《电力设备的在线预警方法.pdf》由会员分享，可在线阅读，更多相关《电力设备的在线预警方法.pdf（10页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103901305 A (43)申请公布日 2014.07.02 CN 103901305 A (21)申请号 201410129668.6 (22)申请日 2014.03.31 G01R 31/00(2006.01) (71)申请人 广东电网公司电力科学研究院 地址 510080 广东省广州市越秀区东风东路 水均岗 8 号 申请人 清华大学 (72)发明人 王红斌 朱文俊 高文胜 陈浩 高雅 欧阳旭东 豆朋 李峰 罗颖婷 黄勇 吴昊 孟源源 (74)专利代理机构 广州华进联合专利商标代理 有限公司 44224 代理人 王程 (54) 发明名称 电力设备的在线预警方法。
2、 (57) 摘要 本发明公开了一种电力设备的在线预警方 法， 包括 ： 获取电力设备的时 - 时间窗内的监测序 列 ； 通过预测算法计算所述监测序列中各个时刻 的监测数据的预测值， 并比较各个预测值是否大 于预设的预警阈值， 若任意一个大于， 则发出预警 信息 ； 若所有预测值均不大于所述预设的预警阈 值， 则获取电力设备的历史 - 时间窗内的监测序 列 ； 通过预测算法计算所述监测序列中各个时刻 的监测数据的预测值， 并比较各个预测值是否大 于预设的历史预警阈值， 若任意一个大于， 则发出 预警信息。 实施本发明的方法， 能克服滑动固定时 间窗所带来的局限， 既在大时间尺度上把握设备 状态的。
3、缓慢变化， 又可及时地反映监测序列的快 速骤变， 可提高预警的准确率。 (51)Int.Cl. 权利要求书 3 页 说明书 5 页 附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书5页 附图1页 (10)申请公布号 CN 103901305 A CN 103901305 A 1/3 页 2 1. 一种电力设备的在线预警方法， 其特征在于， 包括以下步骤 ： 获取电力设备的时 - 时间窗内的监测序列， 其中， 所述时 - 时间窗内的监测序列为在 所述电力设备的当前时刻的前 n 小时内， 以分钟为监测间隔监测的所述电力设备的状态参 数， n 大于 0。
4、 且小于 24 ； 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值 是否大于预设的预警阈值， 若任意一个大于， 则发出预警信息 ； 若所有预测值均不大于所述预设的预警阈值， 则获取电力设备的历史 - 时间窗内的监 测序列， 其中， 所述历史 - 时间窗内的监测序列为在所述电力设备的当前时刻的前 m 天内， 监测的所述电力设备的状态参数的预测值， m 大于或等于 1 ； 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个监测数 据的预测值是否大于预设的历史预警阈值， 若任意一个大于， 则发出预警信息。 2. 根据权利要求 1 所述的电力设备的在线。
5、预警方法， 其特征在于， 所述通过预测算法 计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值是否大于预设的预 警阈值的步骤包括以下步骤 ： 通过如下指数平滑法计算所述时 - 时间窗内的监测序列中各个时刻的监测数据的预 测值 ： y(ti)=x(ti)+(1-)y(ti-1) ； 其中， x(ti) 为 ti 时刻的监测数据， y(ti) 为 x(ti) 的预测值， y(ti-1) 为 ti 时刻的前一 时刻的监测数据的预测值， 为平滑系数， 01。 3.根据权利要求1或2所述的电力设备的在线预警方法， 其特征在于， 当所述历史-时 间窗包括日-时间窗， 其中， 所述日-时间窗内。
6、的监测序列包括所述电力设备的当前时刻的 前 m 天内， 各个所述时 - 时间窗中最后时刻的监测数据的预测值， m 小于 30 时， 所述通过预 测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个监测数据的预测值 是否大于预设的历史预警阈值的步骤包括以下步骤 ： 获取所述日-时间窗内的监测序列和所述日-时间窗的各个时刻的参考数据， 其中， 各 个时刻的参考数据为所述电力设备在投运时期的多个日 - 时间窗内的相同时刻的监测数 据的平均值 ； 获取所述监测序列中各个时刻的监测数据与相同时刻的参考数据的差， 作为各个时刻 的监测数据的修正值 ； 通过预测算法计算所述监测序列中各个时刻的监。
