本发明涉及电网故障预测，具体为一种基于数据分析的故障预测方法及系统。
背景技术：
1、随着社会的不断发展，对电力稳定性的要求越来越高，电力设备的保养与维修也越来越重要。传统的维修方式，需要人工巡检设备，主要依靠经验丰富的工程师进行判断，这种方法存在主观性大、效率低下、准确性不足等问题，很难及时发现设备故障并进行维修。这不仅使得设备的损坏更加严重，而且也增加了生产成本。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明解决的技术问题是：传统方法存在主观性大、效率低下、准确性不足。
3、为解决上述技术问题，本发明提供如下技术方案：一种基于数据分析的故障预测方法，包括：
4、采集过往设备维修和机器运行数据；
5、提取设备运行状态特征量和维修记录特征量，利用建立运行特征量与维修特征量的映射；
6、构建深度学习模型，用特征量进行训练，建立设备健康状态预测模型；
7、将设备健康状态预测模型用于设备状态评估和故障预测。
8、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述采集过往设备维修和机器运行数据包括，采集过往设备维修记录和机器运行状态，包括但不限于变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器的温度、湿度、断路器、刀闸位置、各类仪表数据以及维修历史记录。
9、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述特征量提取包括，创建设备维修次数、设备维修记录与设备运行状态数据之间的关系对应表；
10、利用收集的过往设备维修和机器运行的数据库，对变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器过往数据进行趋势滤波处理，去除干扰数据，再利用算法对滤波后的信号进行建模训练，得到设备维修记录特征量w与设备运行状态特征量x之间的权重系数k，将设备维修次数即为g。
11、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述建立特征量映射包括，
12、x＝[x1,x2,...,xn]表示设备运行状态特征量，w＝[w1,w2,...,wm]表示维修记录特征量；用f映射这两类特征量，表示为：
13、
14、其中，α和βj表示模型参数，通过数据拟合得到；z表示归一化因子；g(xi)表示过滤函数，对设备被运行特征特征量的复杂信息进行过滤，g(xi)＝exp(-γxi2)；h(wj,xi)表示用于结合两类数据特征量的函数，h(wj,xi)＝ln(1+wj·xi)。
15、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述构建深度学习模型包括，将特征量数据分为训练集、验证集和测试集，构建cnn神经网络据输入数据的设定输入层；选择损失函数和优化器，使用均方误差mse作为损失函数；使用训练数据来训练模型，调节参数在验证集上监控模型的性能；在测试集上评估模型的准确性、召回率、f1分数指标。
16、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述设备健康状态预测模型包括，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型表示为；
17、
18、其中，表示对设备运行状态的深度学习模型权重系数；表示对维修特征量深度学习模型权重系数；φ(xi)表示对运行状态特征的高级信息过滤函数；对维修记录特征的转换函数；b表示偏置项；σ表示激活函数。
19、作为本发明所述的基于数据分析的故障预测方法的一种优选方案，其中：所述用于设备状态评估和故障预测包括，设定一个初始阈值t0，根据设备的运行历史和环境数据动态调整阈值；对设备的不同子系统进行单独评分；计算总评分s＝w1s1+w2s2+...+wnsn；使用深度学习算法根据评分系统识别运行数据中的异常模式；对设备性能参数的长期趋势进行分析，以预测潜在故障；若f(x,w,s)>t则判断设备处于正常运行状态；若f(x,w,s)<t，则预测设备将会出现故障；使用机器学习模型根据历史数据不断调整预测算法；定期更新模型以适应设备的变化和新的运行数据。
20、第二方面，本发明还提供了基于数据分析的故障预测系统，包括，
21、数据采集模块：负责从设备收集必要的运行数据和维修记录数据；
22、深度学习模块：利用深度学习技术对收集的数据进行分析，以识别潜在的故障模式，使用训练好的模型进行异常模式识别和趋势分析；
23、综合处理模块：将深度学习模块的输出与其他数据综合考虑，形成最终的预测和决策；
24、数据传输模块：在系统的不同部分之间以及系统与用户或其他系统之间传输数据；对数据进行加密，与云平台连接，进行数据备份和远程访问。
25、第三方面，本发明还提供了一种计算设备，包括：存储器和处理器；
26、所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于数据分析的故障预测方法的步骤。
27、第四方面，本发明还提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于数据分析的故障预测方法的步骤。
28、本发明的有益效果：本发明提供的基于数据分析的故障预测方法)提高预测准确性：通过大数据分析，可以更精准地预测出设备的故障时间，减少了漏判和误判的可能性。提高维修效率：通过数据分析，可以提前预知出现故障的设备，并及时进行维修，降低维修成本和时间。延长设备使用寿命：通过数据分析，可以更好地了解设备的使用情况，制定更合理的维护计划，从而延长设备的使用寿命。
1.一种基于数据分析的故障预测方法，其特征在于，包括：
2.如权利要求1所述的基于数据分析的故障预测方法，其特征在于：所述采集过往设备维修和机器运行数据包括，采集过往设备维修记录和机器运行状态，包括变压器、高压组合电器、套管绝缘、电流互感器、电容式电压互感器、耦合电容器、铁芯接地和避雷器的温度、湿度、断路器、刀闸位置、各类仪表数据以及维修历史记录。
3.如权利要求2所述的基于数据分析的故障预测方法，其特征在于：所述特征量提取包括，创建设备维修次数、设备维修记录与设备运行状态数据之间的关系对应表；
4.如权利要求3所述的基于数据分析的故障预测方法，其特征在于：所述构建深度学习模型包括，建立cnn卷积层，通过卷积操作提取设备运行数据x中的空间特征，卷积层ck应用激活函数relu，表示为：
5.如权利要求4所述的基于数据分析的故障预测方法，其特征在于：所述构建深度学习模型包括，将特征量数据分为训练集、验证集和测试集，构建cnn-lstm神经网络据输入数据的设定输入层；选择损失函数和优化器，使用均方误差mse作为损失函数；使用训练集数据训练深度学习模型；调节运行状态数据权重系数，在验证集上训练模型；在测试集上评估模型的准确性、召回率、f1分数指标。
6.如权利要求5所述的基于数据分析的故障预测方法，其特征在于：所述设备健康状态预测模型包括，将深度学习模型训练得到的权重参数与健康状态预测模型相结合，得到设备健康状态预测模型表示为；
7.如权利要求6所述的基于数据分析的故障预测方法，其特征在于：所述用于设备状态评估和故障预测包括，设定初始故障阈值λ0，根据设备的运行历史故障率g和环境数据动态调整阈值；对设备整体进行评分，预测到设备将会产生故障时，对设备的子模块进行单独评分；计算设备总评分s表示为：
8.一种采用如权利要求1～7任一所述方法的基于数据分析的故障预测系统，其特征在于，包括，深度学习模块，综合处理模块，数据传输模块，数据采集模块；
9.一种计算设备，包括：存储器和处理器；
10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
