基于电力设备多源传感器的故障诊断体系构建方法和装置

技术领域

本申请涉及电网技术领域，特别是涉及一种基于电力设备多源传感器的故障诊断体系构建方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

电力设备作为电网系统的基础单元，其运行可靠性直接关联电网系统能否正常、安全地工作；因此，需要及时对电力设备进行可靠的故障诊断。

传统的电力设备故障诊断技术，通过分析电力设备数据是否异常来诊断电力设备是否出现故障。然而，随着电网技术的发展，电力设备数据中存在大量的、互相干扰的冗余数据；而且传统的电力设备故障诊断技术使得运维人员在诊断出故障之后，还需要进一步分析出现的故障类型。因此，传统的电力设备故障诊断技术的诊断效率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高电力设备故障诊断效率的基于电力设备多源传感器的故障诊断体系构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种基于电力设备多源传感器的故障诊断体系构建方法。所述方法包括：

根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量；所述电力设备的历史故障数据通过所述电力设备的多源传感器采集得到；

对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据；所述第一特征参量为对应的故障数据连续的特征参量；

将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度；

根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量；

根据各个所述故障类型对应的诊断特征参量，构建所述故障诊断体系。

在其中一个实施例中，所述根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量，包括：

根据所述电力设备的历史故障数据，确定所述电力设备的基础特征参量；

确认所述基础特征参量对于所述电力设备的运行状态的累计贡献率；所述累计贡献率用于表示所述基础特征参量对于所述电力设备的运行状态的综合影响程度；

从所述基础特征参量中，筛选出所述累计贡献率满足预设累计贡献率阈值的基础特征参量，作为构建所述电力设备的故障诊断体系的特征参量。

在其中一个实施例中，所述确认所述基础特征参量对于所述电力设备的运行状态的累计贡献率，包括：

针对各个所述基础特征参量，根据所述基础特征参量的历史故障数据，确认所述基础特征参量对应的相关系数矩阵信息；

根据所述基础特征参量对应的相关系数矩阵信息，确认所述基础特征参量对应的特征值；

根据所述基础特征参量的特征值的分布信息，确认所述基础特征参量对于所述电力设备的运行状态的贡献率；

针对各个所述基础特征参量，根据所述基础特征参量的贡献率，以及对应的贡献率大于所述基础特征参量的贡献率的全部基础特征参量的贡献率，得到所述基础特征参量对于所述电力设备的运行状态的累计贡献率。

在其中一个实施例中，所述对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据，包括：

对所述特征参量进行分类处理，得到第一特征参量和第二特征参量；所述第二特征参量为对应的故障数据离散的特征参量；

对所述第一特征参量的连续故障数据进行离散处理；

对所述第一特征参量的离散处理后的连续故障数据与所述第二特征参量的离散故障数据进行组合，得到所述特征参量的处理后故障数据。

在其中一个实施例中，所述对所述第一特征参量的连续故障数据进行离散处理，包括：

针对各个所述第一特征参量的连续故障数据，按照数据取值从小到大的顺序，对所述连续故障数据进行排序；

对排序后的连续故障数据进行随机划分，得到多个子区间；

针对多个子区间中的任意相邻两个子区间，获取所述相邻两个子区间的卡方值；

在所述相邻两个子区间的卡方值小于预设卡方值阈值的情况下，合并所述相邻两个子区间，得到多个更新后的子区间；

将所述多个更新后的子区间作为所述多个子区间，并跳转至所述针对多个子区间中的任意相邻两个子区间，获取所述相邻两个子区间的卡方值的步骤，直到所述多个更新后的子区间的数量满足预设子区间数量，得到所述离散处理后的连续故障数据。

在其中一个实施例中，所述将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度，包括：

通过所述预设的可信度确认模型，确认各个所述特征参量与各个所述电网设备的故障类型之间的关联信息，并分别对各个所述电网设备的故障类型对应的关联信息进行归一化处理；

将归一化处理后的关联信息，确认为所述特征参量与所述电力设备的故障类型之间的可信度；

所述根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量，包括：

针对各个所述故障类型，从各个所述特征参量中，识别出对应的可信度大于预设可信度阈值的特征参量，作为所述故障类型对应的诊断特征参量。

第二方面，本申请还提供了一种基于电力设备多源传感器的故障诊断体系构建装置。所述装置包括：

特征参量确认模块，用于根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量；所述电力设备的历史故障数据通过所述电力设备的多源传感器采集得到；

