电力设备状态数据预测方法、智能化平台、设备及介质与流程

本发明涉及大数据处理领域，尤其是涉及一种电力设备状态数据预测方法、智能化平台、设备及介质。

背景技术：

1、由于电力设备的状态变化和突发故障是在高压电场、热、机械力以及运行工况、气象环境等多种因素的作用下发生的，要及时和准确地发现设备在运行中产生的潜伏性故障是十分困难的，必须多角度综合分析不同特征参量值及其变化趋势，来提高设备状态评价、诊断和预测的准确性。

2、电力设备的状态变化和故障演变规律蕴含在带电检测、在线监测、巡检试验以及运行工况、环境气候、电网运行等众多状态信息中，随着智能电网的建设和不断发展，设备检测手段的不断丰富，电网运行和设备检测产生的数据量呈指数级增长，加大了电力状态数据预测的难度。且采集的电力设备状态数据中还存在大量异常数据，极大影响了电力设备状态预测的准确性。

3、因此，亟需设计一种预测准确性高的电力设备状态预测方法，可进一步提高电力设备管理的有效性和安全性。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种预测准确性高的基于大数据的电力设备维护方法、设备及介质，可进一步提高电力设备管理的有效性和安全性。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的第一方面，提供了一种电力设备状态数据预测方法，该方法包括：

4、步骤s1、获取现场运维检测的电力设备状态数据，采用自适应小波滤波算法对无效异常数据进行过滤预处理；

5、步骤s2、利用统计分析数据挖掘方法对电力设备中的小规模状态数据进行分析，获得电力设备状态短期趋势；利用深度学习数据挖掘方法对电力设备中的大规模状态数据进行分析，得到电力设备状态长期趋势；

6、步骤s3、分别对电力设备状态短期趋势、长期趋势进行权重分配，进行融合预测。

7、优选地，所述步骤s1中的电力设备状态数据包括种类、温度、气象和年限数据。

8、优选地，所述自适应小波滤波算法中的自适应滤波阈值，表达式为：

9、

10、

11、式中：δ、n和m分别为噪声均方差、信号提升层数和信号范围；tt和t分别为当前采样值和上次滤波结果。

12、优选地，所述步骤s2中利用深度学习数据挖掘方法对电力设备中的大规模状态数据进行分析，得到电力设备状态长期趋势，具体为：

13、根据自适应小波滤波算法对数据质量提升程度，将数据分为m个周期段，将各周期段同一时刻的平均记忆作为标准记忆；利用标准记忆对门控循环单元的重置门rt进行选择性记忆，预测得到电力设备状态长期趋势。

14、优选地，所述门控循环单元表达式具体为：

15、

16、

17、式中：μt,m、r't为各周期数据段同一时刻下的阈值、周期数据段同一时刻下的标准记忆。

18、根据本发明的第二方面，提供了一种电力设备状态智能化平台，所述平台包括：

19、设备状态数据存储和查询模块；

20、设备状态规律预测模块，用于依据设备状态数据存储和查询模块采集的电力设备状态数据，采用任一项上述的方法进行设备状态数据预测；

21、可视化模块，用于可视化展示设备历史状态数据，以及设备状态规律预测模块输出的预测状态数据；

22、预警模块，用于依据设备状态规律预测模块预测的异常设备状态进行主动故障预警。

23、优选地，所述电力设备状态数据存储和查询模块采用分布式文件存储mysql方式进行数据存储。

24、优选地，所述可视化模块采用自回归方法进行设备历史状态数据拟合。

25、根据本发明的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。

26、根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。

27、与现有技术相比，本发明具有以下优点：

28、1)本发明采用统计分析数据挖掘方法、深度学习数据挖掘方法分别对小规模状态数据、大规模状态数据进行趋势预测，再通过权重融合，实现了对电力设备状态的精准预测。

29、2)本发明通过自适应小波滤波算法对电力设备状态数据中的无效异常数据进行过滤处理，进一步提升了电力设置状态数据的有效性。

30、3)本发明从数据分析的角度揭示电力设备状态、电网运行和气象环境参量之间的关联关系和内在变化规律，捕捉设备早期故障的先兆信息，追溯故障发展过程，预测故障发生的概率，从而及时发现、快速诊断和消除故障隐患，保障电力设备运行安全。

31、4)通过该平台的设备状态数据存储、查询、可视化技术，采用历史状态曲线对设备的历史数据进行分析，了解不同时刻的状态情况；凭借该平台的设备状态数据处理、分析技术，采取状态拟合曲线和状态预测曲线的方式掌握设备状态变化规律和预测后续可能出现的状态，将有效提高电网安全可靠运行的能力，保障广域范围下电力用户的用电稳定性，从而将产生显著的经济效益和社会效益。

技术特征：

1.一种电力设备状态数据预测方法，其特征在于，该方法包括：

2.根据权利要求1所述的电力设备状态数据预测方法，其特征在于，所述步骤s1中的电力设备状态数据包括种类、温度、气象和年限数据。

3.根据权利要求1所述的电力设备状态数据预测方法，其特征在于，所述自适应小波滤波算法中的自适应滤波阈值，表达式为：

4.根据权利要求1所述的电力设备状态数据预测方法，其特征在于，所述步骤s2中利用深度学习数据挖掘方法对电力设备中的大规模状态数据进行分析，得到电力设备状态长期趋势，具体为：

5.根据权利要求4所述的电力设备状态数据预测方法，其特征在于，所述门控循环单元表达式具体为：

6.一种电力设备状态智能化平台，其特征在于，所述平台包括：

7.根据权利要求6所述的平台，其特征在于，所述电力设备状态数据存储和查询模块采用分布式文件存储mysql方式进行数据存储。

8.根据权利要求6所述的平台，其特征在于，所述可视化模块采用自回归方法进行设备历史状态数据拟合。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～5任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～5中任一项所述的方法。

技术总结
本发明涉及一种电力设备状态数据预测方法、智能化平台、设备及介质，该方法包括：步骤S1、获取现场运维检测的电力设备状态数据，采用自适应小波滤波算法对无效异常数据进行过滤预处理；步骤S2、利用统计分析数据挖掘方法对电力设备中的小规模状态数据进行分析，获得电力设备状态短期趋势；利用深度学习数据挖掘方法对电力设备中的大规模状态数据进行分析，得到电力设备状态长期趋势；步骤S3、分别对电力设备状态短期趋势、长期趋势进行权重分配，进行融合预测。与现有技术相比，本发明具有预测准确性高的优点。

技术研发人员：葛海华,丁建球,邹钰洁,吴利强
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2024/2/25