一种基于生物传感技术的电力设备状态监测方法与流程

本发明涉及电力设备状态监测，具体地说，涉及一种基于生物传感技术的电力设备状态监测方法。

背景技术：

1、电力设备在长时间运行过程中可能会出现各种化学变化，比如油品的老化、金属部件的腐蚀等，这些变化如果不加以监控，可能会导致设备性能下降甚至故障，传统的监测手段可能无法及时捕捉到这些细微变化；电力设备在运行过程中会产生大量的电气参数数据，传统的分析方法可能不够精确，不能很好地识别设备健康状况的模式。综合，提供一种基于生物传感技术的电力设备状态监测方法。

技术实现思路

1、本发明的目的在于提供一种基于生物传感技术的电力设备状态监测方法，以解决上述背景技术中提出的设备健康状况的实时监控效率低和设备健康状况的模式识别准确度较低的问题。

2、为实现上述目的，本发明目的在于提供了一种基于生物传感技术的电力设备状态监测方法，包括以下步骤：

3、s1、通过生物传感器持续监测并记录电力设备的化学变化数据，并通过电气传感器持续监测并记录电力设备运行过程中的电气参数变化数据；

4、s2、通过k-means算法分析电气参数变化数据，识别出电力设备健康状况的模式，在计算每个电气特征与目标变量之间的互信息的过程中引入设备的振动、设备温度、金属颗粒浓度、氧化物浓度、湿度和目标变量的权重进行优化；

5、s3、根据分析结果，对电力设备的状态进行评估，确定是否存在潜在故障。

6、作为本技术方案的进一步改进，所述s1中，化学变化数据包括金属颗粒浓度和氧化物浓度。

7、作为本技术方案的进一步改进，所述s2中，通过k-means算法分析电气参数变化数据，识别出电力设备健康状况的模式，包括以下步骤：

8、s2.1、对电气参数变化数据进行预处理；

9、s2.2、使用小波变换来提取与电力设备健康状况相关的电气特征；

10、s2.3、通过互信息法来进行电气特征选择，识别出对于电力设备健康状况的模式识别最关键的电气特征；

11、s2.4、通过k-means算法识别出电力设备健康状况的模式，并通过交叉验证对k-means算法识别结果进行验证。

12、作为本技术方案的进一步改进，所述s2.2中，使用小波变换来提取与电力设备健康状况相关的电气特征具体为：

13、；

14、并引入动态范围补偿因子对小波变换提取与电力设备健康状况相关的电气特征的过程进行优化：

15、；

16、其中，表示连续小波变换的结果；表示时间序列数据；表示尺度参数；表示平移参数；表示时间变量；表示小波基函数的复共轭；表示引入动态范围补偿因子进行连续小波变换的结果；表示动态范围补偿因子。

17、作为本技术方案的进一步改进，所述s2.3中，通过互信息法来进行电气特征选择，包括以下步骤：

18、s2.31、对电气特征进行预处理；

19、s2.32、计算每个电气特征的边缘概率分布和目标变量的边缘概率分布；

20、s2.33、计算每个电气特征与目标变量之间的互信息，其中，目标变量表示电力设备是否是健康状况；

21、s2.34、根据计算得到的互信息值对电气特征进行排序，互信息值越大，表明该电气特征与目标变量的相关性越强；

22、s2.35、设置阈值q，互信息大于该阈值的电气特征是关键特征。

23、作为本技术方案的进一步改进，所述s2.33中，计算每个电气特征与目标变量之间的互信息具体为：

24、；

25、在计算每个电气特征与目标变量之间的互信息的过程中引入设备的振动、设备温度、金属颗粒浓度、氧化物浓度、湿度和目标变量的权重进行优化：

26、；

27、其中，表示电气特征和目标变量之间的相互依赖程度；表示一组电气特征；表示目标变量；表示电气特征在给定取值下的概率分布；表示目标变量在给定取值下的概率分布；表示电气特征和目标变量同时取值为和的联合概率分布；表示监测电气特征的一个具体取值；表示设备状态的一个具体取值；表示变量在给定取值下的概率分布；表示类别的权重，用于处理数据不平衡；表示变量在给定取值下，和同时取值为和的联合概率；表示变量在给定取值下，取值为的条件概率；表示变量在给定取值下，取值为的条件概率；变量表示设备的振动、设备温度、金属颗粒浓度、氧化物浓度和湿度；表示变量的取值；表示在已知变量的情况下，电气特征和目标变量之间的相互依赖程度。

28、作为本技术方案的进一步改进，所述s2.4中，通过k-means算法识别出电力设备健康状况的模式，包括以下步骤：

29、s2.41、使用轮廓系数确定最佳的簇数量，并随机选择k个电气参数变化数据作为初始质心；

30、s2.42、通过k-means算法对电气参数变化数据进行聚类；

31、s2.43、根据聚类结果识别电力设备的不同健康状况模式，每个簇代表一种健康状况。

32、作为本技术方案的进一步改进，所述s2.41中，轮廓系数具体为：

33、；

34、其中，表示电气参数变化数据点与其所在簇内其他电气参数变化数据点的平均距离；表示电气参数变化数据点与最近邻簇中所有电气参数变化数据点的平均距离；表示轮廓系数。

35、作为本技术方案的进一步改进，所述s2.42中，通过k-means算法对电气参数变化数据进行聚类，包括以下步骤：

36、s2.421、对于每一个电气参数变化数据，找到距离它最近的质心，并将其分配到对应的簇；

37、s2.422、对于每一个簇，计算新的质心；

38、s2.423、重复步骤直到质心不再变化。

39、作为本技术方案的进一步改进，所述s3中，根据分析结果，对电力设备的状态进行评估，用于确定是否存在潜在故障，包括以下步骤：

40、s3.1、根据s2中k-means算法分析结果，得到第一簇和第二簇；所述第一簇代表低电阻、稳定电流的正常运行模式，所述第二簇代表高电阻、不稳定电流的存在潜在故障模式；

41、s3.2、为第一簇设置阈值m，为第二簇设置阈值n，阈值用于判断正常操作状态和潜在故障状态，如果当前监测到的数据点靠近第一簇的质心，则设备处于正常状态；如果数据点靠近第二簇的质心，则设备存在潜在故障。

42、与现有技术相比，本发明的有益效果：

43、1、该基于生物传感技术的电力设备状态监测方法中，利用k-means算法结合电气特征与目标变量（如设备健康状况）之间的互信息分析，可以更准确地识别电力设备的健康状况模式，这种方法不仅能够区分不同健康状况的设备，而且通过引入设备振动、温度、金属颗粒浓度、氧化物浓度、湿度等参数的权重优化，可以进一步减少特征间的交互作用和数据不平衡带来的影响，从而提升故障诊断的准确性。

44、2、该基于生物传感技术的电力设备状态监测方法中，通过持续监测电力设备的化学变化数据（如金属颗粒浓度、氧化物浓度等）以及电气参数变化数据（如电阻、电流、功率因数等），能够及时发现设备内部化学成分的变化和电气特征的异常，通过这些数据的变化趋势分析，可以提前预测设备可能出现的问题。