一种抽水蓄能机组的智能预警方法及系统

技术领域

本发明涉及水电机组维护技术领域，具体而言，涉及一种抽水蓄能机组的智能预警方法及系统。

背景技术

抽水蓄能机组是一种重要的能源储存和调度设备，在能源领域具有广泛的应用。然而，由于抽水蓄能机组的复杂性和长期运行的特点，存在着故障和劣化问题，这可能导致设备性能下降、安全风险增加以及运维成本的增加。

在过去的几十年里，针对抽水蓄能机组的故障检测和预警技术得到了广泛研究和应用。然而，传统的故障检测方法主要基于规则和经验，往往无法准确地捕捉到设备运行中的潜在问题，且对于复杂的故障模式和劣化趋势的识别能力有限。此外，传统方法通常依赖于专家经验和手动分析，存在主观性和工作量大的问题。

现需要一种能够充分利用数据之间的关联信息、提高特征提取的准确性和模型的预测能力，并针对于所述特征信息进行机组信息判断，基于判断结果进行预警的方法及系统。

发明内容

本发明的目的在于提供一种抽水蓄能机组的智能预警方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

一方面，本申请提供了一种抽水蓄能机组的智能预警方法，包括：

获取第一信息，所述第一信息包括抽水蓄能机组的结构化数据信息、非结构化数据信息和时序数据信息；

将所述第一信息发送至数据处理模块进行编码和分类处理，得到第二信息，所述第二信息包括人工记录数据和设备记录数据；

将所述人工记录数据发送至关联分析模块进行关联分析，并基于分析得到人工记录数据与预设的抽水蓄能机组的状态数据的关联度值，判断得到所述抽水蓄能机组的状态信息；

将所述设备记录数据发送至特征分析模块进行特征分析，得到第三信息，所述第三信息包括所述抽水蓄能机组的状态特征数据和劣化趋势特征数据；

将所述第三信息发送至训练后的特征预测模型进行特征数据预测，得到未来的预设时间段的特征数据信息；

将所述抽水蓄能机组的状态信息和未来预设时间段的特征数据信息发送至抽水蓄能机组预警判断模块进行处理，得到所述抽水蓄能机组当前时间段和未来的预设时间段的预警信息。

另一方面，本申请还提供了一种抽水蓄能机组的智能预警系统，包括：

获取单元，用于获取第一信息，所述第一信息包括抽水蓄能机组的结构化数据信息、非结构化数据信息和时序数据信息；

第一处理单元，用于将所述第一信息发送至数据处理模块进行编码和分类处理，得到第二信息，所述第二信息包括人工记录数据和设备记录数据；

第一分析单元，用于将所述人工记录数据发送至关联分析模块进行关联分析，并基于分析得到人工记录数据与预设的抽水蓄能机组的状态数据的关联度值，判断得到所述抽水蓄能机组的状态信息；

第二分析单元，用于将所述设备记录数据发送至特征分析模块进行特征分析，得到第三信息，所述第三信息包括所述抽水蓄能机组的状态特征数据和劣化趋势特征数据；

预测单元，用于将所述第三信息发送至训练后的特征预测模型进行特征数据预测，得到未来的预设时间段的特征数据信息；

第二处理单元，用于将所述抽水蓄能机组的状态信息和未来预设时间段的特征数据信息发送至抽水蓄能机组预警判断模块进行处理，得到所述抽水蓄能机组当前时间段和未来的预设时间段的预警信息。

本发明的有益效果为：

本发明采用了数据处理、关联分析、特征分析和预测模型构建等技术，通过对抽水蓄能机组的结构化数据、非结构化数据和时序数据进行编码、分类和特征提取，实现了对设备状态和劣化趋势的准确预测和判断。相较于传统的基于规则和经验的方法，本方法能够更准确地捕捉到设备运行中的潜在问题，并提高预警的及时性和准确性；

通过及时预警和准确诊断抽水蓄能机组的故障和劣化问题，本发明可以帮助运维人员提前采取相应的维护和修复措施，降低设备的损坏和维修成本。同时，准确的预警和判断还可以降低设备故障对能源系统的影响，提高系统的可靠性和稳定性，减少安全风险。

本发明的抽水蓄能机组的智能预警方法通过引入智能化技术和数据分析方法，提高了对设备状态和劣化趋势的预测和诊断能力，具有重要的实用性和经济效益。该方法在能源领域和抽水蓄能机组的运维管理中具有广泛的应用前景，对提高能源系统的安全性、可靠性和运行效率具有重要意义。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的抽水蓄能机组的智能预警方法流程示意图；

