本發(fā)明涉及電力系統(tǒng)故障預測診斷，尤其涉及一種基于融合終端的臺區(qū)故障預測方法及預測系統(tǒng)。

背景技術(shù)：

1、隨著電網(wǎng)規(guī)模和復雜程度的不斷增加，電網(wǎng)設備故障和事故的頻率也在持續(xù)上升，這給電網(wǎng)的安全穩(wěn)定運行帶來了極大的挑戰(zhàn)。尤其是在持續(xù)高溫天氣下，電網(wǎng)設備面臨著額外的壓力和挑戰(zhàn)，因為高溫會導致設備的負荷增加、絕緣性能下降及散熱困難，進而加速設備的老化和故障發(fā)生的可能性。故障預測技術(shù)通過對電網(wǎng)設備產(chǎn)生的海量數(shù)據(jù)進行分析和挖掘，能夠在故障發(fā)生之前及時發(fā)現(xiàn)潛在的故障，為設備維護和管理提供有力支撐。電網(wǎng)設備產(chǎn)生的長時間序列數(shù)據(jù)具有顯著的拓撲關(guān)系，這種關(guān)系與設備的位置、布局、連接方式等因素密切相關(guān)。由于設備的拓撲關(guān)系導致其故障出現(xiàn)也存在一定的相似性，這種隱蔽的關(guān)聯(lián)性往往被研究人員忽視。

2、在持續(xù)高溫天氣的影響下，電網(wǎng)設備的故障預測難度加大，數(shù)據(jù)量增大、數(shù)據(jù)類型多樣化、數(shù)據(jù)質(zhì)量下降，同時設備的拓撲關(guān)系對故障的影響也更加復雜。這些因素使得傳統(tǒng)的故障預測方法在準確率、假警報率和檢測范圍等方面存在明顯不足。

技術(shù)實現(xiàn)思路

1、鑒于上述問題，本發(fā)明提出了一種基于融合終端的臺區(qū)故障預測方法及預測系統(tǒng)，以提高電網(wǎng)設備故障預測的準確性和可靠性，特別是在極端氣候條件下，確保電網(wǎng)的安全穩(wěn)定運行。

2、本發(fā)明的一種技術(shù)方案是：

3、一種基于融合終端的臺區(qū)故障預測方法，所述方法包括：

4、將基于融合終端獲取的所述臺區(qū)的單個設備歷史故障數(shù)據(jù)作為訓練數(shù)據(jù)，對長短期記憶網(wǎng)絡模型lstm進行訓練，基于改進的adagrad優(yōu)化器更新優(yōu)化模型參數(shù)得到設備失效概率直接預測模型得到設備失效概率直接預測模型，基于所述訓練得到的設備失效概率直接預測模型預測未來設備失效概率；

5、基于所述未來設備失效概率，通過圖卷積神經(jīng)網(wǎng)絡模型計算得到各臺區(qū)的失效概率和信度函數(shù)值；

6、基于所述各臺區(qū)的失效概率和信度函數(shù)值對所述臺區(qū)故障進行預測。

7、進一步的，所述臺區(qū)的單個設備歷史故障數(shù)據(jù)的獲取包括：

8、獲取臺區(qū)數(shù)據(jù)，所述臺區(qū)數(shù)據(jù)基于融合終端獲取，包括：設備運行數(shù)據(jù)、歷史故障數(shù)據(jù)、設備維護數(shù)據(jù)和環(huán)境數(shù)據(jù)；

9、基于所述臺區(qū)數(shù)據(jù)，得到所述臺區(qū)的單個設備歷史故障數(shù)據(jù)；

10、所述單個設備歷史故障數(shù)據(jù)包括：單個設備的故障模式、瞬時失效率和在運條件下的失效率。

11、進一步的，所述單個設備的瞬時失效率的獲取方法包括：

12、基于所述設備運行數(shù)據(jù)和歷史故障數(shù)據(jù)得到所述單個設備的瞬時失效率；

13、計算公式為：

14、；

15、其中，為瞬時失效率，表示設備在時刻失效的速率，為設備運行總次數(shù)，為設備從初始時間工作到時刻的失效數(shù)，為設備正常運行次數(shù)，為一個極短的時間段，為設備在時間內(nèi)發(fā)生的失效數(shù)；

