[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

摘要

本发明提出一种基于多维时间序列的设备故障预测方法，该方法针对电力系统中高密集采样的在线运行电气测量数据，提出一种多维时间序列的数据挖掘方法，通过历史时间序列训练数据建立与时间序列分解算法、特征事件生成算法和基于关联规则的故障关联关系挖掘算法，与此故障有关联关系的其他设备的变化特征，即“前兆事件”挖掘出来，此关系形成设备故障预测模型，结合在线监测数据，为复杂非线性电气设备的故障预测与判断提供有力支撑。本发明能有效利用设备的海量高密度运行监测历史数据，对电力企业核心设备所可能遭受的故障或冲击进行提前预测，以便及时采取预防措施避免。

主权项

一种基于多维时间序列的设备故障预测方法，其特征在于，所述方法分为两个阶段：训练阶段和预测阶段，其中所述训练阶段为：a)历史时间序列训练数据建立与时间序列分解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，需要进行时间对齐、时间间隔的统一，另外根据设备之间的拓扑关系，将设备的历史数据按照物理连接关系进行逐层分类，分为广度N次连接的设备，同时提前的时间窗口w也作为可调整参数，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，在迭代中不断调整参数获得最优结果；在对时间序列分解中，将原始多维时序数据分解得到三个分解因素子序列:趋势因素序列Tt、周期变动因素序列St和不规则变动因素It，从不同的角度描述时序数据的变化；时间序列y可表示为以上三个因素的函数，即：yt＝f(Tt,St,It)时间序列分解的方法较常用的模型有加法模型yt＝Tt+St+It和乘法模型yt＝Tt×St×It，经过时间序列的周期性分解方法的分解，从原始序列中，得到三个分解因素子序列:趋势因素序列Tt、周期变动因素序列St和不规则变动因素It；b)特征事件生成在此步骤中提出一种时间序列新的模式表示方法：从趋势因素、周期变动因素、不规则变动因素三种因素序列中提取了其主要特征，用不同的特征时间模式表示方法来抽取不同的分解序列中的特征事件，并将其特征转换为关联规则挖掘中的事务数据记录，对于趋势因素序列Tt来说，采用局部极值点与拐点来描述其变化特征，极值点表示在此时间点前后的采样值由小变大的事件，而拐点是表示趋势变化率的关键点，给定时间序列{＜x1＝(v1,t1)＞,...,＜xn＝(vn,tn)＞}，如果数据点xm满足下面条件之一，则xm为局部极值点：当1<m<n时，存在下标i和j且1≤i＜m＜j≤n使得vm是vi,...,vj中的最小值，且vi/vm≥R成立；当m＝1时即vm为时间序列的起始数据点时，存在j且m<j<＝n使得vm是vi,...,vj中的最小值，且vj/vm≥R成立；当m＝n时，即vm为时间序列的终止数据点时，存在下标i且1<＝i<m使得vm是vi,...,vj中的最小值，且vj/vm≥R成立；对于周期变动因素序列St来说，采用序列中的关键特征：周期、幅值、相位来描述其序列；对于不规则变动因素It来说，采用基于统计学的方法，基于系统正常工作状态下建立的常态数据统计模型，将反常点检测出来标识为正激励和反激励两种事件，构成关联规则挖掘所依赖的事务数据库中的一项事务；c)基于关联规则的故障关联关系挖掘关联规则分析所用的事务数据集的记录是由事务项ID和由前两个步骤对多维时间序列数据进行分析得到的特征事件构成，表示为设备拓扑网络中设备的某个测量指标分解序列的特征事件，进而采用Aprior算法对事务数据集进行挖掘，算法输出结果是揭示隐含的设备内部故障关联关系的预测规则，即满足一定的支持度和置信度的、设备拓扑网络非核心设备的变化特征与核心设备的故障或冲击事件的关联关系；Aprior算法使用逐层搜寻的迭代方法，使用频繁K项集去寻找频繁(K+1)项集，算法输出的预测规则形式为：A1iA2j......Ank→ws其中代表第n个设备的第k个异常模式，这些异常模式为分解时间序列的二级指标异常模式，Ws为关键设备W的s类型的故障或冲击；所述预测阶段为将一定时间窗口的在线监测时间序列数据用同样的时间序列数据分解、特征生成算法进行特征提取，进而与规则库中的预测规则进行匹配，从而提供故障预测结果给上层高级应用。