【技術實現步驟摘要】
本專利技術屬于電力設備故障預測，特別涉及一種電力設備故障預測方法和系統。
技術介紹
1、隨著電力系統的不斷發展，電網企業的設備種類和運行環境變得越來越復雜，設備故障預測成為保障電網穩定運行的關鍵任務之一。電力設備在運行過程中會產生大量的多模態數據，包括傳感器數據、運行狀態數據等，這些數據往往具有結構多樣、數據量大、實時性強等特點。
2、傳統的設備故障預測方法主要依賴于統計分析和經典的機器學習技術。這些方法通常需要大量的專家知識和歷史數據，并且在處理復雜的時空數據時表現有限。隨著數據量和復雜度的增加，以及大數據和人工智能技術的快速發展，數據驅動的故障預測方法逐漸受到關注和應用。圖神經網絡(graph?neural?networks，gnns)作為一種能夠處理圖結構數據的深度學習模型，顯示出在設備故障預測領域中的巨大潛力。gnns通過節點和邊的關系建模，能夠捕捉復雜的空間依賴關系。然而，單純依賴圖神經網絡在處理時間序列數據時，往往忽略了時間維度上的動態變化特征。
技術實現思路
1、為了解決上述技術問題，本專利技術提出了一種電力設備故障預測方法和系統，提高電力設備故障預測的準確性和魯棒性。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種電力設備故障預測方法，包括以下步驟：
4、獲取電力設備歷史數據，將所述電力設備歷史數據進行多模態數據融合得到各個模態的特征向量；將各個模塊的特征向量采用主成分分析的方式進行融合得到融合向量；采用余
5、利用獲得的時空圖，采用圖卷積的方式學習空間信息，提取數據的空間特征得到空間特征表示向量；利用時間注意力網絡對所述空間特征表示向量結合注意力權重進行融合，生成時序增強的注意力融合向量；再利用門控循環單元學習時序信息，提取注意力融合向量的時間特征得到時間特征表示向量；將所述空間特征表示向量和時間特征表示向量進行加權特征融合，得到時空融合表示向量；
6、利用多層感知機對時空融合表示向量處理的結果在輸入至激活函數中，根據激活函數的輸出完成電力設備故障預測。
7、一種電力設備故障預測系統，包括：多模態數據融合模塊、網絡構建學習模塊和故障預測模塊；
8、所述多模態數據融合模塊用于獲取電力設備歷史數據，將所述電力設備歷史數據進行多模態數據融合得到各個模態的特征向量；將各個模塊的特征向量采用主成分分析的方式進行融合得到融合向量；采用余弦相似度的方式將所述融合向量構建成圖得到特征鄰接矩陣，生成時空圖；
9、所述網絡構建學習模塊用于利用獲得的時空圖，采用圖卷積的方式學習空間信息，提取數據的空間特征得到空間特征表示向量；利用時間注意力網絡對所述空間特征表示向量結合注意力權重進行融合，生成時序增強的注意力融合向量；再利用門控循環單元學習時序信息，提取注意力融合向量的時間特征得到時間特征表示向量；將所述空間特征表示向量和時間特征表示向量進行加權特征融合，得到時空融合表示向量；
10、所述故障預測模塊用于利用多層感知機對時空融合表示向量處理的結果在輸入至激活函數中，根據激活函數的輸出完成電力設備故障預測。
11、
技術實現思路
中提供的效果僅僅是實施例的效果，而不是專利技術所有的全部效果，上述技術方案中的一個技術方案具有如下優點或有益效果：
12、本專利技術提出了一種電力設備故障預測方法和系統，該方法包括以下步驟：獲取電力設備歷史數據，將所述電力設備歷史數據進行多模態數據融合得到各個模態的特征向量；將各個模塊的特征向量采用主成分分析的方式進行融合得到融合向量；采用余弦相似度的方式將所述融合向量構建成圖得到特征鄰接矩陣，生成時空圖；利用獲得的時空圖，采用圖卷積的方式學習空間信息，提取數據的空間特征得到空間特征表示向量；利用時間注意力網絡對所述空間特征表示向量結合注意力權重進行融合，生成時序增強的注意力融合向量；再利用門控循環單元學習時序信息，提取注意力融合向量的時間特征得到時間特征表示向量；將所述空間特征表示向量和時間特征表示向量進行加權特征融合，得到時空融合表示向量；利用多層感知機對時空融合表示向量處理的結果在輸入至激活函數中，根據激活函數的輸出完成電力設備故障預測。基于一種電力設備故障預測方法，還提出了一種電力設備故障預測系統。本專利技術利用圖神經網絡捕捉空間依賴關系，并結合時間維度的變化，進行時空特征的提取。在時間維度上引入注意力機制，能夠動態地關注不同時刻對預測結果的影響，提高時間特征提取的精度。