16、所述在運條件下的失效率的獲取方法包括：

17、基于所述單個設備的瞬時失效率得到所述在運條件下的失效率；

18、所述在運條件下的失效率的計算公式為：

19、；

20、其中，為在運條件下的失效率，表示瞬時失效率在0至時刻的時間段上的累積效果，為瞬時失效率；

21、所述單個設備的故障模式的獲取方法包括：

22、利用隨機森林算法對所述歷史故障數(shù)據(jù)提取同類故障的相同特征，得到歷史故障特征集合；

23、根據(jù)單個設備的瞬時失效率、在運條件下的失效率和設備運行數(shù)據(jù)提取特征向量，將提取出的特征向量和所述歷史故障特征集合中的各向量特征利用皮爾遜相關(guān)系數(shù)公式進行比較，找到相似度最大的幾種故障類型，確定設備的可能故障模式，相似度計算公式為：

24、；

25、其中，為所述歷史故障特征集合中的特征向量，為特征向量中第個特征值，為特征向量中第個特征值，和分別是特征向量和的所有特征值的均值。

26、進一步的，所述設備運行數(shù)據(jù)包括：設備歷史運行數(shù)據(jù)和設備實時運行數(shù)據(jù)；

27、所述設備實時運行數(shù)據(jù)包括：負荷、溫度、壓力、電流、電壓以及時間戳；

28、所述歷史故障數(shù)據(jù)包括：歷史故障發(fā)生的時間、故障類型和維修記錄。

29、進一步的，所述基于改進的adagrad優(yōu)化器更新優(yōu)化模型參數(shù)，包括：

30、在每次更新權(quán)重時，將學習率衰減因子應用于adagrad優(yōu)化器的學習率的迭代，迭代公式為：

31、；

32、adagrad優(yōu)化器的學習率計算公式為：

33、；

34、其中，為全局學習率，為一個非零小數(shù)，為衰減因子，為迭代步數(shù)，為第次迭代中的學習率，為第次迭代中的學習率，為累積的平方梯度。

35、進一步的，所述基于改進的adagrad優(yōu)化器更新優(yōu)化模型參數(shù)，還包括：

36、在adagrad優(yōu)化器的梯度下降迭代中對當前梯度加入動量項，迭代公式為：

37、；

38、動量項迭代公式為：

39、；

40、其中，為第次迭代中的動量項，為動量系數(shù)，為當前梯度，為全局學習率，為第次迭代中的參數(shù)，為第次迭代中的參數(shù)。

41、進一步的，所述基于所述未來設備失效概率，通過圖卷積神經(jīng)網(wǎng)絡模型計算得到各臺區(qū)的失效概率和信度函數(shù)值，包括：

42、提取設備的當前狀態(tài)特征，構(gòu)建特征向量；

43、圖卷積神經(jīng)網(wǎng)絡模型構(gòu)建，包括：以每個設備作為一個節(jié)點，設置所述設備的特征向量作為所述節(jié)點的特征，設置所述設備之間的連接關(guān)系作為圖的邊，設置設備之間的相互影響程度作為邊的權(quán)重，構(gòu)建鄰接矩陣和度矩陣；

44、構(gòu)建圖卷積神經(jīng)網(wǎng)絡模型，圖卷積操作表示為：

45、；

46、其中，為節(jié)點在層的特征向量，為節(jié)點的鄰居節(jié)點集合，為第層的權(quán)重矩陣，為第層的偏置項，為激活函數(shù)；

47、多層圖卷積層堆疊，每一層的輸出作為下一層的輸入，計算公式為：

48、；

49、其中，為第層的特征矩陣層的特征矩陣，為鄰接矩陣，為度矩陣，且，表示節(jié)點的度，表示節(jié)點與節(jié)點連接關(guān)系，如果存在連接關(guān)系，否則，和分別為第層的權(quán)重矩陣和偏置項；

50、利用圖卷積神經(jīng)網(wǎng)絡模型的輸出，聚合節(jié)點的信度值并計算得到各節(jié)點的信度函數(shù)值，計算公式為：

51、；

52、其中，為節(jié)點的信度函數(shù)值，為節(jié)點的瞬時失效率，為圖卷積神經(jīng)網(wǎng)絡模型輸出的節(jié)點的信度函數(shù)值，和為權(quán)重系數(shù)，用于調(diào)節(jié)圖卷積神經(jīng)網(wǎng)絡模型輸出和失效率的影響，為非線性映射函數(shù)；

