一种基于数据挖掘的用户终端设备故障检修预测方法技术

本发明专利技术涉及一种基于数据挖掘的用户终端设备故障检修预测方法，包括步骤一建立状态感知模型，对电力设备数据进行数据标准化，聚类和回归预测；步骤二建立用户用电数据与设备运行之间的动态关联模型，确定反应系统行为特征的参考数列和影响系统行为的比较数列，对参考数列和比较数列进行无量纲化处理，求出灰色关联系数和关联度，求得关联度排序；步骤三将预测数据与实测数据进行数据对比，确定用户设备故障点；利用状态感知与动态关联实现数据挖掘，实现对用户用电行为数据的融合分析，能更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。力系统的灵活度和智能化水平。力系统的灵活度和智能化水平。

【技术实现步骤摘要】
一种基于数据挖掘的用户终端设备故障检修预测方法


[0001]本专利技术涉及智能检修
，尤其涉及一种基于数据挖掘的用户终端设备故障检修预测方法。

技术介绍

[0002]随着大数据、人工智能等新兴数据挖掘与分析技术的不断创新发展，为电力行业业务创新、智能化辅助决策、服务能力提升、市场竞争力增强等方面的发展提供无限空间，预测性维修可以通过对装备状态进行监测和诊断，对装备的状态作出正确的判断，从而制定出科学合理的维修策略，克服了许多维修所面临的难题，故障诊断和状态预测技术的发展是预测性维修发展的关键。
[0003]公众号为CN 111784064 A的中国专利公开了一种基于大数据的电厂设备智能预测检修方法和系统，包括如下步骤：步骤S1：利用计算机构建故障搜索引擎；步骤S2：在故障搜索引擎中建立故障知识库以及相对应的检修方法知识库；步骤S3：在故障搜索引擎中输入故障信息；步骤S4：故障知识库根据输入的故障信息筛选出有效信息；步骤S5：筛选完成后，以获得检修方法知识库中相对应的检修方法；但该专利技术建立的是故障信息群，针对没有发生的故障存在漏掉的风险，因此预测检修存在一定漏洞。
[0004]公众号为CN 102063119 A的中国专利公开了一种基于点巡检数据和DCS在线数据的设备，建立设备检修信息库，检修信息库中包括设备点巡检数据和DCS在线数据以及设备检修数据，并将设备点巡检数据和DCS在线数据与设备检修数据进行关联存储；然后周期性地将设备当前阶段的数据与检修信息库中的数据进行数据匹配处理，当设备当前阶段的数据与检修信息库中的某一次检修数据相匹配时，依据检修信息库中的数据对设备进行故障类型的预测和故障发生时间的预测；随着设备检修信息库中的数据积累，可对大多数的设备故障类型进行预测，为设备的预防性检修提供有效依据，为生产的正常进行提供基本保障；但该专利技术运用的点巡检方式和DCS在线数据的监测存在设备监测数据不全的状态，因此也容易造成预测检修的不全面。

