一种六氟化硫电气设备漏气缺陷的预测方法及装置与流程

本申请涉及六氟化硫电气设备技术领域，具体涉及一种六氟化硫电气设备漏气缺陷的预测方法及装置。

背景技术：

六氟化硫(sf6)，是一种无色、无臭、无毒、不燃的稳定气体，绝缘强度是同一气压下空气的2-3倍，灭弧能力是空气的100倍，一般用作电气设备的绝缘介质。但是，在电气设备的大功率电弧放电或者是高温作用下，sf6气体非常容易分解。当六氟化硫电气设备发生漏气缺陷时，sf6气体的分解物与六氟化硫电气设备中混有的少量氧气、水分和固体绝缘介质等进一步发生反应，生成so2、hf和h2s等生成物，这些生成物大部分具有毒性和强腐蚀性。所以，漏气缺陷将严重降低电气设备的绝缘性，同时也污染周边环境。因此，对六氟化硫电气设备漏气缺陷的预测具有极其重要的意义。

目前，在现有技术中，通过对六氟化硫电气设备中sf6气体分解物与设备中的氧气、水分和固体绝缘介质反应的生成物进行监测，当电气设备发生漏气缺陷时，作出相应的漏气警报反应。这种方法只能在电气设备已经发生漏气缺陷之后才能做出相应的警报，并不能对电气设备的漏气缺陷进行提前预测。

所以，如何实现对电气设备的漏气缺陷的提前预测，已经成为本领域技术人员亟待解决的技术问题。

技术实现要素：

本申请提供了一种六氟化硫电气设备漏气缺陷的预测方法及装置，以解决现有技术中，只能在电气设备已经发生漏气缺陷之后才能做出相应的警报，并不能对电气设备的漏气缺陷进行提前预测的问题。

