[发明专利]一种基于数据挖掘的一次设备缺陷预测模型预测方法

说明书

本发明公开了一种基于数据挖掘的一次设备缺陷预测模型预测方法，包括以下步骤：步骤1：缺陷数量总体预测：通过获取历史缺陷数据，运用数据挖掘算法对缺陷数据发展趋势进行预测,数据挖掘算法选择时间序列数据预测算法；步骤2：缺陷数量分群预测：按照设备缺陷类型进行分群，针对各类群体缺陷的数量进行预测，缺陷数量分群预测采用X‑11算法预测；步骤3：单体设备缺陷特性曲线模型预测包括两个方面：1)缺陷在消缺周期内的发展趋势分析；2.已有缺陷转化为其他缺陷的概率分析。本发明能对设备缺陷的预测有利于维护人员提前重点关注缺陷高发部位、部件，及时预防缺陷，保障设备的安全平稳运行。

技术领域

本发明涉及设备缺陷预测技术领域，具体涉及一种基于数据挖掘的一次设备缺陷预测模型预测方法。

背景技术

设备缺陷预测：针对电网设备缺陷预测的研究是电网企业需要攻克的难点，国内外学者以电力数据为基础，结合数据挖掘算法开展了设备缺陷预测，但预测的准确性受诸多因素影响，因此，如何提高设备缺陷预测精度成为现有研究的共性问题。现阶段的设备缺陷预测研究是从缺陷时间序列中发现电力系统设备缺陷的规律,通过对设备当前和历史缺陷数据进行分析,预测设备未来发生缺陷的可能性,为管理者提供决策，帮助检修人员提前做好缺陷处理准备。但现有缺陷预测的准确性有待提高且研究深度不足。

发明内容

本发明要解决的技术问题是：提供一种基于数据挖掘的一次设备缺陷预测模型预测方法，以解决现有技术中存在的技术问题。

本发明采取的技术方案为：一种基于数据挖掘的一次设备缺陷预测模型预测方法，该方法包括以下步骤：

步骤1：缺陷数量总体预测：通过获取历史缺陷数据，运用数据挖掘算法对缺陷数据发展趋势进行预测,数据挖掘算法选择时间序列数据预测算法；

步骤2：缺陷数量分群预测：按照设备缺陷类型进行分群，针对各类群体缺陷的数量进行预测，缺陷数量分群预测采用X-11算法预测；

步骤3：单体设备缺陷特性曲线模型预测包括两个方面：1)缺陷在消缺周期内的发展趋势分析；2.已有缺陷转化为其他缺陷的概率分析。

上述缺陷数量总体预测的主要实施步骤为：1)按照时间维度提取年度、季度、月度、节假日和周末的特征；2)提取不同设备不同缺陷等级和次数作为特征；3)提取不同设备的历史缺陷次数作为标签；4)最后建立回归模型来预测缺陷发生的数量。

上述时间序列数据预测算法采用ARIMA时间序列模型进行预测。

上述ARIMA时间序列模型算法的步骤如下：

1、判断数据是否具有周期性；

2、判断数据是否存在趋势性；

3、判断数据是否是随机序列；

4、计算自相关和偏自相关系数；

5、定义模型的自回归阶数p和模型的移动平均阶数q；

6、模型参数求解。

上述X-11算法能够对缺陷季节趋势进行拟合，对序列进行前向和后向扩展，其模型形式表示为：

式中：L为滞后算子；Φ(L)、A(L)为非季节与季节自回归算子；Θ(L)、B(L)为非季节与季节移动平均算子；Δ为差分算子；p、q、P、Q为非季节与季节自回归，移动平均算子的最大滞后阶数，d、D为非季节与季节差分次数；s为季节差分的步长，Y为原始时间序列；x_i为第i个回归变量；β_i为第i个回归系数；ε为噪声；t为时间；

序列进行了季节调整之后，季节模型又分为加法模型和乘法模型：