一种隔离开关触头寿命预测方法、装置、设备及存储介质与流程

1.本发明属于隔离开关使用寿命预测技术领域，尤其涉及一种隔离开关触头寿命预测方法、装置、设备及存储介质。


背景技术：

2.隔离开关触头突然出现故障，不仅对城市的供电造成影响，更有可能引起爆炸等造成人员伤亡。因此，如何精确及时预测出隔离开关触头寿命成为当前亟待解决的技术问题，目前传统的方式主要采用专家评定，专家通过自己的感官或仪器去获取信息，然后通过自己的主观意识和经验判断隔离开关触头剩余寿命，但是专家评定方法很容易受到受专家个人经验和身体状况等主观因素的影响，使得造成预测不准确问题。


技术实现要素：

3.本发明的主要目的在于：提供一种隔离开关触头寿命预测方法、装置、设备及存储介质，旨在解决现有技术中难以精确及时预测出隔离开关触头寿命，导致隔离开关触头突然出现故障造成损失的技术问题。
4.为实现上述目的，本发明提供一隔离开关触头寿命预测方法，所述变隔离开关触头寿命预测方法包括以下步骤：
5.获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
6.对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本；
7.对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型；
8.获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流；
9.根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。
10.可选地，所述对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型，包括：
11.构建预测循环网络模型和判别循环网络模型；
12.根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型；
13.将所述优化后的预测循环网络模型和判别循环网络模型相结合，得到隔离开关触头寿命预测模型。
14.可选地，所述根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型，包括：
15.将所述训练样本输入至所述预测循环网络模型和判别循环网络模型，以使所述预测循环网络模型和判别循环网络模型学习不同的隔离开关触头由正常状态变为故障状态
时训练样本数据呈现的时序特征和规律；
16.根据所述不同的隔离开关触头由正常状态变为故障状态时训练样本数据呈现的时序特征和规律，分别调整所述预测循环网络模型和判别循环网络模型对应参数；
17.重复执行上述操作，直到所述预测循环网络模型和判别循环网络模型对应参数满足预设精度要求，得到优化后的预测循环网络模型和判别循环网络模型。
18.可选地，所述根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流，生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果，包括：
19.将所述时间序列输入至所述判别循环网络模型；
20.若所述判别循环网络模型判定结果为故障状态，则判定当前为故障状态，并记录当前时间；
21.将所述时间序列输入至所述循环网络模型，以使所述循环网络模型输出将发生故障的时间；
22.将所述发生故障的时间减去当前时间，得到目标隔离开关触头的剩余寿命。
23.可选地，对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本，包括：
24.统计预测周期开始之前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
25.对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充；
26.识别并剔除所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流中的异常值，并对所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流进行平滑去噪；
27.判断处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流，是否满足周期性；
28.若不满足周期性，则重复执行上述操作，直至处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流满足周期性。
29.可选地，所述对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充之前，还包括：
30.将所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流分解为适应所述隔离开关触头寿命预测模型的长期趋势数据以及季节趋势数据；
31.对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验；
32.在所述平稳性检验和白噪音检验通过时，执行对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的缺失值进行填充的步骤。
33.可选地，所述将根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果之后，还包括：
34.根据预测时间周期，持续获取历史测量的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
35.将获取到的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流输入所述测试样本，得到新的测试样本；
36.根据所述新的测试样本，对所述隔离开关触头寿命预测模型进行校正。
37.此外，为实现上述目的，本发明还提出一种隔离开关触头寿命预测装置，所述隔离开关触头寿命预测装置包括：
38.获取模块，用于获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
39.处理模块，用于对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本；
40.建模模块，用于对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型；
41.所述获取模块，还用于获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流；
42.预测模块，用于根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。
43.此外，为实现上述目的，本发明还提出一种隔离开关触头寿命预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的隔离开关触头寿命预测程序，所述隔离开关触头寿命预测程序配置为实现如上文所述的隔离开关触头寿命预测方法。
44.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有隔离开关触头寿命预测程序，所述隔离开关触头寿命预测程序被处理器执行时实现如上文所述的隔离开关触头寿命预测方法。