技术实现思路

[0005]本专利技术提供了一种基于数据挖掘的用户终端设备故障检修预测方法，利用状态感知与动态关联实现数据挖掘，实现对用户用电行为数据的融合分析，能更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。
[0006]为了达到上述目的，本专利技术采用以下技术方案实现：
[0007]一种基于数据挖掘的用户终端设备故障检修预测方法，包括以下步骤：
[0008]步骤一：建立状态感知模型；
[0009]步骤二：建立用户用电数据与设备运行之间的动态关联模型；
[0010]步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出
的排序基础上进行数据对比，确定用户设备故障点。
[0011]进一步地，所述步骤一具体过程如下：
[0012]1)收集整理有关设备信息，建立设备信息库，采集电力设备观测点数据，将数据作为各个分量的向量；
[0013]2)通过对上述收集到的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作；
[0014]3)利用线性回归模型进行数据预测。
[0015]进一步地，所述步骤二具体过程如下：
[0016]1)确定反映系统行为特征的参考数列和影响系统行为的比较数列；
[0017]2)对参考数列和比较数列进行无量纲化处理；
[0018]3)求参考数列与比较数列的灰色关联系数ξ(Xi)；
[0019]4)求关联度r
i
；
[0020]5)对关联度排序。
[0021]进一步地，所述步骤三中收集用户设备的实时数据，根据动态关联模型的关联程度顺序对数据进行先后排序，将从感知模型中得到预测数据范围与实测数据进行对比，对比误差率在范围内则没有故障点，超出误差率即可确定故障点。
[0022]进一步地，所述数据标准化采用Z
‑
score分布方法，聚类采用k
‑
means聚类方法。
[0023]进一步地，一种用于实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的装置，其特征在于，包括存储器和处理器；
[0024]所述的存储器存储计算机中实现步骤一到步骤三所述方法产生的数据和程序；
[0025]所述的处理器用于执行所述计算机程序时实现所述的一种基于数据挖掘的用户终端设备故障检修预测方法的步骤。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]1)利用状态感知与动态关联实现了数据挖掘，实现了对用户用电行为数据的融合分析；
[0028]2)更好地管理和预测电力系统的运行状态和故障信息，降低电力信息系统的安全运维风险，提升电力系统的灵活度和智能化水平。
附图说明
[0029]图1是本专利技术的方法步骤流程图。
具体实施方式
[0030]下面结合附图对本专利技术的具体实施方式作进一步说明：
[0031]见图1，是本专利技术的方法步骤流程图。本专利技术一种基于数据挖掘的用户终端设备故障检修预测方法，包括以下步骤：
[0032]步骤一：建立状态感知模型；
[0033]步骤二：建立用户用电数据与设备运行之间的动态关联模型；
[0034]步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出
的排序基础上进行数据对比，确定用户设备故障点。
[0035]进一步地，所述步骤一具体过程如下：
[0036]1)数据标准化：收集整理有关设备的大量信息，建立设备信息库，设备信息包括运行数据、常规检测数据、设备状态监测数据、设备历史数据、同类设备的故障信息与检修经验、国家、行业、公司、电厂的有关标准、规程和规定，运行数据包括运行实时数据、运行日志、运行巡检记录、运行分析记录，常规检测包括点检数据、金属检测试验数据、性能试验数据和技术监督项目的测试数据，设备历史数据包括设备图纸、说明书、安装记录、故障记录、检修记录、更改台账；
[0037]将采集到的电力设备的多个观测点数据作为多个分量的向量，再对数据进行标准化处理，采用Z
‑
score分布方法，数据标准化过程如下：
[0038][0039][0040]其中，X
ij
为电气设备向量数据第j个分量；
[0041]标准化后X
i
的第j个分量公式为：
[0042][0043]2)聚类：通过对大量的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作，采用k
‑
means聚类方法，具体步骤如下：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，包括以下步骤：步骤一：建立状态感知模型；步骤二：建立用户用电数据与设备运行之间的动态关联模型；步骤三：根据状态感知模型得出预测数据，将其和实测数据在动态关联模型给出的排序基础上进行数据对比，确定用户设备故障点。2.根据权利要求1所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述步骤一具体过程如下：1)收集整理有关设备信息，建立设备信息库，采集电力设备的观测点数据，将数据作为各个分量的向量；2)通过对上述收集到的电气设备运行历史数据进行聚类，得到的聚类结果中一个类代表一种设备运行状态，所有这些状态类构成设备总的正常状态集，在此基础上，当实时数据进来后，先定位到相应的状态类，再进行下一步的预测诊断工作；3)利用线性回归模型进行数据预测。3.根据权利要求1所述的一种基于数据挖掘的用户终端设备故障检修预测方法，其特征在于，所述步骤二具体过程如下：1)确定反映系统行为特征的参考数列和影响系统行为的比较数列；2)对参考数列和比较数列进行无量纲化处理；3...

【专利技术属性】
技术研发人员：尹良智，李增，赵卓，王家峰，崔琦，韩一品，黄鹤，潘婷屹，赵郁婷，张婧，刘惠雅，关飞翔，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：