变电站故障分析预警方法、装置、存储介质及电子设备与流程

本发明涉及一种变电站故障监测，是一种变电站故障分析预警方法、装置、存储介质及电子设备。

背景技术：

1、变电站是指电力系统中对电压和电流进行变换，接收电能及分配电能的场所，在发电厂内的变电站是升压变电站，其作用是将发电机发出的电能升压后馈送到高压电网中。由于整个变电站内存在着高压或特高压输电或变电设备，因此其内部的电力设备的安全性就需要极高的保障要求，需要人工定期对变电站内部的电力设备的故障进行排查，目前采用的排查方式更多的还是基于人工操作，引进变电站故障风险数据管理系统，可以对变电站故障数据进行管理，但是现有的变电站故障风险数据管理系统不能对变电站故障的风险进行预测，不能对变电站故障风险程度进行分类分级，故而易对不同风险等级的故障使用统一的处理方案，从而容易造成误报，影响系统的正常运行，同时也降低了系统的数据处理效率。

2、进一步的，当前存在许多风险评估方法，如灰色理论的风险评估方法，神经网络的风险评估方法等，这些评估方法均存在无法高精度描述风险变化规律，风险评估结果可信度不高等问题

技术实现思路

1、本发明提供了一种变电站故障分析预警方法、装置、存储介质及电子设备，克服了上述现有技术之不足，其能有效解决现有变电站故障风险数据管理方法存在的不能对变电站故障进行风险等级判断，造成易对不同风险等级的故障使用统一的处理方案，影响电力系统运行的问题。

