[发明专利]一种基于LSTM-DNN的设备寿命预测方法及装置

说明书

本发明适用于设备寿命预测技术领域，提供了一种基于LSTM‑DNN的设备寿命预测方法及装置，方法包括：获取设备的历史运行和维修数据，并整理归档得到预处理数据形式的设备数据；对所述设备数据进行数据清洗和特征预处理，得到处理后数据；将所述处理后数据输入训练好的LSTM‑DNN神经网络，得到输出结果，所述输出结果即为所述设备的寿命预测结果；输出所述寿命预测结果。本发明实施例能够更精准的预测寿命时限，最大的优势在于可以随时根据采集的数据获取当前的预测寿命，以便电力系统的工作人员可以根据相应的情况及时响应，对于电力系统的运行状态有更加直观的观测。

技术领域

本发明属于设备寿命预测技术领域，具体涉及一种基于LSTM-DNN的设备寿命预测方法及装置。

背景技术

如今，随着智能电网的快速发展，为了避免出现电力事故影响，供电力系统的安全稳定运行显得越来越重要。而作为保障电力系统安全运行的第一道防线，电力设备的可靠服役具有重要意义。因此，对电力设备装置的运行状态以及剩余寿命进行有效预测是十分必要的，一来可以为工作人员的操作提供参考，二来有助于电力系统的运行稳定性。针对电力系统装置寿命预测的问题，目前相关领域所提出的基于数学模型的参数估计或是利用一些机器学习方法所建立的模型都需要建立可靠完善的损耗物理模型，工作量巨大且难以与实际设备元件准确对立；并且即使是同一设备，其运行环境也可能不同，此类依靠物理损耗所推断的模型通用性较差，难以推广。

发明内容

有鉴于此，本发明实施例提供了一种基于LSTM-DNN的设备寿命预测方法及装置，基于历史的运行数据，无需去建立物理损耗模型的LSTM-DNN神经网络模型，它是基于大量历史运行数据进行预测，其适用性、推广性都将得到提高。

本发明实施例的第一方面提供了一种基于LSTM-DNN的设备寿命预测方法，包括：

获取设备的历史运行和维修数据，并整理归档得到预处理数据形式的设备数据；

对所述设备数据进行数据清洗和特征预处理，得到处理后数据；

将所述处理后数据输入训练好的LSTM-DNN神经网络，得到输出结果，所述输出结果即为所述设备的寿命预测结果；

输出所述寿命预测结果。

本发明实施例的第二方面提供了一种基于LSTM-DNN的设备寿命预测装置，包括：

采集模块，用于获取设备的历史运行和维修数据，并整理归档得到预处理数据形式的设备数据；

数据预处理模块，用于对所述设备数据进行数据清洗和特征预处理，得到处理后数据；

数据输入模块，用于将所述处理后数据输入训练好的LSTM-DNN神经网络，得到输出结果，所述输出结果即为所述设备的寿命预测结果；

预测输出模块，用于输出所述寿命预测结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例与现有技术相比存在的有益效果至少在于：

本发明实施例提供了一种通过基于LSTM-DNN的神经网络预测的设备寿命的方法，相比基于物理损耗所建立的数学模型或机器方法的预测不够精准、推广性和适用性较差，本发明提出的方法则能够更精准的预测寿命时限，最大的优势在于可以随时根据采集的数据获取当前的预测寿命，以便电力系统的工作人员可以根据相应的情况及时响应，对于电力系统的运行状态有更加直观的观测。

附图说明