连续数据处理模块，用于对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据；所述第一特征参量为对应的故障数据连续的特征参量；

可信信息确认模块，用于将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度；

诊断参量确认模块，用于根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量；

诊断体系构建模块，用于根据各个所述故障类型对应的诊断特征参量，构建所述故障诊断体系。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量；所述电力设备的历史故障数据通过所述电力设备的多源传感器采集得到；

对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据；所述第一特征参量为对应的故障数据连续的特征参量；

将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度；

根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量；

根据各个所述故障类型对应的诊断特征参量，构建所述故障诊断体系。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量；所述电力设备的历史故障数据通过所述电力设备的多源传感器采集得到；

对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据；所述第一特征参量为对应的故障数据连续的特征参量；

将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度；

根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量；

根据各个所述故障类型对应的诊断特征参量，构建所述故障诊断体系。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据电力设备的历史故障数据，确认构建所述电力设备的故障诊断体系的特征参量；所述电力设备的历史故障数据通过所述电力设备的多源传感器采集得到；

对所述特征参量中的第一特征参量的连续故障数据进行离散处理，得到所述特征参量的处理后故障数据；所述第一特征参量为对应的故障数据连续的特征参量；

将所述特征参量的处理后故障数据输入预设的可信度确认模型中，得到所述特征参量与所述电力设备的故障类型之间的可信度；

根据所述可信度，从所述特征参量中确认各个所述故障类型对应的诊断特征参量；

根据各个所述故障类型对应的诊断特征参量，构建所述故障诊断体系。

上述基于电力设备多源传感器的故障诊断体系构建方法、装置、计算机设备、存储介质和计算机程序产品，首先根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量；接着对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据；然后将特征参量的处理后故障数据输入预设的可信度确认模型中，得到特征参量与电力设备的故障类型之间的可信度；再接着根据可信度，从特征参量中确认各个故障类型对应的诊断特征参量；最后根据各个故障类型对应的诊断特征参量，构建故障诊断体系。这样，通过电力设备的故障数据，为电力设备的故障诊断体系确认特征参量，然后通过对连续数据的离散化处理以及确认各个特征参量与各个故障类型之间的可信度，为每个故障类型确认对应的诊断特征参量，进而构建故障诊断体系；基于以上过程构建得到的电力设备故障诊断体系，能够通过少量的特征参量对电力设备的故障以及故障类型进行诊断；换言之，构建得到的故障诊断体系，既避免了传统电力设备故障诊断技术中大量冗余数据的干扰，又能够进一步诊断出故障类型，从而提高了电力设备的故障诊断效率。

附图说明

图1为一个实施例中基于电力设备多源传感器的故障诊断体系构建方法的流程示意图；

图2为一个实施例中根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量的步骤的流程示意图；

图3为一个实施例中对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据的步骤的流程示意图；

图4为一个实施例中基于卡方分裂的连续数据离散化算法对第一特征参量的连续故障数据进行离散处理的步骤的流程示意图；

图5为另一个实施例中基于电力设备多源传感器的故障诊断体系构建方法的流程示意图；

图6为一个实施例中基于电力设备多源传感器的故障诊断体系构建装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一示例性实施例中，如图1所示，提供了一种基于电力设备多源传感器的故障诊断体系构建方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括服务器和终端的系统，并通过服务器和终端之间的交互实现。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现；终端可以但不限于是电力设备运维人员的各种个人计算机、笔记本电脑、智能手机和平板电脑等。本实施例中，该方法包括以下步骤：

步骤S102，根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量。

其中，电力设备的历史故障数据为基于行业经验、国家标准，通过多源传感器获取的电力设备在历史故障状态下的历史状态数据；多源传感器为采集不同数据类型的多种传感器；构建电力设备的故障诊断体系的特征参量为电力设备的基础运行指标中，能够对电力设备的故障诊断发挥主要作用的重要基础运行指标；电力设备的基础运行指标为电力设备在日常的运行过程中的各项指标，各项指标的数据即历史故障数据，通过不同的传感器采集得到。

