一种基于深度学习的电气设备寿命预测系统及方法与流程

本发明涉及电气设备寿命预测领域，更为具体的，涉及一种基于深度学习的电气设备寿命预测系统及方法。

背景技术：

1、电力行业作为供能领域的关键组成部分，是我国未来能源战略的重中之重。基于绿色低碳转型的新型电力系统构建是实现我国碳达峰、碳中和目标的必要支撑。可再生能源发电技术如风力发电、光伏发电、水力发电等对碳减排的贡献巨大，可再生能源发电技术也正日趋向着精准化和科技化的目标迈进。其中部分发电场所建址条件特殊，如海上风力发电具有海上条件的特殊性，譬如盐雾腐蚀、潮湿、离陆地较远、设备维护困难等因素的制约；一些水电站由于地质原因，运行过程由于周期性的蓄水、放水会淹没土壤，造成土壤内生物质腐烂，会有含硫、氮、氨等腐蚀性气体涌出，导致电气设备故障频发。这些因素都使得对电气设备的防护有了更高的要求，所以需要及时对运行的电气设备进行健康状态监测以及寿命预测。

2、本技术的发明人发现，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和一些特殊腐蚀环境的影响。另外，由于运行环境苛刻，电气设备运行过程中的数据采集困难，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。目前，深度学习模型通常需要大量高质量的训练数据。然而，电气设备寿命预测数据的获取可能有限，特别是带有故障标签的历史数据较少。采集数据过程中，会受到传感器故障、环境干扰等因素的影响，导致数据中存在噪声和异常值。寿命预测中的健康数据可能占大多数，而故障数据较少，导致数据不均衡问题，这会影响模型的训练效果。深度学习模型通常具有复杂的网络结构，需要大量计算资源和时间进行训练和推理。模型训练过程中，超参数的选择和调优需要大量试验和经验，优化过程复杂且耗时。深度学习模型在训练数据上可能表现很好，但在未见过的测试数据上表现不佳，难以泛化。模型对异常数据和突发情况的鲁棒性较差，导致预测结果不稳定。电气设备寿命预测需要实时处理和预测，但深度学习模型的复杂计算可能导致延迟，难以满足实时性要求。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于深度学习的电气设备寿命预测系统及方法。

2、本发明的目的是通过以下方案实现的：

3、本发明实施例提供了一种基于深度学习的电气设备寿命预测方法，包括：通过传感器采集电气设备的运行数据和环境数据，构建数据集，处理数据集的缺失值和异常值，并对数据集进行归一化处理；对数据集中的时间序列数据进行卷积操作，提取局部特征得到卷积神经网络，利用lstm捕捉数据集中时间序列数据的长短期依赖关系得到循环神经网络，将卷积神经网络和循环神经网络的输出特征进行融合，得到综合特征表示；构建基于卷积神经网络和循环神经网络融合的深度学习模型，加入注意力机制，采用均方误差作为损失函数，优化模型参数，利用训练数据集进行模型训练，采用验证集评估模型性能，调整超参数；将实时数据输入训练好的模型，预测电气设备的剩余寿命，设计在线学习机制，根据新数据定期更新模型参数，确保模型的实时性和准确性。

4、进一步地，所述运行数据包括电流、电压、温度和湿度；所述环境数据包括天气数据和负荷数据。

5、进一步地，所述处理数据集的缺失值和异常值，并对数据集进行归一化处理，包括：

6、对于时间序列数据，采用线性插值法填补缺失值；对于数值型数据，使用均值或中位数填补；对于分类数据，使用众数填补；通过最小-最大归一化和标准化将数据缩放到[0,1]范围内。

7、进一步地，所述对数据集中的时间序列数据进行卷积操作，提取局部特征得到卷积神经网络，包括：设置多个卷积核，用于提取时间序列中的局部特征，通过最大池化或平均池化操作，减少卷积层输出的维度，并保留重要特征；将池化层输出的多维特征展平为一维向量，以便输入到全连接层，若预测未来某个时刻的设备寿命，则输出一个值。

