配网设备故障率预测方法、装置、存储介质及计算机设备与流程

本技术涉及电网设备检测，尤其涉及一种配网设备故障率预测方法、装置、存储介质及计算机设备。

背景技术：

1、近年来，随着配电网建设规模的不断扩大，配电网的拓扑结构及运行环境也逐渐复杂化，配网设备将更容易受到使用年限、应用环境等因素的影响而导致故障的发生。配网设备故障将导致配电网无法正常运行，不仅影响电网公司的效益，同时会给用电客户带来不同程度的经济损失，并影响社会的正常生产活动，因此，配网设备的正常运行具有保障配电网稳定运行的重要意义。

2、在配网设备运行期间实现故障率的精准预测，能够显著掌握设备的故障发展趋势，从而能够提前采取必要措施以提高配网设备运行的稳定性和安全性，而传统的配网设备故障率预测方法主要针对配网设备的实际运行状况数据进行收集并采用统计分析得到，但并未考虑到外界更多的影响因素，导致配网设备的故障率预测值的精确度较低。

技术实现思路

1、本技术的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中未考虑到外界更多的影响因素，导致配网设备的故障率预测值的精确度较低的技术缺陷。

2、第一方面，本技术提供了一种配网设备故障率预测方法，所述方法包括：

3、获取待预测数据；其中，所述待预测数据为当前时刻与配网设备运行参数、配网设备运行年限参数及配网设备运行环境参数对应的运行数据；

4、将所述待预测数据输入至已建立的故障率预测模型中，得到与所述待预测数据对应的故障率预测值；

5、其中，所述故障率预测模型的建立过程，包括：

6、确定指标参数；其中，所述指标参数包括配网设备运行参数、配网设备运行年限参数及配网设备运行环境参数；

7、根据所述指标参数，采集配网设备的历史运行数据，并对所述历史运行数据进行预处理，得到训练数据集；

8、基于所述训练数据集，构建初始模型；

9、采用lstm算法，对所述初始模型进行训练，以得到故障率预测模型，其中，所述故障率预测模型是以所述训练数据集为训练样本，并利用变量计算单元对所述初始模型进行训练后得到的，所述变量计算单元是通过将遗忘门单元、记忆门单元以及输出门单元对应的计算逻辑进行耦合重组得到的。

10、在其中一个实施例中，所述对所述初始模型进行训练，以得到故障率预测模型，包括：

11、根据所述变量计算单元，将所述训练数据集输入至所述初始模型中进行迭代训练，若当前的迭代轮次为预设数量的倍数，则计算本次迭代中得到的初始模型的损失函数，并保存本次迭代中得到的初始模型及其对应的损失函数；

12、若当前的迭代轮次小于预设阈值，则进入下一迭代轮次；

13、若当前的迭代轮次等于所述预设阈值，则在已保存的初始模型中将损失函数的拟合精度最高的初始模型确定为故障率预测模型。

14、在其中一个实施例中，所述计算本次迭代中得到的初始模型的损失函数，包括：

15、按照下述表达式计算本次迭代中得到的初始模型的损失函数：

16、

17、式中，j为损失函数值，n为训练数据集对应的样本数量，y代表配网设备故障率的预测值，y′代表配网设备故障率的实际值。

18、在其中一个实施例中，所述对所述历史运行数据进行预处理，得到训练数据集，包括：

19、采用中值滤波器处理方法，对所述历史运行数据进行平滑处理；

20、将经过平滑处理的历史运行数据进行归一化处理，以得到训练数据集。

21、在其中一个实施例中，所述变量计算单元的函数表达式如下：

22、

23、式中，zi为变量计算单元的控制信号，σ代表sigmoid激活函数，wi为权重矩阵，xt为t时刻的输入数据，ht-1为(t-1)时刻变量计算单元的短时记忆输出，ct-1为(t-1)时刻变量计算单元的长时记忆输出，bi为偏置矩阵，ct为t时刻变量计算单元的长时记忆输出，tanh代表tanh激活函数，ht为t时刻变量计算单元的短时记忆输出。

24、在其中一个实施例中，所述方法还包括：

25、根据所述待预测数据及其对应的故障率预测值，确定高风险配网设备；

26、生成与所述高风险配网设备对应的告警信息，并将所述告警信息发送至客户端。

27、第二方面，本技术提供了一种配网设备故障率预测装置，所述装置包括：

28、数据获取模块，用于获取待预测数据；其中，所述待预测数据为当前时刻与配网设备运行参数、配网设备运行年限参数及配网设备运行环境参数对应的运行数据；

29、故障率预测模块，用于将所述待预测数据输入至已建立的故障率预测模型中，得到与所述待预测数据对应的故障率预测值；其中，所述故障率预测模型的建立过程，包括：确定指标参数；其中，所述指标参数包括配网设备运行参数、配网设备运行年限参数及配网设备运行环境参数；根据所述指标参数，采集配网设备的历史运行数据，并对所述历史运行数据进行预处理，得到训练数据集；基于所述训练数据集，构建初始模型；采用lstm算法，对所述初始模型进行训练，以得到故障率预测模型，其中，所述故障率预测模型是以所述训练数据集为训练样本，并利用变量计算单元对所述初始模型进行训练后得到的，所述变量计算单元是通过将遗忘门单元、记忆门单元以及输出门单元对应的计算逻辑进行耦合重组得到的。

30、在其中一个实施例中，所述故障率预测模块包括：

31、模型保存子模块，用于根据所述变量计算单元，将所述训练数据集输入至所述初始模型中进行迭代训练，若当前的迭代轮次为预设数量的倍数，则计算本次迭代中得到的初始模型的损失函数，并保存本次迭代中得到的初始模型及其对应的损失函数；

32、迭代训练子模块，用于若当前的迭代轮次小于预设阈值，则进入下一迭代轮次；

33、模型确定子模块，用于若当前的迭代轮次等于所述预设阈值，则在已保存的初始模型中将损失函数的拟合精度最高的初始模型确定为故障率预测模型。

34、第三方面，本技术提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一项实施例所述配网设备故障率预测方法的步骤。

35、第四方面，本技术提供了一种计算机设备，包括：一个或多个处理器，以及存储器；

36、所述存储器中存储有计算机可读指令，所述一个或多个处理器执行时所述计算机可读指令时，执行如上述任一项实施例所述配网设备故障率预测方法的步骤。

37、从以上技术方案可以看出，本技术实施例具有以下优点：

38、本技术提供的配网设备故障率预测方法、装置、存储介质及计算机设备，该方法包括：根据确定的指标参数，获取配网设备的历史运行数据，指标参数包括配网设备运行参数、配网设备运行年限参数及配网设备运行环境参数，将历史运行数据进行处理得到训练数据集，将训练数据集用于训练故障率预测模型，能够丰富训练数据集，同时也加入了配网设备运行年限参数和配网设备运行环境参数对应的数据，进一步覆盖更多能够影响配网设备故障的因素，提高最终得到的故障率预测模型的精确度，而且，故障率预测模型是以训练数据集为训练样本，并利用变量计算单元对初始模型进行训练后得到的，变量计算单元是通过将遗忘门单元、记忆门单元以及输出门单元对应的计算逻辑进行耦合重组得到的，即在训练过程中，对lstm算法中的计算逻辑进行改进，耦合重组得到变量计算单元，如此，能够减少变量的计算步骤以及网络参数的更新数量，提高故障率预测模型训练的速度，而将得到的故障率预测模型应用在配网设备故障率预测方法中，可以提高配网设备故障率预测方法的精确度和预测效率。