具体地，服务器通过多种传感器，采集电力设备在历史故障状态下的历史状态数据，从电力设备的各个基础运行指标中，确认出能够用于电力设备的故障诊断的各个重要基础运行指标，作为构建电力设备的故障诊断体系的特征参量。

举例说明，假设对应于电力设备的历史故障数据，有45个电力设备的基础运行指标，服务器通过对45个基础运行指标的数据的分析，在这45个基础运行指标中，选取重要的28个基础运行指标，作为构建电力设备的故障诊断体系的特征参量。

步骤S104，对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据。

其中，第一特征参量为对应的故障数据连续的特征参量；对应于第一特征参量的第二特征参量为对应的故障数据离散的特征参量。

具体地，服务器对特征参量中，对应的故障数据为连续量的第一特征参量的连续故障数据进行离散处理，然后结合特征参量中对应的故障数据为离散量的第二特征参量的离散故障数据，得到特征参量的处理后故障数据。

步骤S106，将特征参量的处理后故障数据输入预设的可信度确认模型中，得到特征参量与电力设备的故障类型之间的可信度。

其中，特征参量与电力设备的故障类型之间的可信度用于表征各个特征参量与各个故障类型之间的相关程度，可以理解为可信度越高，那么特征参量与故障类型之间的相关性也越高。预设的可信度确认模型通过对多组的历史故障数据和故障类型进行多次的深度学习得到。

需要说明的是，在采集电力设备的历史故障数据的同时，也会基于历史故障数据，对电力设备的故障类型进行划分，如得到8种故障类型，绕组故障、电弧放电故障、绝缘老化故障、套管故障、铁芯故障、绝缘油受潮故障、电流回路过热故障和漏油。可以理解的是，故障类型还反映了出现故障的部位，因此基于故障类型的诊断结果，还能够快速定位电力设备出现故障的部件。

具体地，服务器将特征参量的处理后故障数据作为输入，输入至预设的可信度确认模型中，通过预设的可信度确认模型，得到各个特征参量与各个电力设备的故障类型之间的可信度。

举例说明，服务器通过预设的可信度确认模型，得到各个特征参量与各个电力设备的故障类型之间的可信度，例如有28个特征参量，8个故障类型，即得到28×8＝224个可信度。

步骤S108，根据可信度，从特征参量中确认各个故障类型对应的诊断特征参量。

其中，各个故障类型对应的诊断特征参量为用于诊断是否为某种故障类型的特征参量，例如，假设用渗漏油，油中含气量以及绝缘油油中颗粒度三个特征参量来诊断是否为漏油故障，那么这三个特征参量即为漏油故障对应的诊断特征参量。

需要说明的是，各个故障类型对应的诊断特征参量为一个或者多个，具体可以根据实际情况确定。

具体地，服务器分别根据各个故障类型与各个特征参量之间的可信度的大小关系，从各个特征参量中，选取一个或多个特征参量，作为用于诊断是否属于各个故障类型的诊断特征参量。

以漏油故障的诊断特征参量的确认过程为例进行说明，服务器根据漏油故障与28个特征参量的可信度的大小，从28个特征参量中筛选出渗漏油，油中含气量以及绝缘油油中颗粒度这三个特征参量，作为漏油故障的诊断特征参量。

步骤S110，根据各个故障类型对应的诊断特征参量，构建故障诊断体系。

具体地，服务器通过步骤S108，能够确认各个故障类型的诊断特征参量，即各个故障类型与对应的诊断特征参量之间的关系，然后根据各个故障类型与对应的诊断特征参量之间的关系，构建电力设备的故障诊断体系。运维人员可根据故障诊断体系，利用较少的指标数据，对电力设备的故障以及故障类型进行诊断。

举例说明，如表1所示为故障诊断体系。通过故障诊断体系，能够根据少量的诊断特征参量，快速判断故障出现的类型，例如，只需要分析糠醛含量、纸板聚合度、绝缘油介损、体积电阻率以及瓷质绝缘破损的具体数据，就能够判断电力设备是否出现了绝缘老化故障。