图2为本发明实施例中所述的抽水蓄能机组的智能预警系统结构示意图。

图中:701、获取单元；702、第一处理单元；703、第一分析单元；704、第二分析单元；705、预测单元；706、第二处理单元；7021、第一分析子单元；7022、第二分析子单元；7023、第一聚类子单元；7024、第二聚类子单元；7025、第一处理子单元；7031、第三分析单元；7032、第一计算子单元；7033、第一判断子单元；7041、第二处理子单元；7042、第四分析子单元；7043、第三处理子单元；7044、第五分析子单元；7045、第四处理子单元；7046、第六分析子单元；7047、第七分析子单元；7051、第一预测子单元；7052、第二预测子单元；7053、第二计算子单元；7054、第三计算子单元；7061、第五处理子单元；7062、第六处理子单元；7063、第四计算子单元；7064、第二判断子单元；7065、第三判断子单元；7066、第四判断子单元；7067、第五判断子单元；。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种抽水蓄能机组的智能预警方法。

参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6。

步骤S1、获取第一信息，所述第一信息包括抽水蓄能机组的结构化数据信息、非结构化数据信息和时序数据信息；

可以理解的是本步骤通过统一进行来自各场站的边云协同数据采集、可靠数据传输、生产实时系统、生产管理系统的数据采集，并实现对于场站的下行数据传输服务，对于非结构化数据采集映射，我们需要提前在数据库中保存一个基本的文件夹目录rootPath，作为非机构化数据传输的基站，而后在数据采集模型文件内配置源文件目录和目标文件目录以及对应的文件采集规则，即可完成非结构化数据采集的配置，对于结构化数据采集映射的配置，只需要在数据采集模型文件中进行配置，确定好唯一的采集任务标识、源和目的数据源的对象ID，根据两对象的字段进行映射配置，并设置查询条件和增量依赖即可。

步骤S2、将所述第一信息发送至数据处理模块进行编码和分类处理，得到第二信息，所述第二信息包括人工记录数据和设备记录数据；

可以理解的是本步骤通过层次分析对第一信息内的所有数据进行层次分析，确定每个数据对应的权重，进而提高分类的准确性，其中，所述人工记录数据包括台账数据、检修数据、技术监督数据和缺陷记录数据，其中，所述设备记录数据包括报警数据、工况数据、试验过程数据、状态波形数据和状态点形数据本步骤中，步骤S2包括步骤S21、步骤S22、步骤S23、步骤S24和步骤S25。

步骤S21、基于层次分析法对所述第一信息内的所有数据进行层次分析，得到层次结构模型；

步骤S22、基于所述层次结构模型，逐层对所有数据的重要性进行比较，构造判别矩阵，并基于所述判断矩阵对每个数据进权重分配，得到每个数据占所有数据的重要性值；

可以理解的是本步骤通过层次分析法对抽水蓄能机组的结构化数据、非结构化数据和时序数据进行层次分析，本方法能够构建出准确的层次结构模型，并逐层比较数据的重要性，得到每个数据占所有数据的重要性值。

步骤S23、基于K-means聚类算法对所有数据的重要性值进行聚类处理，得到至少两个聚类簇；

步骤S24、基于所有的所述聚类簇和拉依达准则计算得到各个聚类簇对应的阈值范围；

可以理解的是本步骤能够精确地将数据进行分类，提高数据分析的准确性和精细性。通过对数据进行分类和重要性评估，本方法能够得到第二信息，即将抽水蓄能机组的数据按照重要性进行划分。基于分类后的数据，可以针对不同重要性的数据采取不同的预警策略，提高预警的精准度和针对性。同时，分类后的数据也为运维人员提供了决策支持，帮助他们更好地进行设备维护和修复，降低运维成本和风险。

步骤S25、基于所述阈值范围对所有数据进行分类，得到第二信息。

可以理解的是本发明的抽水蓄能机组的智能预警方法通过层次分析和聚类算法，提高了数据分析的准确性和精细性，为预警策略和决策支持提供了优化的依据。该方法在能源领域和抽水蓄能机组的运维管理中具有广泛的应用前景，对提高能源系统的安全性、可靠性和运行效率具有重要意义。

步骤S3、将所述人工记录数据发送至关联分析模块进行关联分析，并基于分析得到人工记录数据与预设的抽水蓄能机组的状态数据的关联度值，判断得到所述抽水蓄能机组的状态信息；