第一方面，本申请提供一种六氟化硫电气设备漏气缺陷的预测方法，包括：

获取六氟化硫电气设备的漏气缺陷相关数据，所述相关数据至少包括发生漏气缺陷的时间数据、设备数据、气象数据和地理数据；

融合所述漏气缺陷相关数据，得到时空数据集，所述时空数据集中包含多个数据，一个所述数据对应一个特征；

对所述时空数据集进行特征选择，得到第一数据子集；

使用xgboost算法或lightgbm算法构建缺陷时间预测模型；

根据所述第一数据子集中的时间数据构造所述缺陷时间预测模型的预测目标集；

使用所述第一数据子集和所述预测目标集对所述缺陷时间预测模型进行训练；

使用训练后的缺陷时间预测模型对所述六氟化硫电气设备漏气缺陷的发生时间进行预测。

可选的，所述使用训练后的缺陷时间预测模型对所述六氟化硫电气设备漏气缺陷的发生时间进行预测，包括：

获取六氟化硫电气设备的运行相关数据，所述相关数据至少包括设备运行的时间数据、设备数据、气象数据和地理数据；

融合所述运行相关数据，得到运行数据集，所述运行数据集包括至少一个数据，一个所述数据对应一个特征；

对所述运行数据集进行特征选择，得到第二数据子集；

将所述第二数据子集输入到所述训练后的缺陷时间预测模型中，预测所述六氟化硫电气设备漏气缺陷的发生时间。

可选的，所述使用所述第一数据子集和所述预测目标集对所述缺陷时间预测模型进行训练，包括：

以所述第一数据子集作为所述缺陷时间预测模型的输入，以所述预测目标集作为所述缺陷时间预测模型的输出，对所述缺陷时间预测模型进行训练。

可选的，所述以第一数据子集作为所述缺陷时间预测模型的输入，包括：

对所述第一数据子集中的每个数据进行one-hot编码，以编码后的向量作为所述缺陷时间预测模型的输入。

可选的，所述根据所述第一数据子集中的时间数据构造所述缺陷时间预测模型的预测目标集，包括：

根据所述第一数据子集中的每一组时间数据，按照下式，计算与所述时间数据对应的预测目标t：

t＝d2-d1，

其中，d2为所述漏气缺陷上报时间，d1为所述六氟化硫电气设备投入运行时间。

可选的，所述将第二数据子集输入到所述缺陷时间预测模型中，预测所述六氟化硫电气设备漏气缺陷的发生时间，包括：

对所述第二数据子集中的每个数据进行one-hot编码；

将编码后的向量输入到所述缺陷时间预测模型中；

所述缺陷时间预测模型输出所述六氟化硫电气设备漏气缺陷的发生时间。

可选的，所述时间数据包括所述漏气缺陷发生时的时间，设备投入使用时的时间和设备运行时长，所述时间包括日期和时刻；

所述设备数据包括所述漏气缺陷发生时的设备参数数据和设备漏气缺陷位置数据；

所述气象数据包括所述漏气缺陷发生时设备所在地的24小时内最高温度、最低温度、最高湿度、最低湿度、最大风速、最小风速和降水量的数据；

所述地理数据包括所述漏气缺陷发生地的经纬度数据和海拔数据。

第二方面，本申请提供一种六氟化硫电气设备漏气缺陷的预测装置，包括：

数据获取模块，用于获取六氟化硫电气设备的漏气缺陷相关数据，所述相关数据至少包括发生漏气缺陷的时间数据、设备数据、气象数据和地理数据；

数据融合模块，用于融合所述漏气缺陷相关数据，得到时空数据集，所述时空数据集中包含多个数据，一个所述数据对应一个特征；

特征选择模块，用于对所述时空数据集进行特征选择，得到第一数据子集；

模型搭建模块，用于使用xgboost算法或lightgbm算法构建缺陷时间预测模型；

数据构造模块，用于根据所述第一数据子集中的时间数据构造所述缺陷时间预测模型的预测目标集；

模型训练模块，用于使用所述第一数据子集和所述预测目标集对所述缺陷时间预测模型进行训练；

预测模块，用于使用训练后的缺陷时间预测模型对所述六氟化硫电气设备漏气缺陷的发生时间进行预测。

由以上技术方案可知，本申请提供的一种六氟化硫电气设备漏气缺陷的预测方法方法和及装置，所述方法包括：获取六氟化硫电气设备的漏气缺陷相关数据，所述相关数据至少包括发生漏气缺陷的时间数据、设备数据、气象数据和地理数据；融合所述漏气缺陷相关数据，得到时空数据集，所述时空数据集中包含多个数据，一个所述数据对应一个特征；对所述时空数据集进行特征选择，得到第一数据子集；使用xgboost算法或lightgbm算法构建缺陷时间预测模型；根据所述第一数据子集中的时间数据构造所述缺陷时间预测模型的预测目标集；使用所述第一数据子集和所述预测目标集对所述缺陷时间预测模型进行训练；使用训练后的缺陷时间预测模型对所述六氟化硫电气设备漏气缺陷的发生时间进行预测。通过本申请方法，可以提前预知电气设备可能发生的漏气缺陷，则可以作出相应的防范措施，因此可以减小六氟化硫电气设备漏气缺陷的发生率，为电气设备的正常运行提供更大的保障。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请根据一示例性实施例示出的六氟化硫电气设备漏气缺陷的预测方法流程图；

图2为图1中步骤s7的详细步骤示意图；

图3为本申请提供的一种六氟化硫电气设备漏气缺陷的预测装置的组成示意图；

图4为图3中预测模块700的组成示意图；

图5为图3中模型训练模块600的组成示意图；

图6为图4中预测子模块720的组成示意图；

图7为图3中数据获取模块100的组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，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的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。

