一種基于多維時(shí)間序列的電氣設(shè)備故障預(yù)測(cè)方法
【專利摘要】本發(fā)明提出一種基于多維時(shí)間序列的設(shè)備故障預(yù)測(cè)方法，該方法針對(duì)電力系統(tǒng)中高密集采樣的在線運(yùn)行電氣測(cè)量數(shù)據(jù)，提出一種多維時(shí)間序列的數(shù)據(jù)挖掘方法，通過歷史時(shí)間序列訓(xùn)練數(shù)據(jù)建立與時(shí)間序列分解算法、特征事件生成算法和基于關(guān)聯(lián)規(guī)則的故障關(guān)聯(lián)關(guān)系挖掘算法，與此故障有關(guān)聯(lián)關(guān)系的其他設(shè)備的變化特征，即“前兆事件”挖掘出來，此關(guān)系形成設(shè)備故障預(yù)測(cè)模型，結(jié)合在線監(jiān)測(cè)數(shù)據(jù)，為復(fù)雜非線性電氣設(shè)備的故障預(yù)測(cè)與判斷提供有力支撐。本發(fā)明能有效利用設(shè)備的海量高密度運(yùn)行監(jiān)測(cè)歷史數(shù)據(jù)，對(duì)電力企業(yè)核心設(shè)備所可能遭受的故障或沖擊進(jìn)行提前預(yù)測(cè)，以便及時(shí)采取預(yù)防措施避免。
【專利說明】一種基于多維時(shí)間序列的電氣設(shè)備故障預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計(jì)算機(jī)技術(shù)與電力專業(yè)交叉的研究領(lǐng)域，具體是提出了針對(duì)電力系統(tǒng)的一種基于多維時(shí)間序列的設(shè)備故障預(yù)測(cè)方法。
【背景技術(shù)】
[0002]在電力行業(yè)，有一些設(shè)備是維持電網(wǎng)運(yùn)行的大型設(shè)備，如變電站的變壓器，發(fā)電站的汽輪機(jī)、發(fā)電機(jī)、勵(lì)磁系統(tǒng)等，這些設(shè)備是電力企業(yè)設(shè)備的核心，如果發(fā)生故障，不但會(huì)影響企業(yè)生產(chǎn)的正常進(jìn)行，還將造成巨大損失。國內(nèi)外發(fā)生的大型汽輪機(jī)嚴(yán)重事故就是典型實(shí)例。因此，為了及時(shí)采取預(yù)防措施，避免不必要的損失，對(duì)這些核心設(shè)備進(jìn)行故障預(yù)測(cè)具有非常重要的意義。
[0003]傳統(tǒng)的時(shí)間序列預(yù)報(bào)是用線性模型來擬合數(shù)據(jù)序列，對(duì)線性系統(tǒng)有較好的結(jié)果，但不適合對(duì)非線性系統(tǒng)的預(yù)報(bào)。在實(shí)際中，由于核心設(shè)備與周邊設(shè)備的拓?fù)浣Y(jié)構(gòu)復(fù)雜，關(guān)鍵核心設(shè)備的故障具有突發(fā)性，引起其故障的原因可能是外部的沖擊或是本體的原因。在當(dāng)前的研究中經(jīng)常是通過故障發(fā)生時(shí)產(chǎn)生的暫態(tài)數(shù)據(jù)，如錄波文件、告警等，進(jìn)行較為獨(dú)立的單一分析，較難實(shí)現(xiàn)對(duì)這些故障、沖擊的預(yù)測(cè)。本專利基于多維時(shí)間序列歷史數(shù)據(jù)，提出一種設(shè)備故障預(yù)測(cè)的方法，可有效綜合利用設(shè)備拓?fù)渚W(wǎng)上傳感器歷史監(jiān)測(cè)數(shù)據(jù)，對(duì)其中的信息進(jìn)行抽樣與挖掘，形成準(zhǔn)確的預(yù)測(cè)模式，以達(dá)到對(duì)核心設(shè)備進(jìn)行在線預(yù)測(cè)的目的。

【發(fā)明內(nèi)容】