可以理解的是本步骤通过对人工记录数据内的数据和抽水蓄能机组的状态数据进行关联分析，基于两者的关联度分析两者间的联系，进而确定所述抽水蓄能机组当前的状态信息，本步骤中，步骤S3包括步骤S31、步骤S32和步骤S33。

步骤S31、将所述人工记录数据和预设的抽水蓄能机组的状态数据进行关联分析，其中，将所述人工记录数据和预设的抽水蓄能机组的状态数据进行无量纲化处理，得到无量纲化后的人工记录数据和无量纲化后的状态数据；

步骤S32、基于预设的关联度计算公式对所述无量纲化后的人工记录数据和无量纲化后的状态数据进行计算，得到所述无量纲化后的人工记录数据和无量纲化后的状态数据的关联度值；

可以理解的是本步骤通过以下公式进行关联系数计算和关联度值计算：

其中：γ

其中：ε

步骤S33、基于预设的状态评价阈值和所述关联度值进行比较，并基于比较结果确定所述抽水蓄能机组的状态信息。

本发明通过对所述人工记录数据和预设的抽水蓄能机组的状态数据进行关联分析提供了一种综合考虑人工记录数据和抽水蓄能机组状态数据的关联分析方法，能够准确评估机组的状态信息。通过无量纲化处理，将不同量纲的人工记录数据和状态数据进行统一，消除了数据之间的量纲差异，提高了关联度计算的准确性。基于关联度计算和状态评价阈值的比较，确定机组的状态信息，为运维人员提供了及时的预警信息，减少了故障风险和损失。

步骤S4、将所述设备记录数据发送至特征分析模块进行特征分析，得到第三信息，所述第三信息包括所述抽水蓄能机组的状态特征数据和劣化趋势特征数据；

可以理解的是本步骤通过对第三信息进行特征提取和特征分析，确定所述抽水蓄能机组的状态特征和劣化趋势特征，便于针对于故障进行预测，提高预测准确性，本步骤中，步骤S4包括

步骤S41、将所述设备记录数据进行数据预处理，其中，通过对所述设备记录数据进行数据清洗、去除异常值和填补缺失值处理，得到预处理后的设备记录数据；

步骤S42、将所述预处理后的设备记录数据进行线性回归分析，并基于分析得到的所述设备记录数据在每个时间点对应的状态信息构建二维空间直角坐标系，其中所述二维空间直角坐标系的X轴坐标为时间信息，所述二维空间直角坐标系的Y轴坐标为每个时间点对应的数据信息；

步骤S43、将所述二维空间直角坐标系发送至卷积神经网络模型进行图像识别和特征提取，其中，通过使用多个卷积核对输入进行卷积操作，提取得到所述空间直角坐标系图像特征信息；

步骤S44、将所述空间直角坐标系的图像特征信息与预设的状态信息进行关联分析，并基于关联分析得到的结果与预设阈值进行对比，将大于预设阈值关联分析结果对应的图像特征信息作为状态特征数据。

可以理解的是本发明通过对设备记录数据进行数据预处理，包括数据清洗、异常值去除和缺失值填补等处理，得到预处理后的设备记录数据。这样可以提高数据的可靠性和准确性。然后对预处理后的设备记录数据进行线性回归分析，并根据分析结果构建二维空间直角坐标系。可以实现基于卷积神经网络的状态特征数据提取方法，将经过数据处理的设备记录数据输入到卷积神经网络中进行特征提取。卷积神经网络是一种深度学习模型，具有对图像和序列数据进行有效特征提取的能力。通过在卷积层和池化层中应用滤波器和池化操作，卷积神经网络能够从数据中提取出具有区分性的特征，在卷积神经网络特征提取后，需要进行特征选择。特征选择是从提取的特征中选择最具有代表性和区分性的特征。可以通过使用特征选择算法，如相关性分析、方差分析、L1正则化等方法来实现，本步骤中选择阈值对比来进行特征选择和判断，特征选择有助于减少特征的维度，提高模型的效率和泛化能力。上述步骤能够准确提取状态特征数据，为运维人员提供决策支持和故障预防。

其中，卷积神经网络的构架如下所述输入层：接收经过数据处理的设备记录数据作为输入；卷积层：使用多个卷积核对输入进行卷积操作，提取图像特征；ReLU激活层：对卷积层的输出进行非线性激活，增强模型的表达能力；池化层：对卷积层的输出进行下采样，减少特征维度，保留重要特征；全连接层：将池化层的输出连接到全连接层，将特征映射到输出空间；输出层：输出特征向量。