7、测数据的修正值的预测值， 并比较各 个预测值是否大于预设的第一历史预警阈值， 若任意一个大于， 则发出预警信息。 4. 根据权利要求 3 所述的电力设备的在线预警方法， 其特征在于， 所述通过预测算法 计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值是否大于预设的第 一历史预警阈值的步骤包括以下步骤 ： 通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测 ： 为 t 时刻的监测数据的修正值， dj(t) 为预测值， dj-1(t) 为 t 时刻的前一时刻的监 测数据的预测值， 为平滑系数， 01。 权 利 要 求 书 CN 103901305 A 2 2/3 页。
8、 3 5.根据权利要求3所述的电力设备的在线预警方法， 其特征在于， 当所述历史-时间窗 还包括月 - 时间窗， 其中， 所述月 - 时间窗的监测序列包括所述电力设备的当前时刻的前 k 月内， 各个所述日 - 时间窗中最后时刻的监测数据的预测值， k 或等于 1， 且小于 12 时， 所述 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个监测数据的 预测值是否大于预设的历史预警阈值的步骤还包括以下步骤 ： 若各个预测值均不大于所述预设的第一历史预警阈值， 则获取所述月 - 时间窗内的监 测序列 ； 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测。
9、值 是否大于预设的第二历史预警阈值， 若任意一个大于， 则发出预警信息。 6. 根据权利要求 5 所述的电力设备的在线预警方法， 其特征在于， 所述通过预测算法 计算所述监测序列中各个时刻的监测数据的预测值， 比较各个预测值是否大于预设的第二 历史预警阈值的步骤包括以下步骤 ： 通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测 ： mk(t)=dk(t)+(1-)mk-1(t) ； 其中， dk(t) 为 t 时刻的监测数据， mk(t) 为预测值， mk-1(t) 为 t 时刻的前一时刻的监测 数据的预测值， 为平滑系数， 01。 7.根据权利要求5所述的电力设备的在线预警方法， 。
10、其特征在于， 当所述历史-时间窗 还包括年-时间窗， 其中， 所述年-时间窗内的监测序列包括所述电力设备的当前时刻的前 1 年内， 各个所述月 - 时间窗中最后时刻的监测数据的预测值时， 所述通过预测算法计算所 述监测序列中各个时刻的监测数据的预测值， 并比较各个监测数据的预测值是否大于预设 的历史预警阈值的步骤还包括以下步骤 ： 若各个预测值均不大于所述预设的第二历史预警阈值， 则获取所述年 - 时间窗内的监 测序列和所述年 - 时间窗的各个时刻的参考数据， 其中， 各个时刻的参考数据为所述电力 设备在投运时期的多个月 - 时间窗内的相同时刻的监测数据的平均值 ； 获取所述监测序列中各个时刻。
11、的监测数据与相同时刻的参考数据的差， 作为各个时刻 的监测数据的修正值 ； 通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预测值， 并比较各 个预测值是否大于预设的第三历史预警阈值， 若任意一个大于， 则发出预警信息。 8. 根据权利要求 7 所述的电力设备的在线预警方法， 其特征在于， 所述通过预测算法 计算所述监测序列中各个时刻的监测数据的修正值的预测值， 并比较各个预测值是否大于 预设的第三历史预警阈值的步骤包括以下步骤 通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测 ： 为 t 时刻的监测数据的修正值， Oj(t) 为预测值， Oj-1(t) 为 t 时。