[0004]本發(fā)明通過對(duì)電力設(shè)備的故障點(diǎn)時(shí)間序列采樣數(shù)據(jù)及故障點(diǎn)前的歷史監(jiān)測(cè)時(shí)間序列數(shù)據(jù)的分析，捕獲周邊設(shè)備、裝置發(fā)生故障前的變化情況，建立一種通用的基于多維時(shí)間序列的分析挖掘方法，通過挖掘捕獲關(guān)鍵核心設(shè)備發(fā)生故障之前，與此故障有關(guān)聯(lián)關(guān)系的其他設(shè)備的變化特征，即“前兆事件”，達(dá)到對(duì)故障或沖擊進(jìn)行預(yù)測(cè)的目標(biāo)。由于電力系統(tǒng)中的時(shí)間序列數(shù)據(jù)是一種高密度采樣數(shù)據(jù)，采樣標(biāo)準(zhǔn)存儲(chǔ)方式等各有不同，并且歷史時(shí)序數(shù)據(jù)量比較龐大，當(dāng)前的時(shí)序分析算法不能滿足當(dāng)前對(duì)故障預(yù)測(cè)等高級(jí)應(yīng)用的需求，本發(fā)明提出一種基于多維時(shí)間序列的設(shè)備故障預(yù)測(cè)方法中的三個(gè)關(guān)鍵步驟:歷史時(shí)間序列訓(xùn)練數(shù)據(jù)建立與時(shí)間序列分解、特征事件生成和基于關(guān)聯(lián)規(guī)則的故障關(guān)聯(lián)關(guān)系挖掘如下詳述:
[0005](I)歷史時(shí)間序列訓(xùn)練數(shù)據(jù)建立與時(shí)間序列分解
[0006]時(shí)間序列是一種具有時(shí)間信息、并且每一個(gè)時(shí)間點(diǎn)都由單個(gè)或多個(gè)變量構(gòu)成的序列。從時(shí)間序列的角度來看，每個(gè)數(shù)據(jù)單元可以被抽象為一個(gè)二元組(V，t)。其中:t為時(shí)間變量為數(shù)據(jù)變量，反映數(shù)據(jù)單元的實(shí)際意義，如開關(guān)的狀態(tài)、模擬量的值等。時(shí)間序列為一個(gè)有限集{(Vo，to)，(V1, ti)，…}，由多個(gè)設(shè)備多個(gè)測(cè)量項(xiàng)構(gòu)成的時(shí)間序列數(shù)據(jù)為多維時(shí)間序列。
[0007]建立多維時(shí)間序列數(shù)據(jù)需要對(duì)現(xiàn)有的測(cè)量數(shù)據(jù)進(jìn)行一定的數(shù)據(jù)轉(zhuǎn)換與規(guī)范化。在規(guī)范化方面，需要進(jìn)行時(shí)間間隔的統(tǒng)一，比如將電力歷史中基于旋轉(zhuǎn)門算法壓縮的數(shù)據(jù)插值為時(shí)間、與采樣間隔對(duì)齊的數(shù)據(jù)。另外根據(jù)設(shè)備之間的拓?fù)潢P(guān)系，如圖1所示，將設(shè)備的歷史數(shù)據(jù)按照物理連接關(guān)系進(jìn)行逐層分類，分為一次連接，二次連接…η次連接設(shè)備。將迭代的范圍和時(shí)間窗口共同作為迭代調(diào)節(jié)參數(shù)，在訓(xùn)練階段進(jìn)行迭代挖掘計(jì)算，從而獲得滿足要求的訓(xùn)練模型。時(shí)間窗口 w需要根據(jù)實(shí)際情況進(jìn)行多次嘗試設(shè)定，但至少要大于所有設(shè)備正常狀態(tài)的循環(huán)周期，以便對(duì)設(shè)備的指標(biāo)變化進(jìn)行判斷。
[0008]電力系統(tǒng)中傳感器所采集的時(shí)間序列數(shù)據(jù)的變化受到趨勢(shì)因素、周期變動(dòng)因素和不規(guī)則擾動(dòng)因素這三個(gè)因素的影響，如圖2所示。
[0009]a)趨勢(shì)因素
[0010]反映了該特征量在一個(gè)較長時(shí)間內(nèi)的發(fā)展方向，它可以在一個(gè)相當(dāng)長的時(shí)間內(nèi)表現(xiàn)為一種頻率較低、變化較慢的行為。這種現(xiàn)象在電力系統(tǒng)中較為常見，比如變壓器因介質(zhì)老化而引起的某種氣體含量有隨著時(shí)間緩慢上升的情況。
[0011]b)周期變動(dòng)因素