8、进一步地，所述利用lstm捕捉数据集中时间序列数据的长短期依赖关系得到循环神经网络，包括：通过长短期记忆网络层，捕捉时间序列数据的长短期依赖关系，根据预测目标，设置输出层的神经元数量；若预测未来某个时刻的设备寿命，则输出一个值。

9、进一步地，所述将卷积神经网络和循环神经网络的输出特征进行融合，得到综合特征表示，包括：将卷积神经网络和循环神经网络的展平层输出进行拼接，得到一个包含两者特征的综合特征向量，定义融合后的网络结构，全连接层包含若干神经元，进一步处理和组合融合后的特征向量，输出层根据预测目标，设置输出层的神经元数量；若预测未来某个时刻的设备寿命，则输出一个值。

10、进一步地，所述构建基于卷积神经网络和循环神经网络融合的深度学习模型，加入注意力机制，包括：

11、通过注意力机制，计算每个时间步长的注意力权重，增强重要时间步长的数据特征，其表达式如下所示：

12、

13、其中，et表示注意力得分，we表示注意力权重矩阵，be表示偏置项；

14、并归一化注意力权重：

15、

16、其中，αt表示归一化的注意力权重；

17、再计算循环神经网络输出特征的加权和，作为注意力机制的输出，将卷积神经网络和循环神经网络的展平层输出进行拼接，得到一个包含两者特征的综合特征向量，定义融合后的网络结构全连接层：

18、

19、其中，表示全连接层的输出，wfc表示全连接层的权重矩阵，bfc表示偏置项；

20、输出层：

21、

22、其中，wout表示输出层的权重矩阵，bout表示输出层的偏置项。

23、进一步地，所述采用均方误差作为损失函数，优化模型参数，利用训练数据集进行模型训练，采用验证集评估模型性能，调整超参数，包括：计算预测值和真实值之间的均方误差作为损失函数，设置训练轮数和每轮训练样本数，在训练集上迭代训练模型，在每个epoch中，优化器根据反向传播算法调整模型参数，以最小化训练损失；在每轮训练结束时，记录训练损失和验证损失，确保模型在训练过程中没有过拟合或欠拟合；通过图表可视化每轮训练和验证的损失值，观察模型的训练情况。

24、进一步地，所述将实时数据输入训练好的模型，预测电气设备的剩余寿命，设计在线学习机制，根据新数据定期更新模型参数，确保模型的实时性和准确性，包括：将预处理后的数据按照模型输入格式进行组织，如果模型需要固定大小的时间窗口数据，则将实时数据按窗口大小切分；将预处理后的实时数据输入训练好的模型，调用预测函数，模型输出电气设备的剩余寿命预测值；定期收集新数据，并使用这些数据重新训练整个模型；新数据到达时，直接对现有模型进行微调；从传感器或监控设备实时获取数据，每小时缓存新数据，形成批量数据集；数据缓存达到设定大小或时间后，触发模型更新机制。

25、本发明的有益效果包括：

26、本发明通过利用深度学习模型，能够有效处理复杂的非线性关系和多维度数据，提升寿命预测的准确性。通过卷积神经网络(cnn)提取数据的局部特征和长短期记忆网络(lstm)捕捉时间序列数据的长短期依赖关系，充分利用数据中的信息。通过实时输入数据进行预测，及时了解设备的运行状态和剩余寿命，进行科学的维护和检修计划，避免设备突发故障。基于预测结果，能够优化设备的使用和维护策略，提高管理效率，减少不必要的维修和停机时间。提前预测设备的故障时间，进行预防性维护，避免因设备故障导致的严重损坏，延长设备的使用寿命。通过引入在线学习机制，模型能够根据新数据持续更新，适应环境和设备状态的变化，保持预测的准确性和实时性。