12、刻的前一时刻的修 正值的预测值， 为平滑系数， 01。 9.根据权利要求7所述的电力设备的在线预警方法， 其特征在于， 当所述历史-时间窗 还包括长期 - 时间窗， 其中， 所述长期时间窗的监测序列包括所述电力设备的当前时刻的 前 p 年内， 各个所述年 - 时间窗中最后时刻的监测数据的预测值， p 大于 1 时， 所述通过预 权 利 要 求 书 CN 103901305 A 3 3/3 页 4 测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个监测数据的预测值 是否大于预设的历史预警阈值的步骤还包括以下步骤 ： 若各个预测值均不大于所述预设的第三历史预警阈值， 则获取所述长期 。
13、- 时间窗内的 监测序列 ； 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值 是否大于预设的第四历史预警阈值， 若任意一个大于， 则发出预警信息。 10. 根据权利要求 9 所述的电力设备的在线预警方法， 其特征在于， 所述通过预测算法 计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值是否大于预设的第 四历史预警阈值的步骤包括以下步骤 ： 通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测 ： 其中， yt为 t 时刻的监测数据， 为 yt的预测值， yt-n为 t 时刻的前 n 时刻的监测数据， 为 t 时刻的后一时刻的监测数据的预测值，。
14、 n 为移动时距， n 为正整数。 权 利 要 求 书 CN 103901305 A 4 1/5 页 5 电力设备的在线预警方法 技术领域 0001 本发明涉及电力设备技术领域， 特别是涉及一种电力设备的在线预警方法。 背景技术 0002 在电力系统中， 对电力设备异常状态的正确预警是实现状态检修的基础。对于大 多数故障， 通过实时监测能够表征设备健康状态的特征量及变化趋势， 即可对设备是否存 在异常做出及时准确的判断， 从而提前采取措施消除设备隐患， 避免事故的发生。 0003 现有的电力设备的监测预警， 通常为固定时窗型的监测预警模型， 即利用固定时 间间隔采样获得的检测数据， 进行分析预。
15、警， 但是上述预警模型未充分考虑历史数据， 对 于快速发展的设备缺陷， 很难及时发现， 而对于长时间缓慢发展的设备缺陷， 又无法全面反 映， 很容易漏检， 预警的精确度极低。 发明内容 0004 基于此， 有必要针对上述电力设备的监测预警技术， 易漏检， 预警的精确度极低的 问题， 提供一种电力设备的在线预警方法。 0005 一种电力设备的在线预警方法， 包括以下步骤 ： 0006 获取电力设备的时-时间窗内的监测序列， 其中， 所述时-时间窗内的监测序列为 在所述电力设备的当前时刻的前 n 小时内， 以分钟为监测间隔监测的所述电力设备的状态 参数， n 大于 0 且小于 24 ； 0007 。
16、通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预 测值是否大于预设的预警阈值， 若任意一个大于， 则发出预警信息 ； 0008 若所有预测值均不大于所述预设的预警阈值， 则获取电力设备的历史 - 时间窗内 的监测序列， 其中， 所述历史-时间窗内的监测序列为在所述电力设备的当前时刻的前m天 内， 监测的所述电力设备的状态参数的预测值， m 大于或等于 1 ； 0009 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预 测值是否大于预设的历史预警阈值， 若任意一个大于， 则发出预警信息。 0010 上述电力设备的在线预警方法， 在时 - 时间窗内的。
17、监测序列的所有预测值均不大 于所述预设的预警阈值， 获取电力设备的历史 - 时间窗内的监测序列， 通过预测算法计算 所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值是否大于预设的历史预 警阈值， 若任意一个大于， 则发出预警信息， 充分利用了历史监测序列， 克服了滑动固定时 间窗所带来的局限， 既能在大时间尺度上把握设备状态的缓慢变化， 又能够及时地反映监 测序列的快速骤变， 可提高预警的准确率。 附图说明 0011 图 1 为本发明电力设备的在线预警方法第一实施方式的流程示意图 ； 0012 图 2 为本发明电力设备的在线预警方法第二实施方式的流程示意图。 说 明 书 CN 10。
