[发明专利]一种利用K-means聚类分析与Weibull分布函数的设备故障率预测方法

说明书

本发明公开了一种利用K‑means聚类分析与Weibull分布函数的设备故障率预测方法，属电力系统的电气设备故障率预测技术领域。其特征在于：通过观察设备故障率数据序列的增长趋势，粗略判断数据序列含有的故障周期数目；对设备故障率数据序列进行归一化处理，统一归一化至[0.1,0.9]；以故障周期的数目作为聚类分析的分类数目，利用K‑means聚类分析算法对归一化后的设备故障率数据序列进行聚类分析，实现设备故障周期的精确识别。对隶属于不同故障周期的故障率原始数据序列分别使用Weibull分布函数进行分段预测，获取设备故障率的预测值。

技术领域

本发明属于电力系统的电气设备故障率预测技术领域，尤指一种利用 K-means聚类分析与Weibull分布函数的设备故障率预测方法。

背景技术

电力工业是国民经济的基础性产业，随着国家电网的大规模建设与发展，安全、可靠的电力供应对电力系统提出了越来越高的要求。电气设备作为电力系统的核心组成部分，确保电气设备的安全性和可靠性是保证电力系统安全运行的重要前提，其一旦发生故障，不仅波及电力系统的安全运行，甚至影响其他产业和领域，给国民经济造成重大损失。故障率是对电气设备进行可靠性评估的重要指标，所以，对故障率进行准确预测是掌握电气设备运行状况的有效途径，是确定对电气设备进行状态检修的理论依据。

目前，国内外相关单位在电气设备的故障率预测方面已开展了一些研究，由于电气设备的故障率存在早期故障期、偶然故障期与耗损故障期三个周期，不同设备故障期的历史数据在设备故障率预测过程中会相互影响，进而导致故障率预测精度低，主要表现在以下几个方面：

(1)直接对故障率历史数据建立故障率预测模型进行故障率预测，常常会导致偶然故障期的故障率预测值偏大，耗损故障期的故障率预测值偏小；

(2)采用直接观察法得到的故障期分界点往往不准确，进而故障周期分类后的故障率数据序列可能存在其他故障期的故障率数据，并影响故障率的预测结果。

发明内容

为了提高电气设备的故障率预测精度，一方面要采用分周期分段预测的策略，另一方面要解决设备故障周期的准确识别问题。为了解决上述技术问题，本发明提供了一种利用K-means聚类分析与Weibull分布函数的设备故障率预测方法。

本发明所采用的技术方案是：一种利用K-means聚类分析与Weibull分布函数的设备故障率预测方法，其特征在于，包括以下步骤：

步骤1：通过观察设备故障率数据序列的增长趋势，粗略判断数据序列含有的故障周期数目；

步骤2:对设备故障率数据序列进行归一化处理，统一归一化至[0.1,0.9]；

步骤3：以故障周期的数目作为聚类分析的分类数目，利用K-means聚类分析算法对归一化后的设备故障率数据序列进行聚类分析，实现设备故障周期的精确识别；

步骤4：对隶属于不同故障周期的故障率原始数据序列分别使用Weibull分布函数进行分段预测，获取设备故障率的预测值。

作为优选，步骤1中所述粗略判断故障周期的数目，其具体包括以下几种情况：

情况1：设备故障率数据序列只存在一个故障周期，则记为q＝1；

情况2：设备故障率数据序列存在两个故障周期，则记为q＝2；

情况3：设备故障率数据序列存在三个故障周期，则记为q＝3；

作为优选，步骤2中所述对故障率数据序列进行归一化处理，其具体实现包括以下子步骤：

步骤2.1：将设备故障率数据序列的故障率最大值记为λ_max；

步骤2.2：将设备故障率数据序列的故障率最小值记为λ_min；