45.本发明有益效果：
46.本发明其公开了一种隔离开关触头寿命预测方法、装置、设备及存储介质，该方法包括：获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本；对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型；获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流；根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。从而根据隔离开关触头的历史参数建立并优化隔离开关触头的寿命预测模型，并输入当前的目标隔离开关触头的相关工作参数至所述隔离开关预测模型，得到隔离开关触头的寿命，实现准确的隔离开关触头的寿命预测。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的隔离开关触头寿命预测设备结构示意图；
48.图2为本发明隔离开关触头寿命预测方法第一实施例的流程示意图；
49.图3为本发明隔离开关触头寿命预测方法第二实施例的流程示意图；
50.图4为本发明隔离开关触头寿命预测方法第三实施例的流程示意图；
51.图5为本发明隔离开关触头寿命预测装置第一实施例的功能模块示意图。
52.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
53.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的一部分实施例，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作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。
54.参照图1，图1为本发明实施例方案涉及的硬件运行环境的隔离开关触头寿命预测设备结构示意图。
55.如图1所示，该隔离开关触头寿命预测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对隔离开关触头寿命预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及隔离开关触头寿命预测程序。
58.在图1所示的隔离开关触头寿命预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述隔离开关触头寿命预测设备通过处理器1001调用存储器1005中存储的隔离开关触头寿命预测程序，并执行本发明实施例提供的隔离开关触头寿命预测方法。
59.基于上述硬件结构，提出本发明隔离开关触头寿命预测方法的实施例。
60.参照图2，图2为本发明隔离开关触头寿命预测方法第一实施例的流程示意图，提出本发明隔离开关触头寿命预测方法第一实施例。
61.在第一实施例中，所述隔离开关触头寿命预测方法包括以下步骤：
62.步骤s10：获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流。
63.应当理解的是，本实施例的执行主体是为隔离开关触头寿命预测设备，该隔离开关触头寿命预测设备具有数据处理、数据通信及程序运行等功能。
64.在具体实施中，会建立一个数据集，来存储这些测量得到的隔离开关触头的环境
湿度、环境温度、工作电压以及工作电流，并会设置一个存储周期，并按照预设的储存周期不断存储数据。
65.需要说明的是，此处测量的需要说明的是，这里选择预测的隔离开关是一种主要用于“隔离电源、倒闸操作、用以连通和切断小电流电路”，无灭弧功能的开关器件。隔离开关在分位置时，触头间有符合规定要求的绝缘距离和明显的断开标志；在合位置时，能承载正常回路条件下的电流及在规定时间内异常条件下的电流的开关设备。一般用作高压隔离开关，即额定电压在1kv以上的隔离开关，它本身的工作原理及结构比较简单，但是由于使用量大，工作可靠性要求高，对变电所、电厂的设计、建立和安全运行的影响均较大，其中隔离开关的触头通常工作在大电流情形下，因此容易造成损坏，但是隔离开关触头突然出现故障，不仅对城市的供电造成影响，更有可能引起爆炸等造成人员伤亡。
66.步骤s20：对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本。
67.在具体实施中，统计预测周期开始之前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充；识别并剔除所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流中的异常值，并对所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流进行平滑去噪；判断处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流，是否满足周期性；若不满足周期性，则重复执行上述操作，直至处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流满足周期性。
68.应理解的是，所述历史数据集预处理是时序建模中尤为重要的一环，用来优化历史参数，对历史参数进行预处理，剔除掉数据集中的错误的数据后，再用新的历史数据构建时间序列对目标隔离开关触头进行预测。
69.步骤s30：对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型。
70.在具体实施中，构建预测循环网络模型和判别循环网络模型；根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型；将所述优化后的预测循环网络模型和判别循环网络模型相结合，得到隔离开关触头寿命预测模型。
71.需要说明的是，所述预测循环网络模型是用来预测距离目标隔离开关触头发生故障还需要的时间，而所述判别循环网络模型是用来判断目标隔离开关当前的状态。例如：预测循环网络模型预测3天后隔离开关将发生故障，判别出3天后目标隔离开关触头发生故障，则说明预测循环网络模型的预测结果为准确，故可以按照当前的预测循环网络模型和判别循环网络模型的参数对目标隔离开关进行预测。
72.步骤s40：获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流。
73.在具体实施中，隔离开关触头寿命预测设备发送收集指令到电流传感器、电压传感器、温度传感器以及湿度传感器，以使电流传感器、电压传感器、温度传感器以及湿度传感器在接收到了收集指令后开始收集目标隔离开关触头的工作电压、工作电流、环境温度
以及环境湿度。从而使可以隔离开关触头的环境湿度、环境温度、工作电压以及工作电流。
74.步骤s50：根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。
