一种变压器故障的预测方法、装置和设备与流程

本发明涉及变压器领域，尤其涉及一种变压器故障的预测方法及其装置。
背景技术：
：变压器是发电厂和变电站的关键设备之一，变压器能否安全可靠地运行，关系到企业财产安全和个人人身安全。变压器发生异常时，通常会有绝缘老化、漏油、声音异常、局部放电、特征气体指标异常等特征，严重时则会导致其停止运行，甚至会发生爆炸。目前，变压器的故障诊断及故障预测理论研究大多基于回归分析法、人工神经网络、灰色预测模型、遗传算法等模型算法，这些算法能实现对变压器的故障进行分类，但由于分类得到的故障类型的范围较大，所得到的故障类型往往不够精细。此外，由于基于这些模型算法对变压器的故障诊断和预测大多处于研究阶段，还未应用在实际场景中，这就使得基于这些模型算法对变压器的故障诊断和预测的准确性仍需进一步地验证。技术实现要素：本发明实施例提供一种变压器故障的预测方法，以解决现有技术中难以对变压器的故障进行预测的问题。为了解决上述技术问题，本发明是这样实现的：第一方面，本发明实施例提供了一种变压器故障的预测方法，包括：获取目标变压器在预设时间段内的运行状态相关数据；基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。第二方面，本发明实施例还提供一种变压器故障的预测装置，包括：获取单元，用于获取目标变压器在预设时间段内的运行状态相关数据；预测单元，用于基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。第三方面，本发明实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，该可执行指令在被执行时使该处理器执行以下操作：获取目标变压器在预设时间段内的运行状态相关数据；基于所该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。第四方面，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序当被包括多个应用程序的电子设备执行时，使得该电子设备执行以下操作：获取目标变压器在预设时间段内的运行状态相关数据；基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。由以上本申请实施例提供的技术方案可见，本申请实施例方案至少具备如下一种技术效果：本发明实施例中，能够获取目标变压器在预设时间段内的运行状态相关数据；然后，基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。这样在变压器运行时，便可通过变压器的历史运行状态数据训练得到的变压器故障预测模型与实时运行状态数据，对变压器未来的运行状态进行预测，判断目标变压器在未来时刻是否会发生故障，减小了变压器故障造成的损失。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种变压器故障的预测方法的方法流程图；图2为本发明实施例提供的一种变压器故障预测模型提升方法的示意图；图3为本发明实施例提供的一种变压器故障分级指标量化的流程示意图；图4为本发明实施例提供的一种似然比检验函数预测故障时间的示意图；图5为本发明实施例提供的一种变压器检修决策辅助的流程示意图；图6为本发明实施例提供的一种变压器周围的虚拟围栏示意图；图7为本发明实施例提供的一种变压器故障的预测方法的流程示意图；图8为本发明实施例提供的一种电子设备的结构示意图；图9为本发明实施例提供的一种变压器故障的预测装置的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。具体地，本发明提供的变压器故障的预测方法包括：首先，获取目标变压器在预设时间段内的运行状态相关数据；然后，基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。本发明实施例中，能够获取目标变压器在预设时间段内的运行状态相关数据；然后，基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。