一种基于比例风险模型电网设备剩余寿命预测方法及系统与流程

本发明涉及电网设备运维，尤其涉及一种基于比例风险模型电网设备剩余寿命预测方法及系统。

背景技术：

1、随着电网资产规模的不断扩大，近些年来电力企业的发展步伐也在不断加快，电网设备的购置、更新改造和运行维护任务极其繁重，传统的设备资产管理理念和做法已难以适应新形势下的电网发展要求，针对设备的寿命与生存分析，对于电网公司精细化资产管理、降低运营维护成本、排除设备运营安全隐患、提高公司生产收益有着重要的作用，因此准确的设备剩余寿命预测对于电网公司提高运营水平与运营能力具有重要的意义。

2、现有技术中的剩余寿命预测主要基于技术寿命或经济折旧寿命，然而设备的实际役龄与技术寿命之间存在偏差，且受所处环境、技术规格、使用负载等要素的影响，当前缺少合理的方法对不同使用环境下设备的实际使用寿命进行预测，也缺少恰当的评估方法对设备的运行状况进行推理。

技术实现思路

1、本发明的目的在于提供一种基于比例风险模型电网设备剩余寿命预测方法及系统，以解决现有技术中存在的对于电网设备剩余寿命预测精度不足的问题。

2、为实现上述目的，本发明提供了一种基于比例风险模型电网设备剩余寿命预测方法，包括如下步骤：

3、根据电压等级和设备类型收集报废设备和在运设备的基础数据，并对基础数据进行筛选；

4、对筛选后的基础数据进行预处理以获取训练数据集；

5、采用比例风险模型对设备报废时间进行建模，并对模型参数进行估计，以获取预测模型；

6、根据预测模型进行用户端设计，用户填入在运设备当前寿命和相关协变量的数值后，即可自动生成各设备预测剩余寿命。

7、对基础数据进行筛选过程中，由于资产信息化和数据治理是近些年才开始的工作，许多早年间投运并在资产信息化前报废的设备，缺乏相应的记录，必然导致基础数据出现偏差，本技术仅针对资产信息化前实物资产表中存在的设备收集基础数据，因而基础数据中仅包含报废时间在资产信息化之后的设备，考虑到部分设备因其高耗能或者高污染，已经不满足国家对于环境的要求，被强制淘汰或进行技术改造，这部分设备的报废时间并不属于本专利所研究的内容，因此在数据筛选过程中，仅保留了报废原因为老化或故障的设备样本。

8、采用比例风险模型对设备报废时间进行建模，并对模型参数进行估计，以获取预测模型，具体操作包括如下：

9、任一设备在已知其协变量x的背景下，报废时间超过t的概率可以表达为：

10、

11、该式中，s(tx)为生存函数，h(u)为危险函数，描述了设备在任一时间点的报废速率，采用比例风险模型，其表达式为：

12、h(ux)＝h0(u)exp(xβ)

13、该式中，h0(u)为基础危险率函数，本技术中采用weibull分布对其进行建模，表达式为：

14、

15、exp(xβ)表示协变量对于设备报废速率的影响，其中β为协变量x的参数向量，xβ表示这两个向量的内积。

16、进一步的，因本技术中仅包含了设备资产信息化和数字治理后仍在实物资产表中的设备，因此应用bayes理论，前述生存函数改变为：

17、

18、其中，n为对设备开展资产信息化和数据治理的具体年限。

19、因为数据的收集颗粒度为年，属于区间删失型数据，所以对于任一设备，其报废时间为t(即在t-1年至t年间报废)的概率表达式为：

20、f(tx)＝s(t-1x)-s(tx)。

21、进一步的，采用极大似然估计方法对模型参数进行估计；

22、本技术模型所包含的参数包括基础危险率函数中的k和λ，以及协变量参数向量β，定义参数集合为θ＝(k，λ，β),

23、利用数据构建似然函数如下：

24、

25、x＝(x1,x2,....xn)为数据协变量集合，

26、对似然函数求导，以获得：

27、

28、最后利用随机梯度上升方法对模型参数进行估计，具体步骤如下：

29、初始化参数集合；

30、对每个参数θ∈θ构建梯度

31、更新参数，计算公式如下：

32、

33、最后，根据预测模型进行用户端设计，该用户端可以为表格一类模板，当用户填入在运设备当前寿命z和相关协变量x的数值后，自动生成各设备预测剩余寿命，具体计算公式如下：

34、

35、其中，所述基础数据的基本属性包括设备投运时间、报废时间、报废原因、所属地区、平均负载率、周边环境污染等级以及经受恶劣气候时长。

36、投运时间和报废时间以年为单位，对于在运设备，报废时间计为0，而所属地区根据设备所属省份，分为华北、华东、华中、东北、西北、西南6个区域；

37、平均负载率为设备的平均日负载情况，以百分比为单位；

38、周边环境污染指设备所属地区的污染等级，分a、b、c、d、e五个等级

39、经受恶劣环境时长指设备运行过程中经历雷暴、寒冷、酷热等恶劣气候的总天数。

40、其中，所述对基础数据进行筛选是指保留资产信息化和数据治理工作开展以后资产表中存在的设备数据，且报废设备的报废原因为老化或故障。

41、其中，所述对筛选后的基础数据进行预处理包括如下步骤：

42、异常处理，对前述基础数据中数值属性的数据进行识别，将数据中的异常值予以删除；

43、编码处理，对于数值型属性的数据采用min-max归一化编码，对于离散型属性的数据采用哑元编码。

44、其中，所述异常值是指小于ql-1.5*iqr或大于qr+1.5*iqr的数据，其中，ql作为下四分位数，qu作为上四分位数，iqr作为四分位数间距。

45、其中，所述训练数据集为：

46、

47、其中，xi为影响第i个设备寿命的协变量，ci为0-1变量，表示第i个设备在观测期内是否报废，如果已经报废，则ci＝1，此时ti表示该设备报废时间，计算方法为报废时间减去投运时间，若正常运行，则ci＝0，此时ti表示数据删失时间，计算方法为数据构建时间减去投运时间，n为训练数据集中样本数量。

48、本发明还公开一种基于比例风险模型电网设备剩余寿命预测系统，配合如前所述的基于比例风险模型电网设备剩余寿命预测方法使用，包括：

49、数据输入模块，被配置为获取与电网设备相关的基础数据；

50、寿命预测模块，被配置为将获取的相关基础数据输入预先建立的电网设备剩余寿命预测模型中进行计算，输出设备预测剩余寿命。

51、基础数据包括设备投运时间、报废时间、报废原因、所属地区、平均负载率、周边环境污染等级、经受恶劣气候时长等。

52、本发明的一种基于比例风险模型电网设备剩余寿命预测方法及系统，通过采用比例风险模型，将所属地区、平均负载率、周边环境污染等级、经受恶劣气候时长等关键因素纳入到寿命预测当中，丰富了数据维度，此外，针对数据缺失问题，本发明基于bayes理论对传统生存函数进行了修正，不仅保留了传统方法易于求解的特点，而且能够有效提升数据预测精度。