75.应理解的是，根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果之后，还包括：根据预测时间周期，持续获取历史测量的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；将获取到的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流输入测试样本，得到新的测试样本；根据所述新的测试样本，对所述隔离开关触头寿命预测模型进行校正。例如，设置每天一次采样的时间采样周期，例如：在第一天采到了样本，根据第一天采样到的隔离开关触头的环境湿度5g/m3、环境温度35摄氏度、工作电压110kv以及工作电流50a进行通过寿命预测模型进行预测得到预测结果后，还会将得到的工作数据补充到训练样本中，继续更新隔离开关的寿命预测模型。
76.在本实施例中，获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本；对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型；获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流；根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。从而根据隔离开关触头的历史参数建立并优化隔离开关触头的寿命预测模型，并输入当前的目标隔离开关触头的相关工作参数至所述隔离开关预测模型，得到隔离开关触头的寿命。
77.参照图3，图3为本发明隔离开关触头寿命预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明隔离开关触头寿命预测方法的第二实施例。
78.在第二实施例中，所述步骤s30，包括：
79.步骤s301：构建预测循环网络模型和判别循环网络模型。
80.需要说明的是，构建预测循环网络模型和判别循环网络模型为两个结构不同的网络结构模型，是反映隔离开关触头工作数据与剩余寿命预测模型的最优参数之间的映射关系的运算模型，其中神经网络模型的输入为工作参数，通过学习每个隔离开关触头的个性化故障特征，调整神经网络模型的参数。
81.步骤s302：根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型。
82.在具体实施中，将所述训练样本输入至所述预测循环网络模型和判别循环网络模型，以使所述预测循环网络模型和判别循环网络模型学习不同的隔离开关触头由正常状态变为故障状态时训练样本数据呈现的时序特征和规律；根据所述不同的隔离开关触头由正常状态变为故障状态时训练样本数据呈现的时序特征和规律，分别调整所述预测循环网络模型和判别循环网络模型对应参数；重复执行上述操作，直到所述预测循环网络模型和判别循环网络模型对应参数满足预设精度要求，得到优化后的预测循环网络模型和判别循环网络模型。例如：如果出现多次在环境湿度5g/m3、环境温度35摄氏度、工作电压110kv以及工作电流50a时，隔离开关在该工作环境下发生故障，则可以认为该环境满足正常状态变为
故障状态时训练样本数据呈现的时序特征和规律，通过大量测试样本可以找出，正常状态到故障状态的规律。
83.步骤s303：将所述优化后的预测循环网络模型和判别循环网络模型相结合，得到隔离开关触头寿命预测模型。
84.需要说明的是，这里的隔离开关触头寿命预测模型应当包括两种预测模型，一是通过预测循环网络模型预测出到发生故障所用的时间，二是判别循环网络模型用来判别发生故障的特征和特点，找出发生故障时隔离开关变化的，两者结合起来则可以预测出目标隔离开关触头的剩余寿命。
85.在本实施例中，构建预测循环网络模型和判别循环网络模型；根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型；将所述优化后的预测循环网络模型和判别循环网络模型相结合，得到隔离开关触头寿命预测模型。从而，可以通过结合预测循环网络模型和判别循环网络模型的方式，增加了对目标隔离开关的剩余寿命预测的精确度。
86.参照图4，图4为本发明隔离开关触头寿命预测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明隔离开关触头寿命预测方法的第三实施例。
87.在第三实施例中，所述步骤s20，包括：
88.步骤s201：统计预测周期开始之前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流。
89.需要说明的是，选取历史数据的前几个月的数据，选择同一个季节的数据进行预测，其准确性会提高。
90.步骤s202：对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充。
91.在具体实施中，在对所历史测量的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理之前，还会进行对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的缺失值进行填充；识别并剔除所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流中的异常值，并对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行平滑去噪；判断所述处理后的历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流，是否满足周期性，若不满足，则重复执行上述操作。例如：出现过高的环境温度，例如100摄氏度，这种情况属于异常情况，需要剔除掉这一组数据。
92.步骤s203：识别并剔除所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流中的异常值，并对所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流进行平滑去噪。
93.需要说明的是，具体的按序检测过程为，如果对之前数据的平稳性检测不通过，则对所述长期趋势性数据或者季节性数据进行差分运算并再次进行平稳性检验，直到所述长期趋势性数据均通过平稳性检验，则开始进行白噪音检验，并如果白噪音检验不通过，则确定所述温湿度历史数据为无效数据；反之，如果通过了白噪音检验，则认定这组数据在时序上存在相关性。
94.步骤s204：判断处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压
以及工作电流，是否满足周期性。
95.需要说明的是，因为昼夜温差的交替变化和季节变化均满足周期性变化，故而隔离开关触头环境湿度、环境温度、工作电压以及工作电流，应当也符合自然规律，满足周期的性的变化情况，如果不满足，则可能为异常情况，需要重复处理过程，直到符合规律。
96.步骤s205：重复执行上述操作，直到所述预测循环网络模型和判别循环网络模型对应参数满足精度要求，得到优化后的预测循环网络模型和判别循环网络模型。
97.在具体实施中，将所述预测循环网络模型和判别循环网络模型进行不断优化，直到满足预设的精度要求再用此预测模型来预测目标隔离开关触头的剩余寿命。