可以理解的是本步骤中，步骤S44之后还包括步骤S45、步骤S46和步骤S47。

步骤S45、将所述空间直角坐标系的图像特征信息进行傅里叶变换，得到所述图像特征信息的频域数据，所述频域数据包括频率分量和频率强度；

步骤S46、基于所述频域数据进行频域分析，得到所述频域数据的周期性变化值和幅度变化值；

步骤S47、基于所述频域数据的周期性变化值和幅度变化值确定抽水蓄能机组的劣化趋势特征数据。

可以理解的是本步骤中通过将空间直角坐标系的图像特征信息表示为一个离散序列，然后对该序列应用傅里叶变换，将其转换到频域，并使用快速傅里叶变换算法来高效地计算傅里叶变换；得到频域数据，进而通过频域数据进行频域分析，基于频域数据的周期性变化值和幅度变化值来确定抽水蓄能机组的劣化趋势特征数据。这些特征数据可以帮助更准确地描述和理解机组的劣化状态，为设备健康评价和故障诊断提供依据，以提高准确性和可靠性。

步骤S5、将所述第三信息发送至训练后的特征预测模型进行特征数据预测，得到未来的预设时间段的特征数据信息；

可以理解的是本步骤中通过LSTM神经网络模型进行训练和预测，确定未来时间段的特征数据信息，进而为之后的预警判断做准备，本步骤中，步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54。

步骤S51、将抽水蓄能机组的状态特征数据和劣化趋势特征数据分为训练集和验证集，并随机初始化LSTM单元的权重和偏置：

步骤S52、将训练集的数据按照时间顺序划分为多个时间步，得到时间序列数据；

步骤S53、将所述序列数据按照逐个时间步的顺序输入到LSTM层中，计算LSTM层的输出值；

步骤S54、将预测的特征数据与验证集的数据进行比较，计算得到误差值，并基于误差值，使用梯度下降算法更新LSTM单元的权重和偏置，重复进行训练，直到达到预设的停止条件，得到训练后的特征预测模型。

可以理解的是本步骤通过使用LSTM网络对抽水蓄能机组的状态特征数据和劣化趋势特征数据进行预测，能够准确预测机组的状态和劣化趋势，及时发现潜在问题并采取相应的维修和保养措施。相比传统的基于统计方法的预测模型，本发明采用基于深度学习的LSTM网络，具有更强的非线性建模能力和更高的预测准确性。此外，通过持续训练和更新LSTM单元的权重和偏置，本发明的预测模型可以不断优化和改进，适应机组状态和劣化趋势的变化。

步骤S6、将所述抽水蓄能机组的状态信息和未来预设时间段的特征数据信息发送至抽水蓄能机组预警判断模块进行处理，得到所述抽水蓄能机组当前时间段和未来的预设时间段的预警信息。

可以理解的是，在本步骤中通过对抽水蓄能机组的状态信息和未来预设时间段的特征数据信息进行融合分析与对比，确定当前时间段和未来时间段所述抽水蓄能机组可能出现的故障数据，进而进行预警，提高预测的准确性和及时性，本步骤中，步骤S6包括步骤S61、步骤S62、步骤S63和步骤S64。

步骤S61、将预设的历史特征数据信息进行筛选，筛选得到所有历史特征数据信息中的预警特征数据，并对所述历史特征数据信息中的预警特征数据进行预警类型标定，得到标定后的预警特征数据；

步骤S62、基于CART算法和所述根据所述标定后的预警特征数据，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；

步骤S63、基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到预警特征数据判断模型，所述预警特征数据判断模型包含所述最优子决策树及其对应的目标常数；

步骤S64、将所述未来预设时间段的特征数据信息发送至预警特征数据判断模型进行判断，得到未来的预设时间段的预警信息。

可以理解的是通过使用CART算法建立预警特征数据判断模型，能够对未来预设时间段的特征数据进行判断，得出相应的预警信息。该模型能够准确判断特征数据中的预警情况，并及时发出预警，帮助用户采取相应的措施以避免潜在的问题和风险。相比传统的预警方法，本发明利用CART算法生成决策树，在预警特征数据的判断上具有更高的准确性和可靠性。此外，本发明的预警特征数据判断模型可以根据实际情况进行调整和优化，适应不同预警需求和特征数据变化。所述CART算法模型具有较高的准确性和可靠性，适用于各种领域的特征数据判断和预警需求。