这样在变压器运行时，便可通过变压器的历史运行状态数据训练得到的变压器故障预测模型与实时运行状态数据，对变压器未来的运行状态进行预测，判断目标变压器在未来时刻是否会发生故障，减小了变压器故障造成的损失。下面结合图1所示的变压器故障的预测方法的方法流程图，对该方法的实施过程进行详细介绍，包括：s110，获取目标变压器在预设时间段内的运行状态相关数据；可选地，为了能够尽可能地获取变压器的运行相状态关数据，以更加准确地对变压器未来的运行状态进行预测。目标变压器的运行状态相关数据具体可以包括下述至少一种：实时数据；试验及带电监测数据；环境数据；其中，实时数据包括数据采集与监视控制系统(supervisorycontrolanddataacquisition，scada)数据、继电保护系统数据、红外热成像数据、噪声监测数据与振动监测数据中的至少一种；试验及带电监测数据包括检修记录数据、气体色谱分析数据与油样检测数据中的至少一种；环境数据包括温度、湿度、海拔高程中的至少一种。其中，scada数据包括从数据采集系统读取到的电流、电压、有功、无功、分合状态、开关量、模拟量等运行状态相关数据；红外热成像数据包括红外热成像仪采集到的温度和红外热图像；继电保护系统数据主要包括以电气量为主的有功、无功、电流、电压、温度以及保护动作信号等数据；振动监测数据包括振动传感器检测到的振动数据、频域数据和时域数据等；试验及带电监测数据可以为离线数据，可以直接导入本发明实施例的变压器故障的预测装置中。具体地，实时数据的类型还可以包括稳态数据与瞬态数据，其中，稳态数据与瞬态数据具体可以包括电流、电压、有功、无功、油温、油位、变压器热成像图像、可见光图像数据、噪声强度数据、变压器运行工况等数据。实时数据具体可以通过连接在变电站内控制网络上的scada、继电保护系统、在目标变压器外围安装红外热成像监测仪、以及在目标变压器本体及油箱上安装噪声监测及振动监测元件获取得到。试验及带电监测数据具体可以包括：变压器检修后记录的直流电阻、绕组绝缘电阻及吸收比、泄露电流、套管介质损耗因素、油样检测数据、气体色谱分析数据以及变压器检修规则等数据。s120，基于预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。可选地，为了使上述运行状态相关数据中不含冗余数据且无缺失数据，以便基于该运行状态相关数据和变压器故障预测模型准确预测目标变压器的故障状态，本发明实施例在获取了该目标变压器的运行状态相关数据之后，还可以对其进行数据预处理。具体地，基于预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果，包括：对预设时间段内的运行状态相关数据进行数据预处理，得到数据预处理后的运行状态相关数据，该数据预处理包括如下至少一种：数值过滤操作、数据标准化操作、冗余数据的去除操作、缺失数据的补齐操作；基于数据预处理后的运行状态相关数据，对目标变压器的故障状态进行预测，以得到目标变压器的故障预测结果。应理解，由于目标变压器的运行状态相关数据包括多种类型，每种类型的数据的预处理方式可能会有所不同，为准确对目标变压器的故障状态进行预测，本发明实施例具体可以采用下述方式对目标变压器的运行状态相关数据进行数据预处理：首先，可以将目标变压器的运行状态相关数据按状态量、模拟量、统计量等分类指标分为不同的类别。而由于变压器运行状态与变压器故障特征通常会服从一定规律，因此，还可以按照变压器运行状态与变压器故障特征所服从的规律，设置目标变压器的运行状态相关数据的正常状态阈值、警告阈值与故障状态阈值，将低于这些阈值下限或高于阈值上限的数据视为离群噪声数据，并将其过滤掉。其次，为便于对目标变压器的运行状态相关数据进行数据处理，还可以对过滤掉的离群噪声数据的运行状态相关数据进行标准化处理。具体可以将不同性质、不同量级的数据进行指数化处理，以调整到可以类比的范围，从而能够应用于变压器故障预测模型，再清除数据关联后的冗余数据与离群噪声数据，其中，数据关联可通过计算数据之间的相关概率来实现。由于目标变压器的运行状态相关数据的来源多、数量大、结构复杂且类型多，具体可以采用岭形回归算法解决数据之间相互关联时(即数据之间的相关概率大于或等于预设阈值时)的数据冗余问题。