表1故障诊断体系表

上述基于电力设备多源传感器的故障诊断体系构建方法中，服务器首先根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量；接着对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据；然后将特征参量的处理后故障数据输入预设的可信度确认模型中，得到特征参量与电力设备的故障类型之间的可信度；再接着根据可信度，从特征参量中确认各个故障类型对应的诊断特征参量；最后根据各个故障类型对应的诊断特征参量，构建故障诊断体系。这样，服务器通过电力设备的故障数据，为电力设备的故障诊断体系确认特征参量，然后通过对连续数据的离散化处理以及确认各个特征参量与各个故障类型之间的可信度，为每个故障类型确认对应的诊断特征参量，进而构建故障诊断体系；基于以上过程构建得到的电力设备故障诊断体系，服务器能够通过少量的特征参量对电力设备的故障以及故障类型进行诊断；换言之，构建得到的故障诊断体系，既避免了传统电力设备故障诊断技术中大量冗余数据的干扰，又能够进一步诊断出故障类型，从而提高了电力设备的故障诊断效率。

在一示例性实施例中，如图2所示，上述步骤S102，根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量，具体包括以下步骤：

步骤S202，根据电力设备的历史故障数据，确定电力设备的基础特征参量。

步骤S204，确认基础特征参量对于电力设备的运行状态的累计贡献率。

步骤S206，从基础特征参量中，筛选出累计贡献率满足预设累计贡献率阈值的基础特征参量，作为构建电力设备的故障诊断体系的特征参量。

其中，累计贡献率用于表示基础特征参量对于电力设备的运行状态的综合影响程度。预设累计贡献率阈值为根据精度要求设定的阈值条件，例如要求故障诊断体系的特征参量的累计贡献率大于95％。

具体地，服务器根据对电力设备的历史故障数据进行分类，确定电力设备的在日常的运行过程中的各项指标，并将各项指标作为电力设备的基础特征参量；然后确认各个基础特征参量对应的累计贡献率，并将累计贡献率大于预设累计贡献率阈值的各个基础特征参量，确认为构建电力设备的故障诊断体系的特征参量。

以预设累计贡献率阈值为95％为例进行说明，服务器确认45个基础特征参量对应的累计贡献率，并将累计贡献率大于95％的28个基础特征参量，确认为构建电力设备的故障诊断体系的特征参量。

本实施例中，服务器通过累计贡献率和预设累计贡献率阈值，从大量的基础特征参量中，选取部分基础特征参量作为故障诊断体系的特征参量，能够使得故障诊断体系只需要通过少量的指标，即可完成对电力设备的故障诊断。

在一示例性实施例中，上述步骤S204，具体包括以下内容：针对各个基础特征参量，根据基础特征参量的历史故障数据，确认基础特征参量对应的相关系数矩阵信息；根据基础特征参量对应的相关系数矩阵信息，确认基础特征参量对应的特征值；根据基础特征参量的特征值的分布信息，确认基础特征参量对于电力设备的运行状态的贡献率；针对各个基础特征参量，根据基础特征参量的贡献率，以及对应的贡献率大于基础特征参量的贡献率的全部基础特征参量的贡献率，得到基础特征参量对于电力设备的运行状态的累计贡献率。

可以理解的是，基础特征参量可以以历史故障数据，构建对应的故障数据向量，即每个基础特征参量的历史故障数据为一组故障数据向量。基础特征参量对应的相关系数矩阵信息，为根据各个基础特征参量之间的相关系数得到的矩阵。基础特征参量对应的特征值为，根据相关系数矩阵得到对应于基础特征参量的特征值。基础特征参量的特征值的分布信息可以理解为，特征值归一化处理后的结果。

具体地，服务器首先对采集到的历史故障数据进行标准化处理，并根据标准化处理后的历史故障数据，得到各个基础特征参量的故障数据向量；然后根据故障数据向量，确认各个基础特征参量之间的相关系数，并根据相关系数构建相关系数矩阵，作为基础特征参量对应的相关系数矩阵信息；接着服务器确认相关系数矩阵的各个特征值，作为各个基础特征参量对应的特征值；最后通过对各个特征值进行归一化处理，得到各个基础特征参量的特征值的分布信息，从而得到各个基础特征参量对应的贡献率；再接着，服务器针对各个基础特征参量，根据贡献率，以及对应的贡献率大于基础特征参量的贡献率的全部基础特征参量的贡献率，得到该基础特征参量对于电力设备的运行状态的累计贡献率。

本实施例通过PCA(Principle component analysis，主成分分析法)为故障诊断体系确认特征参量，以45个基础特征参量为例进行说明，服务器首先确认基础特征参量的相关系数矩阵R＝[r