18、3901305 A 5 2/5 页 6 具体实施方式 0013 请参阅图 1， 图 1 是本发明电力设备的在线预警方法第一实施方式的流程示意图。 0014 本实施方式的通讯用户间关注度的处理方法包括以下步骤 ： 0015 步骤101， 获取电力设备的时-时间窗内的监测序列， 其中， 所述时-时间窗内的监 测序列为在所述电力设备的当前时刻的前 n 小时内， 以分钟为监测间隔监测的所述电力设 备的状态参数， n 大于 0 且小于 24。 0016 步骤 102， 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比 较各个预测值是否大于预设的预警阈值， 若任意一个大于， 则发出预警信息。
19、。 0017 步骤 103， 若所有预测值均不大于所述预设的预警阈值， 则获取电力设备的历 史-时间窗内的监测序列， 其中， 所述历史-时间窗内的监测序列为在所述电力设备的当前 时刻的前 m 天内， 监测的所述电力设备的状态参数的预测值， m 大于或等于 1。 0018 步骤 104， 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比 较各个预测值是否大于预设的历史预警阈值， 若任意一个大于， 则发出预警信息。 0019 本实施方式的电力设备的在线预警方法， 在时 - 时间窗内的监测序列的所有预测 值均不大于所述预设的预警阈值， 获取电力设备的历史 - 时间窗内的监测序列， 通。
20、过预测 算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预测值是否大于预设 的历史预警阈值， 若任意一个大于， 则发出预警信息， 充分利用了历史监测序列， 克服了滑 动固定时间窗所带来的局限， 既能在大时间尺度上把握设备状态的缓慢变化， 又能够及时 地反映监测序列的快速骤变， 可提高预警的准确率。 0020 其中， 对于步骤101， 优选地n=1， 时-时间窗内的监测序列为在所述电力设备的当 前时刻的前 n 小时内， 以分钟为监测间隔监测的所述电力设备的状态参数。所述状态参数 包括电力设备的运行状态数据， 用于反映电力设备的故障， 电力设备的故障可分为劣化故 障和随机故障， 劣化。
21、故障是因性能逐渐老化而导致的故障， 如热老化、 电老化、 机械老化、 化 学腐蚀等， 随机故障则是指因外部随机因素导致的设备故障， 如过负荷、 雷击、 外部短路冲 击。 0021 优选地， 所述时 - 时间窗是对监测序列最小的分解时间窗， 以分钟为监测间隔， 可 对随机发生的突发缺陷进行及时的预警， 及时反映电力设备的骤变， 有利于及时发现问题， 进行预警。 0022 对于步骤 102， 优选地， 可通过指数平滑算法获取所述监测序列中各监测数据的预 测值。也可以采用本领域技术人员惯用的其他技术手段获取预测值。 0023 在一个实施例中， 所述通过预测算法计算所述监测序列中各个时刻的监测数据的 。
22、预测值， 并比较各个预测值是否大于预设的预警阈值的步骤包括以下步骤 ： 0024 通过如下指数平滑法计算所述时 - 时间窗内的监测序列中各个时刻的监测数据 的预测值 ： 0025 y(ti)=x(ti)+(1-)y(ti-1) ； 0026 其中， x(ti) 为 ti 时刻的监测数据， y(ti) 为 x(ti) 的预测值， y(ti-1) 为 ti 时刻的 前一时刻的监测数据的预测值， 为平滑系数， 01。 0027 对于步骤 103， 所述预设的预警阈值根据监测的状态参数设定， 故障类型不同， 预 说 明 书 CN 103901305 A 6 3/5 页 7 警阈值不同， 优选地为电力设。
23、备正常运行时的参数范围。 0028 优选地， 所述历史 - 时间窗包括日 - 时间窗、 月 - 时间窗、 年 - 时间窗和长期 - 时 间窗中的至少一个， 可在大时间尺度上反应电力设备的运行状态的缓慢变化， 其中 ： 0029 所述日 - 时间窗内的监测序列可包括所述电力设备的当前时刻的前 m 天内， 各个 所述时 - 时间窗中最后时刻的监测数据的预测值， m 小于 30。 0030 所述月 - 时间窗的监测序列可包括所述电力设备的当前时刻的前 k 月内， 各个所 述日 - 时间窗中最后时刻的监测数据的预测值， k 或等于 1， 且小于 12。 0031 所述年 - 时间窗内的监测序列包括所述。