其中，岭形回归算法可表示为：θ^＝(xtx+αa)-1·xty，其中，y为(m×1)的目标变量,x为(m×n)的特征矩阵，θ^为系数，a为近似的n×n的单位矩阵，并且其(1,1)位置的数值为0，且矩阵(xtx+αa)一定可逆，从而解析解一定存在。上述公式可用于设置缩减系数、比较各数据的缩减系数的大小，以达到减少共性较大的数据、降低目标变压器的运行状态相关数据维度的目的。例如，对于目标变压器的两个数据之间的相关概率大于或等于预设阈值的运行状态相关数据，可保留缩减系数较大的运行状态相关数据，并去除缩减系数较小的运行状态相关数据。然后，当数据库中存储有不正确的数据或因存储原因造成数据丢失时，则可能导致数据不完整，为了避免数据不完整导致对目标变压器的故障状态预测不准确，本发明实施例可以结合粗集理论对不完整数据采用插值法，来补齐数据。具体可以采用线性回归、贝叶斯等方法对标准化处理后的目标变压器的运行状态相关数据进行推理、归纳平滑等方式来插入缺失的数据。此外，由于红外热图像分辨率低、且易受噪声影响，为了避免获取的红外热图像受噪声的影响较大进而影响故障预测结果，本发明实施例还可以对红外热图像进行去噪与图像增强处理。具体地，红外热成像仪实时采集目标变压器的安全区域内的红外热图像后，首先，对原始红外热图像进行高斯低通滤波处理，以模糊原始红外热图像中大部分的背景细节，并保留大部分可识别的特征；然后，利用傅里叶中心化函数，对高斯低通滤波处理后的红外热图像求得二维快速傅里叶变换，并对该图像的幅度谱进行傅里叶变换求模与取对数，以将原始的红外热图像(m×n)填充为的图像(2m×2n)；最后，对填充后的图像(2m×2n)进行高斯滤波锐化，以得到增强后的红外热图像。可选地，为了能够基于获取目标变压器的运行状态相关数据，对目标变压器的故障状态进行预测，本发明实施例可以基于目标变压器的运行状态相关数据预测得到下一时刻的运行状态相关数据，从而判断目标变压器在下一时刻是否故障。具体地，基于预设时间段内的运行状态相关数据和变压器故障预测模型，对目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果，包括：基于预设时间段内的运行状态相关数据，确定下一时刻的运行状态相关数据；基于下一时刻的运行状态相关数据和变压器故障预测模型，对目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果。具体的，为了能够预测出目标变压器下一时刻的运行状态，可以获取预设时间段内的目标变压器运行状态相关数据，并对其预设时间段内的运行状态相关数据按公式进行加权移动平均，以获取其下一时刻的运行状态相关数据，具体可以通过公式来确定其下一时刻的运行状态相关数据。其中，表示获取第t个周期内的目标变压器运行状态相关数据xt后的一次加权移动平均值，每个周期对应的时间段的长度与上述预设时间段的长度一致；n为第t个周期内目标变压器的某一运行状态相关数据的个数，w1为xt的权重系数、w2为xt-1的权重系数并以此类推，则变压器故障预测模型预测得出的第t+1周期时的运行状态为由此可按时间顺序逐次推进来预测目标变压器的运行状态，每推进一个周期，则可以删除前一周期内的目标变压器运行状态数据，并增加后一个周期的目标变压器的运行状态数据，再次进行加权移动平均，以得到更远时刻的目标变压器的运行状态相关数据。优选地，为了简化变压器故障预测的过程。在本实施例中，当下一时刻的运行状态相关数据为数值类的数据时，可通过预设的故障阈值，判断下一时刻的运行状态相关数据是否为故障数据。可选地，为了更加准确地基于下一时刻的运行状态相关数据和变压器故障预测模型，判断出下一时刻的运行状态相关数据是否为故障数据。本发明实施例还可以基于聚类分析模型和随机森林模型，对目标变压器的故障状态进行预测。具体地，变压器故障预测模型包括聚类分析模型和随机森林模型，基于该下一时刻的运行状态相关数据和变压器故障预测模型，对目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果，包括：确定该下一时刻的运行状态相关数据在该聚类分析模型中对应的目标类簇的质心；其中，该聚类分析模型中包括多个类簇，该多个类簇为基于该多个变压器在历史时间段内的运行状态相关数据聚类得到的，一个类簇包含运行状态相关数据中的一种或多种数据，一个类簇对应于一个质心，该质心为对应类簇的中心点；将该目标类簇的质心对应的运行状态相关数据，作为该随机森林模型的输入，以输出该目标类簇的质心对应的运行状态相关数据的故障预测结果；其中，该随机森林模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。