其中，n为采集的历史故障数据的组数，例如采集了920组关于45个基础特征参量的历史故障数据，那么在本实施例中，n为920；r

能够理解的是，在公式1中，r

接着服务器对相关系数矩阵R＝[r

其中，m为基础特征参量的个数，在本实施例中，m为45；W

服务器基于预设累计贡献率阈值95％，将前28个基础特征参量确认为故障诊断系统的特征参量。

表2基础特征参量的贡献率及累计贡献率

/>

本实施例中，服务器通过基础特征参量的相关系数矩阵信息，得到各个基础特征参量对应的特征值，从而确认各个基础特征参量对应的贡献率和累计贡献率，能够实现从大量的电力设备数据中，筛选出部分电力设备数据，作为诊断电力设备故障的特征参量，进而使得基于特征参量的诊断过程不需要分析海量的数据，也不会受到冗余数据的干扰，提高了故障诊断效率。

在一示例性实施例中，如图3所示，上述步骤S104，对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据，具体包括以下步骤：

步骤S302，对特征参量进行分类处理，得到第一特征参量和第二特征参量；第二特征参量为对应的故障数据离散的特征参量。

步骤S304，对第一特征参量的连续故障数据进行离散处理。

步骤S306，对第一特征参量的离散处理后的连续故障数据与第二特征参量的离散故障数据进行组合，得到特征参量的处理后故障数据。

其中，对第一特征参量的连续故障数据进行离散处理，可以通过基于卡方分裂的离散法进行，也可以通过等距离散法、等频率离散法或是二值化离散法等数据离散方法进行。

可以理解的是，在特征参量中，有部分特征参量对应的故障数据是离散的，有部分特征参量对应的故障数据是连续的。因此具体地，服务器对特征参量进行分类，得到对应的故障数据连续的第一特征参量和对应的故障数据离散的第二特征参量；然后服务器对第一特征参量的连续故障数据进行离散处理，得到第一特征参量的离散处理后的连续故障数据，并与第二特征参量的离散故障数据进行组合，得到特征参量的处理后故障数据。

本实施例中，服务器通过对连续数据的离散化处理，能够将特征参量对应的历史故障数据统一标准化为离散数据，便于后续的可信度确认。

在一示例性实施例中，以基于卡方分裂的ChiMerge(连续数据离散化)算法对第一特征参量的连续故障数据进行离散处理为例进行说明。上述步骤S304，对第一特征参量的连续故障数据进行离散处理，具体包括以下内容：针对各个第一特征参量的连续故障数据，按照数据取值从小到大的顺序，对连续故障数据进行排序；对排序后的连续故障数据进行随机划分，得到多个子区间；针对多个子区间中的任意相邻两个子区间，获取相邻两个子区间的卡方值；在相邻两个子区间的卡方值小于预设卡方值阈值的情况下，合并相邻两个子区间，得到多个更新后的子区间；将多个更新后的子区间作为多个子区间，并跳转至针对多个子区间中的任意相邻两个子区间，获取相邻两个子区间的卡方值的步骤，直到多个更新后的子区间的数量满足预设子区间数量，得到离散处理后的连续故障数据。

其中，卡方值用于检验相邻两个子区间之间的相关性。预设卡方值阈值为根据精度要求设定的阈值条件，在本实施例中以0.9为例进行说明。预设子区间数量为根据精度要求设定的数量，在本实施例中以5为例进行说明。

具体地，服务器按照数据取值从小到大的顺序，分别对各个第一特征参量的连续故障数据进行排序，并且将排序后的连续故障数据随机划分成多个子区间；然后服务器从数据取值最小的子区间开始，计算两个相邻子区间的卡方值，若卡方值小于预设卡方值阈值0.9，则说明两个相邻子区间相关性较高，合并两个相邻子区间，得到新的数据取值最小的子区间；接着服务器再次从新的数据取值最小的子区间开始，计算两个相邻子区间的卡方值，并根据卡方值进行区间合并；若两个相邻子区间的卡方值大于预设卡方值阈值0.9，则计算下一组两个相邻子区间的卡方值，直到所有两个相邻子区间的卡方值都大于预设卡方值阈值；最后服务器判断合并后的子区间数量是否满足预设子区间数量，若合并后的子区间数量大于5，则将卡方值最小的两个相邻子区间合并，并重新计算各个相邻子区间的卡方值；若合并后的子区间数量等于5，则完成离散化处理。以上离散化处理过程如图4所示。

