[发明专利]一种基于多维时间序列的电气设备故障预测方法

说明书

技术领域

本发明属于计算机技术与电力专业交叉的研究领域，具体是提出了针对电力系统的一种基于多维时间序列的设备故障预测方法。

背景技术

在电力行业，有一些设备是维持电网运行的大型设备，如变电站的变压器，发电站的汽轮机、发电机、励磁系统等，这些设备是电力企业设备的核心，如果发生故障，不但会影响企业生产的正常进行，还将造成巨大损失。国内外发生的大型汽轮机严重事故就是典型实例。因此，为了及时采取预防措施，避免不必要的损失，对这些核心设备进行故障预测具有非常重要的意义。

传统的时间序列预报是用线性模型来拟合数据序列，对线性系统有较好的结果，但不适合对非线性系统的预报。在实际中，由于核心设备与周边设备的拓扑结构复杂，关键核心设备的故障具有突发性，引起其故障的原因可能是外部的冲击或是本体的原因。在当前的研究中经常是通过故障发生时产生的暂态数据，如录波文件、告警等，进行较为独立的单一分析，较难实现对这些故障、冲击的预测。本专利基于多维时间序列历史数据，提出一种设备故障预测的方法，可有效综合利用设备拓扑网上传感器历史监测数据，对其中的信息进行抽样与挖掘，形成准确的预测模式，以达到对核心设备进行在线预测的目的。

发明内容

本发明通过对电力设备的故障点时间序列采样数据及故障点前的历史监测时间序列数据的分析，捕获周边设备、装置发生故障前的变化情况，建立一种通用的基于多维时间序列的分析挖掘方法，通过挖掘捕获关键核心设备发生故障之前，与此故障有关联关系的其他设备的变化特征，即“前兆事件”，达到对故障或冲击进行预测的目标。由于电力系统中的时间序列数据是一种高密度采样数据，采样标准存储方式等各有不同，并且历史时序数据量比较庞大，当前的时序分析算法不能满足当前对故障预测等高级应用的需求，本发明提出一种基于多维时间序列的设备故障预测方法中的三个关键步骤：历史时间序列训练数据建立与时间序列分解、特征事件生成和基于关联规则的故障关联关系挖掘如下详述：

(1)历史时间序列训练数据建立与时间序列分解

时间序列是一种具有时间信息、并且每一个时间点都由单个或多个变量构成的序列。从时间序列的角度来看，每个数据单元可以被抽象为一个二元组(v，t)。其中：t为时间变量；v为数据变量，反映数据单元的实际意义，如开关的状态、模拟量的值等。时间序列为一个有限集{(v₀，t₀)，(v₁，t₁)，…}，由多个设备多个测量项构成的时间序列数据为多维时间序列。

建立多维时间序列数据需要对现有的测量数据进行一定的数据转换与规范化。在规范化方面，需要进行时间间隔的统一，比如将电力历史中基于旋转门算法压缩的数据插值为时间、与采样间隔对齐的数据。另外根据设备之间的拓扑关系，如图1所示，将设备的历史数据按照物理连接关系进行逐层分类，分为一次连接，二次连接…n次连接设备。将迭代的范围和时间窗口共同作为迭代调节参数，在训练阶段进行迭代挖掘计算，从而获得满足要求的训练模型。时间窗口w需要根据实际情况进行多次尝试设定，但至少要大于所有设备正常状态的循环周期，以便对设备的指标变化进行判断。

电力系统中传感器所采集的时间序列数据的变化受到趋势因素、周期变动因素和不规则扰动因素这三个因素的影响，如图2所示。

a)趋势因素

反映了该特征量在一个较长时间内的发展方向，它可以在一个相当长的时间内表现为一种频率较低、变化较慢的行为。这种现象在电力系统中较为常见，比如变压器因介质老化而引起的某种气体含量有随着时间缓慢上升的情况。

b)周期变动因素

周期变动因素是测点所采集特征量，受周期性因素变动影响，在一段时间内所形成的一种长度和幅度固定的周期波动。

c)不规则变动因素

不规则变动又称随机变动，它是受各种偶然因素影响所形成的不规则变动。

时间序列y可表示为以上三个因素的函数，即：

y_t＝f(T_t,S_t,I_t)