24、电力设备的当前时刻的前 1 年内， 各个所 述月 - 时间窗中最后时刻的监测数据的预测值。 0032 所述长期时间窗的监测序列包括所述电力设备的当前时刻的前 p 年内， 各个所述 年 - 时间窗中最后时刻的监测数据的预测值， p 大于 1。 0033 对于步骤 104， 所述预设的历史预警阈值可根据监测的状态参数设定， 故障类型不 同， 预警阈值不同， 优选地为电力设备正常运行时的参数范围 0034 优选地， 所述历史 - 时间窗的类型不同， 所述预设的历史预警阈值的数值范围也 不同。 0035 进一步地， 所述预测算法可包括指数平滑法、 移动平均估计法或本领域技术人员 惯用的其他预测算法。 。
25、0036 请参阅图 2， 图 2 是本发明电力设备的在线预警方法第二实施方式的流程示意图。 0037 本实施方式的电力设备的在线预警方法与第一实施方式的区别在于 ： 当所述历 史 - 时间窗包括日 - 时间窗， 其中， 所述日 - 时间窗内的监测序列包括所述电力设备的当前 时刻的前 m 天内， 各个所述时 - 时间窗中最后时刻的监测数据的预测值， m 小于 30 时， 所述 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值的步骤包括以下步骤 ： 0038 步骤201， 获取所述日-时间窗内的监测序列和所述日-时间窗的各个时刻的参考 数据， 其中， 各个时刻的参考数据为所述电力设备在投运。
26、时期的多个日 - 时间窗内的相同 时刻的监测数据的平均值。 0039 步骤 202， 获取所述监测序列中各个时刻的监测数据与相同时刻的参考数据的差， 作为各个时刻的监测数据的修正值。 0040 步骤 203， 通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预 测值， 并比较各个预测值是否大于预设的第一历史预警阈值， 若任意一个大于， 则发出预警 信息。 0041 本实施方式的电力设备的在线预警方法， 通过参考数据对各个时刻的监测数据的 修正得到修正值， 再对修正值进行预测获得预测值， 最终比较各个预测值是否大于预设的 第一历史预警阈值， 若任意一个大于， 则发出预警信息， 可消除电。
27、力设备的日负荷变化对监 测数据的影响， 提高预警准确度。 0042 其中， 对于步骤 201， 所述参考数据为在电力设备正常状态 （一般为电力设备投运 初期） 时的多个日 - 时间窗的监测序列内的各个相同监测时刻的监测数据进行平均后获得 的数据。所述参考数据可反映电力设备的日负荷变化对当前日 - 时间窗监测数据的影响。 0043 对于步骤 203， 优选地， 第一历史预警阈值可根据监测的状态参数设定， 故障类型 不同， 预警阈值不同， 优选地为电力设备正常运行时的参数范围在一个实施例中， 所述通过 说 明 书 CN 103901305 A 7 4/5 页 8 预测算法计算所述监测序列中各个时刻。
28、的监测数据的预测值， 并比较各个预测值是否大于 预设的第一历史预警阈值的步骤包括以下步骤 ： 0044 通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测 ： 0045 0046 为 t 时刻的监测数据的修正值， dj(t) 为预测值， dj-1(t) 为 t 时刻的前一时刻 的监测数据的预测值， 为平滑系数， 01。 0047 在另一个实施中， 当所述历史 - 时间窗还包括月 - 时间窗， 其中， 所述月 - 时间窗 的监测序列包括所述电力设备的当前时刻的前 k 月内， 各个所述日 - 时间窗中最后时刻的 监测数据的预测值， k 或等于 1， 且小于 12 时， 所述通过预测。
29、算法计算所述监测序列中各个 时刻的监测数据的预测值的步骤还包括以下步骤 ： 0048 若各个预测值均不大于所述预设的第一历史预警阈值， 则获取所述月 - 时间窗内 的监测序列。 0049 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预 测值是否大于预设的第二历史预警阈值， 若任意一个大于， 则发出预警信息。 0050 优选地， 所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 比较各个预测值是否大于预设的第二历史预警阈值的步骤包括以下步骤 ： 0051 通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测 ： 0052 mk(t)=dk(t)+(1。