六氟化硫(sf6)，是一种无色、无臭、无毒、不燃的稳定气体，绝缘强度是同一气压下空气的2-3倍，灭弧能力是空气的100倍，一般用作电气设备的绝缘介质。但是，在电气设备的大功率电弧放电或者是高温作用下，sf6气体非常容易分解。当六氟化硫电气设备发生漏气缺陷时，sf6气体的分解物与六氟化硫电气设备中混有的少量氧气、水分和固体绝缘介质等进一步发生反应，生成so2、hf和h2s等生成物，这些生成物大部分具有毒性和强腐蚀性。所以，漏气缺陷将严重降低电气设备的绝缘性，同时也污染周边环境。因此，对六氟化硫电气设备漏气缺陷的预测具有极其重要的意义。

目前，在现有技术中，通过对六氟化硫电气设备中sf6气体分解物与设备中的氧气、水分和固体绝缘介质反应的生成物进行监测，当电气设备发生漏气缺陷时，作出相应的漏气警报反应。这种方法只能在电气设备已经发生漏气缺陷之后才能做出相应的警报，并不能对电气设备的漏气缺陷进行提前预测。

有鉴于此，本申请提供一种六氟化硫电气设备漏气缺陷的预测方法及装置，以解决现有技术中，只能在电气设备已经发生漏气缺陷之后才能做出相应的警报，并不能对电气设备的漏气缺陷进行提前预测的问题。

第一方面，图1为本申请根据一示例性实施例示出的六氟化硫电气设备漏气缺陷的预测方法流程图，如图1所示，本申请提供一种六氟化硫电气设备漏气缺陷的预测方法，包括如下步骤：

s1：获取六氟化硫电气设备的漏气缺陷相关数据，相关数据至少包括发生漏气缺陷的时间数据、设备数据、气象数据和地理数据；

s2：融合漏气缺陷相关数据，得到时空数据集，时空数据集中包含多个数据，一个数据对应一个特征；

s3：对时空数据集进行特征选择，得到第一数据子集；

s4：使用xgboost算法或lightgbm算法构建缺陷时间预测模型；

s5：根据第一数据子集中的时间数据构造缺陷时间预测模型的预测目标集；

s6：使用第一数据子集和预测目标集对缺陷时间预测模型进行训练；

s7：使用训练后的缺陷时间预测模型对六氟化硫电气设备漏气缺陷的发生时间进行预测。

可选的，时间数据包括漏气缺陷发生时的时间，设备投入使用时的时间和设备运行时长，时间包括日期和时刻；

设备数据包括漏气缺陷发生时的设备参数数据和设备漏气缺陷位置数据；

气象数据包括漏气缺陷发生时设备所在地的24小时内最高温度、最低温度、最高湿度、最低湿度、最大风速、最小风速和降水量的数据；

地理数据包括所述漏气缺陷发生地的经纬度数据和海拔数据。

需要说明的是，本申请提供的相关数据至少包括时间数据、设备数据、气象数据和地理数据，相关数据还可以包括其他与电气设备漏气相关联的数据，本申请不作具体限定。还需要说明的是，时间数据、设备数据、气象数据和地理数据分别所包含的数据种类指示示意性的举例说明，还可以包括其他与时间、设备、气象和地理相关联的数据，本申请不作具体限定。

本实施例提供的方法，通过对六氟化硫电气设备漏气缺陷的历史数据进行分析研究，建立缺陷时间预测模型并进行反复训练，使用反复训练后的缺陷时间预测模型预测六氟化硫电气设备漏气缺陷发生的时间。此方法可以根据实际情况，随时对漏气缺陷的发生时间进行预测，方便快捷。并且，针对预测出来的漏气缺陷的发生时间，相关工作人员或者相关机器可以提前做出相应的改善动作，或者防范措施。因此，本方法可以减小六氟化硫电气设备漏气缺陷的发生率，为设备的正常运行提供更大的保障。

