一种稳压变压器的故障预警方法及系统与流程

1.本发明涉及电力设备智能监督技术领域，具体涉及一种稳压变压器的故障预警方法及系统。

背景技术：

2.随着经济的快速发展，我国输变电系统正日益完善，稳压变压器作为其中的常用设备，可在器件输入电压或负载产生变化时，通过驱动伺服电机，进而调整线圈匝数比，以保证输出电压的稳定，在工业等多个领域具有广泛的应用，为保证稳压精度，需对稳压变压器进行运行故障监督，及时进行故障排查预警以保证稳压变压器的正常运作，现如今，主要通过对稳压变压器进行定期设备故障排查以做及时调整，但由于现有技术还不够完善，存在着一定的弊端，无法达到实现理想化目标。
3.现有技术中，进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度。

技术实现要素：

4.本技术提供了一种稳压变压器的故障预警方法及系统，用于针对解决现有技术中存在的进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度的技术问题。
5.鉴于上述问题，本技术提供了一种稳压变压器的故障预警方法及系统。
6.第一方面，本技术提供了一种稳压变压器的故障预警方法，所述方法包括：采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；遍历所述配件故障因子集合生成故障概率列表；判断所述故障概率列表是否满足预设故障概率；将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预警。
7.第二方面，本技术提供了一种稳压变压器的故障预警系统，所述系统包括：特征标定模块，所述特征标定模块用于采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；特征聚类模块，所述特征聚类模块用于对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；故障因子分组模块，所述故障因子分组模块用于根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；列表生成模块，所述列表生成模块用于遍历所述配件故障因子集合生成故障概率列表；概率判断模块，所述概率判断模块用于判断所述故障概率列表是否满足预设故障概率；故障因子排序模块，所述故障因子排序模块用于将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；结果预警模块，所述结果预警模块用于根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预
警。
8.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：本技术实施例提供的一种稳压变压器的故障预警方法，采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集并进行聚类分析，生成故障现象聚类结果，基于所述故障现象聚类结果进行所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；遍历所述配件故障因子集合生成故障概率列表并判断是否满足预设故障概率，将满足预设故障概率的故障因子排序，根据故障因子排序结果，匹配关联的故障现象聚类结果进行预警，解决了现有技术中存在的进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度的技术问题，实现了稳压变压器的全方位精准故障监督预警。
附图说明
9.图1为本技术提供了一种稳压变压器的故障预警方法流程示意图；图2为本技术提供了一种稳压变压器的故障预警方法中故障现象特征集生成流程示意图；图3为本技术提供了一种稳压变压器的故障预警方法中故障概率列表生成流程示意图；图4为本技术提供了一种稳压变压器的故障预警系统结构示意图。
10.附图标记说明：特征标定模块11，特征聚类模块12，故障因子分组模块13，列表生成模块14，概率判断模块15，故障因子排序模块16，结果预警模块17。
具体实施方式
11.本技术通过提供一种稳压变压器的故障预警方法及系统，用于解决现有技术中存在的进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度的技术问题。
12.实施例一如图1所示，本技术提供了一种稳压变压器的故障预警方法，所述方法应用于一稳压变压器的故障预警系统，所述方法包括：步骤s100：采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；具体而言，稳压变压器作为使得输出电压稳定的设备，广泛应用于机械、化工等需要维持正常电压的领域，当设备输入电压或负载产生变化时，通过驱动伺服电机，进而调整线圈匝数比，以保证输出电压的稳定，本技术提供的一种稳压变压器的故障预警方法，在稳压变压器工作之前，通过进行稳压变压器各配件的故障监督排查，以保证稳压变压器的出厂性能，通过优化故障分析流程方法，以提升故障排查准确度，首先，对稳压变压器的故障因子进行采集，所述故障因子指可能导致稳压变压器故障的多个因素，基于所述故障因子进行故障特征提取，例如电压表不稳定、电压表不指示、不能正常调压、内部存在异常噪音等，对相关故障特征进行整合标定，获取所述故障现象特征集，所述故障现象特征集的获取为后续进行故障分析排查提供了基本信息依据。