具体地，为了减少实际的运算量，本发明实施例可以将变压器的下一时刻的运行状态相关数据按照相似性进行分类，进而降低数据维度，以便降低随机森林模型的运算工作量。具体来说，可通过下述方法来实现：首先，将下一时刻的运行状态相关数据输入聚类分析模型，聚类分析模型会随机抽取若干个下一时刻的运行状态相关数据作为假设质心；再，计算剩余的下一时刻的运行状态相关数据到每个假设质心的距离，并将距离各假设质心小于或等于预设距离的运行状态相关数据，归类到对应的假设质心所属的类簇中；若存在某类簇中除假设质心外无其它数据时，则重新抽取假设质心，并重复上述步骤，直至确定真正的质心。其中，质心为对应类簇的中心点，一个类簇对应一个质心，且每个类簇中至少包含一个下一时刻的运行状态相关数据。然后，为了判断上述各类簇中的下一时刻的运行状态相关数据是否为目标变压器的故障数据，并提升变压器故障预测模型的预测效率。本发明实施例具体可以采用随机森林模型，以实现并行训练得到多个判别目标变压器的故障状态的模型。具体地，随机森林模型的建立过程包括：第一步，将上述确定后的质心对应的运行状态相关数据，作为随机森林模型的样本数据输入到随机森林模型中；第二步，从预设特征变量集中等概率地抽取特征变量子集，并从特征变量子集中选取最优的一个属性来进行决策树的节点分裂；第三步，通过加权投票的方式确定判断结果，并判断样本数据是否训练结束，结束则生成决策树，否则返回继续抽取特征变量子集来进行最优属性选择。本实施例中的随机森林模型可以采用随机森林投票算法，具体可以通过公式来确定目标变压器的故障预测结果。其中，cp表示经过随机森林投票算法生成nc×nc的混淆表，表中元素cp(i,j)表示样本数据i分类为j的次数，当且仅当i＝j时，cp(i,j)表示样本数据i被分类正确的次数，其中ntree为样本数据的总个数。此外，本实施例中的随机森林模型还可采用有放回重抽样的方法，每次抽取的样本数据数量相同，且当样本容量很大时，所有样本数据中约有37％的样本数据未被抽到；此时，未被抽到的样本数据将作为袋外数据对该随机森林模型进行评价。并且，本实施例中的随机森林模型基于随机子空间方法，即从特征变量集中随机抽取若干特征变量，再从被抽取到的若干特征变量中选出一个最优特征变量作为决策树节点分裂时的内部节点，且每棵决策树的生长都不进行剪枝。优选地，为了简化变压器故障预测的过程，变压器故障预测模型可以包括聚类分析模型，基于下一时刻的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果，包括：确定该下一时刻的运行状态相关数据在该聚类分析模型中对应的目标类簇的质心；其中，该聚类分析模型中包括多个类簇，该多个类簇为基于多台变压器在历史时间段内的运行状态相关数据聚类得到的，一个类簇包含运行状态相关数据中的一种或多种数据，一个类簇对应于一个质心，该质心为对应类簇的中心点，一个质心对应于一个故障结果。具体地，可以首先根据初始分类得到的类簇，重新计算新得到的类簇的质心，并将新计算出的质心替代初始质心；然后，进行第二次分类与计算；再计算历史时间段内的运行状态相关数据与各类簇质心的距离，直至所有运行状态相关数据不再调整，聚类分析模型达到稳定为止；最后基于该目标类簇的质心对应的故障结果，确定该下一时刻的运行状态相关数据对应的故障预测结果。可选地，若下一时刻的运行状态相关数据较简单时，可通过在聚类模型中划分故障区域，来实现确定该下一时刻的运行状态相关数据是否为故障数据。优选地，为了简化变压器故障预测的过程，变压器故障预测模型可以包括随机森林模型，基于下一时刻的运行状态相关数据和变压器故障预测模型，对目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果，包括：将该下一时刻的运行状态相关数据，作为该随机森林模型的输入，以输出该下一时刻的运行状态相关数据的故障预测结果；其中，该随机森林模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。