可选的，图2为图1中步骤s7的详细步骤示意图，如图2所示，使用训练后的缺陷时间预测模型对六氟化硫电气设备漏气缺陷的发生时间进行预测，包括如下步骤：

s71：获取六氟化硫电气设备的运行相关数据，相关数据至少包括设备运行的时间数据、设备数据、气象数据和地理数据；

s72：融合运行相关数据，得到运行数据集，运行数据集包括至少一个数据，一个所述数据对应一个特征；

s73：对运行数据集进行特征选择，得到第二数据子集；

s74：将第二数据子集输入到所述训练后的缺陷时间预测模型中，预测六氟化硫电气设备漏气缺陷的发生时间。

需要说明的是，对运行数据及进行特征选择的作用是，将运行数据集中的关键信息提取出来，如此将第二数据子集输入到训练后的缺陷时间预测模型中，预测出的缺陷发生时间会更为精准，可以去掉噪声影响。

可选的，使用所述第一数据子集和预测目标集对缺陷时间预测模型进行训练，包括：

以第一数据子集作为缺陷时间预测模型的输入，以预测目标集作为缺陷时间预测模型的输出，对缺陷时间预测模型进行训练。

需要说明的是，对缺陷时间预测模型进行训练，是对缺陷时间预测模型内的算法不断修正的一个过程。

可选的，以第一数据子集作为所述缺陷时间预测模型的输入，包括：

对第一数据子集中的每个数据进行one-hot编码，以编码后的向量作为缺陷时间预测模型的输入。

容易理解的是，第一数据子集中有几个数据，编码后就有几个对应的向量，以编码后的所有向量作为缺陷时间预测模型的输入。

可选的，根据所述第一数据子集中的时间数据构造缺陷时间预测模型的预测目标集，包括：

根据所述第一数据子集中的每一组时间数据，按照下式，计算与所述时间数据对应的预测目标t：

t＝d2-d1，

其中，d2为漏气缺陷上报时间，d1为六氟化硫电气设备投入运行时间。

需要说明的是，第一数据子集中每个漏气缺陷都对应一组时间数据，每组时间数据都包括漏气缺陷上报时间和六氟化硫电气设备投入运行时间，经过计算得到每个漏气缺陷对应的预测目标，所有的预测目标组成预测目标集。预测目标集是一个已知的标准，所以，以第一数据子集作为缺陷时间预测模型的输入，以预测目标集作为缺陷时间预测模型的输出，对缺陷时间预测模型进行训练，训练后的缺陷时间预测模型则可以对运行中的六氟化硫电气设备漏气缺陷的发生时间进行预测。

可选的，将第二数据子集输入到缺陷时间预测模型中，预测六氟化硫电气设备漏气缺陷的发生时间，包括：

对第二数据子集中的每个数据进行one-hot编码；

将编码后的向量输入到缺陷时间预测模型中；

缺陷时间预测模型输出六氟化硫电气设备漏气缺陷的发生时间。

本申请提供的方法，通过对六氟化硫电气设备漏气缺陷的历史数据进行分析研究，建立缺陷时间预测模型并进行反复训练，将运行中的六氟化硫电气设备的运行数据输入到反复训练后的缺陷时间预测模型中，缺陷时间预测模型输出六氟化硫电气设备漏气缺陷发生的时间。此方法可以根据实际情况，随时对漏气缺陷的发生时间进行预测，方便快捷。并且，针对预测出来的漏气缺陷的发生时间，相关工作人员或者相关机器可以提前做出相应的改善动作，或者防范措施。因此，本方法可以减小六氟化硫电气设备漏气缺陷的发生率，为设备的正常运行提供更大的保障。