13.进一步而言，如图2所示，所述采集稳压变压器的故障因子集进行特征标定，生成
故障现象特征集，本技术步骤s100还包括：步骤s110：根据稳压变压器型号参数，匹配稳压变压器故障记录数据，其中，所述稳压变压器故障记录数据包括多条故障原因记录数据和多条故障现象记录数据；步骤s120：遍历所述多条故障原因记录数据构建第一向量集合，添加进所述故障因子集；步骤s130：遍历所述多条故障现象记录数据构建第二向量集合，和所述故障因子集关联存储，生成所述故障现象特征集。
14.具体而言，确定稳压变压器的型号参数，例如输入电压范围、稳压精度、调整管工作状态、运转功率等，以所述稳压变压器的型号参数为基准基于预定时间区间进行历史故障数据采集，获取与所述稳压变压器型号参数相适配的多条故障原因记录数据与所述识故障现象记录数据，所述故障原因包括接线错误、电机短路、接触不良、线路反接等多方面因素，不同故障原因可能造成不同的故障现象，例如接线错误与电路短接可能造成电压表指示不稳定，线路反接可能造成稳压变压器机壳漏电，对上述信息进行整合归类处理获取所述稳压变压器变压器故障记录数据，进一步遍历所述多条故障原因记录数据，对同种原因对应的故障数据进行整合，分别基于多条故障原因进行故障向量的构建，例如对于零件磨损造成的故障，可基于一个向量对零件类型、磨损位置、磨损程度和故障次数等进行多维度表征，基于所述多条故障原因记录数据进行所述第一向量集合的构建，所述第一向量集合指表征故障原因的数据向量集合，同理，遍历所述多条故障现象记录数据，对同故障现象对应的故障现象记录数据基于一个向量进行表征，基于所述多条故障现象记录数据构建所述第二向量集合，通过进行所述第二向量集合与所述故障因子集的关联，生成所述故障现象特征集合，将故障现象和故障因子使用向量进行表征，可有效提高计算机快速处理和识别速度。
15.步骤s200：对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；步骤s300：根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；具体而言，通过进行故障现象特征提取获取所述故障现象特征集，对所述故障现象特征集合进行聚类分析，示例性的，可提取多个故障现象作为聚类中心点，基于预设特征差异度对所述多条故障原因记录数据进行聚类，所述预设特征差异度指设定的特征聚类分析尺度标准，将一种故障现象作为一类，对故障原因进行聚类，可有效保证聚类结果准确度，以获取所述故障现象聚类结果，进一步的，所述故障现象聚类结果中各故障现象分别对应了多条故障原因，以此为基准对所述故障因子集进行分组，生成所述故障因子分组结果，呈现所述故障现象与故障因素一对多的对应关系，其中，任一组所述故障因子分析结果包括所述配件故障因子集合，例如，故障配件型号、故障程度、故障位置等，通过对所述故障因子集进行分组，可对所述稳压变压器进行故障的集成分析，提升故障识别分析的有序性。
16.步骤s400：遍历所述配件故障因子集合生成故障概率列表；步骤s500：判断所述故障概率列表是否满足预设故障概率；具体而言，遍历所述配件故障因子集合，对所述配件故障因子集合中各配件的故障概率进行分析，可通过构建故障概率决策模型，对各配件的启动时长属性参数、维修时长属性参数和维修状态属性参数进行综合性评估分析，获取最佳评估结果，进而对评估结果
进行整合处理，生成所述故障概率列表，所述故障概率评估列表中配件与故障概率相对应，进一步判断所述故障概率列表是否满足所述预设故障概率，所述预设故障概率指限定各故障因子的故障概率是否处于可控区间的限定标准，例如，可将10%作为所述预设故障概率，当所述故障概率列表中多个配件的故障概率不满足所述预设故障概率时，表明所述稳压变压器的配件故障概率处于可控区间内，可正常进行运行，当所述故障概率列表满足所述预设故障概率时，表明所述稳压变压器中配件存在的潜在性故障概率较大，对所述故障概率列表中满足所述预设故障概率的故障因子进行提取，进行进一步的校对分析，通过进行故障概率筛选，避免出现多次无故障预警排查，造成资源浪费。
17.进一步而言，如图3所示，所述遍历所述配件故障因子集合生成故障概率列表，本技术步骤s400还包括:步骤s410：遍历所述配件故障因子集合，提取启动时长属性参数、维修时长属性参数和维修状态属性参数；步骤s420：构建故障概率决策模型；步骤s430：将所述启动时长属性参数、所述维修时长属性参数和所述维修状态属性参数输入故障概率决策模型，生成所述故障概率列表。
