[发明专利]一种基于机器学习与大数据分析的电容器故障预测方法

说明书

本发明属于电力系统技术领域，公开了一种基于机器学习与大数据分析的电容器故障预测方法，通过对海量历史数据的收集，处理，挖掘和学习，该方法能够对电容器的故障进行统计分析，通过Hadoop集群算法和MapReduce分布式算法将大数据在分布式高性能服务器中进行处理；然后对造成故障电力电容器的重要统计参数进行相关分析，分别归纳了电力电容器故障的地理信息，故障原因，寿命以及检测方法。本发明这些重要的相关性信息被用于人工神经网络的训练中，通过指导性深度学习的方法对电容器故障进行预测。

技术领域

本发明属于电力系统技术领域，尤其涉及一种基于机器学习与大数据分析的电容器故障预测方法。

背景技术

目前，业内常用的现有技术是这样的：

电容器组在电力系统中是最常用的改善功率因数的方法。电容器组的运行经济且可靠，故障率低。安装电容器可以补偿无功功率，满足感性负载的需求，从而提高电气系统的功率因数。但是电力系统的运行状况可能会影响电容器的正常运行，并造成电容器的故障。

常规的电容器故障的预测方法有如下三种：通过监测电容器内部的局部放电，来判断放电的严重程度，从而分析并预测绝缘劣化的状况和其发展趋势；

通过电容器的极间绝缘检测技术，对电容器做耐压实验，但这种方法是一种离线实验，不能及时有效的发现电容器运行时的状态变化，具有很大的局限性；

监测电容器内部的温度变化，考察电容器在不同工作状况下的温度变化，建立电容器工况和温度变化的模型，从而能够预测电容器的故障发生。

综上所述，现有技术存在的问题是：

现有技术中，没有对电容器故障的历史数据进行充分的利用，也没有对影响电容器故障的参数进行综合的考虑，这几个参数包括电力电容器故障的地理信息，设备厂商，运行状况，故障原因，寿命以及检测方法等。

现有技术中，对电容器故障的参数的提取效果差，获得的数据准确性差。

发明内容

针对现有技术存在的问题，本发明提供了一种基于机器学习与大数据分析的电容器故障预测方法。

本发明是这样实现的，一种基于机器学习与大数据分析的电容器故障预测方法，使用基于机器学习与大数据分析的策略对电容器故障进行预测；具体包括：

(1)原始数据预处理和特征量提取；

(2)通过Hadoop集群算法将大数据存储在分布式高性能服务器中；

(3)对数据进行归一化处理；

(4)对深层神经网络进行指导性训练，并对电容器故障进行预测。

进一步，所述基于机器学习与大数据分析的电容器故障预测方法包括：

对原始数据预处理和提取特征量；

通过Hadoop集群算法将大数据存储在分布式高性能服务器中；

对数据进行归一化处理；

对深层神经网络进行指导性训练，并对电容器故障进行预测。

进一步，所述对数据进行归一化处理，具体包括：

归一化参数由下列方程计算得到；

V_nor＝V_value a？？NF

NF＝V_max/F

式中，V_nor是归一化的结果，V_value是需要归一化的数值，NF是归一化因子，V_max是该分类数据中的最大值，以及F是常数。