可选地，本发明实施例还可以采用boosting框架算法，形成boosting框架算法的与聚类算法、随机森林算法的集合以提高聚类分析的分类结果的准确性与随机森林模型预测结果的准确性与泛化能力。具体来说，首先，将目标变压器的历史运行状态数据作为训练样本集，并基于该训练样本集获取训练样本子集，以训练生成一系列对应的基分类器；其次，当经过预设数量的轮数的上述训练后，就可生成该预设数量的基分类器；然后，boosting框架算法将该预设数量的基分类器进行加权融合后，可产生一个最后的结果分类器。这样，融合后得到的结果分类器具有很高的识别率，从而提高聚类分析模型的准确度与随机森林模型的准确度。具体地，如图2所示，为本发明实施例提供的一种变压器故障预测模型提升方法的示意图。图2中，y1(x),y2(x),...,ym(x)在数据集的加权形式上进行训练，权重系数依赖于前一个基分类器ym-1(x)的表现，且其中，αm表示ym(x)在最终分类器中的重要性；且当时，αm≥0，并且αm随着em的减小而增大，即表示误差率越小的基分类器在最终分类器中的作用越大。最后，当所有基分类器训练完毕后，所有的基分类器以加权的形式组合到最终分类器ym(x)中。进一步地，为了在实际应用之前，测试聚类分析模型分类的准确度与随机森林模型判断的准确度，本发明实施例可以对聚类分析模型与随机森林模型进行仿真，并基于轮廓系数与基尼系数来测试该聚类分析模型分类的准确度与该随机森林模型判断的准确度，以对提升方法进行优化和有监督地训练。具体地，首先，可以抽取多组目标变压器的历史运行状态数据以作为测试样本集t1，或抽取目标变压器的当前运行状态数据中的显性状态数据以作为测试样本集t2；再假设该测试样本集t1对应的目标变压器故障结果集为p1，或该测试样本集t2对应的目标变压器故障结果集为p2。其次，基于轮廓系数的内聚度与分离度对聚类分析模型进行评价。具体可以将测试样本集t1或测试样本集t2分类为若干个类簇，并对于该若干个类簇中的每个向量，分别计算其轮廓系数。对于第i个测试样本，计算其到所属类簇中所有其它测试样本的平均距离并记为ai以表示内聚度，ai越小则类簇越内聚；对于第i个测试样本与其不所属的任意类簇，计算该测试样本到给定的该不所属的任意类簇中所有测试样本的平均距离并记为bi以表示分离度，bi越大则该第i个测试样本与其不所属的其它类簇越分离；则该第i个测试样本的轮廓系数可表示为紧接上述基于轮廓系数的内聚度与分离度对聚类分析模型进行评价，将所有测试样本的轮廓系数求得平均值，可得到该聚类分析模型总的轮廓系数。其中，轮廓系数的取值范围为[-1,1]，且当轮廓系数为负数时，表示该第i个测试样本与其不所属的其它类簇中测试样本的距离比与其所属类簇中其它测试样本的距离更近，应当避免这种情况；当轮廓系数趋近于1时，表示内聚度与分离度都相对较优。然后，基于基尼系数对随机森林模型进行评价。具体的，假设从测试样本集t1或测试样本集t2中选取一个测试样本，该测试样本属于第k类的概率记为pk，则该测试样本被分类错误的概率为(1-pk)，则概率分布的基尼系数定义为：特殊地，对于二类分类情况，若测试样本属于第一个分类的概率为p，则此时概率分布的基尼系数定义为：gini(p)＝2p(1-p)。对于测试样本集t1或测试样本集t2的纯度可用基尼系数来度量：其中，假设测试样本集t1或测试样本集t2中有k个类别，ck是测试样本集t1或测试样本集t2中属于第k类的测试样本子集；基尼系数是个二叉树，即分类结果只有属于故障结果集p1或p2与不属于故障结果集p1或p2这两个集合。最后，为了进一步地验证该聚类分析模型与该随机森林模型的准确度，在上述轮廓系数与基尼系数分别对该聚类分析模型与该随机森林模型的评价之后，进一步地验证该聚类分析模型与该随机森林模型的输出结果集，判断该输出结果集是否进入对应的故障结果集p1或p2中，并计算该聚类分析模型与该随机森林模型分别存在多大的误差。可选地，为了使模型能够自动识别目标变压器的故障数据对应的故障特征，以减少运维人员的工作量。