18.具体而言，遍历所述配件故障因子集合，对各配件的所述启动时长属性参数、所述维修时长属性参数与所述维修状态属性参数进行提取，所述启动时长属性参数指稳压变压器运行进程中内部各配件的启动时间，启动时长的参差影响着稳压变压器的运行流畅度，应尽可能保持启停一致性，所述维修时长属性参数指各配件损坏对应的维修时间，包括不同故障程度下对应的维修时长，所述维修状态属性参数包括配件磨损位置、磨损面积、可修复程度等，若不存在维修异常状态则记为0，进一步进行所述故障概率决策模型的构建，基于所述故障概率决策模型可进行各配件故障概率的数据分析整合，将所述启动时长属性参数、所述维修时长属性参数与所述维修状态属性参数输入所述故障概率决策模型中，通过对各配件的多个属性参数进行匹配对应，进行数据综合分析评估生成所述故障概率列表，其中，各配件与故障概率一一对应，通过对各配件基于多属性进行故障概率综合评估，可保障评估结果的准确性。
19.进一步而言，所述构建故障概率决策模型，本技术步骤s420还包括：步骤s421：遍历所述配件故障因子集合，匹配第n配件故障因子记录数据，其中，所述第n配件故障因子记录数据包括故障频率记录数据、启动时长属性记录数据、维修时长属性记录数据和维修状态属性记录数据；步骤s422：对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行故障概率标识，生成故障概率标识结果；步骤s423：根据所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果，基于随机森林，构建所述故障概率决策模型。
20.具体而言，对所述配件故障因子集合分别进行故障因子记录数据匹配，所述故障因子记录数据包括了所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据与所述维修状态属性记录数据，获取所述第n配件故障因子记录数据，所述第n配件故障因子记录数据指与第n配件故障因子相适配的历史数据，其中，所述故障频率记
录数据可通过历史故障数据进行计算，例如100组故障70次，则将所述故障频率记录数据记为0.7，进一步对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据与所述维修状态属性记录数据进行聚类分析，基于聚类结果对最终确定的故障概率进行标识，生成所述故障概率标识结果，所述故障概率标识结果包括了n个配件的故障概率，进一步的，以所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果为原始数据，基于随机森林进行所述故障概率决策模型的构建，示例性的，从所述原始数据中有放回的随机提取多次组建训练集进行分析，重复m次获取m个训练集，在此基础上计算均值确定最终的预测结果，使得最终的决策结果更加准确合理。
21.进一步而言，所述对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行故障概率标识，生成故障概率标识结果，本技术步骤s422还包括步骤s4221：根据启动时长对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行聚类分析，生成第一聚类结果；步骤s4222：根据维修时长遍历所述第一聚类结果进行聚类分析，生成第二聚类结果；步骤s4223：根据维修状态遍历所述第二聚类结果进行聚类分析，生成第三聚类结果；步骤s4224：遍历所述第三聚类结果对所述故障频率记录数据求取均值，设为所述故障概率标识结果。
22.具体而言，以所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据作为原始数据，基于启动时长设定多个时长区间，在此基础上确定多个数据聚类中心，通过进行聚类分析生成所述第一聚类结果，进一步对上述数据在所述第一聚类结果的基础上，基于维修时长设定多个时长区间进行二次聚类分析，生成所述第二聚类结果，进一步基于所述维修状态对所述第二聚类结果进行再次聚类分析，生成所述第三聚类结果，所述第三聚类结果为最终的数据分类结果，其中，聚类结果对应的类别越多，最终的聚类结果越精确，通过进行数据的多层级聚类分析，可有效提升最终聚类结果的分类精度，进一步的，基于所述第三聚类结果进行所述故障频率记录数据的均值计算，确定计算结果为故障概率，可保障所述故障概率与稳压变压器实际运行的设备符合度，进一步对所述故障概率基于配件类型进行标识，便于进行识别区分，生成所述故障概率标识结果。
23.进一步而言，所述根据所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果，基于随机森林，构建所述故障概率决策模型，本技术步骤s423还包括：步骤s4231：对所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果划分为k等份，有放回的随机抽取k次，生成第一训练数据集；步骤s4232：重复m次，生成第二训练数据集直到第m训练数据集；
步骤s4233：根据所述第一训练数据集，构建第一回归决策树；步骤s4234：根据所述第m训练数据集，构建第m回归决策树；步骤s4235：将所述第一回归决策树直到所述第m回归决策树合并，生成所述故障概率决策模型，其中，所述故障概率决策模型的输出为所述第一回归决策树直到所述第m回归决策树的输出均值。