[0012]周期變動(dòng)因素是測(cè)點(diǎn)所采集特征量，受周期性因素變動(dòng)影響，在一段時(shí)間內(nèi)所形成的一種長度和幅度固定的周期波動(dòng)。
[0013]c)不規(guī)則變動(dòng)因素
[0014]不規(guī)則變動(dòng)又稱隨機(jī)變動(dòng)，它是受各種偶然因素影響所形成的不規(guī)則變動(dòng)。
[0015]時(shí)間序列y可表示為以上三個(gè)因素的函數(shù)，即:
[0016]yt = f (Tt, St, It)
[0017]時(shí)間序列分解的方法較常用的模型有加法模型yt = Tt+St+It和乘法模型yt =TtXStX It。經(jīng)過時(shí)間序列的周期性分解方法的分解，從原始序列中，得到三個(gè)分解因素子序列:趨勢(shì)因素序列Tt、周期變動(dòng)因素序列St和不規(guī)則變動(dòng)因素It。
[0018](2)特征事件生成
[0019]時(shí)間序列數(shù)據(jù)具有規(guī)模大、短期波動(dòng)頻繁、大量噪聲干擾以及非穩(wěn)態(tài)等特點(diǎn)，這使得直接在原始時(shí)間序列上進(jìn)行相似性查詢、時(shí)間序列分類和聚類、時(shí)序模式挖掘等工作不但效率低下，甚至?xí)绊憰r(shí)間序列數(shù)據(jù)挖掘的準(zhǔn)確性和可靠性。因此本專利在對(duì)歷史時(shí)間序列數(shù)據(jù)進(jìn)行分解的基礎(chǔ)上，提出一種新的時(shí)間序列特征描述方法，提取序列主要特征，進(jìn)而為后續(xù)的數(shù)據(jù)挖掘步驟準(zhǔn)備數(shù)據(jù)。
[0020]本專利針對(duì)分解后的因素序列，提出一種時(shí)間序列新的模式表示方法:從三種因素序列中提取了其主要特征，并將其特征轉(zhuǎn)換為關(guān)聯(lián)規(guī)則挖掘中的樣本數(shù)據(jù)。
[0021]對(duì)于趨勢(shì)序列Tt來說，由于其表示的是長期的趨勢(shì)，已經(jīng)去掉了隨機(jī)的部分，因此采用局部極值點(diǎn)與拐點(diǎn)來描述其變化特征，極值點(diǎn)表示在此時(shí)間點(diǎn)前后的采樣值由小變大的事件，而拐點(diǎn)是表示趨勢(shì)變化率的關(guān)鍵點(diǎn)。
[0022]給定時(shí)間序列{< X1 = (V1, t)< xn = (vn, tn) > },如果數(shù)據(jù)點(diǎn) Xm 滿足下面條件之一:
[0023]當(dāng)l〈m〈n時(shí),存在下標(biāo)i和j且l<i<m<j；^n使得Vm是Vi,...，Vj中的最小值且ViArm≥R成立；當(dāng)m = I是即Vm為時(shí)間序列的起始數(shù)據(jù)點(diǎn)時(shí),存在j且m〈j〈 = η是的vm是Vi,...，Vj中的最小值且vj/vm≥R成立；當(dāng)m = η時(shí)，即Vm為時(shí)間序列的終止數(shù)據(jù)點(diǎn)時(shí)，存在下標(biāo)i且1〈 = i〈m使得Vm是Vi,...，Vj中的最小值,且Vj/Vm≥R成立。
[0024]另外本專利關(guān)注了函數(shù)中斜率變化為零的點(diǎn)即拐點(diǎn)，拐點(diǎn)表明了函數(shù)的增長趨勢(shì)的變換，因此對(duì)于采樣也非常重要。拐點(diǎn)的二次導(dǎo)數(shù)為零，它的離散化表示為:[0025]Δ 2ν [i] = Δ V [i+1] - Δ V [i]
[0026]而其中
[0027]Δ V[i] = v[i+l]-v[i]
[0028]v[i]為時(shí)間序列中第i個(gè)時(shí)間點(diǎn)的值，采樣間隔為At。Δν[?]保存了臨近兩個(gè)值之間的差。如果Av[i]Av[i+l] <=0，那么i+Ι次的采樣值將同時(shí)小于或大于第i和i+2次的采樣值。此時(shí)，它為一個(gè)極值。
