[发明专利]一种基于深度学习的电气设备寿命预测方法及系统

说明书

本发明公开了一种基于深度学习的电气设备寿命预测方法及系统，涉及电气设备寿命预测技术领域。该方法利用寿命预测模型预测电气设备寿命，寿命预测模型的构建过程包括：采集电气设备的状态参数，采用拟合关联的方法获得健康状态估计结果；采集电气设备的位置参数并进行扩充；利用位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。本发明基于不同环境因素的影响，通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估，联立二者的评估结果从而获得准确度较高的电气设备寿命预测模型。

技术领域

本发明涉及电气设备寿命预测技术领域，尤其涉及一种基于深度学习的电气设备寿命预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着电力系统的大规模发展，发电场的建设已经延伸至各个领域，例如海上、沙漠等条件苛刻的环境也已有了较为完善的配电设施。近年来，海上风力发电场在国内已经逐渐的兴建起来，其中变压器是目前大型电力设备的代表，具有多种故障形式，包括放电、过热或兼而有之，因此变压器的高电压配电设备需要较高的防护等级。而由于海上条件的特殊性，譬如盐雾腐蚀、潮湿、设备维护困难等因素的制约，使得变压器的防护要求有了更高的要求，所以需要及时对海上风电场上的变压器进行健康状态监测以及寿命预测。

发明人发现，现有技术中对于电气设备的寿命预测仅限于考虑一般环境下的影响因素，无法兼顾海上环境条件的特殊性影响。例如，对于盐雾腐蚀、大风、潮湿等海上独有的影响因素，除了对电气设备材料有着损害隐患以外，还会加速管路的堵塞程度。另外，由于海上环境苛刻，设备方位数据采集困难，得到的数据与实际数据误差较大，所以使得有效的样本数量非常少，而盐雾腐蚀或大风环境对电气设备的影响程度与其摆放的位置以及角度密切相关。因此如果样本数据不充分，采用常规的寿命预测方法对海上风电场上的电气设备进行寿命预测则会很大程度的降低预测结果的可信度，影响对设备运行状态的可靠性评估。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于深度学习的电气设备寿命预测方法及系统，通过激光雷达获得电气设备的摆放位置以及角度并进行数据集扩充，克服了海上风电场上的电气设备在苛刻条件下有效样本数据较少的缺点。基于不同环境因素的影响，通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估，联立二者的评估结果得到电气设备最终的寿命预测模型。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明第一方面提供了一种基于深度学习的电气设备寿命预测方法，包括以下步骤：

获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模型的构建过程为：

采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；

根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型。

本发明第二方面提供了一种基于深度学习的电气设备寿命预测系统，包括：

寿命预测模块，被配置为获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模块包括：