输变电设备状态预测方法和系统的制作方法
【技术领域】
[0001] 本发明涉及电力电网技术领域，特别是涉及一种输变电设备状态预测方法和系 统。
【背景技术】
[0002] 输变电设备是电网的重要组成部分，输变电设备的可用性与稳定性直接影响到电 网的安全运行。随着电力工业的发展，一方面电网规模不断发展，输变电设备数量激增，用 户对供电可靠性要求不断提高；另一方面设备的信息化程度越来越高，设备状态监测技术 日益成熟，设备运行数据与测试数据激增。因此在输变电设备运行过程中，提前发现可能的 故障并加以预防和排除非常重要。
[0003] 传统的输变电设备监测方式主要是基于计划检修为主。由于计划检修具有盲目 性和强制性，容易对状态较差、存在故障隐患的设备检修不足，对于状态良好的设备过度检 修，不仅不能及时避免运行故障的发生，而且会造成设备运行可靠性的降低和更大的经济 损失。传统的输变电设备监测方法存在可靠性低的缺点。
【发明内容】
[0004] 基于此，有必要针对上述问题，提供一种可靠性高的输变电设备状态预测方法和 系统。
[0005] -种输变电设备状态预测方法，包括以下步骤：
[0006] 采集待预测设备的观测数据并构建特征序列；
[0007] 根据从预设的概率分类模型类中，获取使所述特征序列中各特征矢量的概率最大 的分类，所述概率分类模型类为根据输变电设备的历史观测数据构建得到的分类；
[0008] 根据各所述特征矢量及使特征矢量的概率最大的分类的概率分类模型类对应的 最佳预测系数，计算得到所述待预测设备的对应预测数据并输出。
[0009] -种输变电设备状态预测系统，包括：
[0010] 数据采集模块，用于采集待预测设备的观测数据并构建特征序列；
[0011] 数据处理模块，用于从预设的概率分类模型类中，获取使所述特征序列中各特征 矢量的概率最大的分类，所述概率分类模型类为根据输变电设备的历史观测数据构建得到 的分类；
[0012] 状态预测模块，用于根据各所述特征矢量及使特征矢量的概率最大的分类的概率 分类模型类对应的最佳预测系数，计算得到所述待预测设备的对应预测数据并输出。
[0013] 上述输变电设备状态预测方法和系统，采集待预测设备的观测数据并构建特征序 列。从预设的概率分类模型类中，获取使特征序列中各特征矢量的概率最大的分类。根据 特征矢量和使特征矢量的概率最大的分类的概率分类模型类对应的最佳预测系数，计算得 到待预测设备的对应预测数据并输出。根据待预测设备的观测数据建立特征序列，并结合 输变电设备的历史观测数据构建的概率分类模型类得到对应的最佳预测系数，从而完成对 待预测设备的数据预测。从设备历史数据中充分挖掘特征变化趋势，并采用最佳预测系数 来预测设备的状态，能够获得更好的预测效果，可以对输变电设备进行状态监测、预警诊断 等起到良好的作用。与传统的输变电设备监测方式相比，提高了可靠性。
【附图说明】
[0014] 图1为一实施例中输变电设备状态预测方法的流程图；
[0015] 图2为一实施例中采集待预测设备的观测数据并构建特征序列的流程图；
[0016]图3为一实施例中从预设的概率分类模型类中，获取使特征序列中各特征矢量的 概率最大的分类的流程图；
[0017] 图4为另一实施例中输变电设备状态预测方法的流程图；
[0018]图5为一实施例中输变电设备状态预测系统的结构图；
[0019]图6为一实施例中数据采集模块的结构图；
[0020] 图7为一实施例中数据处理模块的结构图；
[0021] 图8为另实施例中输变电设备状态预测系统的结构图。
【具体实施方式】
[0022] -种输变电设备状态预测方法，如图1所示，包括以下步骤：
[0023] 步骤S140:采集待预测设备的观测数据并构建特征序列。待预测设备即指需要进 行状态预测的输变电设备，可直接数据库获取待预测设备已记录的数据作为观测数据。在 其中一个实施例中，如图2所示，步骤S140包括步骤S142和步骤S144。
[0024] 步骤S142:采集待预测设备的观测数据，得到观测数据序列。具体为：
[0025]A= (aj,a2, ···,ap)
[0026] 其中，A为观测数据序列，ap为待预测设备第p个观测数据。
[0027] 步骤S144:根据观察数据序列构建特征序列。具体为：
[0028]A，= (A，2，…，A，pn)
[0029]A'i= (ar "a' i+1，…，a' i+nl)