30、-)mk-1(t) ； 0053 其中， dk(t) 为 t 时刻的监测数据， mk(t) 为预测值， mk-1(t) 为 t 时刻的前一时刻的 监测数据的预测值， 为平滑系数， 01。 0054 在其他实施例中， 当所述历史 - 时间窗还包括年 - 时间窗， 其中， 所述年 - 时间窗 内的监测序列包括所述电力设备的当前时刻的前 1 年内， 各个所述月 - 时间窗中最后时刻 的监测数据的预测值时， 所述通过预测算法计算所述监测序列中各个时刻的监测数据的预 测值的步骤还包括以下步骤 ： 0055 若各个预测值均不大于所述预设的第二历史预警阈值， 则获取所述年 - 时间窗内 的监测序列和所述年 。
31、- 时间窗的各个时刻的参考数据， 其中， 各个时刻的参考数据为所述 电力设备在投运时期的多个月 - 时间窗内的相同时刻的监测数据的平均值。 0056 获取所述监测序列中各个时刻的监测数据与相同时刻的参考数据的差， 作为各个 时刻的监测数据的修正值。 0057 通过预测算法计算所述监测序列中各个时刻的监测数据的修正值的预测值， 并比 较各个预测值是否大于预设的第三历史预警阈值， 若任意一个大于， 则发出预警信息。 0058 在本实施例中， 第二历史预警阈值的数值根据监测的状态参数设定， 故障类型不 同， 预警阈值不同， 优选地为电力设备正常运行时的参数范围。 所述参考数据为对当前时刻 之前， 历。
32、年中各个月 - 时间窗的监测序列中相同监测时刻的监测数据进行平均后获得。 0059 进一步地， 所述通过预测算法计算所述监测序列中各个时刻的监测数据的修正值 的预测值， 并比较各个预测值是否大于预设的第三历史预警阈值的步骤包括以下步骤 ： 0060 通过如下公式对所述监测序列的各个时刻的监测数据的修正值进行指数预测 ： 说 明 书 CN 103901305 A 8 5/5 页 9 0061 0062 为 t 时刻的监测数据的修正值， Oj(t) 为预测值， Oj-1(t) 为 t 时刻的前一时刻 的修正值的预测值， 为平滑系数， 01。 0063 更进一步地， 当所述历史 - 时间窗还包括长期。
33、 - 时间窗， 其中， 所述长期时间窗的 监测序列包括所述电力设备的当前时刻的前 p 年内， 各个所述年 - 时间窗中最后时刻的监 测数据的预测值， p 大于 1 时， 所述通过预测算法计算所述监测序列中各个时刻的监测数据 的预测值的步骤还包括以下步骤 ： 0064 若各个预测值均不大于所述预设的第三历史预警阈值， 则获取所述长期 - 时间窗 内的监测序列。 0065 通过预测算法计算所述监测序列中各个时刻的监测数据的预测值， 并比较各个预 测值是否大于预设的第四历史预警阈值， 若任意一个大于， 则发出预警信息。 0066 优选地， 所述通过预测算法计算所述监测序列中各个时刻的监测数据的预测值。
34、， 并比较各个预测值是否大于预设的第四历史预警阈值的步骤包括以下步骤 ： 0067 通过如下公式对所述监测序列的各个时刻的监测数据进行指数预测 ： 0068 0069 其中， yt为 t 时刻的监测数据， 为 yt的预测值， yt-n为 t 时刻的前 n 时刻的监测 数据，为 t 时刻的后一时刻的监测数据的预测值， n 为移动时距， n 为正整数。 0070 上述长期 - 时间窗中的监测序列能够准确把握电力设备状态的变化趋势， 可以消 除监测数据随机波动的影响， 获得监测数据的本质增长规律。 0071 优选地， 第三历史预警阈值和第四历史预警阈值的数值， 也可根据监测的状态参 数设定， 故障类型不同， 预警阈值不同， 优选地为电力设备正常运行时的参数范围。 0072 以上所述实施例仅表达了本发明的几种实施方式， 其描述较为具体和详细， 但并 不能因此而理解为对本发明专利范围的限制。应当指出的是， 对于本领域的普通技术人员 来说， 在不脱离本发明构思的前提下， 还可以做出若干变形和改进， 这些都属于本发明的保 护范围。因此， 本发明专利的保护范围应以所附权利要求为准。 说 明 书 CN 103901305 A 9 1/1 页 10 图 1 图 2 说 明 书 附 图 CN 103901305 A 10 。