本(ben)發明涉及設備全生(sheng)命周(zhou)(zhou)期管理，尤其是涉及一種基于相關(guan)性(xing)分析(xi)的變電站設備全生(sheng)命周(zhou)(zhou)期管理方法及系統。

背景技術：

1、變(bian)電(dian)站是電(dian)力系(xi)(xi)統(tong)的(de)(de)(de)(de)(de)(de)(de)重要(yao)組成(cheng)部(bu)分(fen)，其設(she)(she)(she)(she)備(bei)(bei)(bei)狀態(tai)的(de)(de)(de)(de)(de)(de)(de)好壞(huai)直接影響到電(dian)力系(xi)(xi)統(tong)的(de)(de)(de)(de)(de)(de)(de)安全和(he)(he)穩定運(yun)行(xing)(xing)。然(ran)(ran)而(er)(er)，由(you)于變(bian)電(dian)站設(she)(she)(she)(she)備(bei)(bei)(bei)種(zhong)類繁多，工作環(huan)境(jing)復雜，設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)運(yun)行(xing)(xing)狀態(tai)難以實(shi)時掌(zhang)握(wo)，因(yin)此，設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)全生命(ming)(ming)周(zhou)(zhou)期(qi)管(guan)(guan)理(li)成(cheng)為了一個(ge)嚴峻的(de)(de)(de)(de)(de)(de)(de)挑戰(zhan)。全生命(ming)(ming)周(zhou)(zhou)期(qi)管(guan)(guan)理(li)是指(zhi)從設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)設(she)(she)(she)(she)計、制造、運(yun)輸(shu)、安裝、運(yun)行(xing)(xing)、維護到報廢的(de)(de)(de)(de)(de)(de)(de)整個(ge)過(guo)程中，進行(xing)(xing)有(you)效的(de)(de)(de)(de)(de)(de)(de)管(guan)(guan)理(li)和(he)(he)控制，以確保設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)安全、可(ke)(ke)靠和(he)(he)經濟運(yun)行(xing)(xing)。這一管(guan)(guan)理(li)模式(shi)可(ke)(ke)以全面、系(xi)(xi)統(tong)地了解和(he)(he)掌(zhang)握(wo)設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)狀態(tai)，預防和(he)(he)診斷設(she)(she)(she)(she)備(bei)(bei)(bei)故障，延長設(she)(she)(she)(she)備(bei)(bei)(bei)壽命(ming)(ming)，降低(di)設(she)(she)(she)(she)備(bei)(bei)(bei)運(yun)行(xing)(xing)成(cheng)本，提高電(dian)力系(xi)(xi)統(tong)的(de)(de)(de)(de)(de)(de)(de)運(yun)行(xing)(xing)效率。然(ran)(ran)而(er)(er)，傳(chuan)統(tong)的(de)(de)(de)(de)(de)(de)(de)設(she)(she)(she)(she)備(bei)(bei)(bei)管(guan)(guan)理(li)方式(shi)往往只(zhi)關注設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)某一階段(duan)，忽(hu)視(shi)了設(she)(she)(she)(she)備(bei)(bei)(bei)各階段(duan)之間的(de)(de)(de)(de)(de)(de)(de)關聯(lian)性，導致設(she)(she)(she)(she)備(bei)(bei)(bei)管(guan)(guan)理(li)的(de)(de)(de)(de)(de)(de)(de)盲區和(he)(he)效率低(di)下。因(yin)此，變(bian)電(dian)站設(she)(she)(she)(she)備(bei)(bei)(bei)全生命(ming)(ming)周(zhou)(zhou)期(qi)管(guan)(guan)理(li)的(de)(de)(de)(de)(de)(de)(de)研(yan)究和(he)(he)應用具(ju)有(you)重要(yao)的(de)(de)(de)(de)(de)(de)(de)現(xian)實(shi)意(yi)義(yi)和(he)(he)廣闊的(de)(de)(de)(de)(de)(de)(de)應用前景。通(tong)過(guo)全生命(ming)(ming)周(zhou)(zhou)期(qi)管(guan)(guan)理(li)，可(ke)(ke)以實(shi)現(xian)變(bian)電(dian)站設(she)(she)(she)(she)備(bei)(bei)(bei)的(de)(de)(de)(de)(de)(de)(de)健(jian)康、智能和(he)(he)高效運(yun)行(xing)(xing)，為電(dian)力系(xi)(xi)統(tong)的(de)(de)(de)(de)(de)(de)(de)安全穩定提供(gong)保障，對于推動電(dian)力行(xing)(xing)業的(de)(de)(de)(de)(de)(de)(de)可(ke)(ke)持(chi)續發展具(ju)有(you)重要(yao)價(jia)值(zhi)。

2、專利(li)申請cn113344504a公(gong)開了一(yi)種于實(shi)物id的變電(dian)站設備(bei)(bei)全生(sheng)命(ming)周期(qi)管理方法，該方法存(cun)在(zai)僅(jin)通過id管理設備(bei)(bei)、無法深入分析變電(dian)站設備(bei)(bei)狀態等(deng)缺點。現(xian)有智能(neng)變電(dian)站設備(bei)(bei)監測(ce)(ce)還(huan)主要通過閾值法監控關鍵量(liang)測(ce)(ce)量(liang)，對于潛在(zai)故障(zhang)設備(bei)(bei)風險(xian)預(yu)警和高峰用(yong)電(dian)時(shi)刻故障(zhang)風險(xian)預(yu)備(bei)(bei)缺乏預(yu)測(ce)(ce)能(neng)力。且閾值法由于不考慮其(qi)余變量(liang)對關鍵量(liang)測(ce)(ce)的影(ying)響，易受(shou)外界環境和采樣設備(bei)(bei)本身故障(zhang)影(ying)響，魯(lu)棒性較(jiao)差。

