待检测输变电设备状态的变化。
[0053] 具体的，根据待检测设备的当前设备状态，通过该待检测输变电设备对应的状态 转移矩阵中确定当前设备状态转变为其它设备状态的概率，对该待检测输变电设备状态进 行预测。
[0054] 该输变电设备状态变化预测方法，通过采集待检测设备当前的第一状态特征数 据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设 备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转 变的概率从而预测该输变电设备的状态变化。该方法能够快速的确定当待检测设备的当前 设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及 时进行检修和更换，从而有效地保障电力设备的正常运行。该方法通过聚类模型和状态转 移矩阵进行分析，成本低且准确率高。
[0055] 在另一种实施方式中，如图2所示，还包括步骤S10 :预先建立聚类模型。
[0056] 具体的，如图3所示，步骤S10包括：
[0057] S11 :获取电网的输变电设备的历史运行数据，并从历史运行数据中提取每台输变 电设备的N个状态特征数据。
[0058] 在电网的输变电设备的维护和检测过程中，形成了大量的历史运行数据。通过从 历史运行数据中提到每台输变电设备的N个状态特征数据组成该输变电设备的全生命周 期数据。
[0059] S12 :对每个输变电设备的N个状态特征数据进行处理得到每个输变电设备的第 二特征向量。
[0060] 对N个状态特征数据进行处理包括对N个状态特征数据进行量化和归一化处理。
[0061] S13:分别将每个输变电设备的第二特征向量采用无聚类监督算法得到每个输变 电设备对应的Μ类设备状态，并对Μ类设备状态进行标记得到对应的输变电设备的聚类模 型。
[0062] 将Ν个状态特征数据对应的第二特征向量Xlj= (Xljl，xlj2，…xljN)作为输入，对 设备全生命周期数据进行无监督聚类，分析设备状态的分类。
[0063] 某个设备全生命周期数据可用矩阵表示：
[0064]
[0065] 对于聚类分析得到的Μ类设备状态，依据检测经验分析每个类别的设备状态，对 每个类别的设备状态进行标记，将其标记为％。设备状态根据其运行情况可分为运行状态 和故障状态。具体的，运行状态又包括良好、一般、较差和严重等不同等级的运行状态MSi~ MSi，故障状态根据故障的具体类型进行分类分为丽i~丽
[0066] 通过将采集的待检测输变电设备的N个状态特征数据对应的第一特征向量输入 该待检测输变电设备对应的聚类模型，可得到该待检测输变电设备的当前设备状态。
[0067] 如图2所示，在步骤S10之后，还包括步骤：S20 :建立状态转移矩阵。
[0068] 具体的，如图4所示，包括：
[0069] S21 :按时间顺序依次将第二特征向量输入聚类模型，得到待检测输变电设备的设 备状态变化情况。
[0070] 具体的，将该待检测设备的全生命周期数据的第二特征向量按时间顺序依次输入 其聚类模型时得到该待检测设备状态变化情况。
[0071] S22:统计设备状态变化情况中从一个设备状态到其它设备状态变化的次数，得到 不同设备状态的转移概率以得到状态转移矩阵。
[0072] 具体的，统计该设备状态变化中每相邻的两个设备状态，从一个设备状态到其它 设备状态变化的次数，从而统计不同设备状态的转移概念得到待检测输电设备的状态转移 矩阵。
[0073]
[0074] 对于待检测输变电设备，根据其当前设备状态及状态转移矩阵能够评估转变的可 能状态设备及相应的概率。一种实施方式的状态转移概率如图5所示。
[0075] 在另一种实施方式中，如图6所示，步骤S30包括：
[0076] S31 :采集待检测输变电设备的N个状态特征数据
[0077] S32 :对N个状态特征数据进行量化和归一化处理，得到与待检测输变电设备对应 的第一特征向量。
[0078] 对状态特征数据进行规范化处理，即量化和归一化处理，在其它的实施方式中，特 征数据规范化处理包括非量化数据的数字化、在聚类之前数据归一化和将特征向量中某项 缺失数据进行补全，例如采用其他数据平均值。
[0079] 该输变电设备状态变化预测方法，通过采集待检测设备当前的第一状态特征数 据，将当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设 备不处于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转 变的概率从而预测该输变电设备的状态变化。该方法能够快速的确定当待检测设备的当前 设备状态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及 时进行检修和更换，从而有效地保障电力设备的正常运行。进一步的聚类模型和状态转移 矩阵通过对该待检测设备的历史运行数据进行分析获得，因此，该方法的成本低且准确率 尚。
[0080] 本发明还提供一种输变电设备状态变化预测系统，如图7所示，包括
[0081] 采集模块10，用于采集待检测输变电设备的N个状态特征数据并，对N个状态特征 数据进行处理得到与待检测输变电设备对应的第一特征向量.