举例说明，服务器根据公式3计算两个相邻子区间的卡方值：

其中，χ

/>

其中，N

本实施例中，服务器通过对特征参量对应的历史故障数据中的连续故障数据进行离散化，将特征参量对应的历史故障数据统一标准化为离散数据，简化了后续确认特征参量与故障类型之间的可信度过程中的数据处理。

在一示例性实施例中，上述步骤S108，将特征参量的处理后故障数据输入预设的可信度确认模型中，得到特征参量与电力设备的故障类型之间的可信度，具体包括以下内容：通过预设的可信度确认模型，确认各个特征参量与各个电网设备的故障类型之间的关联信息，并分别对各个电网设备的故障类型对应的关联信息进行归一化处理；将归一化处理后的关联信息，确认为特征参量与电力设备的故障类型之间的可信度。

上述步骤S110，根据可信度，从特征参量中确认各个故障类型对应的诊断特征参量，具体包括以下内容：针对各个故障类型，从各个特征参量中，识别出对应的可信度大于预设可信度阈值的特征参量，作为故障类型对应的诊断特征参量。

其中，预设可信度阈值为根据精度要求设定的阈值条件，本实施例以预设可信度阈值为0.35为例进行说明。预设的可信度确认模型可以根据不同的可信度确认原理构建得到，本实施例中以基于MIC(Maximal Information Coefficient，最大信息系数)的预设的可信度确认模型为例进行说明。

具体地，服务器首先通过预设的可信度确认模型，确认各个特征参量与各个电网设备的故障类型之间的关联信息；接着为了便于比较关联信息，分别对各个故障类型对应的关联信息进行归一化处理，并将归一化处理后的关联信息确认为特征参量与故障类型之间的可信度；最后从各个故障类型对应的可信度中，筛选出可信度大于预设可信度阈值0.35的特征参量，作为该故障类型的诊断特征参量。

举例说明，服务器通过预设的可信度确认模型，根据公式5确认各个特征参量和各个故障类型之间的关联信息：

其中，Z为由特征参量和故障类型组成的样本空间；X代表特征参量，Y代表故障类型；p(X)和p(Y)分别为特征参量X和故障类型Y的边缘概率密度函数；p(X,Y)代表特征参量X和故障类型Y的连续概率密度函数。确认出各个特征参量和各个故障类型之间的关联信息I之后，还需要通过公式6对关联信息进行归一化处理：

其中，NMI(x,c)为特征参量X和故障类型Y之间归一化后的关联信息，即特征参量X和故障类型Y之间的可信度；B为样本空间Z的网格划分上限，一般设为数据总量的0.6次方。通过公式6可得到如表3所示的可信度确认结果。表3中的Y1～Y8分别为绕组故障、电弧放电故障、绝缘老化故障、套管故障、铁芯故障、绝缘油受潮故障、电流回路过热故障和漏油故障；X1～X28为根据步骤S206筛选出来的各个特征参量。

表3可信度确认结果

接着服务器从表3中，分别针对各个故障类型，选取可信度大于预设可信度阈值0.35的特征参量，作为该故障类型的诊断特征参量。以Y1为例，Y1为绕组故障，在Y1对应的可信度中，大于预设可信度阈值的特征参量为X3、X10、X13、X17以及X26，根据表2可知，X3、X10、X13、X17以及X26对应的特征参量分别为，绕组绝缘介损、H

本实施例中，服务器通过预设的可信度确认模型确认各个特征参量和各个故障类型之间的可信度，并根据预设可信度阈值条件为各个故障类型确认对应的诊断特征参量，从而实现了构建用少量特征参量对电力设备进行故障诊断的故障诊断体系，进而提高了电力设备的故障诊断效率。

在一示例性实施例中，如图5所示，提供了另一种基于电力设备多源传感器的故障诊断体系构建方法，以该方法应用于服务器为例进行说明，包括以下步骤：

步骤S501，根据多源传感器采集到的电力设备的历史故障数据，确定电力设备的基础特征参量。

步骤S502，针对各个基础特征参量，根据基础特征参量的历史故障数据，确认基础特征参量对应的相关系数矩阵信息，并根据相关系数矩阵信息，确认基础特征参量对应的特征值。

