一种动态滤波补偿器剩余寿命预测方法技术

本发明专利技术实施例提供一种动态滤波补偿器剩余寿命预测方法，包括以下内容：获取监测数据，并对监测数据进行预处理；计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据；根据特征筛选后数据构建混合注意力时间卷积网络；根据混合注意力时间卷积网络获取预测模型，以根据预测模型获取剩余使用寿命数据。本发明专利技术能有效提高预测效率和精度。

【技术实现步骤摘要】
一种动态滤波补偿器剩余寿命预测方法
本专利技术涉及设备状态监测与寿命预测
，具体涉及一种动态滤波补偿器剩余寿命预测方法。
技术介绍
动态滤波补偿器是采用微处理器控制晶闸管投切调谐电容组的全自动动态滤波无功补偿装置，是无功补偿设备的更新换代产品。此类产品采用微处理器无功功率实时监测晶闸管零过渡过程快速投切，谐波电流抑制等先进技术，适合在各种复杂的工业现场环境中应用，可以准确、快速、无暂态扰动地动态无功补偿，有效提高各种用电设备的功率因数，提高电力设备出力，改善电能质量降低线损，实现节能降耗的目的。动态滤波补偿器的核心组成是电容组，通过传感器对电容组进行数据采集监测，既能够预测动态滤波补偿器的剩余寿命，又能够及早发现问题，视情维修，避免不必要的损失。但实践中发现，现有技术中的动态滤波补偿器剩余寿命预测方法的预测效率和预测精度均较低。
技术实现思路
鉴于此，本专利技术实施例提供一种动态滤波补偿器剩余寿命预测方法，能有效提高预测效率和精度。为实现上述技术目的，本专利技术实施例提供一种动态滤波补偿器剩余寿命预测方法，其改进之处在于，包括以下内容：获取监测数据，并对监测数据进行预处理；计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据；根据特征筛选后数据构建混合注意力时间卷积网络；根据混合注意力时间卷积网络获取预测模型，以根据预测模型获取剩余使用寿命数据。本专利技术由于采取以上技术方案，与现有技术相比，其具有以下优点：本专利技术通过对传感器监测到的电容组数据进行处理，并通过混合注意力时间卷积网络获取预测模型，能够有效的预测动态滤波补偿器的剩余寿命，有较好的预测效率和预测精度，可用于指导后续的视情维修。本专利技术操作方便，成本低，预测效率和精度高，可以广泛应用于设备状态监测与寿命预测
附图说明图1是本专利技术的动态滤波补偿器剩余寿命预测方法其中一个实施例的流程示意图；图2是本专利技术的混合注意力时间卷积网络其中一个实施例的结构示意图；图3是本专利技术的混合注意力时间卷积模块其中一个实施例的结构示意图；图4是本专利技术的时间卷积其中一个实施例的结构示意图；图5是本专利技术的CBAM模块其中一个实施例的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。如图1所示，本专利技术实施例提供一种动态滤波补偿器剩余寿命预测方法，包括以下内容：获取监测数据，并对监测数据进行预处理，其中，监测数据包括时序监测数据，预处理包括将监测数据划分为训练数据和测试数据，以及将监测数据进行归一化处理，以消除不同量纲的影响；计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据，并删除Spearman系数未达到阈值的传感器数据；根据特征筛选后数据构建混合注意力时间卷积网络；根据混合注意力时间卷积网络获取预测模型，以根据预测模型获取剩余使用寿命数据。通过以上方案，对数据进行处理，并通过混合注意力时间卷积网络获取预测模型，能够有效的预测动态滤波补偿器的剩余寿命，有较好的预测效率和预测精度，可用于指导后续的视情维修。在一个实施例中，计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据，并删除Spearman系数未达到阈值的传感器数据，其中，第d个传感器监测数据与剩余使用寿命之间的Spearman相关系数可以采用以下计算公式：上式中，为第d个传感器监测数据，Y＝[y1，y2…，yN]为剩余寿命标签数据，rg(·)为取秩操作，N为传感器总个数，i为变量。由于Spearman相关系数是一种非参数相关测度，其适用于具有复杂非线性关系的过程变量，且其不假定数据是正态分布，也不假定数据点之间有任何确定的关系，因此，其非常便于对监测数据进行特征筛选处理。在一个实施例中，如图2所示，根据特征筛选后数据构建混合注意力时间卷积网络，包括以下内容：通过时间卷积对时序监测数据进行特征提取，并进行批归一化和ReLU激活；通过堆叠的混合注意力时间卷积模块学习更高级的特征表示，其中，如图3所示，混合注意力时间卷积模块包括：批归一化、ReLU激活、时间卷积、池化层、CBAM模块和残差连接，其中，时间卷积包括因果卷积和膨胀卷积；在标准卷积网络中，通常在卷积操作后添加BN和ReLU，但这种后激活策略可能不能充分利用BN在有剩余连接的卷积网络中的优势，因此，本专利技术实施选择预激活策略，即：批归一化和ReLU在卷积层前使用，以使网络能够更快更好的收敛。由于因果卷积是一种针对序列数据的卷积结构，在这种卷积中，t时刻的输出只与t时刻和前一层更早的元素进行卷积，因此，避免了未来的信息泄露到过去，适合用于时序监测数据的特征提取，但其缺点是，需要一个非常深的网络或者非常大的卷积核尺寸，才能获得较长的有效历史数据感受野。基于此，引入膨胀卷积与因果卷积相结合构成时间卷积，膨胀卷积通过跳过部分输入来使卷积核可以应用于大于卷积核本身长度的区域，从而可以使模型在层数不大的情况下有非常大的感受野，使得顶层的输出能代表更大范围的输入，从而有效地扩展了时间卷积的接受域，如图4所示。另外需要说明的是：相同膨胀因子的卷积核经过多次迭代后会产生棋盘效应，失去信息的连续性，这对于序列预测任务是致命的，因此将连续卷积层的膨胀率设置为锯齿形，以避免信息丢失。在通道和空间混合注意力机制层前加入池化层，能够有效降低所提取特征的维数。本专利技术实施例通过CBAM(ConvolutionalBlockAttentionModule)模块以实现通道和空间混合注意力机制，其具体结构如图5所示，CBAM模块包括通道注意力模块和空间注意力模块，且通道注意力模块在前，空间注意力模块在后。本专利技术实施例将CBAM模块设置在深度网络的卷积后，以分别在通道、空间两个方向上增强对任务有效的特征，抑制无用特征，能够实现中间特征图的自适应细化。本专利技术实施例中的通道注意力模块和空间注意力模块的计算方式，具体如下所示：其中，在通道注意力模块中：使用平均池化和最大池化聚合每个通道的空间信息，生成平均池化特征描述和最大池化特征描述分别将上述两种特征描述输入到参数共享的多层感知器中以得到通道注意力Mc，其中，该多层感知器只有一个隐层，隐层节点数设置为通道数/r，其中，r是降维率，这一设置是为了减少网络参数；将共享网络应用到两个特征描述后，将两个结果按元素求和，以合并输出的特征向量，其中，通道注意权重的计算公式如下：上式中，σ是sigmoid激活函数，W0和本文档来自技高网...

