基于深度学习的电力设备故障预测方法及系统技术方案

本发明专利技术提供了基于深度学习算法的电力设备故障预测方法及系统；其中，所述方法包括：获取电力系统的历史日志数据，对所述历史日志数据进行第一处理以获得关联规则；根据所述历史日志数据和所述关联规则对故障预测模型进行训练；将实时日志数据输入所述故障预测模型，根据所述故障预测模型的输出结果进行故障分析。本发明专利技术利用深度学习算法实现了对电力设备故障发生的准确预测，极大地提高了对电力设备故障的感知及应对能力；而且，本发明专利技术还通过对历史日志数据进行挖掘分析来得出电力设备运行数据和电力设备发生故障之间的关联规则，无需人工进行数据标注，极大的降低了故障预测模型的训练数据的组建成本。型的训练数据的组建成本。型的训练数据的组建成本。

【技术实现步骤摘要】
基于深度学习的电力设备故障预测方法及系统


[0001]本专利技术涉及电力系统
，具体而言，涉及基于深度学习的电力设备故障预测方法、系统、电子设备及计算机存储介质。

技术介绍

[0002]电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。
[0003]电力系统的稳定可靠运行事关国家、地区的经济生产运行，如果发生故障会造成较大甚至难以承受的损失。所以，对电力系统进行故障分析、预测，这是十分有必要的。然而，现有技术中对电力系统的故障预测目前还不能满足实际需要，主要还是依赖人力经验、十分明显的异常数据，导致不能及时应对故障，难以满足实际需要。

技术实现思路

[0004]为了至少解决上述
技术介绍
中存在的技术问题，本专利技术提供了基于深度学习的电力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的电力设备故障预测方法，其特征在于，包括如下步骤：获取电力系统的历史日志数据，对所述历史日志数据进行第一处理以获得关联规则；根据所述历史日志数据和所述关联规则对故障预测模型进行训练；将实时日志数据输入所述故障预测模型，根据所述故障预测模型的输出结果进行故障分析。2.根据权利要求1所述的基于深度学习的电力设备故障预测方法，其特征在于：所述对所述历史日志数据进行第一处理以获得关联规则，包括：根据设定时间窗格对所述历史日志数据进行滑动处理，在滑动处理中记录下各时间窗格内发生的事件代码，组成一条包含多个事件的项集；将与各所述时间窗格对应的项集组建为事件集，所述事件集作为规则挖掘的数据集；利用频繁项集生成算法挖掘所述事件集中频繁出现的故障衍生序列，即大于最小支持度的频繁项集；利用频繁项集计算事件之间的置信度，将大于最小置信度的规则作为所述关联规则。3.根据权利要求2所述的基于深度学习的电力设备故障预测方法，其特征在于：所述方法还包括：根据所述事件代码调整所述时间窗格的大小，具体为：根据所述事件代码查表得出事件等级，根据所述时间等级确定所述时间窗格的大小；其中，所述时间窗格的大小与所述事件等级负相关。4.根据权利要求1
‑
3任一项所述的基于深度学习的电力设备故障预测方法，其特征在于：在所述对所述历史日志数据进行第一处理以获得关联规则之前，还包括：根据所述事件代码查表得出事件等级，识别所述事件等级低于等级阈值的所述事件，将所述事件和对应的电力设备运行数据删除。5.根据权利要求4所述的基于深度学习的电力设备故障预测方法，其特征在于：所述根据所述历史日志数据和所述关联规则对故障预测模型进行训练，包括：将所述关联规则输入所述故障预测模型，将与所述事件代码对应的所有所述电力设备运行数据逐一输入所述故障预测模型，以使所述故障预测模型根据所述电力设备运行数据和所述关联规则...

【专利技术属性】
技术研发人员：刘斌，罗建勤，张程，曹忺，李根，王伟，叶幼军，杨涛，李端欢，胡林，谢明，柯山，马元林，
申请(专利权)人：上海舒盈科技股份有限公司，
类型：发明
国别省市：