一种基于深度学习的电力设备故障预测与管理系统的制作方法

本发明属于电力设备故障预测，具体是一种基于深度学习的电力设备故障预测与管理系统。

背景技术：

1、在电力设备故障预测与管理领域，传统的预测方法往往基于固定的时间间隔或统一的预测模型进行故障预判，如对照明设备进行预测，但是很多的照明设备的预测能力不能满足用户需求；这种方法忽略了不同故障类型在可预测时间上的显著差异。具体而言，某些故障类型由于其发展过程的缓慢性和可观测性，能够提前较长时间进行准确预测，从而为企业提供了充足的维护准备时间。然而，对于另一些故障类型，由于其突发性和难以捕捉的初期特征，预测后留给维护人员的响应时间往往非常有限，甚至可能无法及时采取有效措施，导致预测效果不理想，设备停机时间延长，影响效率和设备寿命。

2、针对上述问题，现有技术已经尝试通过优化预测模型、提高数据处理能力等方式来提升预测精度和时效性。然而，这些方法大多未能充分考虑故障类型的多样性和可预测时间的差异性，导致在实际应用中仍存在一定的局限性；尤其是难以解决某些故障的时效性问题。

3、基于此，为了实现对电力设备的智能故障预测和管理，本发明提供了一种基于深度学习的电力设备故障预测与管理系统。

技术实现思路

1、为了解决上述方案存在的问题，本发明提供了一种基于深度学习的电力设备故障预测与管理系统。

2、本发明的目的可以通过以下技术方案实现：

3、一种基于深度学习的电力设备故障预测与管理系统，包括设备分析模块、数据采集模块、故障预测模块和管理模块

4、所述设备分析模块用于对电力设备进行分析，获取电力设备的历史故障数据，根据所述历史故障数据识别电力设备具有的各设备故障；建立故障预测模型；通过所述故障预测模型对电力设备进行模拟分析，获得各设备故障的预测时长；根据各预测时长对各设备故障进行分类，获得各故障单元类；为各故障单元类设置对应的波动系数。

5、进一步地，故障预测模型的建立方法包括：

6、将所述历史故障数据按照各所述设备故障进行分类，获得各所述设备故障对应的故障素材数据；

7、对各所述故障素材数据进行分析，确定各所述设备故障对应的各故障影响因素，根据各故障影响因素和故障素材数据确定所述设备故障对应的各故障识别特征；将各故障识别特征进行整理为模型素材数据，基于深度神经网络和各模型素材数据建立故障预测模型。

8、进一步地，根据各预测时长对各设备故障进行分类的方法包括：

9、识别各预测时长，将预测时长小于阈值x1的各设备故障标记为设备优化故障；

10、获取电力设备的历史运行数据，标记为优化分析素材，

11、根据各故障影响因素对优化分析素材进行分析统计，获得各因素数据以及各因素数据对应的出现概率，将出现概率标记为触发值；根据因素数据和对应的触发值生成因素单一曲线，因素单一曲线的横轴为因素数据，纵轴为触发值；

12、根据因素单一曲线设置三分段，三分段包括主分段、副分段和外分段；

13、识别三分段对应的主触发值、副触发值和外触发值；

14、根据主触发值、副触发值和外触发值分别计算各所述设备优化故障之间的相似度；根据相似度对各所述设备优化故障进行分类，获得各故障单元类。

15、进一步地，根据因素单一曲线设置三分段的方法包括：

16、步骤sa1：根据故障预测模型确定能够预测相应设备优化故障的各因素数据，进行整合为外分段；将外分段从因素单一曲线中进行剔除；

17、步骤sa2：将所述因素单一曲线中触发值最高的因素数据标记为基准数据，将与基准数据相邻的因素数据标记为待选数据；定义并选方式；

18、步骤sa3：根据并选方式和基准数据进行合并分析，判断是否满足合并要求；

19、当判断满足合并要求时，将基准数据与相应待选数据进行合并，获得合并段；

20、当判断不满足合并要求时，将基准数据与相应待选数据进行合并，输出待选段；

21、步骤sa4：根据并选方式和所述合并段进行合并分析，判断是否满足合并要求；

22、当判断满足合并要求时，将所述合并段与相应待选数据进行合并，获得新的合并段；

23、当判断不满足合并要求时，将所述合并段与相应待选数据进行合并，输出待选段；

24、步骤sa5：循环步骤sa4，直到输出待选段为止；

25、步骤sa6：对步骤sa3至步骤sa5进行迭代，获得各种不同的待选段；

26、识别各待选段对应的因素数据数量，将因素数据数量最小的待选段标记为主分段；

27、步骤sa7：将主分段从所述因素单一曲线中剔除，根据所述因素单一曲线生成副分段。

28、所述数据采集模块用于对电力设备进行实时运行数据采集，获得电力设备的运行数据。

29、所述故障预测模块用于进行故障预测，通过所述故障预测模型对所述运行数据进行实时分析，获得对应的故障预测结果；根据各设备优化故障的三分段对所述运行数据进行实时分析，获得各设备优化故障对应的提示预测结果。

30、进一步地，根据各设备优化故障的三分段对运行数据进行实时分析的方法包括：

31、建立偏差评估模型，获取各设备优化故障对应的三分段，通过所述偏差评估模型对运行数据和各三分段进行分析，获得各所述设备优化故障对应的偏差值；

32、识别各设备优化故障对应的波动系数；

33、根据公式prt＝τ×pct计算对应的预测评估值；

34、式中：prt为预测评估值；t为时间；τ为波动系数；pct为相应偏差值；

35、根据各预测评估值生成相应设备优化故障的评估曲线，横轴为时间，纵轴为预测评估值；

36、对评估曲线进行拟合，获得评估函数，将评估函数标记为pu(t)；

37、根据公式计算对应的故障预测值；

38、式中：pf为故障预测值；t1为动态起始点；

39、根据故障预测值确定提示预测结果。

40、所述管理模块用于对故障预测管理，预设各设备故障对应的故障预测处理措施，根据各故障预测处理措施建立方式库；

41、实时识别故障预测结果和提示预测结果，根据识别的故障预测结果和提示预测结果从方式库中匹配对应的故障预测处理措施，按照获得的故障预测处理措施进行相应处理。

42、一种基于深度学习的电力设备故障预测与管理装置，包括：

43、存储器，用于存储计算机程序；

44、处理器，用于执行计算机程序时实现一种基于深度学习的电力设备故障预测与管理系统的方法。

45、与现有技术相比，本发明的有益效果是：

46、通过设备分析模块、数据采集模块、故障预测模块和管理模块之间的相互配合，实现对不同类型故障的智能识别；通过对不同故障类型进行分类处理，特别是对预测时长较短的故障进行精细化分类和实时波动监测，能够更准确地捕捉故障发展的早期迹象，进行预测提示，并在精准确定故障前进行一定的前期准备，便于对突然发生的故障导致进行应急处理；企业可以提前做好维护准备和资源调配工作。这有助于避免因故障导致的设备停机时间延长和维修成本增加等问题，实现了资源的最优配置和利用；能够针对不同故障特性进行定制化预测，避免了传统统一预测方法可能带来的误差。