本发明涉及电力设备故障预测，更具体地说，它涉及一种电力设备运行故障预测方法、系统、终端及介质。
背景技术：
1、电力设备故障预测是电力系统维护和管理中的重要环节，它涉及到对电力设备的未来状态进行评估和预测，以便及时采取预防措施，减少故障发生的概率，提高电力系统的可靠性和稳定性。随着人工智能技术的发展，尤其是深度学习在电力系统预测中的应用，电力设备故障预测的方法和效果都有了显著的提升。
2、目前，基于深度学习模型的电力设备故障预测方法主要是应用于电力设备故障已有明显的表征特征，而对于故障表征初级，受影响电力设备异常的运行状态较多的因素影响，如温度、电流、电压和功率等参数，导致现有技术中的电力设备故障预测方法无法针对电力设备故障的早期预测；此外，由于引起一个运行状态异常的原因不限于一个故障类型，甚至不限于故障类型，例如电力设备的温度异常可能是接触不良、电气设备老化、电力和过电压等故障类型引起的，也可能是环境温度和过负荷运行等因素引起的，这就导致神经网络模型难以实现复杂环境下的故障分析；另外，由故障类型所引起的运行状态异常变化存在一定的延迟，且不同故障类型针对同一运行状态异常变化的延迟也不尽相同，所以依据所采集的存在异常的运行状态参数进行故障分析存在一定的误差。
3、因此，如何研究设计一种能够克服上述缺陷的电力设备状态检修故障分析方法、系统、终端及介质是我们目前急需解决的问题。
技术实现思路
1、为解决现有技术中的不足，本发明的目的是提供一种电力设备运行故障预测方法、系统、终端及介质，可适应电力设备故障早期预测过程中运行状态数据不全的情况，依据故障预测可视图中故障映射标签在第一预设周期中的初始分布边界拟合预测出故障映射标签在第二预设周期中的预测边界，可以故障变化趋势来初步定位电力设备有可能发生的故障类型，有利于及时阻断电力设备故障发展。
2、本发明的上述技术目的是通过以下技术方案得以实现的：
3、第一方面，提供了一种电力设备运行故障预测方法，包括以下步骤：
4、采集电力设备的历史故障样本数据，并对历史故障样本数据进行故障程度量化处理，得到各个历史故障样本数据的故障程度量化标签；
5、将所有的历史故障样本数据划分成与异常运行状态一一对应的样本子集；
6、根据样本子集中各个历史故障样本数据所对应异常运行状态的异常状态参数值和故障程度量化标签建立相应异常运行状态的参数分布离散图；
7、对参数分布离散图进行聚类分析后确定聚类中心，并依据聚类中心为异常运行状态所对应的参数分布区间分配故障映射标签；
8、采集电力设备各个运行状态的实时数据，并依据实时数据预测各个运行状态在第一预设周期的预测数据；
9、依据预测数据匹配得到各个运行状态在第一预设周期的标签矩阵，并将多个标签矩阵叠加后得到融合矩阵；
10、建立以故障类型为纵坐标轴、时间为横坐标轴的故障预测可视图，并将根据融合矩阵投影至故障预测可视图，纵坐标轴中的故障类型依据故障类型之间的关联性进行排序；
11、依据故障预测可视图中故障映射标签在第一预设周期中的初始分布边界拟合预测出故障映射标签在第二预设周期中的预测边界，并依据预测边界确定故障预测结果。
12、进一步的，所述对历史故障样本数据进行故障程度量化处理的过程具体为：
13、根据历史故障样本数据中的故障类型确定指标因子和相应指标因子的实际指标值，指标因子包括维护时间、维护成本和维护范围中的至少一种；
14、根据各个指标因子的实际指标值与对应的指标上限的比值确定故障程度量化标签，若同时存在多个指标因子，则对多个比值进行权重计算得到故障程度量化标签；
15、其中，故障程度量化标签的取值范围为[0,1]，0表示处于非故障状态，1表示最大程度的故障状态。
16、进一步的，所述参数分布离散图的建立过程具体为；
17、将异常运行状态的参数范围划分成多个等高度的异常区段，所有依次连接的异常区段组成参数分布离散图的纵坐标轴；
18、每一个故障类型所对应的故障程度量化标签划分为一个量化区段，所有依次连接的量化区段组成参数分布离散图的横坐标轴；
19、其中，一个异常区段和一个量化区段所表征的坐标区域呈正方形区域。
20、进一步的，所述故障映射标签的分配过程具体为：
21、采用kmeans聚类对参数分布离散图中的离散点进行聚类分析，确定k个聚类中心；
22、若参数分布离散图中的坐标区域(x,y)存在聚类中心，则将坐标区域(x,y)中量化区段x所对应的故障类型配置成异常区段y的故障映射标签，一个异常区段所配置的所有故障映射标签构成相应异常区段的故障映射标签集。
23、进一步的，所述标签矩阵的表达式具体为：
24、
25、其中，表示第i个运行状态在第一预设周期t1的标签矩阵；gm(tn,i)表示第i个运行状态在第一预设周期中第n个采样点所对应的时刻对于第m个故障类型所匹配的标签结果；若标签结果的元素值为1，则表示运行状态在相应采样点匹配有对应的故障映射标签；若标签结果的元素值为0，则表示异常运行状态在相应采样点没有匹配到对应的故障映射标签；
26、所述融合矩阵的表达式具体为：
27、
28、
29、其中，表示所有运行状态在第一预设周期t1的融合矩阵；gm(tn,all)表示所有运行状态在第一预设周期中第n个采样点所对应的时刻对于第m个故障类型所匹配的标签结果；d表示运行状态的数量。
30、进一步的，所述纵坐标轴中的故障类型排序过程具体为：
31、以故障类型排序后的总关联程度最高为优化目标求解出故障类型排序的序列，目标函数的表达式为：
32、max(am)
33、
34、