在本实施例中，在基于下一时刻的运行状态相关数据和变压器故障预测模型，对目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果之后，该方法还包括：若该目标变压器的故障预测结果为有故障，则基于该下一时刻的运行状态相关数据和故障特征提取模型，提取该目标变压器的故障特征；其中，所该故障特征提取模型为基于多台变压器在发生故障时间段内的运行状态相关数据训练得到的；基于预设的故障特征和故障类型的对应关系，确定与该目标变压器的故障特征相对应的故障类型；基于预设的故障类型与故障解决方案的对应关系，确定与该目标变压器的故障类型相对应的故障解决方案。表1故障特征和故障类型之间的映射集需要说明的是，表1所列的故障特征与故障类型对应关系不限于此，具体可根据实际进行调整。如表1所示，为本实施例提供的一种故障特征和故障类型的映射集，基于表1所示的故障特征和故障类型的映射集和目标变压器的运行状态相关数据，来确定故障类型的过程包括：首先，可基于变压器在发生故障时间段内的运行状态相关数据，定义与其对应的故障量；其次，可基于变压器的常见故障特征与故障类型之间的映射关系，确定该目标变压器的故障特征与其相对应的故障类型，并定义转换规则与故障特征和故障类型的映射集，如运行电压过高对应于铁芯过热故障等；然后，由于变压器在发生故障时间段内的运行状态相关数据不能直接用来分类，因此可采用最大期望算法(expectation-maximizationalgorithm,em)将该变压器在发生故障时间段内的运行状态相关数据转换为类别型数据；最后，可将已确定为有故障的下一时刻的运行状态相关数据与分类出的故障类型进行整合。其中，em算法可对故障时间段内的运行状态相关数据对应的故障量进行区间划分，em算法可自动学习将故障量聚类成若干类簇，其中，故障量被聚为的类簇就是故障被划分的区间；并将故障量对应的变压器故障时间段内的运行状态相关数据映射到故障类中。优选地，为了在确定目标变压器的故障预测结果为有故障并确定故障类型之后，能够预测出变压器发生故障的时间。如图4所示，为本发明实施例提供的一种似然比检验函数预测故障时间的示意图。图4中，阈值线下方区域为正常数据区域，阈值线下方区域为故障数据区域；故障函数曲线位于阈值线上方区域时，表示变压器发生故障，则故障函数曲线与阈值线的第一个交点为预测故障触发的时间点。在本实施例中，采用广义似然比检验(generalizedlikelihoodratiotest，glrt)来预测变压器将在多久后发生故障，以发出警报并给出具体的诊断报告。可选地，为了方便运维人员针对变压器的故障预测结果采取检修措施。如图5所示，为本发明实施例提供的一种变压器检修决策辅助的流程示意图。在本实施例中，可根据基于预设的故障类型与故障解决方案之间的映射集，确定的与该目标变压器的故障类型相对应的故障解决方案，可直接根据该故障解决方案采取检修措施，以提高运维人员的工作效率。例如表2所示，为本实施例提供的一种检修分类及检修辅助表。表2检修分类与检修辅助之间的对应关系检修分类检修辅助a类检修系统停运检修b类检修故障检查c类检修转移分担负荷，优化运行方式d类检修正常运行，日常保养及巡视可选地，如图3所示，为本发明实施例提供的一种变压器故障分级指标量化的流程示意图，先将n个下级指标量化，以得到n个下级指标的量化值；再将该量化值乘以各自权重，以得到n个下级指标的得分；最后将n个下级指标的得分相加，就可以得到上级指标的得分。例如表3所示：表3变压器故障分级指标量化示例其中，权重是按该指标在设备故障中占有的重要程度划分的。例如，首先，对五级指标(四级指标的进一步细化,表示指标树的叶)按照图3的方式进行量化；然后，将得到的量化值乘以各个五级指标对应的权重，得到各个五级指标的得分；最终，将得到的各个五级指标的得分相加，以获得各个四级指标的得分。结合表2与表3，可得到下述检修决策辅助策略，包括：“危险状态”，该状态表示变压器运行状态为危险状态，此时建议运维人员采取a类检修措施；“异常状态”，该状态表示变压器运行状态为异常状态，此时建议运维人员采取b类检修措施；“注意状态”，该状态表示变压器运行状态需要运维人员的注意，此时建议运维人员采取c类检修措施；“正常状态”，该状态表示变压器运行状态为正常状态，此时建议运维人员采取d类检修措施。可选地，为了方便一段时间之后对目标变压器的故障情况进行统计。