步骤S503，根据基础特征参量的特征值的分布信息，确认基础特征参量对于电力设备的运行状态的贡献率以及累计贡献率；并从基础特征参量中，筛选出累计贡献率满足预设累计贡献率阈值的基础特征参量，作为构建电力设备的故障诊断体系的特征参量。

其中，累计贡献率用于表示基础特征参量对于电力设备的运行状态的综合影响程度。

步骤S504，对特征参量进行分类处理，得到第一特征参量和第二特征参量；并基于卡方分裂的ChiMerge算法对第一特征参量的连续故障数据进行离散化处理。

其中，第一特征参量为对应的故障数据连续的特征参量；第二特征参量为对应的故障数据离散的特征参量。

步骤S505，对第一特征参量的离散处理后的连续故障数据与第二特征参量的离散故障数据进行组合，得到特征参量的处理后故障数据。

步骤S506，通过预设的可信度确认模型，根据特征参量的处理后故障数据，确认各个特征参量与各个电网设备的故障类型之间的可信度。

步骤S507，针对各个故障类型，从各个特征参量中，识别出对应的可信度大于预设可信度阈值的特征参量，作为故障类型对应的诊断特征参量。

步骤S508，根据各个故障类型对应的诊断特征参量，构建故障诊断体系。

本实施例中，服务器通过基础特征参量的累计贡献率和预设累计贡献率阈值，从大量的基础特征参量中，选取部分基础特征参量作为故障诊断体系的特征参量；同时，服务器通过对历史故障数据中的连续数据进行离散化处理，能够将特征参量对应的历史故障数据统一标准化为离散数据，简化了后续确认特征参量与故障类型之间的可信度过程中的数据处理；此外，服务器通过预设的可信度确认模型确认各个特征参量和各个故障类型之间的可信度，并根据预设可信度阈值条件为各个故障类型确认对应的诊断特征参量，从而实现了构建用少量特征参量对电力设备进行故障诊断的故障诊断体系；换言之，构建得到的故障诊断体系，既避免了传统电力设备故障诊断技术中大量冗余数据的干扰，又能够进一步诊断出故障类型，从而提高了电力设备的故障诊断效率。

为了更清晰阐明本申请实施例提供的基于电力设备多源传感器的故障诊断体系构建方法，以下以一个具体的实施例对该基于电力设备多源传感器的故障诊断体系构建方法进行具体说明。在一示例性实施例中，本申请还提供了一种基于PCA-改进ChiMerge-MIC的电力设备多源传感器数据融合方法，具体包括以下步骤：

步骤1：服务器通过多源传感器，收集920组电力设备的历史故障数据，分析历史故障数据得到电力设备的8种故障类型和电力设备运行状态的45种基础特征参量。

步骤2：服务器对920组历史故障数据进行预处理，剔除异常数据，并采用主成分分析法，对基础特征参量进行降维，得到28种主要影响电力设备运行状态的特征参量。

步骤3：服务器采用ChiMerge算法对特征参量中的连续数据进行离散处理，得到特征参量处理后的故障数据。

步骤4：服务器通过预设的MIC可信度确认模型，根据特征参量处理后的故障数据计算28种特征参量与8种故障类型之间的可信度。

步骤5：服务器根据预设可信度阈值，针对各个故障类型，筛选可信度大于预设可信度阈值的特征参量作为该故障类型的诊断特征参量。

步骤6：服务器根据各个故障类型的诊断特征参量，构建如表1所示的电力设备故障诊断体系。

本实施例中，服务器采用主成分分析法，度量基础特征参量与故障类型间的相关性，消除冗余特征，进而选取与电力设备故障强相关的基础特征参量作为故障诊断体系的特征参量；同时在此基础上采用ChiMerge优化的MIC可信度确认模型，度量各个特征参量与故障类型之间的可信度，提取出各个故障类型的强相关特征参量，作为故障类型的诊断特征参量，实现了通过少量传感器监测数据的异常实现电力设备的故障诊断与定位，提高了电力设备安全运行的可靠性，为电力设备的智能运维提供了新手段。此外，服务器采用改进的ChiMerge算法对MIC可信度确认模型进行优化，避免了MIC可信度确认模型多次分区计算可信度的问题，极大的提高了算法效率。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于电力设备多源传感器的故障诊断体系构建方法的基于电力设备多源传感器的故障诊断体系构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于电力设备多源传感器的故障诊断体系构建装置实施例中的具体限定可以参见上文中对于基于电力设备多源传感器的故障诊断体系构建方法的限定，在此不再赘述。