第二方面，图3为本申请提供的一种六氟化硫电气设备漏气缺陷的预测装置的组成示意图，如图3所示，本申请提供一种六氟化硫电气设备漏气缺陷的预测装置0000，包括：

数据获取模块100，用于获取六氟化硫电气设备的漏气缺陷相关数据，所述相关数据至少包括发生漏气缺陷的时间数据、设备数据、气象数据和地理数据；

数据融合模块200，用于融合所述漏气缺陷相关数据，得到时空数据集，所述时空数据集中包含多个数据，一个所述数据对应一个特征；

特征选择模块300，用于对所述时空数据集进行特征选择，得到第一数据子集；

模型搭建模块400，用于使用xgboost算法或lightgbm算法构建缺陷时间预测模型；

数据构造模块500，用于根据所述第一数据子集中的时间数据构造所述缺陷时间预测模型的预测目标集；

模型训练模块600，用于使用所述第一数据子集和所述预测目标集对所述缺陷时间预测模型进行训练；

预测模块700，用于使用训练后的缺陷时间预测模型对所述六氟化硫电气设备漏气缺陷的发生时间进行预测。

可选的，图4为图3中预测模块700的组成示意图，如图4所示，预测模块包括：

获取运行数据子模块710，用于获取六氟化硫电气设备的运行相关数据，相关数据至少包括设备运行的时间数据、设备数据、气象数据和地理数据；

数据融合模块200，还用于融合所述运行相关数据，得到运行数据集，所述运行数据集包括至少一个数据，一个所述数据对应一个特征；

特征选择模块300，还用于对运行数据集进行特征选择，得到第二数据子集；

预测子模块720，用于将第二数据子集输入到训练后的缺陷时间预测模型中，预测所述六氟化硫电气设备漏气缺陷的发生时间。

需要说明的是，数据融合模块200和特征选择模块300是复用于预测模块700的，所以图4中用虚线框示出。

可选的，图5为图3中模型训练模块600的组成示意图，如图4所示，模型训练模块600，包括：

输入子模块610，用于将第一数据子集输入到缺陷时间预测模型中；

输出子模块620，用于将预测目标集作为缺陷时间预测模型的输出；

训练子模块630，用于对缺陷时间预测模型进行训练。

可选的，输入子模块，包括：

编码单元，用于对第一数据子集中的每个数据进行one-hot编码，以编码后的向量作为缺陷时间预测模型的输入。

可选的，数据构造模块，包括：

预测目标构造子模块，用于根据第一数据子集中的每一组时间数据，按照下式，计算与时间数据对应的预测目标t：

t＝d2-d1，

其中，d2为所述漏气缺陷上报时间，d1为所述六氟化硫电气设备投入运行时间。

可选的，图6为图4中预测子模块720的组成示意图，如图6所示，预测子模块720，包括：

编码单元721，还用于对第二数据子集中的每个数据进行one-hot编码；

输入子单元722，用于将编码后的向量输入到缺陷时间预测模型中；

输出子单元723，用于缺陷时间预测模型输出六氟化硫电气设备漏气缺陷的发生时间。

需要说明的是，编码单元721与输入子模块中的编码单元是复用的，所以图6中用虚线框示出。

可选的，图7为图3中数据获取模块100的组成示意图，如图7所示，数据获取模块100，至少包括：

时间数据获取子模块110，用于获取漏气缺陷发生时的时间，设备投入使用时的时间和设备运行时长，所述时间包括日期和时刻；

设备数据获取子模块120，用于获取漏气缺陷发生时的设备参数数据和设备漏气缺陷位置数据；

气象数据获取子模块130，用于获取漏气缺陷发生时设备所在地的24小时内最高温度、最低温度、最高湿度、最低湿度、最大风速、最小风速和降水量的数据；

地理数据获取子模块140，用于获取漏气缺陷发生地的经纬度数据和海拔数据。

本实申请提供的方法及装置，通过对六氟化硫电气设备漏气缺陷的历史数据进行分析研究，建立缺陷时间预测模型并进行反复训练，将运行中的六氟化硫电气设备的运行数据输入到反复训练后的缺陷时间预测模型中，缺陷时间预测模型输出六氟化硫电气设备漏气缺陷发生的时间。此方法可以根据实际情况，随时对漏气缺陷的发生时间进行预测，方便快捷。并且，针对预测出来的漏气缺陷的发生时间，相关工作人员或者相关机器可以提前做出相应的改善动作，或者防范措施。因此，本方法可以减小六氟化硫电气设备漏气缺陷的发生率，为设备的正常运行提供更大的保障。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例而言，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中的说明即可。