结合无监督与有监督学习用于电力系统设备类故障预测

在电力系统中，设备类是一组具有相同功能并共享相似电气或机械特性的电力设备。预测不同设备类的故障对于电力公司制定具有成本效益的设备管理策略至关重要。此前，基于物理年龄的 Weibull 分布已被广泛用于故障预测。然而，该数学模型无法纳入设备状态数据，如巡检或试验结果。因此，该预测对于单个设备不能非常具体和准确。为解决这一重要问题，本文提出一种基于设备状态数据的新颖且全面的数据驱动方法：使用 K-means 聚类作为无监督学习方法来分析历史设备状态数据的内部结构并生成设备条件年龄；使用逻辑回归作为有监督学习方法，将设备物理年龄和条件年龄共同输入以分类和预测设备状态。此外，定义了一个称为平均老化率的指标，以量化、追踪和估计设备物理年龄与条件年龄之间的关系。该方法应用于加拿大西部的一个城市配电系统以预测中压电缆故障。给出了案例研究并与标准 Weibull 分布进行比较。所提方法在电力系统设备类故障预测中展现出优越的性能和实用性。