在一示例性实施例中，如图6所示，提供了一种基于电力设备多源传感器的故障诊断体系构建装置，包括：特征参量确认模块602、连续数据处理模块604、可信信息确认模块606、诊断参量确认模块608和诊断体系构建模块610，其中：

特征参量确认模块602，用于根据电力设备的历史故障数据，确认构建电力设备的故障诊断体系的特征参量；电力设备的历史故障数据通过电力设备的多源传感器采集得到。

连续数据处理模块604，用于对特征参量中的第一特征参量的连续故障数据进行离散处理，得到特征参量的处理后故障数据；第一特征参量为对应的故障数据连续的特征参量。

可信信息确认模块606，用于将特征参量的处理后故障数据输入预设的可信度确认模型中，得到特征参量与电力设备的故障类型之间的可信度。

诊断参量确认模块608，用于根据可信度，从特征参量中确认各个故障类型对应的诊断特征参量。

诊断体系构建模块610，用于根据各个故障类型对应的诊断特征参量，构建故障诊断体系。

在一示例性实施例中，特征参量确认模块602，还用于根据电力设备的历史故障数据，确定电力设备的基础特征参量；确认基础特征参量对于电力设备的运行状态的累计贡献率；累计贡献率用于表示基础特征参量对于电力设备的运行状态的综合影响程度；从基础特征参量中，筛选出累计贡献率满足预设累计贡献率阈值的基础特征参量，作为构建电力设备的故障诊断体系的特征参量。

在一示例性实施例中，特征参量确认模块602，还用于针对各个基础特征参量，根据基础特征参量的历史故障数据，确认基础特征参量对应的相关系数矩阵信息；根据基础特征参量对应的相关系数矩阵信息，确认基础特征参量对应的特征值；根据基础特征参量的特征值的分布信息，确认基础特征参量对于电力设备的运行状态的贡献率；针对各个基础特征参量，根据基础特征参量的贡献率，以及对应的贡献率大于基础特征参量的贡献率的全部基础特征参量的贡献率，得到基础特征参量对于电力设备的运行状态的累计贡献率。

在一示例性实施例中，连续数据处理模块604，还用于对特征参量进行分类处理，得到第一特征参量和第二特征参量；第二特征参量为对应的故障数据离散的特征参量；对第一特征参量的连续故障数据进行离散处理；对第一特征参量的离散处理后的连续故障数据与第二特征参量的离散故障数据进行组合，得到特征参量的处理后故障数据。

在一示例性实施例中，连续数据处理模块604，还用于针对各个第一特征参量的连续故障数据，按照数据取值从小到大的顺序，对连续故障数据进行排序；对排序后的连续故障数据进行随机划分，得到多个子区间；针对多个子区间中的任意相邻两个子区间，获取相邻两个子区间的卡方值；在相邻两个子区间的卡方值小于预设卡方值阈值的情况下，合并相邻两个子区间，得到多个更新后的子区间；将多个更新后的子区间作为多个子区间，并跳转至针对多个子区间中的任意相邻两个子区间，获取相邻两个子区间的卡方值的步骤，直到多个更新后的子区间的数量满足预设子区间数量，得到离散处理后的连续故障数据。

在一示例性实施例中，可信信息确认模块606，还用于通过预设的可信度确认模型，确认各个特征参量与各个电网设备的故障类型之间的关联信息，并分别对各个电网设备的故障类型对应的关联信息进行归一化处理；将归一化处理后的关联信息，确认为特征参量与电力设备的故障类型之间的可信度。

在一示例性实施例中，诊断参量确认模块608，还用于针对各个故障类型，从各个特征参量中，识别出对应的可信度大于预设可信度阈值的特征参量，作为故障类型对应的诊断特征参量。

上述基于电力设备多源传感器的故障诊断体系构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一示例性实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力设备的历史故障数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于电力设备多源传感器的故障诊断体系构建方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一示例性实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一示例性实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一示例性实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。