[发明专利]一种配电装置的故障预测方法及系统

权利要求书

1.一种配电装置的故障预测方法，其特征在于，包括：

步骤1、采集一地区内各种使用时长的配电装置的状态数据x；

步骤2、将采集的状态数据x转换为无负载情况下的状态数据z；

步骤3、将同一使用时长m的配电装置的状态数据z求取均值，作为使用时长m对应的状态数据z^(m)，采用健康指数函数模型计算使用时长m对应的健康指数y^(m)；z^(m)和y^(m)构成训练样本；

所述健康指数函数模型为：

新投入使用的配电装置的使用时长为0，健康指数y^(m)为1；

使用时长到达理论使用年限的配电装置的健康指数y^(m)为0；

其他使用时长的健康指数y^(m)采用反正切函数或指数函数计算：

反正切函数为：

指数函数为：

步骤4、利用隐性马尔科夫模型对配电装置的状态数据z^(m)和健康指数y^(m)进行建模，将使用时长为m的配电装置的健康指数y^(m)视为时刻m下的状态数据z^(m)的隐变量，而y^(m)只受到m-1时刻的健康指数y^(m-1)的影响；

步骤5、使用自循环神经网络来实现隐马尔科夫模型，并对自循环神经网络进行训练；自循环神经网络的输入为m时刻的状态数据z^(m)和m-1时刻的健康指数y^(m-1)，输出为m时刻的健康指数y^(m)；采用步骤3获取的训练样本对自循环神经网络进行训练；

步骤6、实际预测时，获取被监测单个配电装置A当前时刻m及之前共w个时刻的、转换为无负载情况下的状态数据z^(m-w),z^(m-w+1),…,z^(m-1),z^(m)，并采用健康指数函数模型计算出y^(m-w)，w为正整数；将z^(m-w+1),z^(m-w+2),…,z^(m-1),z^(m)和y^(m-w)输入所述自循环神经网络；自循环神经网络在循环计算过程中计算出y^(m-w+1),y^(m-w+2),…,y^(m-1),y^(m)；其中，y^(m)即为预测的配电装置A的健康指数。

2.如权利要求1所述的方法，其特征在于，步骤2所述将采集的状态数据x转换为无负载情况下的状态数据z的方式为：

步骤201：在多台配电装置上，从0％～100％加载不同的负载，并记录每个负载下配电装置达到稳态的状态数据，形成配电装置的负载-状态数据对应关系；

步骤202：将各种负载及其对应的状态数据作为输入，0％负载的状态数据作为输出，构建神经网络，并采用步骤201获得的数据进行训练；

步骤203：实际转换时，将步骤1采集的状态数据及其负载百分比输入所述神经网络，神经网络输出0％负载的状态数据，即所述无负载情况下的状态数据。

3.如权利要求1所述的方法，其特征在于，所述状态数据包括环境温度、配电装置关键电能、电流、电压、功率数据。

4.如权利要求1所述的方法，其特征在于，该方法进一步包括：当预测得到的健康指数低于设定阈值，则发出警报。