[0082] 本实施方式以电压等级220kV，容量120MVA及以上的大型油浸式电力变压器为例 进行说明，由于变压器生产厂家、制造结构不同，特别是电压等级不同与容量的差异，其影 响评估的因素指标也不同，本发明从反映变压器运行状态的油色谱分析、电气试验、油化试 验、变压器附件方面来评估状态。因此，确定的变压器的状态特征包括：油色谱分析、电气试 验、油化试验和变压器附件。
[0083] 当需要对某一台变压器的设备状态进行评估时，采集该变压器的上述4个状态特 征数据，并对状态特征数据进行处理得到对应的特征向量。
[0084] 聚类模块20,用于将第一特征向量输入对应的聚类模型中得到待检测设备的当前 设备状态。
[0085] 将第一特征向量输入该输变电设备对应的聚类模型中得到该特征向量的所属设 备状态的分类结果，从而得到待检测设备的当前设备状态。
[0086] 判断模块30,用于根据当前设备状态判断待检测输变电设备是否处于故障状态。
[0087] 若判断模块判断结果为是，则产生故障提示信息，提示相关工作人员对设备进行 维修，并在设备维护投入使用后继续采集该输变电设备的第一状态特征数据。
[0088] 预测模块40,用于在判断模块的判断结果为否时，根据当前设备状态及待检测输 变电设备对应的状态转移矩阵预测待检测设备发生状态转变的概率，以预测待检测输变电 设备状态的变化。
[0089] 具体的，根据待检测设备的当前设备状态，通过该待检测输变电设备对应的状态 转移矩阵中确定当前设备状态转变为其它设备状态的概率，对该待检测输变电设备状态进 行预测。
[0090] 该输变电设备状态变化系统，通过采集待检测设备当前的第一状态特征数据，将 当前的第一状态特征数据根据预先建立的聚类模块得到当前的设备状态，若当前设备不处 于故障状态，则根据当前的设备状态和状态转移矩阵预测该输变电设备发生状态转变的概 率从而预测该输变电设备的状态变化。该系统能够快速的确定当待检测设备的当前设备状 态，并预测可能发生转变的设备状态的概率，从而针对较大问题故障的设备能够及时进行 检修和更换，从而有效地保障电力设备的正常运行。该系统通过聚类模型和状态转移矩阵 进行分析，成本低且准确率高。
[0091] 在另一种实施方式中，如图8所不，还包括：建模模块50,建模模块50包括：
[0092] 提取单元，用于获取电网的输变电设备的历史运行数据，并从历史运行数据中提 取每台输变电设备的N个状态特征数据。
[0093] 在电网的输变电设备的维护和检测过程中，形成了大量的历史运行数据。通过从 历史运行数据中提到每台输变电设备的N个状态特征数据组成该输变电设备的全生命周 期数据。
[0094] 第一处理单元，用于对每个输变电设备的N个状态特征数据进行处理得到每个输 变电设备的第二特征向量。
[0095] 对N个状态特征数据进行处理包括对N个状态特征数据进行量化和归一化处理。
[0096] 聚类单元，用于分别将每个输变电设备的第二特征向量采用无聚类监督算法得到 每个输变电设备对应的Μ类设备状态，并对Μ类设备状态进行标记得到对应的输变电设备 的聚类模型。
[0097] 将Ν个状态特征数据对应的第二特征向量Xlj= (Xljl，xlj