[发明专利]一种基于灰色预测理论的电力设备状态趋势感知方法

权利要求书

1.一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：包括以下步骤：

步骤1、获取电力设备状态相关数据，并根据典型应用场景进行数据整合；

步骤2、对获取的数据进行数据清洗及数据噪声过滤处理；

步骤3、选取灰色预测模型检验方式，并预设精度检验等级；

步骤4、构建灰色预测模型GM(1,1)，动态预测电力设备运行状况。

2.根据权利要求1所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤1的具体实现方法包括以下步骤：

⑴确定数据信息来源；

⑵获取电网监控数据和电网运行数据；

⑶划分典型应用场景，并根据典型应用场景整合所需数据内容。

3.根据权利要求2所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤⑴中的数据信息来源包括电力EMS、OMS、监控大数据、监控事件化、调控云获取的监控告警信息与调度运行数据。

4.根据权利要求2所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤⑵中的电网监控数据包括电网目前是否正常运行、异常元件及动作信息；所述电网运行数据包括电网及设备运行数据及其他系统的相关辅助信息。

5.根据权利要求2所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤⑶中的典型应用场景包括故障判断、异常判断、设备检修和设备停复役，故障判断场景下的数据内容包括告警信息、遥测数据、开关位置和检修信息；异常判断场景下的数据内容包括告警信息、缺陷记录和检修记录；设备检修场景下的数据内容包括告警信息、检修记录和操作信息；设备停复役场景下的数据内容包括告警信息和操作信息。

6.根据权利要求1至5任一项所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤2的具体实现方法包括以下步骤：

⑴数据清洗处理：将数据中的非结构化数据转化为结构化数据，处理结构化数据中的异常内容，完成对数据的检验；

⑵数据噪声过滤处理：使用两步聚类方法对数据进行聚类，通过构造聚类特征树将大量零散的数据样本浓缩成可管理数量的子簇，从聚类特征树叶节点的子簇开始利用凝聚法，逐个地合并子簇，直到期望的簇数量，在完成数据集中所有数据样本到聚类特征树上的插入后，仍为潜在离群点的元项，视为最终离群点，从数据集中剥离这些离群点。

7.根据权利要求1至5任一项所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：

⑴基于动态预测理念，选定后验差检验方法评估模型精度；

⑵根据后验差比值与小误差概率预设模型精度检验等级。

8.根据权利要求1至5任一项所述的一种基于灰色预测理论的电力设备状态趋势感知方法，其特征在于：所述步骤4的具体实现方法包括以下步骤：

⑴整合原始运行数据列，建立所要预测参数的原始数据列，并对原始数据列进行累加处理；

⑵建立包含单一变量与一阶微分方程的灰色模型GM(1,1)，使用最小二乘法获取模型发展系数与灰色作用量，建立相应拟合序列；

⑶将拟合序列进行一次累减运算求得预测值；

⑷针对拟合值进行精度检验，如果拟合值不符合精度要求，则进行反复迭代直至符合精度要求，得到电力设备运行预测结果。