98.在本实施例中，统计预测周期开始之前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充；识别并剔除所述历史测量的隔离开关触头环境湿度、环境温度、工作电压及工作电流中的异常值，并对所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流进行平滑去噪；判断处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流，是否满足周期性；若不满足周期性，则重复执行上述操作，直至处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流满足周期性。进而可以得到合适的测试序列，增加了寿命预测的精确性。
99.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有隔离开关触头的程序，所述种隔离开关触头寿命预测程序被处理器执行时实现如上文所述的种隔离开关触头寿命预测方法的步骤。
100.由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
101.参照图5，图5为本发明种隔离开关触头寿命预测装置第一实施例的功能模块示意图。
102.本发明隔离开关触头寿命预测装置第一实施例中，该隔离开关触头寿命预测装置包括：
103.获取模块10，用于获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流。
104.处理模块20，用于对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本。
105.建模模块30，用于对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型。
106.所述获取模块10，还用于获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流。
107.预测模块40，用于根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。
108.本发明其公开了一种隔离开关触头寿命预测方法、装置、设备及存储介质，该方法包括：获取历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；对所
述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本；对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型；获取目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流；根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果。从而根据隔离开关触头的历史参数建立并优化隔离开关触头的寿命预测模型，并输入当前的目标隔离开关触头的相关工作参数至所述隔离开关预测模型，得到隔离开关触头的寿命。
109.在一实施例中，所述处理模块20，还用于对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流进行预处理，得到目标隔离开关触头的训练样本，包括：
110.统计预测周期开始之前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
111.对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充；
112.识别并剔除所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流中的异常值，并对所述历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流进行平滑去噪；
113.判断处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流，是否满足周期性；
114.若不满足周期性，则重复执行上述操作，直至处理后的历史测量的隔离开关触头环境湿度、环境温度、工作电压以及工作电流满足周期性。
115.在一实施例中，所述处理模块20，还用于对所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的历史数据的缺失值进行填充之前，还包括：
116.将所述前若干月的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流分解为适应所述隔离开关触头寿命预测模型的长期趋势数据以及季节趋势数据；
117.对所述长期趋势数据以及季节趋势数据分别进行平稳性检验和白噪音检验；
118.在所述平稳性检验和白噪音检验通过时，执行对所述历史测量的隔离开关触头的环境湿度、环境温度、工作电压以及工作电流的缺失值进行填充的步骤。
119.在一实施例中，所述建模模块30，还用于对所述隔离开关触头的训练样本进行时序分析，得到隔离开关触头寿命预测模型，包括：
120.构建预测循环网络模型和判别循环网络模型；
121.根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型；
122.将所述优化后的预测循环网络模型和判别循环网络模型相结合，得到隔离开关触头寿命预测模型。
123.在一实施例中，所述建模模块30，还用于根据所述训练样本通过元学习，分别对所述预测循环网络模型和判别循环网络模型进行训练，得到优化后的预测循环网络模型和判别循环网络模型，包括：
124.将所述训练样本输入至所述预测循环网络模型和判别循环网络模型，以使所述预
测循环网络模型和判别循环网络模型学习不同的隔离开关触头由正常状态变为故障状态时训练样本数据呈现的时序特征和规律；
125.根据所述不同的隔离开关触头由正常状态变为故障状态时训练样本数据呈现的时序特征和规律，分别调整所述预测循环网络模型和判别循环网络模型对应参数；
126.重复执行上述操作，直到所述预测循环网络模型和判别循环网络模型对应参数满足预设精度要求，得到优化后的预测循环网络模型和判别循环网络模型。
127.在一实施例中，所述预测模块40，还用于根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流，生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果，包括：
128.将所述时间序列输入至所述判别循环网络模型；
129.若所述判别循环网络模型判定结果为故障状态，则判定当前为故障状态，并记录当前时间；
130.将所述时间序列输入至所述循环网络模型，以使所述循环网络模型输出将发生故障的时间；
131.将所述发生故障的时间减去当前时间，得到目标隔离开关触头的剩余寿命。
132.在一实施例中，所述预测模块40，还用于将根据所述目标隔离开关触头的当前环境湿度、环境温度、工作电压以及工作电流生成时间序列，并输入至所述隔离开关触头寿命预测模型，得到寿命预测结果之后，还包括：
133.根据预测时间周期，持续获取历史测量的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流；
134.将获取到的目标隔离开关触头的环境湿度、环境温度、工作电压以及工作电流所述测试样本，得到新的测试样本；
135.根据所述新的测试样本，对所述隔离开关触头寿命预测模型进行校正。
136.本发明所隔离开关触头寿命预测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。