24.具体而言，将所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果作为原始数据，通过进行数据等比划分获取k组记录数据，在所述k组记录数据中随机进行数据抽取，有放回的抽取k次获取k组训练数据，将其作为所述第一训练数据集，基于上述步骤重复m次，生成所述第二训练数据集直至所述第m训练数据集，其中，所述第一训练数据集至所述第m训练数据集为同级别，基于所述第一训练数据集分别以所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果为多层叶节点进行所述第一回归决策树的构建，同理，基于第m训练数据集进行所述第m回归决策树的构建，获取m个回归决策树，进一步对所述m个回归决策树进行合并，生成所述故障概率决策模型，可提升模型模拟精度，通过对稳压变压器的相关信息基于m个回归决策树进行分别预测评估，获取评估结果并进行均值求取，将最终的概率均值作为所述故障概率决策模型的输出结果。
25.步骤s600：将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；步骤s700：根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预警。
26.具体而言，通过对所述故障概率列表进行预设故障概率排查筛选，获取满足所述预设故障概率的所述故障因子，进一步对所述故障因子基于故障概率由大到小进行排序，进而对排序结果进行标识，生成所述故障因子排序结果，进一步的，以所述故障因子排查结果为基准，分别对其进行关联的所述故障现象聚类结果匹配，所述故障现象聚类结果包含了可能存在的所有现象，以便进行全方位故障排查监督，在此基础上进行故障预警警示，示例性的，可设定预警等级，以所述故障因子排序结果为基准进行所述预警等级的强弱设定，对不同故障概率的故障因子进行不同级别的预警，基于预警等级做针对性调整，以实现所述稳压变压器的故障监督预警。
27.进一步而言，本技术步骤s700还还包括：步骤s710：根据所述故障因子分组结果，获取电气故障因子集合，其中，任意一个所述电气故障因子具有第一状态或第二状态；步骤s720：遍历所述电气故障因子进行所述第一状态或所述第二状态特征标定，生成电气故障因子状态矩阵；步骤s730：根据所述电气故障因子状态矩阵对所述电气故障因子集合进行预警。
28.具体而言，基于所述故障因子分析结果，对所述稳压变压器的电气故障因子进行提取，获取所述电气故障因子集合，所述电气故障因子为可以直接观测的非零件故障，比如接入电压错误、接线错误、未接地线等，所述电气故障因子具有所述第一状态与所述第二状态，所述第一状态指异常状态，所述第二状态指无异常状态，进一步遍历所述电气故障因子，可通过图像采集装置获取所述稳压变压器内部构件图像，基于图像采集结果直接进行
分析与识别，进而对所述第一状态与所述第二状态进行特征标定，便于通过计算机进行状态的快速识别，生成所述电气故障因子状态矩阵，所述电气故障因子状态矩阵为各构件状态特征的可视化展现，进一步基于所述电气故障因子状态矩阵进行异常状态筛选，基于筛选结果进行所述电气故障因子集合的预警警示，进而基于预警结果进行针对性调整。
29.综上所述，本技术实施例提供的一种稳压变压器的故障预警方法及系统，至少具有如下技术效果：1、本技术提供的一种稳压变压器的故障预警方法，采集稳压变压器的故障因子集进行特征标定，通过进行聚类分析生成故障现象聚类结果，基于故障现象聚类结果对故障因子集分组，生成故障因子分组结果，遍历配件故障因子集合生成故障概率列表并判断是否满足预设故障概率，将满足预设故障概率的故障因子排序，根据故障因子排序结果，匹配关联的故障现象聚类结果进行预警，解决了现有技术中存在的进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度的技术问题，实现了稳压变压器的全方位精准故障监督预警。
30.2、通过构建故障概率决策模型，基于配件故障因子集合生成故障概率列表，通过对各配件基于多属性进行故障概率综合评估，可保障评估结果的精确性。
31.3、对电气故障因子与配件故障因子基于适配性方式分别进行针对性故障分析预警，保障结果准确度的基础上避免造成资源浪费。
32.实施例二基于与前述实施例中一种稳压变压器的故障预警方法相同的发明构思，如图4所示，本技术提供了一种稳压变压器的故障预警系统，所述系统包括：特征标定模块11，所述特征标定模块11用于采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；特征聚类模块12，所述特征聚类模块12用于对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；故障因子分组模块13，所述故障因子分组模块13用于根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；列表生成模块14，所述列表生成模块14用于遍历所述配件故障因子集合生成故障概率列表；概率判断模块15，所述概率判断模块15用于判断所述故障概率列表是否满足预设故障概率；故障因子排序模块16，所述故障因子排序模块16用于将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；结果预警模块17，所述结果预警模块17用于根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预警。