本步骤中，步骤S64之后还包括步骤S65、步骤S66和步骤S67。

步骤S65、将所述抽水蓄能机组的状态信息进行预警判断，得到当前时间段抽水蓄能机组的预警信息；

步骤S66、将得到当前时间段抽水蓄能机组的预警信息和所述未来预设时间段的预警信息进行映射，若当前时间段抽水蓄能机组的预警信息与未来预设时间段的预警信息相同，则发送当前时间段所述抽水蓄能机组出现故障的判断信息至维修人员的通讯设备；

步骤S67、若当前时间段抽水蓄能机组的预警信息与未来预设时间段的预警信息不同，则发送至当前时间段所述抽水蓄能机组没有故障，但是在未来预设时间段内会出现故障的判断信息至维修人员的通讯设备。

可以理解的是本发明通过使用基于抽水蓄能机组状态信息的预警判断方法，能够及时判断机组的预警情况，并向维修人员发送相应预警判断信息。该方法能够准确判断机组当前时间段和未来预设时间段的预警信息，帮助维修人员了解机组的运行情况和可能出现的故障，以便及时采取维修措施。相比传统的预警方法，本发明结合了当前时间段和未来预设时间段的预警信息，提供了更全面的判断结果，能够更好地指导维修工作的安排和调度。本发明还具有较高的准确性和可靠性，适用于各种抽水蓄能机组的预警判断需求，具备实时预警的功能。

实施例2：

如图2所示，本实施例提供了一种抽水蓄能机组的智能预警系统，参见图2所述系统包括获取单元701、第一处理单元702、第一分析单元703、第二分析单元704、预测单元705和第二处理单元706。

获取单元701，用于获取第一信息，所述第一信息包括抽水蓄能机组的结构化数据信息、非结构化数据信息和时序数据信息；

第一处理单元702，用于将所述第一信息发送至数据处理模块进行编码和分类处理，得到第二信息，所述第二信息包括人工记录数据和设备记录数据；

其中，所述第一处理单元702包括第一分析子单元7021、第二分析子单元7022、第一聚类子单元7023、第二聚类子单元7024和第一处理子单元7025。

第一分析子单元7021，用于基于层次分析法对所述第一信息内的所有数据进行层次分析，得到层次结构模型；

第二分析子单元7022，用于基于所述层次结构模型，逐层对所有数据的重要性进行比较，构造判别矩阵，并基于所述判断矩阵对每个数据进权重分配，得到每个数据占所有数据的重要性值；

第一聚类子单元7023，用于基于K-means聚类算法对所有数据的重要性值进行聚类处理，得到至少两个聚类簇；

第二聚类子单元7024，用于基于所有的所述聚类簇和拉依达准则计算得到各个聚类簇对应的阈值范围；

第一处理子单元7025，用于基于所述阈值范围对所有数据进行分类，得到第二信息。

第一分析单元703，用于将所述人工记录数据发送至关联分析模块进行关联分析，并基于分析得到人工记录数据与预设的抽水蓄能机组的状态数据的关联度值，判断得到所述抽水蓄能机组的状态信息；

其中，所述第一分析单元703包括第三分析子单元7031、第一计算子单元7032和第一判断子单元7033。

第三分析子单元7031，用于将所述人工记录数据和预设的抽水蓄能机组的状态数据进行关联分析，其中，将所述人工记录数据和预设的抽水蓄能机组的状态数据进行无量纲化处理，得到无量纲化后的人工记录数据和无量纲化后的状态数据；

第一计算子单元7032，用于基于预设的关联度计算公式对所述无量纲化后的人工记录数据和无量纲化后的状态数据进行计算，得到所述无量纲化后的人工记录数据和无量纲化后的状态数据的关联度值；

第一判断子单元7033，用于基于预设的状态评价阈值和所述关联度值进行比较，并基于比较结果确定所述抽水蓄能机组的状态信息。

第二分析单元704，用于将所述设备记录数据发送至特征分析模块进行特征分析，得到第三信息，所述第三信息包括所述抽水蓄能机组的状态特征数据和劣化趋势特征数据；

其中，所述第二分析单元704包括第二处理子单元7041、第四分析子单元7042、第三处理子单元7043和第五分析子单元7044。

第二处理子单元7041，用于将所述设备记录数据进行数据预处理，其中，通过对所述设备记录数据进行数据清洗、去除异常值和填补缺失值处理，得到预处理后的设备记录数据；

第四分析子单元7042，用于将所述预处理后的设备记录数据进行线性回归分析，并基于分析得到的所述设备记录数据在每个时间点对应的状态信息构建二维空间直角坐标系，其中所述二维空间直角坐标系的X轴坐标为时间信息，所述二维空间直角坐标系的Y轴坐标为每个时间点对应的数据信息；