[0029]Tt中的極值和拐點(diǎn)對(duì)應(yīng)的特征事件可以標(biāo)識(shí)為趨勢(shì)變大、趨勢(shì)變小、趨勢(shì)增長率變小、趨勢(shì)增長率變大。
[0030]對(duì)于周期序列St來說，序列較為規(guī)律，采用序列中的關(guān)鍵特征:周期、幅值、相位來描述其序列。在電力系統(tǒng)正常運(yùn)行過程中，獲得系統(tǒng)正常工作狀態(tài)下的歷史監(jiān)控?cái)?shù)據(jù)，用第一步中時(shí)間序列分解方法，將建立特征量的正常周期序列關(guān)鍵特征值，建立正常周期特征模型。在訓(xùn)練階段，將故障樣本的周期序列特征值與正常周期特征模型比較，其變化超過設(shè)定的閾值則標(biāo)識(shí)為特征事件。
[0031]在分解隨機(jī)序列It中，通常有一些樣本不符合數(shù)據(jù)模型的一般規(guī)則，這些樣本和數(shù)據(jù)集中的其他數(shù)據(jù)有很大的不同或不一致，而這些數(shù)據(jù)可能是有測(cè)量誤差造成的，也可能緣于數(shù)據(jù)固有的可變性。由于It中數(shù)據(jù)分布是未知的，采用基于統(tǒng)計(jì)學(xué)的方法，基于系統(tǒng)正常工作狀態(tài)下 建立的常態(tài)數(shù)據(jù)統(tǒng)計(jì)模型，將反常點(diǎn)檢測(cè)出來標(biāo)識(shí)為正激勵(lì)和反激勵(lì)兩種事件，構(gòu)成關(guān)聯(lián)規(guī)則挖掘所依賴的事務(wù)數(shù)據(jù)庫中的一項(xiàng)事務(wù)。
[0032](3)基于關(guān)聯(lián)規(guī)則的故障關(guān)聯(lián)關(guān)系挖掘
[0033]經(jīng)過前兩步算法的處理，形成關(guān)聯(lián)規(guī)則挖掘的事務(wù)數(shù)據(jù)集:D = IT1, T2,…，TJ。其中Tj (j = I, 2，- ,η)稱為事務(wù)T ;構(gòu)成事務(wù)T的元素ik(k = I, 2，…，p)被稱為項(xiàng)；設(shè)0中所有項(xiàng)的集合為I = Ii1, i2,…，im}，顯然
[0034]關(guān)聯(lián)規(guī)則A = >B的支持度就是同時(shí)包含項(xiàng)集A和項(xiàng)集B的事務(wù)所在事務(wù)集合D的所有事務(wù)中所占的比例。關(guān)聯(lián)規(guī)則A = >B的置信度就是同時(shí)包含項(xiàng)集A和項(xiàng)集B的事務(wù)在所有事務(wù)中所占比例。如果存在關(guān)聯(lián)規(guī)則A = >B，其支持度和置信度分別滿足用于預(yù)設(shè)的最小支持度閥值(min_Support)和最小置信度閥值(min_Confidence),則稱為強(qiáng)關(guān)聯(lián)規(guī)則。強(qiáng)關(guān)聯(lián)規(guī)則是故障關(guān)聯(lián)關(guān)系存在的可信度較高的潛在規(guī)律，具有重要價(jià)值。
[0035]關(guān)聯(lián)規(guī)則挖掘的基本過程為給定的事務(wù)數(shù)據(jù)集中通過一定的數(shù)據(jù)挖掘算法搜索滿足預(yù)設(shè)的最小支持度閥值和最小置信度閥值的所有強(qiáng)關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則挖掘的基本過程分為兩個(gè)階段:①尋找事務(wù)數(shù)據(jù)庫中的所有頻繁項(xiàng)集；②由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。這兩個(gè)階段中，尋找頻繁項(xiàng)集最為關(guān)鍵，它決定著關(guān)聯(lián)規(guī)則的總體性能。
[0036]表1事務(wù)數(shù)據(jù)集的數(shù)據(jù)構(gòu)成
