一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于Apriori算法的直流套管状态评估方法及系统


[0001]本专利技术涉及直流套管状态评估
，具体为一种基于
Apriori
算法的直流套管状态评估方法及系统
。

技术介绍

[0002]直流套管作为电力系统中的重要组件，其运行状态直接影响着整个电力系统的稳定和安全
。
然而，现有的直流套管状态评估方法多基于经验和人工判断，缺乏精确和及时的故障诊断能力
。
特别是在复杂的运行环境下，传统的状态评估方法往往难以捕捉到细微的运行异常，从而可能导致延迟发现和处理潜在的故障
。
[0003]此外，现有的维护策略多为静态和固定的，缺乏针对具体设备运行状态的动态调整能力
。
这种情况下，即使设备存在潜在的故障风险，也无法及时采取有效的维护措施，可能进一步加剧设备的损害，甚至可能危及整个系统的稳定运行
。
[0004]近年来，虽然已经有了一些基于数据挖掘和机器学习的故障诊断和预测方法，但这些方法往往依赖复杂的算法和大量的训练数据，计算成本较高，而且难以直接应用到实际的电力系统中
。
[0005]因此，亟需一种基于
Apriori
算法的直流套管状态评估方法，能够通过有效的关联规则挖掘，实现对直流套管状态的精确诊断和预测，以及动态调整维护策略，以保障电力系统的稳定和安全运行
。
这正是本专利技术力图解决的技术问题
。

技术实现思路

[0006]鉴于上述存在的问题，提出了本专利技术
。
[0007]因此，本专利技术解决的技术问题是：现有的直流套管状态评估方法不够精确，缺乏对故障预测的能力，以及如何通过挖掘直流套管运行数据中的关联规则来提高故障检测和预测的准确性的优化问题
。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种基于
Apriori
算法的直流套管状态评估方法，包括：收集直流套管在运行过程中的参数数据，对收集的参数数据进行预处理；定义设备状态，结合历史数据和实时分析进行状态转换概率判断，并进行编码处理；设定自适应的时间窗口，利用
Apriori
算法进行关联规则挖掘；采用多维关联分析判断考虑不同维度间的复杂关联关系，根据频繁项集生成强关联规则；构建基于协同过滤的判断机制，分析不同设备间的关联规则，优化关联规则挖掘；根据挖掘出的关联规则，对设备的当前状态进行评估，智能预测设备的未来状态；根据设备状态的评估结果，自适应调整设备维护的策略，执行自适应维护策略判断，实现对设备状态的智能管理
。
[0009]作为本专利技术所述的基于
Apriori
算法的直流套管状态评估方法的一种优选方案，其中：所述参数数据包括直流套管的工作温度
、
电压
、
电流
、
压力
、
震动频率
、
环境湿度和冷却液流速；所述预处理包括对收集到的参数数据进行清洗，去除异常值，对缺失值进行填充，将数据标准化为同一数值范围
。
[0010]作为本专利技术所述的基于
Apriori
算法的直流套管状态评估方法的一种优选方案，其中：所述状态转换概率判断包括收集直流套管历史运行数据，结合收集的参数数据，分析直流套管的运行模式，预测异常趋势，基于
Markov
统计模型，建立状态的转换概率矩阵，使用历史数据训练模型，计算状态转换的概率，结合实时数据，动态更新状态转换概率，确定设备的最新运行状况，定义设备状态为正常状态
A1、
异常状态
B1
及故障状态
C1
；所述编码处理包括将定义的状态
A1、B1
和
C1
分别映射到整数编码，将连续的设备运行状态转换为编码状态序列，将编码后的连续状态序列划分为一系列事务，每个事务表示一组具有时间连续性的设备状态，通过设备的运行周期确定事务的边界
。
[0011]作为本专利技术所述的基于
Apriori
算法的直流套管状态评估方法的一种优选方案，其中：所述设定自适应的时间窗口包括根据设备的运行周期和状态转换频率动态调整，通过
Markov
统计模型的结论确定状态转换的概率，利用概率动态选择时间窗口长度，结合
Markov
统计模型的预测结果与
Apriori
算法进行第一次关联规则挖掘，识别频繁项集，通过设置支持度和置信度阈值，筛选出初始的强关联规则；对
Apriori
算法挖掘出的初步关联规则进行多维分析，结合设备运行状态
、
环境因素和设备参数，从不同维度分析关联性，生成第二次关联规则；通过协同过滤的方法，分析第二次关联规则，发现不同设备之间的隐藏模式和依赖关系，基于设备间的相似性和差异性，利用推荐系统原理，筛选和优化关联规则，生成第三次关联规则；对生成的关联规则进行判断结果检测，若关联规则满足预定的标准通过检测，确定为最终关联规则，若不满足预设的标准未通过判断为存疑规则数据，对存疑规则数据进行二次检测，若调整后二次检测满足预定的标准，判断为误判，确定为最终关联规则，若二次检测后仍不满足预设的标准，判断为不通过检测，分析原因调整后再次检测
。
[0012]作为本专利技术所述的基于
Apriori
算法的直流套管状态评估方法的一种优选方案，其中：所述对设备的当前状态进行评估包括通过最终关联规则，综合分析过去和当前的设备运行数据，结合预测模型和设备特定的异常趋势，生成状态评估模型，评估结果判断为工作状态
A2
，异常状态
B2
及故障状态
C2
；将所述状态评估模型的评级与所述定义设备状态的评级进行对比，计算综合评分，确定最终当前状态
。
[0013]所述对比表示为： ；其中，表示时间窗口长度，表示从
Markov
统计模型中得到的当前状态到下一状态的转换概率，表示基于所述转换概率确定合适的时间窗口长度的函数，表示根据时间窗口长度和状态转换概率计算得到的权重，表示时间窗口长度，表示最大的时间窗口长度，表示调整权重的函数，表示最终的综合评分，表示根据时间窗口长度和状态转换概率计算得到的权重，表示基于
Markov
统计模型的评估结果，表示基于
Apriori
算法的评估结果
。
[0014]所述确定最终当前状态包括当
0≤
＜
0.5
时，判断当前最终状态为
A3
，当
0.5≤
＜
0.8
时，判断当前最终状态为
B3
，当
0.8≤≤1
时，判断当前最终状态为
C3。
[0015]作为本专利技术所述的基于...

