累積效果,是指失效概率從至時刻的累積效果,為時刻預警臺區中故障設備的失效概率,為從0至時刻內的一個時間參數;
69、得到預警時間為:;
70、其中,為故障預警時間,為投運年限,為從當前時刻至預警時刻的時間段。
71、進一步的,所述設備之間的連接關系包括:設備的物理連接關系、電氣連接關系或協作關系。
72、基于上述基于融合終端的臺區故障預測方法,本發明還提供一種基于融合終端的臺區故障預測系統,所述系統包括:
73、設備失效概率預測模塊,用于將基于融合終端獲取的所述臺區的單個設備歷史故障數據作為訓練數據,對長短期記憶網絡模型lstm進行訓練,基于改進的adagrad優化器更新優化模型參數得到設備失效概率直接預測模型得到設備失效概率直接預測模型,基于所述訓練得到的設備失效概率直接預測模型預測未來設備失效概率;
74、設備信度值計算模塊,用于基于所述未來設備失效概率,通過圖卷積神經網絡模型計算得到各臺區的失效概率和信度函數值;
75、預警模塊,用于基于所述各臺區的失效概率和信度函數值對所述臺區故障進行預測。
76、本發明實施例提供的基于融合終端的臺區故障預測方法及預測系統,通過改進的adagrad優化器優化lstm模型,結合圖卷積神經網絡模型,實現了單個設備和整體臺區的高精度故障預測,提升了預測準確度和可靠性。利用設備失效概率和信度函數值生成預警信息,能夠及時識別預警臺區和故障設備,確保對故障的快速響應和處理,減少停電時間和影響范圍。通過累加所有故障模式的瞬時失效率和投運年限,計算臺區的綜合失效率和信度函數值,為臺區故障預測提供了全面的評估基礎,提升了預測的科學性和全面性。
77、上述說明僅是本發明技術方案的概述,為了能夠更清楚了解本發明的技術手段,而可依照說明書的內容予以實施,并且為了讓本發明的上述和其它目的、特征和優點能夠更明顯易懂,以下特舉本發明的具體實施方式。