[0037]
【權(quán)利要求】
1.一種基于多維時(shí)間序列的設(shè)備故障預(yù)測(cè)方法，其特征在于，所述方法分為兩個(gè)階段:訓(xùn)練階段和預(yù)測(cè)階段， 其中所述訓(xùn)練階段為: a)歷史時(shí)間序列訓(xùn)練數(shù)據(jù)建立與時(shí)間序列分解 對(duì)現(xiàn)有的測(cè)量數(shù)據(jù)進(jìn)行一定的數(shù)據(jù)轉(zhuǎn)換與規(guī)范化:在規(guī)范化方面，需要進(jìn)行時(shí)間對(duì)齊、時(shí)間間隔的統(tǒng)一，另外根據(jù)設(shè)備之間的拓?fù)潢P(guān)系，將設(shè)備的歷史數(shù)據(jù)按照物理連接關(guān)系進(jìn)行逐層分類，分為廣度N次連接的設(shè)備，同時(shí)提前的時(shí)間窗口 w也作為可調(diào)整參數(shù)，將迭代的范圍和時(shí)間窗口共同作為迭代調(diào)節(jié)參數(shù)，在訓(xùn)練階段進(jìn)行迭代挖掘計(jì)算，在迭代中不斷調(diào)整參數(shù)獲得最優(yōu)結(jié)果； 在對(duì)時(shí)間序列分解中，將原始多維時(shí)序數(shù)據(jù)分解得到三個(gè)分解因素子序列:趨勢(shì)因素序列、周期變動(dòng)因素序列和不規(guī)則變動(dòng)因素，從不同的角度描述時(shí)序數(shù)據(jù)的變化； b)特征事件生成 在此模塊中提出一種時(shí)間序列新的模式表示方法:從趨勢(shì)因素、周期變動(dòng)因素、不規(guī)則變動(dòng)因素三種因素序列中提取了其主要特征，用不同的特征時(shí)間模式表示方法來抽取不同的分解序列中的特征事件，并將其特征轉(zhuǎn)換為關(guān)聯(lián)規(guī)則挖掘中的事務(wù)數(shù)據(jù)記錄； c)基于關(guān)聯(lián)規(guī)則的故障關(guān)聯(lián)關(guān)系挖掘 關(guān)聯(lián)規(guī)則分析所用的事務(wù)數(shù)據(jù)集的記錄是由事務(wù)項(xiàng)ID和由前兩個(gè)算法對(duì)多維時(shí)間序列數(shù)據(jù)進(jìn)行分析得到的特征事件構(gòu)成，表示為設(shè)備拓?fù)渚W(wǎng)絡(luò)中設(shè)備的某個(gè)測(cè)量指標(biāo)分解序列的特征事件，進(jìn)而采用Aprior算法對(duì)事務(wù)數(shù)據(jù)集進(jìn)行挖掘，算法輸出結(jié)果是揭示隱含的設(shè)備內(nèi)部故障關(guān)聯(lián)關(guān)系的預(yù)測(cè)規(guī)則，即滿足一定的支持度和置信度的、設(shè)備拓?fù)渚W(wǎng)絡(luò)非核心設(shè)備的變化特征與核心設(shè)備的故障或沖擊事件的關(guān)聯(lián)關(guān)系； 所述預(yù)測(cè)階段為將一定時(shí)間窗口的在線監(jiān)測(cè)時(shí)間序列數(shù)據(jù)用同樣的時(shí)間序列數(shù)據(jù)分解、特征生成算法進(jìn)行特征提取，進(jìn)而與規(guī)則庫中的預(yù)測(cè)規(guī)則進(jìn)行匹配，從而提供故障預(yù)測(cè)結(jié)果給上層高級(jí)應(yīng)用。
【文檔編號(hào)】G06Q10/04GK103996077SQ201410218375
【公開日】2014年8月20日 申請(qǐng)日期:2014年5月22日 優(yōu)先權(quán)日:2014年5月22日
【發(fā)明者】姚浩, 李鵬, 郭曉斌, 許愛東, 陳波, 陳浩敏, 習(xí)偉, 段剛, 徐延明 申請(qǐng)人:中國南方電網(wǎng)有限責(zé)任公司電網(wǎng)技術(shù)研究中心, 南方電網(wǎng)科學(xué)研究院有限責(zé)任公司