【技术保护点】

【技术特征摘要】
1.
一种基于
Apriori
算法的直流套管状态评估方法，其特征在于，包括：收集直流套管在运行过程中的参数数据，对收集的参数数据进行预处理；定义设备状态，结合历史数据和实时分析进行状态转换概率判断，并进行编码处理；设定自适应的时间窗口，利用
Apriori
算法进行关联规则挖掘；采用多维关联分析判断考虑不同维度间的复杂关联关系，根据频繁项集生成强关联规则；构建基于协同过滤的判断机制，分析不同设备间的关联规则，优化关联规则挖掘；根据挖掘出的关联规则，对设备的当前状态进行评估，智能预测设备的未来状态；根据设备状态的评估结果，自适应调整设备维护的策略，执行自适应维护策略判断，实现对设备状态的智能管理
。2.
如权利要求1所述的基于
Apriori
算法的直流套管状态评估方法，其特征在于：所述参数数据包括直流套管的工作温度
、
电压
、
电流
、
压力
、
震动频率
、
环境湿度和冷却液流速；所述预处理包括对收集到的参数数据进行清洗，去除异常值，对缺失值进行填充，将数据标准化为同一数值范围
。3.
如权利要求2所述的基于
Apriori
算法的直流套管状态评估方法，其特征在于：所述状态转换概率判断包括收集直流套管历史运行数据，结合收集的参数数据，分析直流套管的运行模式，预测异常趋势，基于
Markov
统计模型，建立状态的转换概率矩阵，使用历史数据训练模型，计算状态转换的概率，结合实时数据，动态更新状态转换概率，确定设备的最新运行状况，定义设备状态为正常状态
A1、
异常状态
B1
及故障状态
C1
；所述编码处理包括将定义的状态
A1、B1
和
C1
分别映射到整数编码，将连续的设备运行状态转换为编码状态序列，将编码后的连续状态序列划分为一系列事务，每个事务表示一组具有时间连续性的设备状态，通过设备的运行周期确定事务的边界
。4.
如权利要求3所述的基于
Apriori
算法的直流套管状态评估方法，其特征在于：所述设定自适应的时间窗口包括根据设备的运行周期和状态转换频率动态调整，通过
Markov
统计模型的结论确定状态转换的概率，利用概率动态选择时间窗口长度，结合
Markov
统计模型的预测结果与
Apriori
算法进行第一次关联规则挖掘，识别频繁项集，通过设置支持度和置信度阈值，筛选出初始的强关联规则；对
Apriori
算法挖掘出的初步关联规则进行多维分析，结合设备运行状态
、
环境因素和设备参数，从不同维度分析关联性，生成第二次关联规则；通过协同过滤的方法，分析第二次关联规则，发现不同设备之间的隐藏模式和依赖关系，基于设备间的相似性和差异性，利用推荐系统原理，筛选和优化关联规则，生成第三次关联规则；对生成的关联规则进行判断结果检测，若关联规则满足预定的标准通过检测，确定为最终关联规则，若不满足预设的标准未通过判断为存疑规则数据，对存疑规则数据进行二次检测，若调整后二次检测满足预定的标准，判断为误判，确定为最终关联规则，若二次检测后仍不满足预设的标准，判断为不通过检测，分析原因调整后再次检测
。5.
如权利要求4所述的基于
Apriori
算法的直流套管状态评估方法，其特征在于：所述对设备的当前状态进行评估包括通过最终关联规则，综合分析过去和当前的设备运行数据，结合预测模型和设备特定的异常趋势，生成状态评估模型，评估结果判断为工作状态
A2
，异常状态
B2
及故障状态
C2
；将所述状态评估模型的评级与所述定义设备状态的评级进行对比，计算综合评分，确定最终当前状态；所述对比表示为，；其中，表示时间窗口长度，表示从
Markov
统计模型中得到的当前状态到下一状态的转换概率，表示基于所述转换概率确定合适的时间窗口长度的函数，表示根据时间窗口长度和状态转换概率计算得到的权重，表示时间窗口长度，表示最大的时间窗口长度，表示调整权重的函数，表示最终的综合评分，表示根据时间窗口长度和状态转换概率计算得到的权重，表示基于
Markov
统计模型的评估结果，表示基于
Apriori
算法的评估结果；所述确定最终当前状态包括当
0≤
＜
0.5
时，判断当前最终状态为
A3
，当
0.5≤
＜
0.8
时，判断当前最终状态为
B3
，当
0...

【专利技术属性】
技术研发人员：陆聪晟，杨铭，
申请(专利权)人：南京中鑫智电科技有限公司，
类型：发明
国别省市：