在本实施例中，统计变压器故障预测模型给出的变压器故障预测结果。可选地，为了保护运维人员等工作人员的人身安全，如图6所示，为本发明实施例提供的一种变压器周围的虚拟围栏示意图。图6中，以变压器为中心，划定一级安全区域为一级安全围栏61与二级安全围栏62之间的区域，二级安全区域为二级安全围栏62与变压器之间的区域，辐射体61为人为安装的与安全系统连接的辐射体，表面涂敷有增加辐射体效果的涂料，或根据红外热像仪对遮挡物具有不可穿透性的特点制作辐射体。其中，辐射体位置可相对固定，也可再调整，特别是二级安全区域的四个辐射体，不得低于变压器安全距离。进一步地，匹配并叠加降噪及增强的热成像图与可见光图像，通过系统在图像上连接辐射体，形成一级安全区域及二级安全区域，然后进行分帧，识别帧与帧之间图像的差异和热力变化，判断有无人员进入划定的安全区域；若检测到人员进入一级安全区域时，系统可发出声光报警及信息提示，若检测到人员进入二级安全区域时，辐射体可闪烁红光警示区内人员，起到一定的安全围栏作用。下面以图7所示的变压器故障的预测方法的流程示意图为例，对本说明书实施例提供的变压器故障的预测方法进行详细说明。如图7所示，包括下述主要步骤：步骤71：获取目标变压器在预设时间段内的运行状态相关数据；步骤72：对步骤71中获取的预设时间段内的运行状态相关数据进行数据预处理，得到数据预处理后的运行状态相关数据；步骤73：基于目标变压器的历史运行状态数据，训练出适合目标变压器的故障预测模型，以便故障预测模型预测出的故障结果更符合目标变压器的运行状态；步骤74：基于boosting算法框架，提升变压器的故障预测模型的准确度，以便预测出更准确的故障结果；步骤75：基于em算法，获取变压器的故障数据，以得到变压器的故障类型；应理解，步骤75得到的故障类型可用来评价变压器故障预测模型的优劣，可再返回步骤74对变压器故障预测模型进行提升。步骤76：基于变压器故障数据对应的故障类型的映射集，获取检修分类及检修辅助策略。本发明实施例中，能够获取目标变压器在预设时间段内的运行状态相关数据；然后，基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。这样在变压器运行时，便可通过变压器的历史运行状态数据训练得到的变压器故障预测模型与实时运行状态数据，对变压器未来的运行状态进行预测，判断目标变压器在未来时刻是否会发生故障，减小了变压器故障造成的损失。上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。图8是本申请的一个实施例电子设备的结构示意图。请参考图8，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-accessmemory，ram)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industrystandardarchitecture，工业标准体系结构)总线、pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成变压器故障的预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：获取目标变压器在预设时间段内的运行状态相关数据；基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。上述如本申请图1～图7所示实施例揭示的变压器故障的预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。该电子设备还可执行图1～图7的变压器故障的预测方法，本说明书在此不再赘述。当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1～图7所示实施例的方法，并具体用于执行以下操作：获取目标变压器在预设时间段内的运行状态相关数据；基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。该计算机可读存储介质还可执行图1～图7的变压器故障的预测方法，本说明书在此不再赘述。