【技术保护点】
1.一种动态滤波补偿器剩余寿命预测方法，包括以下内容：/n获取监测数据，并对监测数据进行预处理；/n计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据；/n根据特征筛选后数据构建混合注意力时间卷积网络；/n根据混合注意力时间卷积网络获取预测模型，以根据预测模型获取剩余使用寿命数据。/n

【技术特征摘要】
1.一种动态滤波补偿器剩余寿命预测方法，包括以下内容：
获取监测数据，并对监测数据进行预处理；
计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征筛选，以得到与退化相关的特征筛选后数据；
根据特征筛选后数据构建混合注意力时间卷积网络；
根据混合注意力时间卷积网络获取预测模型，以根据预测模型获取剩余使用寿命数据。


2.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法，其特征在于，所述获取监测数据，并对监测数据进行预处理，其中：
监测数据包括时序监测数据。


3.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法，其特征在于，所述获取监测数据，并对监测数据进行预处理，其中：
预处理包括将监测数据划分为训练数据和测试数据，以及将监测数据进行归一化处理。


4.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法，其特征在于，所述计算监测数据与剩余使用寿命之间的Spearman相关系数，并设定阈值进行特征...

【专利技术属性】
技术研发人员：杨英华，姚旦旦，董纳新，刘旭升，
申请(专利权)人：东冶及策河北能源技术有限公司，
类型：发明
国别省市：河北;13