13、本專利技術通過結合時空圖神經網絡和時間注意力機制，能夠同時捕捉設備運行數據中的空間依賴關系和時間動態特征，從而提高電力設備故障預測的準確性和魯棒性。
本文檔來自技高網...【技術保護點】
1.一種電力設備故障預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電力設備故障預測方法，其特征在于，所述方法還包括：利用梯度反向傳播算法對多層感知機中的參數進行調整，不斷優化故障預測準確度。
3.根據權利要求1所述的一種電力設備故障預測方法，其特征在于，將所述電力設備歷史數據進行多模態數據融合得到融合向量；將各個模塊的特征向量采用主成分分析的方式進行融合得到融合向量的過程包括：
4.根據權利要求3所述的一種電力設備故障預測方法，其特征在于，采用余弦相似度的方式將所述融合向量構建成圖得到特征鄰接矩陣，生成時空圖的過程包括：
5.根據權利要求4所述的一種電力設備故障預測方法，其特征在于，所述利用獲得的時空圖，采用圖卷積的方式學習空間信息，提取數據的空間特征得到空間特征表示向量具體包括：
6.根據權利要求5所述的一種電力設備故障預測方法，其特征在于，利用時間注意力網絡對所述空間特征表示向量結合注意力權重進行融合，生成時序增強的注意力融合向量的過程包括：
7.根據權利要求6所述的一種電力設備故障預
8.根據權利要求7所述的一種電力設備故障預測方法，其特征在于，將所述空間特征表示向量和時間特征表示向量進行加權特征融合，得到時空融合表示向量的具體過程包括：采用加權平均的方式對GCN提取的空間特征向量fGCN和GRU提取的時間特征向量fGRU進行融合，融合為：
9.根據權利要求8所述的一種電力設備故障預測方法，其特征在于，利用多層感知機對時空融合表示向量處理的結果在輸入至激活函數中，根據激活函數的輸出完成電力設備故障預測的過程包括：
10.一種電力設備故障預測系統，其特征在于，包括：多模態數據融合模塊、網絡構建學習模塊和故障預測模塊；
...【技術特征摘要】
1.一種電力設備故障預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種電力設備故障預測方法，其特征在于，所述方法還包括：利用梯度反向傳播算法對多層感知機中的參數進行調整，不斷優化故障預測準確度。
3.根據權利要求1所述的一種電力設備故障預測方法，其特征在于，將所述電力設備歷史數據進行多模態數據融合得到融合向量；將各個模塊的特征向量采用主成分分析的方式進行融合得到融合向量的過程包括：
4.根據權利要求3所述的一種電力設備故障預測方法，其特征在于，采用余弦相似度的方式將所述融合向量構建成圖得到特征鄰接矩陣，生成時空圖的過程包括：
5.根據權利要求4所述的一種電力設備故障預測方法，其特征在于，所述利用獲得的時空圖，采用圖卷積的方式學習空間信息，提取數據的空間特征得到空間特征表示向量具體包括：
6.根據權利要求5所述的一種電力設備故障預測方法，其特征在于，利用...
【專利技術屬性】
技術研發人員：李秀強，陳霞，謝帥，孫家印，王俏俏，秦灝，魏卓，
申請(專利權)人：國網山東省電力公司濟南供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。