第三处理子单元7043，用于将所述二维空间直角坐标系发送至卷积神经网络模型进行图像识别和特征提取，其中，通过使用多个卷积核对输入进行卷积操作，提取得到所述空间直角坐标系图像特征信息；

第五分析子单元7044，用于将所述空间直角坐标系的图像特征信息与预设的状态信息进行关联分析，并基于关联分析得到的结果与预设阈值进行对比，将大于预设阈值关联分析结果对应的图像特征信息作为状态特征数据。

其中，所述第五分析子单元7044之后还包括第四处理子单元7045、第六分析子单元7046和第七分析子单元7047。

第四处理子单元7045，用于将所述空间直角坐标系的图像特征信息进行傅里叶变换，得到所述图像特征信息的频域数据，所述频域数据包括频率分量和频率强度；

第六分析子单元7046，用于基于所述频域数据进行频域分析，得到所述频域数据的周期性变化值和幅度变化值；

第七分析子单元7047，用于基于所述频域数据的周期性变化值和幅度变化值确定抽水蓄能机组的劣化趋势特征数据。

预测单元705，用于将所述第三信息发送至训练后的特征预测模型进行特征数据预测，得到未来的预设时间段的特征数据信息；

其中，所述预测单元705包括第一预测子单元7051、第二预测子单元7052、第二计算子单元7053和第三计算子单元7054。

第一预测子单元7051，用于将抽水蓄能机组的状态特征数据和劣化趋势特征数据分为训练集和验证集，并随机初始化LSTM单元的权重和偏置：

第二预测子单元7052，用于将训练集的数据按照时间顺序划分为多个时间步，得到时间序列数据；

第二计算子单元7053，用于将所述序列数据按照逐个时间步的顺序输入到LSTM层中，计算LSTM层的输出值；

第三计算子单元7054，用于将预测的特征数据与验证集的数据进行比较，计算得到误差值，并基于误差值，使用梯度下降算法更新LSTM单元的权重和偏置，重复进行训练，直到达到预设的停止条件，得到训练后的特征预测模型。

第二处理单元706，用于将所述抽水蓄能机组的状态信息和未来预设时间段的特征数据信息发送至抽水蓄能机组预警判断模块进行处理，得到所述抽水蓄能机组当前时间段和未来的预设时间段的预警信息。

其中，所述第二处理单元706包括第五处理子单元7061、第六处理子单元7062、第四计算子单元7063和第二判断子单元7064。

第五处理子单元7061，用于将预设的历史特征数据信息进行筛选，筛选得到所有历史特征数据信息中的预警特征数据，并对所述历史特征数据信息中的预警特征数据进行预警类型标定，得到标定后的预警特征数据；

第六处理子单元7062，用于基于CART算法和所述根据所述标定后的预警特征数据，得到CART决策树，对所述CART决策树进行随机剪枝处理并确定所述CART决策树的常量，得到至少一个未训练的子决策树；

第四计算子单元7063，用于基于所述未训练的子决策树和基尼指数计算方法得到最优的子决策树，基于所述最优的子决策树得到预警特征数据判断模型，所述预警特征数据判断模型包含所述最优子决策树及其对应的目标常数；

第二判断子单元7064，用于将所述未来预设时间段的特征数据信息发送至预警特征数据判断模型进行判断，得到未来的预设时间段的预警信息。

其中，所述第二判断子单元7064之后还包括第三判断子单元7065、第四判断子单元7066和第五判断子单元7067。

第三判断子单元7065，用于将所述抽水蓄能机组的状态信息进行预警判断，得到当前时间段抽水蓄能机组的预警信息；

第四判断子单元7066，用于将得到当前时间段抽水蓄能机组的预警信息和所述未来预设时间段的预警信息进行映射，若当前时间段抽水蓄能机组的预警信息与未来预设时间段的预警信息相同，则发送当前时间段所述抽水蓄能机组出现故障的判断信息至维修人员的通讯设备；

第五判断子单元7067，用于若当前时间段抽水蓄能机组的预警信息与未来预设时间段的预警信息不同，则发送至当前时间段所述抽水蓄能机组没有故障，但是在未来预设时间段内会出现故障的判断信息至维修人员的通讯设备。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。