[0030] 其中，A'为特征序列，A'i表示特征序列A'中第i个特征矢量，p-n为特征矢量 的个数，a' 观测数据序列A中第i个观测数据。
[0031] 以预测变压器状态为例，待检测的变压器已记录了 20个观测数据，需要预测 第21个观测数据，20个观测数据构成序列A=(ai，a2，…，a2。)。构建特征序列A'= (A'i，A' 2，…，A' 17)，其中A' 1= (a'i，a' 1+1，…，a' 1+3)，即本实施例中每个特征矢 量由4个观测数据构成。
[0032] 步骤S150 :从预设的概率分类模型类中，获取使特征序列中各特征矢量的概率最 大的分类。
[0033] 概率分类模型类为根据输变电设备的历史观测数据构建得到的分类，分别根据概 率分类模型类得到使特征矢量概率最大的分类。在其中一个实施例中，如图3所示，步骤 S150包括步骤S152至步骤S156。
[0034] 步骤S152:根据预设的概率分类模型类构建各特征矢量的概率分类表达式。具体 地，概率分类表达式为：
[0035] p(A'」λζ)=工p(D'」Az)dai+n
[0036]其中，p(A'」λζ)为特征序列A'i的概率分类表达式，p(D'」λζ)为第z个概 率分类模型类中的概率分类模型，λz为第z个概率分类模型类的参数，ai+n表示待预测设 备的预测数据。对于每一个概率分类模型类，将分类中各概率分类模型的代入上式，得到各 特征矢量的概率分类表达式。
[0037] 步骤S154:根据概率分类表达式计算各特征矢量的后验概率。从Bayes理论可以 得到，最大后验概率如下表示：
[0039]ρ(λζ/νi，a' i+1，…，a'i+n 丨）表示后验概率，p(a'i，a'i+1，…，a'i+n 丨）表示 a' 1>a' 1+1，…，a' 1+^的先验联合概率。其中
[0041] 对上式求其对数，可得：
[0043] 步骤S156:获取使后验概率最大时的概率分类模型类作为使对应特征矢量概率 最大的分类。
[0044] 由于概率分类表达式ρ(λz)的先验概率未知，因此可以假定在封闭集中概率分类 表达式ρ(λζ)可能性相等。当得到一个确定的特征矢量时，p(a'i，a'i+1，"％a' i+nl) 可以得到是一个确定的值，对所有的类别都相等。因此，求最大后验概率即是通过求得使 p(a'i，a'i+1，*"，a'i+nl|Az)最大获得。
[0045] 辨别特征矢量A'1= (a' 1>a'1+1，…，a'1+nl)所属的类别，即通过求 P(a'i，a' 1+1，…，a' 1+η1|λζ)使得最大所对应的那个模型即为所求：
[0046] z*=argmaxp(ara' i+1，…，a' i+n!|λz)
[0047]其中，P(a'"a' i+1，…，a' i+n」λζ)由p(a'i，a' i+1，…，a' i+n」λζ)= J p(D'」Az)da1+n可求出，^就是特征矢量A'i所属的类别，由此便可确定使该特征矢 量概率最大的分类。
[0048] 本实施例中根据预设的概率分类模型类，计算使p(a'ls，a' 19，a' 2。|λζ) 概率最大的类别即为A' 1= (a'ls，a' 19，a' 2。）所属的分类，进而得到使A' 1 = (a'18,a'19,a' 2。）概率最大的分类。
[0049] 步骤S160:根据各特征矢量及使特征矢量的概率最大的分类的概率分类模型类 对应的最佳预测系数，计算得到待预测设备的对应预测数据并输出。概率分类模型类均有 对应的最佳预测系数，获取使特征矢量的概率最大的分类的最佳预测系数，结合特征矢量 便可计算得到预测数据。输出预测数据可以是直接显示，也可以是发送至主控制器。在其 中一个实施例中，步骤S160计算预测数据具体为；
[0051] 其中，a1+n为预测数据，a1+t表示特征矢量中第i+t个观测数据，Pt为使特征矢量 概率最大的分类的概率分类模型类对应的最佳预测系数。用 &1，a1+1，…，a1+ni预测a1+n，从 而求得待预测设备下一个状态参数。
[0052] 本实施例中根据构建的特征序列A' 1= (a' 18,a' 19,a' 2。）所属的类别得到对 应分类的最佳预测系数，根据最佳预测系数用a' 18,a' 19,a' 2。预测a' 21，得到变压器 下个状态参数a21，可表为a21 -P々18+Ρχ?19+Ρ2^1 20 °
[0053] 在其中一个实施例中，如图4所示，步骤S150之前，输变电设备状态预测方法还 包括步骤S11