本发明实施例还提供一种变压器故障的预测装置900，如图9所示，包括：获取单元901，用于获取目标变压器在预设时间段内的运行状态相关数据；预测单元902，用于基于该预设时间段内的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果；其中，该变压器故障预测模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。可选的，在一种实施方式中，所述目标变压器的运行状态相关数据包括下述至少一种：实时数据；试验及带电监测数据；环境数据；其中，该实时数据包括数据采集与监视控制系统scada监控数据、继电保护系统数据、红外热成像数据、噪声监测数据与振动监测数据中的至少一种；该试验及带电监测数据包括检修记录数据、气体色谱分析数据与油样检测数据中的至少一种；该环境数据包括温度、湿度、海拔高程中的至少一种。可选的，在一种实施方式中，该预测单元902，用于：对所述预设时间段内的运行状态相关数据进行数据预处理，得到数据预处理后的运行状态相关数据，所述数据预处理包括如下至少一种：数值过滤操作、数据标准化操作、冗余数据的去除操作、缺失数据的补齐操作；基于所述数据预处理后的运行状态相关数据，对所述目标变压器的故障状态进行预测，以得到所述目标变压器的故障预测结果。可选的，在一种实施方式中，该预测单元902，用于：基于所述预设时间段内的运行状态相关数据，确定下一时刻的运行状态相关数据；基于所述下一时刻的运行状态相关数据和变压器故障预测模型，对所述目标变压器的故障状态进行预测，以得到所述目标变压器的故障预测结果。可选的，在一种实施方式中，该变压器故障预测模型包括聚类分析模型和随机森林模型，该预测单元902，用于：确定该下一时刻的运行状态相关数据在该聚类分析模型中对应的目标类簇的质心；其中，该聚类分析模型中包括多个类簇，该多个类簇为基于该多台变压器在历史时间段内的运行状态相关数据聚类得到的，一个类簇包含运行状态相关数据中的一种或多种数据，一个类簇对应于一个质心，该质心为对应类簇的中心点；将该目标类簇的质心对应的运行状态相关数据，作为该随机森林模型的输入，以输出该目标类簇的质心对应的运行状态相关数据的故障预测结果；其中，该随机森林模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。可选的，在一种实施方式中，该变压器故障预测模型包括聚类分析模型，该预测单元902，用于：确定该下一时刻的运行状态相关数据在该聚类分析模型中对应的目标类簇的质心；其中，该聚类分析模型中包括多个类簇，该多个类簇为基于该多台变压器在历史时间段内的运行状态相关数据聚类得到的，一个类簇包含运行状态相关数据中的一种或多种数据，一个类簇对应于一个质心，该质心为对应类簇的中心点，一个质心对应于一个故障结果；基于该目标类簇的质心对应的故障结果，确定该下一时刻的运行状态相关数据对应的故障预测结果。可选的，在一种实施方式中，该变压器故障预测模型包括随机森林模型，该预测单元902，用于：将该下一时刻的运行状态相关数据，作为该随机森林模型的输入，以输出该下一时刻的运行状态相关数据的故障预测结果；其中，该随机森林模型为基于多台变压器在历史时间段内的运行状态相关数据训练得到的。可选的，在一种实施方式中，在基于该下一时刻的运行状态相关数据和变压器故障预测模型，对该目标变压器的故障状态进行预测，以得到该目标变压器的故障预测结果之后，该装置还包括：特征提取单元903，用于若该目标变压器的故障预测结果为有故障，则基于该下一时刻的运行状态相关数据和故障特征提取模型，提取该目标变压器的故障特征；其中，该故障特征提取模型为基于多台变压器在发生故障时间段内的运行状态相关数据训练得到的；类型确定单元904，用于基于预设的故障特征和故障类型的对应关系，确定与该目标变压器的故障特征相对应的故障类型；方案确定单元905，用于基于预设的故障类型与故障解决方案的对应关系，确定与该目标变压器的故障类型相对应的故障解决方案。变压器故障的预测装置900能够实现图1～图7的方法实施例的方法，具体可参考图1～图7所示实施例的变压器故障的预测方法，不再赘述。总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。当前第1页1 2 3