53、累加所有設備的瞬時失效率，得到臺區(qū)的總失效率，計算公式為：

54、；

55、其中，是臺區(qū)的總失效率，為節(jié)點的瞬時失效率，為圖節(jié)點集合；

56、累加所有設備的信度函數(shù)值，得到臺區(qū)的整體信度函數(shù)值，計算公式為：

57、；

58、其中，是臺區(qū)的整體信度函數(shù)值，為節(jié)點的瞬時失效率，為圖節(jié)點集合。

59、進一步的，所述基于所述各臺區(qū)的失效概率和信度函數(shù)值對所述臺區(qū)故障進行預測，包括：

60、根據(jù)所述各臺區(qū)信度函數(shù)值，選取最大的信度函數(shù)值的臺區(qū)標簽作為臺區(qū)的故障標簽，確定為預警臺區(qū)；在預警臺區(qū)內(nèi)，比較所有設備的信度函數(shù)值，選擇信度函數(shù)值最大的設備標記為預警設備；

61、根據(jù)預警臺區(qū)中故障設備的失效概率，計算設備故障率，使用設備故障率、預警臺區(qū)內(nèi)最大信度函數(shù)值以及投運年限，計算從當前時刻起到預警時刻的時間段，預測未來的故障預警時間；根據(jù)計算出的故障預警時間，得出距離當前時間的預警時間點，并生成包含設備標簽、故障預警時間和相關(guān)描述的預警信息，包括以下計算公式：

62、計算設備故障率，計算公式為：

63、；

64、其中，為時刻設備故障率，是指失效概率從0至時刻的累積效果，為時刻預警臺區(qū)中故障設備的失效概率，為從0至時刻內(nèi)的一個時間參數(shù)；

65、通過以下方程組計算從當前時刻至預警時刻的時間段：

66、；

67、；

68、其中，為時刻設備故障率，為投運年限，為從當前時刻至預警時刻的時間段，為預警臺區(qū)內(nèi)最大信度函數(shù)值，是指失效概率從0至時刻的累積效果，是指失效概率從至時刻的累積效果，為時刻預警臺區(qū)中故障設備的失效概率，為從0至時刻內(nèi)的一個時間參數(shù)；

69、得到預警時間為：；

70、其中，為故障預警時間，為投運年限，為從當前時刻至預警時刻的時間段。

71、進一步的，所述設備之間的連接關(guān)系包括：設備的物理連接關(guān)系、電氣連接關(guān)系或協(xié)作關(guān)系。

72、基于上述基于融合終端的臺區(qū)故障預測方法，本發(fā)明還提供一種基于融合終端的臺區(qū)故障預測系統(tǒng)，所述系統(tǒng)包括：

73、設備失效概率預測模塊，用于將基于融合終端獲取的所述臺區(qū)的單個設備歷史故障數(shù)據(jù)作為訓練數(shù)據(jù)，對長短期記憶網(wǎng)絡模型lstm進行訓練，基于改進的adagrad優(yōu)化器更新優(yōu)化模型參數(shù)得到設備失效概率直接預測模型得到設備失效概率直接預測模型，基于所述訓練得到的設備失效概率直接預測模型預測未來設備失效概率；

74、設備信度值計算模塊，用于基于所述未來設備失效概率，通過圖卷積神經(jīng)網(wǎng)絡模型計算得到各臺區(qū)的失效概率和信度函數(shù)值；

75、預警模塊，用于基于所述各臺區(qū)的失效概率和信度函數(shù)值對所述臺區(qū)故障進行預測。

76、本發(fā)明實施例提供的基于融合終端的臺區(qū)故障預測方法及預測系統(tǒng)，通過改進的adagrad優(yōu)化器優(yōu)化lstm模型，結(jié)合圖卷積神經(jīng)網(wǎng)絡模型，實現(xiàn)了單個設備和整體臺區(qū)的高精度故障預測，提升了預測準確度和可靠性。利用設備失效概率和信度函數(shù)值生成預警信息，能夠及時識別預警臺區(qū)和故障設備，確保對故障的快速響應和處理，減少停電時間和影響范圍。通過累加所有故障模式的瞬時失效率和投運年限，計算臺區(qū)的綜合失效率和信度函數(shù)值，為臺區(qū)故障預測提供了全面的評估基礎，提升了預測的科學性和全面性。

77、上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本發(fā)明的具體實施方式。