35、其中，am表示m个故障类型排序后的总关联程度；a(gm,gm+1)表示排序后第m个故障类型gm与第m+1个故障类型gm+1之间的关联程度；δ(gm,gm+1)表示故障类型gm与故障类型gm+1发生时具有相同的异常运行状态数量；e(gm)表示故障类型gm发生时的异常运行状态数量；e(gm+1)表示故障类型gm+1发生时的异常运行状态数量；α(gm,j)表示第j个异常运行状态影响故障类型gm的运行状态参数范围；α(gm+1,j)表示第j个异常运行状态影响故障类型gm+1的运行状态参数范围；i(α(gm,j),α(gm+1,j))表示求解α(gm,j)与α(gm+1,j)的交集范围；u(α(gm,j),α(gm+1j,))表示求解α(gm,j)与α(gm+1,j)的并集范围。
36、进一步的，所述故障预测结果的确定过程具体为：
37、以故障预测可视图中具有故障映射标签和没有故障映射标签之间的临界点拟合出初始分布边界；
38、采用最小二乘法拟合得到初始分布边界在第二预设周期中表征延伸趋势的预测边界；
39、以预测边界所包裹形成的故障分支确定故障类型，得到故障预测结果。
40、第二方面，提供了一种电力设备运行故障预测系统，该系统用于实现如第一方面中任意一项所述的一种电力设备运行故障预测方法，包括：
41、故障量化模块，用于采集电力设备的历史故障样本数据，并对历史故障样本数据进行故障程度量化处理，得到各个历史故障样本数据的故障程度量化标签；
42、样本划分模块，用于将所有的历史故障样本数据划分成与异常运行状态一一对应的样本子集；
43、离散图构建模块，用于根据样本子集中各个历史故障样本数据所对应异常运行状态的异常状态参数值和故障程度量化标签建立相应异常运行状态的参数分布离散图；
44、聚类分析模块，用于对参数分布离散图进行聚类分析后确定聚类中心，并依据聚类中心为异常运行状态所对应的参数分布区间分配故障映射标签；
45、数据预测模块，用于采集电力设备各个运行状态的实时数据，并依据实时数据预测各个运行状态在第一预设周期的预测数据；
46、矩阵融合模块，用于依据预测数据匹配得到各个运行状态在第一预设周期的标签矩阵，并将多个标签矩阵叠加后得到融合矩阵；
47、可视图构建模块，用于建立以故障类型为纵坐标轴、时间为横坐标轴的故障预测可视图，并将根据融合矩阵投影至故障预测可视图，纵坐标轴中的故障类型依据故障类型之间的关联性进行排序；
48、故障预测模块，用于依据故障预测可视图中故障映射标签在第一预设周期中的初始分布边界拟合预测出故障映射标签在第二预设周期中的预测边界，并依据预测边界确定故障预测结果。
49、第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种电力设备运行故障预测方法。
50、第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种电力设备运行故障预测方法。
51、与现有技术相比，本发明具有以下有益效果：
52、1、本发明提供的一种电力设备运行故障预测方法，对故障程度量化处理后的各种异常运行状态进行聚类分析，并依据聚类中心为各种异常运行状态准确分配故障映射标签，可适应电力设备故障早期预测过程中运行状态数据不全的情况；同时依据故障预测可视图中故障映射标签在第一预设周期中的初始分布边界拟合预测出故障映射标签在第二预设周期中的预测边界，可以故障变化趋势来初步定位电力设备有可能发生的故障类型，有利于及时阻断电力设备故障发展；
53、2、本发明考虑到故障类型发展过程中，各个运行状态在第一预设周期的早期阶段可能存在表征特点缺失的情况，所以将多个标签矩阵叠加后得到更为全面的融合矩阵，使得后续确定的初始分布边界更为准确、可靠；
54、3、本发明在聚类分析过程中，聚类中心的数量k取值满足坐标区域中形成聚类中心的离散点数量不少于离散点下限数量，可依据故障样本数量灵活调整离散点下限数量，使得电力设备状态检修故障分析能够在电力设备全生命周期应用；
55、4、本发明在建立参数分布离散图，将一个异常区段和一个量化区段所表征的坐标区域设计成正方形区域，可有效保障聚类中心确定的准确性与可靠性；
56、5、本发明在建立以故障类型为纵坐标轴、时间为横坐标轴的故障预测可视图时，纵坐标轴中的故障类型依据故障类型之间的关联性进行排序，可提高依据预测边界所确定故障类型的准确性。
1.一种电力设备运行故障预测方法，其特征是，包括以下步骤：
2.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述对历史故障样本数据进行故障程度量化处理的过程具体为：
3.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述参数分布离散图的建立过程具体为；
4.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述故障映射标签的分配过程具体为：
5.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述标签矩阵的表达式具体为：
6.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述纵坐标轴中的故障类型排序过程具体为：
7.根据权利要求1所述的一种电力设备运行故障预测方法，其特征是，所述故障预测结果的确定过程具体为：
8.一种电力设备运行故障预测系统，其特征是，该系统用于实现如权利要求1-7中任意一项所述的一种电力设备运行故障预测方法，包括：
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种电力设备运行故障预测方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种电力设备运行故障预测方法。