33.进一步而言，所述系统还包括：数据匹配模块，所述数据匹配模块用于根据稳压变压器型号参数，匹配稳压变压器故障记录数据，其中，所述稳压变压器故障记录数据包括多条故障原因记录数据和多条故障现象记录数据；
数据添加模块，所述数据添加模块用于遍历所述多条故障原因记录数据构建第一向量集合，添加进所述故障因子集；数据关联模块，所述数据关联模块用于遍历所述多条故障现象记录数据构建第二向量集合，和所述故障因子集关联存储，生成所述故障现象特征集。
34.进一步而言，所述系统还包括:参数提取模块，所述参数提取模块用于遍历所述配件故障因子集合，提取启动时长属性参数、维修时长属性参数和维修状态属性参数；模型构建模块，所述模型构建模块用于构建故障概率决策模型；概率列表生成模块，所述概率列表生成模块用于将所述启动时长属性参数、所述维修时长属性参数和所述维修状态属性参数输入故障概率决策模型，生成所述故障概率列表。
35.进一步而言，所述系统还包括：记录数据匹配模块，所述记录数据匹配模块用于遍历所述配件故障因子集合，匹配第n配件故障因子记录数据，其中，所述第n配件故障因子记录数据包括故障频率记录数据、启动时长属性记录数据、维修时长属性记录数据和维修状态属性记录数据；概率标识模块，所述概率标识模块用于对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行故障概率标识，生成故障概率标识结果；决策模型构建模块，所述决策模型构建模块用于根据所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果，基于随机森林，构建所述故障概率决策模型。
36.进一步而言，所述系统还包括：第一聚类结果生成模块，所述第一聚类结果生成模块用于根据启动时长对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行聚类分析，生成第一聚类结果；第二聚类结果生成模块，所述第二聚类结果生成模块用于根据维修时长遍历所述第一聚类结果进行聚类分析，生成第二聚类结果；第三聚类结果生成模块，所述第三聚类结果生成模块用于根据维修状态遍历所述第二聚类结果进行聚类分析，生成第三聚类结果；均值计算模块，所述均值计算模块用于遍历所述第三聚类结果对所述故障频率记录数据求取均值，设为所述故障概率标识结果。
37.进一步而言，所述系统还包括：第一训练数据生成模块，所述第一训练数据生成模块用于对所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果划分为k等份，有放回的随机抽取k次，生成第一训练数据集；第m训练数据生成模块，所述第m训练数据生成模块用于重复m次，生成第二训练数据集直到第m训练数据集；第一回归决策树构建模块，所述第一回归决策树构建模块用于根据所述第一训练数据集，构建第一回归决策树；
第m回归决策树构建模块，所述第m回归决策树构建模块用于根据所述第m训练数据集，构建第m回归决策树；模型生成模块，所述模型生成模块用于将所述第一回归决策树直到所述第m回归决策树合并，生成所述故障概率决策模型，其中，所述故障概率决策模型的输出为所述第一回归决策树直到所述第m回归决策树的输出均值。
38.进一步而言，所述系统还包括：电气故障因子获取模块，所述电气故障因子获取模块用于根据所述故障因子分组结果，获取电气故障因子集合，其中，任意一个所述电气故障因子具有第一状态或第二状态；特征标定模块，所述特征标定模块用于遍历所述电气故障因子进行所述第一状态或所述第二状态特征标定，生成电气故障因子状态矩阵；故障因子预警模块，所述故障因子预警模块用于根据所述电气故障因子状态矩阵对所述电气故障因子集合进行预警。
39.本说明书通过前述对一种稳压变压器的故障预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种稳压变压器的故障预警方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
