[發明專利]一種基于數據挖掘的新能源遠程測試設備故障診斷方法

有效

• 申請號: 201711228670.9
• 申請日: 2017-11-29
• 公開（公告）號: CN108008332B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 張用;王玥嬌;王士柏;錢元梁;于芃;滕偉;孫樹敏;程艷;趙鵬;李廣磊;張興友;趙帥;張海濤
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國家電網有限公司
• 主分類號: G01R35/00
• 分類號: G01R35/00
• 代理公司: 37221 濟南圣達知識產權代理有限公司
• 代理人: 張勇

1.一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：以下步驟：

(1)按一定的周期性提取新能源遠程測試設備數據，對數據進行標準化處理，形成設備特征信息參數；

(2)根據特征信息參數并獲取存儲設備運行歷史數據，為故障診斷分析和故障預警進行數據準備；從數據庫中選擇出正常狀態數據，同時對剩余的數據的故障狀態類型進行標注，針對各類運行狀態的數據源進行模型的挖掘構建；

(3)將設備實時監測數據與故障數據模型相匹配，若匹配不成功，且無實際故障發生則返回繼續監測設備運行狀況；若匹配不成功且有故障發生，則經過專家診斷后將新的故障模式加入故障模型庫；若匹配成功，則確定故障類型并將故障定位至具體故障元件，計算由故障項目集引起的顯性故障在整個故障庫發生的概率；

(4)通過歷史故障數據和故障狀態數據作為樣本對神經網絡進行訓練，使其達到規定的誤差范圍，將故障狀態的關鍵因素作為已訓練好的神經網絡模型的輸入值，得到故障元件隱性故障影響值；

(5)根據計算結果確定影響值所屬的值域，判斷隱性故障的發展程度，預測隱性故障的發展趨勢，給出隱性故障預警檢測結果，并及時發出警報；

所述步驟(1)中，采用小波包分解將帶有噪聲的特征信息的一維時間序列分解到各相互正交的小波空間中，并得到相應的小波包分解系數；對小波包分解得到的第1個節點對應的小波包分解系數進行相空間重構，分別采用互信息方法和偽近鄰法選取相空間重構時間延遲和最佳嵌入維數，對小波包分解系數進行相空間重構得到的相空間矩陣；

所述步驟(2)中，模型構建過程中，選取Db10小波基對數據進行3級小波多分辨分析，獲得低高頻段的3層小波系數；每個故障數據集要計算一個3維的特征向量，應用混合高斯模型對多維特征數據的復雜分布進行描述，生成故障模式數學模型；

所述步驟(4)中，通過歷史故障數據和故障狀態數據作為樣本對神經網絡進行訓練，使其達到規定的誤差范圍，將故障狀態下五個關鍵因素：顯性故障概率、磨損系數、壽命系數、重要系數和故障綜合風險值，作為已訓練好的神經網絡模型的輸入值，得到故障元件隱性故障影響值。

2.如權利要求1所述的一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：所述步驟(1)中，用LTSA算法來實現相空間中高維數據的非線性維數約簡，并采用自適應極大似然估計方法估計出維數約簡的目標維數；對相空間重構的高維數據進行維數約簡后，根據相空間重構方法反求降噪后的一維小波包分解系數。

3.如權利要求1所述的一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：所述步驟(2)中，采用Oracle數據庫來存儲設備運行歷史數據，為故障診斷分析和故障預警模塊做好數據準備；從數據庫中選擇出正常狀態數據，同時對剩余的數據的故障狀態類型進行標注，針對各類運行狀態的數據源進行模型的挖掘構建。

4.如權利要求1所述的一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：所述步驟(2)中，構建設備運行歷史數據庫具體包括故障知識庫、故障樣本庫和設備自身信息庫，故障知識庫用于存儲故障特征、故障信息及處理辦法，故障樣本庫用來存儲設備發生故障時此設備的生產信息、實時狀態和設備故障信息，設備的實時狀態、生產數據庫主要存儲設備運行時的關鍵部位參數及設備生產數據，設備自身信息庫記錄設備名稱、設備的型號、設備投入生產的時間、設備的自然年限和/或維修記錄的設備自身基礎信息。

5.如權利要求1所述的一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：所述步驟(3)中，采用下述實時數據判斷分析方法：獲取實時數據，此處的實時數據為與建模階段測點相同的數據矩陣，數據量為時間窗長度；應用時域分析手段對實時數據進行時域特征計算，計算的時域特征有均方根值、峰峰值、峭度和方差4個關鍵指標得到特征向量，判斷時域特征向量各個參數均是否在設定之內，若滿足條件，則判定為正常運行狀態數據，若不滿足條件，則判定為故障運行數據。

6.如權利要求1所述的一種基于數據挖掘的新能源遠程測試設備故障診斷方法，其特征是：所述步驟(4)中，構建BP神經網絡，通過歷史故障數據和故障狀態數據，對神經網絡進行學習訓練，使其獲得故障狀態屬性值各數據間的關系；當需要對新的樣本模式進行隱性故障影響值預測時，通過將新的樣本故障狀態的關鍵因素作為輸入值輸入已訓練好的神經網絡，神經網絡輸出隱性故障影響值，從而實現對隱性故障狀態的預測。