2、本发明的技术方案之一是通过以下措施来实现的：一种变电站故障分析预警方法，包括：

3、利用boruta算法对待分析变电站故障数据进行特征选择；

4、将特征选择后的待分析变电站故障数据特征输入故障预测模型，输出对应的变电站故障，其中故障预测模型是利用若干样本对极限学习机进行训练获得；

5、将变电站故障输入风险判断模型进行故障风险等级预测，其中风险判断模型通过马尔科夫链和模糊矩阵形成。

6、下面是对上述发明技术方案的进一步优化或/和改进：

7、上述利用boruta算法对待分析变电站故障数据进行特征选择，包括：

8、确定待分析变电站故障数据的变电站故障数据影子特征，并将待分析变电站故障数据特征变量和变电站故障数据影子特征组合，得到对应的变电站故障数据特征矩阵；

9、将变电站故障数据特征矩阵输入重要程度分析模型，输出各个变电站故障数据特征重要程度，其中重要程度分析模型利用若干样本对随机森林模型进行训练获得；

10、结合各个变电站故障数据特征重要程度，确定各个变电站故障数据特征、变电站故障数据影子特征的特征分数；

11、在变电站故障数据影子特征的特征分数中选取最大特征分数，并将各个变电站故障数据特征的特征分数与最大特征分数比较，根据比较结果标记变电站故障数据特征；

12、删除变电站故障数据影子特征，根据迭代次数进行循环，直至标记多有变电站故障数据特征。

13、上述将变电站故障输入风险判断模型进行故障风险等级预测，包括：

14、根据电站故障构建判断矩阵，并获取对应的权重矩阵r；

15、结合马尔科夫链得到得到一步转移概率矩阵p，再结合模糊关系矩阵得到对应的隶属度矩阵；

16、基于隶属度矩阵和权重矩阵，得到变电站故障的风险综合评估向量w；

17、w＝r·ψ

18、其中，r为权重矩阵；ψ为隶属度矩阵；

19、基于变电站故障的风险综合评估向量，得到对应的评估结果；

20、u＝w·vt

21、其中，w为变电站故障的风险综合评估向量；vt为评估等级的转置。

22、上述还包括根据故障风险等级预测结果，触发对应的告警信号，执行就地告警及远端告警。

23、上述待分析变电站故障数据的获取过程，包括：

24、获取变电站故障数据集合；

25、对变电站故障数据集合进行预处理，得到待分析变电站故障数据，其中预处理包括数据清洗和数据转换。

26、本发明的技术方案之二是通过以下措施来实现的：一种变电站故障分析预警装置，包括：

27、特征选择单元，特征选择利用boruta算法对待分析变电站故障数据进行特征选择；

28、故障预测单元，将特征选择后的待分析变电站故障数据特征输入故障预测模型，输出对应的变电站故障，其中故障预测模型是利用若干样本对极限学习机进行训练获得；

29、故障分级单元，将变电站故障输入风险判断模型进行故障风险等级预测，其中风险判断模型通过马尔科夫链和模糊矩阵形成。

30、下面是对上述发明技术方案的进一步优化或/和改进：

31、上述还包括风险告警单元，根据故障风险等级预测结果，触发对应的告警信号，执行就地告警及远端告警。

32、上述还包括故障数据获取单元，包括：

33、获取变电站故障数据集合；

34、对变电站故障数据集合进行预处理，得到待分析变电站故障数据，其中预处理包括数据清洗和数据转换。

35、本发明利用boruta算法对变电站故障数据进行特征选择，降低了数据集维度和计算复杂度，利用极限学习机进行变电站故障预测，获得待分析变电站故障数据对应的变电站故障，并通过结合马尔科夫链和模糊矩阵对变电站故障进行风险等级评估，由此实现变电站故障分析及风险等级评估，从而为变电站实施故障处理方案提供支撑，提高故障处理方案使用的准确性，有效提升变电站故障风险防范能力。

技术特征：

1.一种变电站故障分析预警方法，其特征在于，包括：

2.根据权利要求1所述的变电站故障分析预警方法，其特征在于，所述利用boruta算法对待分析变电站故障数据进行特征选择，包括：

3.根据权利要求1或2所述的变电站故障分析预警方法，其特征在于，所述将变电站故障输入风险判断模型进行故障风险等级预测，包括：

4.根据权利要求1至3中任意一项所述的变电站故障分析预警方法，其特征在于，还包括根据故障风险等级预测结果，触发对应的告警信号，执行就地告警及远端告警。

5.根据权利要求1至4中任意一项所述的变电站故障分析预警方法，其特征在于，所述待分析变电站故障数据的获取过程，包括：

6.一种应用如权利要求1至5中任意一项所述方法的变电站故障分析预警装置，其特征在于，包括：

7.根据权利要求6所述的变电站故障分析预警装置，其特征在于，还包括风险告警单元，根据故障风险等级预测结果，触发对应的告警信号，执行就地告警及远端告警。

8.根据权利要求6或7所述的变电站故障分析预警装置，其特征在于，还包括故障数据获取单元，包括：

9.一种存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至5任一项所述的变电站故障分析预警方法。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现如权利要求1至5任一项所述的变电站故障分析预警方法。

技术总结本发明涉及一种变电站故障监测技术领域，是一种变电站故障分析预警方法、装置、存储介质及电子设备，包括：利用Boruta算法对待分析变电站故障数据进行特征选择；将特征选择后的待分析变电站故障数据特征输入故障预测模型，输出对应的变电站故障；将变电站故障输入风险判断模型进行故障风险等级预测。本发明利用Boruta算法对变电站故障数据进行特征选择，降低了数据集维度和计算复杂度，利用极限学习机进行变电站故障预测，并通过结合马尔科夫链和模糊矩阵对变电站故障进行风险等级评估，由此实现变电站故障分析及风险等级评估，从而为变电站实施故障处理方案提供支撑，提高故障处理方案使用的准确性。技术研发人员：郑营营,程培忠,买买提·努尔,徐琳,托列吾别克·马杰尼,夏永平,杨燕平,郭挺进,朱梦瑶,高聪,屈湘云,沈小勇,段鹏飞,於湘涛,徐剑英受保护的技术使用者：国网新疆电力有限公司哈密供电公司技术研发日：技术公布日：2024/9/12