40.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种稳压变压器的故障预警方法，其特征在于，所述方法应用于一稳压变压器的故障预警系统，所述方法包括：采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；遍历所述配件故障因子集合生成故障概率列表；判断所述故障概率列表是否满足预设故障概率；将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预警。2.如权利要求1所述的方法，其特征在于，所述采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集，包括：根据稳压变压器型号参数，匹配稳压变压器故障记录数据，其中，所述稳压变压器故障记录数据包括多条故障原因记录数据和多条故障现象记录数据；遍历所述多条故障原因记录数据构建第一向量集合，添加进所述故障因子集；遍历所述多条故障现象记录数据构建第二向量集合，和所述故障因子集关联存储，生成所述故障现象特征集。3.如权利要求1所述的方法，其特征在于，所述遍历所述配件故障因子集合生成故障概率列表，包括:遍历所述配件故障因子集合，提取启动时长属性参数、维修时长属性参数和维修状态属性参数；构建故障概率决策模型；将所述启动时长属性参数、所述维修时长属性参数和所述维修状态属性参数输入故障概率决策模型，生成所述故障概率列表。4.如权利要求3所述的方法，其特征在于，所述构建故障概率决策模型，包括：遍历所述配件故障因子集合，匹配第n配件故障因子记录数据，其中，所述第n配件故障因子记录数据包括故障频率记录数据、启动时长属性记录数据、维修时长属性记录数据和维修状态属性记录数据；对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行故障概率标识，生成故障概率标识结果；根据所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果，基于随机森林，构建所述故障概率决策模型。5.如权利要求4所述的方法，其特征在于，所述对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行故障概率标识，生成故障概率标识结果，包括：根据启动时长对所述故障频率记录数据、所述启动时长属性记录数据、所述维修时长属性记录数据和所述维修状态属性记录数据进行聚类分析，生成第一聚类结果；根据维修时长遍历所述第一聚类结果进行聚类分析，生成第二聚类结果；根据维修状态遍历所述第二聚类结果进行聚类分析，生成第三聚类结果；
遍历所述第三聚类结果对所述故障频率记录数据求取均值，设为所述故障概率标识结果。6.如权利要求4所述的方法，其特征在于，所述根据所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果，基于随机森林，构建所述故障概率决策模型，包括：对所述启动时长属性记录数据、所述维修时长属性记录数据、所述维修状态属性记录数据和所述故障概率标识结果划分为k等份，有放回的随机抽取k次，生成第一训练数据集；重复m次，生成第二训练数据集直到第m训练数据集；根据所述第一训练数据集，构建第一回归决策树；根据所述第m训练数据集，构建第m回归决策树；将所述第一回归决策树直到所述第m回归决策树合并，生成所述故障概率决策模型，其中，所述故障概率决策模型的输出为所述第一回归决策树直到所述第m回归决策树的输出均值。7.如权利要求1所述的方法，其特征在于，还包括：根据所述故障因子分组结果，获取电气故障因子集合，其中，任意一个所述电气故障因子具有第一状态或第二状态；遍历所述电气故障因子进行所述第一状态或所述第二状态特征标定，生成电气故障因子状态矩阵；根据所述电气故障因子状态矩阵对所述电气故障因子集合进行预警。8.一种稳压变压器的故障预警系统，其特征在于，所述系统包括：特征标定模块，所述特征标定模块用于采集稳压变压器的故障因子集进行特征标定，生成故障现象特征集；特征聚类模块，所述特征聚类模块用于对所述故障现象特征集进行聚类分析，生成故障现象聚类结果；故障因子分组模块，所述故障因子分组模块用于根据所述故障现象聚类结果对所述故障因子集分组，生成故障因子分组结果，其中，任意一组所述故障因子分组结果包括配件故障因子集合；列表生成模块，所述列表生成模块用于遍历所述配件故障因子集合生成故障概率列表；概率判断模块，所述概率判断模块用于判断所述故障概率列表是否满足预设故障概率；故障因子排序模块，所述故障因子排序模块用于将所述故障概率列表中满足预设故障概率的故障因子排序，生成故障因子排序结果；结果预警模块，所述结果预警模块用于根据所述故障因子排序结果，匹配关联的所述故障现象聚类结果进行预警。

技术总结

本发明提供了一种稳压变压器的故障预警方法及系统，涉及电力设备智能监督技术领域，采集稳压变压器的故障因子集进行特征标定，通过进行聚类分析生成故障现象聚类结果，基于故障现象聚类结果对故障因子集分组，生成故障因子分组结果，遍历配件故障因子集合生成故障概率列表并判断是否满足预设故障概率，将满足预设故障概率的故障因子排序，根据故障因子排序结果，匹配关联的故障现象聚类结果进行预警，解决了现有技术中存在的进行稳压变压器的故障预警时由于监督预警方法流程智能度不足，故障分析排查不够全面，无法保障最终故障的监督预警精度的技术问题，实现了稳压变压器的全方位精准故障监督预警。位精准故障监督预警。位精准故障监督预警。