技術實現思路

1、本發明的(de)目(mu)的(de)就是為(wei)了提供一種實現(xian)變(bian)電站(zhan)設(she)備的(de)風險預測預警能力以提高變(bian)電站(zhan)設(she)備的(de)智能管理水平的(de)基于相關性(xing)分(fen)析的(de)變(bian)電站(zhan)設(she)備全生命周期管理方法及系統。

2、本(ben)發明的(de)目的(de)可以通過以下技術方案來實現(xian)：

3、一(yi)種(zhong)基(ji)于相關(guan)性(xing)分析的變電(dian)站(zhan)設備全生(sheng)命周期管理方(fang)法，包括以下(xia)步(bu)驟(zou)：

4、s1、獲取變(bian)(bian)電站設(she)備(bei)的實(shi)時(shi)(shi)狀(zhuang)態(tai)采(cai)樣時(shi)(shi)序(xu)數(shu)(shu)據，并(bing)根據先驗知識篩選出影響因素作為清洗量(liang)(liang)(liang)測(ce)，其中所述實(shi)時(shi)(shi)狀(zhuang)態(tai)采(cai)樣時(shi)(shi)序(xu)數(shu)(shu)據包(bao)括變(bian)(bian)電站設(she)備(bei)的電氣(qi)量(liang)(liang)(liang)測(ce)量(liang)(liang)(liang)、非電氣(qi)量(liang)(liang)(liang)測(ce)量(liang)(liang)(liang)和外(wai)部環境變(bian)(bian)量(liang)(liang)(liang)；

5、s2、將所述(shu)清洗量(liang)測(ce)填入預先設定的可變長度移(yi)動(dong)窗口(kou)中(zhong)，輸出可變長度的移(yi)動(dong)窗口(kou)數據矩(ju)陣；

6、s3、基于(yu)所述(shu)可變長度的移動窗口(kou)數據矩陣，采用差分隱私技術添加噪聲，輸入預(yu)先構建好(hao)的基于(yu)時序模式(shi)注意力機(ji)制的循環神經網絡狀(zhuang)態(tai)預(yu)測模型(xing)中(zhong)，輸出變電站設備的實時狀(zhuang)態(tai)預(yu)警(jing)預(yu)測量；

7、s4、判(pan)斷(duan)所述實(shi)時狀態(tai)預(yu)警預(yu)測(ce)量是(shi)(shi)否(fou)達到設定的預(yu)警值，若是(shi)(shi)則計算(suan)實(shi)時狀態(tai)預(yu)警預(yu)測(ce)量與對應的影響因(yin)素之間的相關性，篩選出故障因(yin)素，若否(fou)則不做任何操作；

8、s5、基于所述(shu)故障因素進(jin)行故障檢修，并(bing)返回(hui)步驟s1實現對變電站設備全生命周期管理。

9、進一步(bu)地，所述電氣(qi)(qi)量(liang)(liang)(liang)測量(liang)(liang)(liang)包(bao)括設(she)備的負荷電流、鐵芯接(jie)地電流、高頻局放，所述非電氣(qi)(qi)量(liang)(liang)(liang)測量(liang)(liang)(liang)包(bao)括設(she)備的主變紅外溫(wen)度(du)(du)(du)(du)、管母接(jie)頭溫(wen)度(du)(du)(du)(du)、油溫(wen)、本體(ti)溫(wen)度(du)(du)(du)(du)、本體(ti)濕度(du)(du)(du)(du)、油中氣(qi)(qi)體(ti)含量(liang)(liang)(liang)，所述外部環(huan)境(jing)變量(liang)(liang)(liang)包(bao)括環(huan)境(jing)溫(wen)度(du)(du)(du)(du)、環(huan)境(jing)濕度(du)(du)(du)(du)。

10、進(jin)一步地，所(suo)述(shu)差(cha)分隱(yin)(yin)(yin)私(si)技(ji)術為基(ji)于拉普拉斯機(ji)制的(de)差(cha)分隱(yin)(yin)(yin)私(si)保護技(ji)術，所(suo)述(shu)采用差(cha)分隱(yin)(yin)(yin)私(si)技(ji)術添加噪聲(sheng)的(de)表達式為：

11、式(shi)中(zhong)，為(wei) f的(de)全(quan)局(ju)敏感度， f為(wei)原(yuan)始數(shu)據，d1、d2是相鄰數(shu)據點，為(wei) f進行差分隱(yin)私后的(de)數(shu)據，為(wei)隱(yin)私預算，范圍(wei)在0-1之間， η為(wei)噪音，服從(cong)參數(shu)為(wei)的(de)拉普拉斯分布(bu)。

12、進一(yi)步(bu)地，所述基(ji)于(yu)時(shi)序模(mo)式(shi)注意(yi)力(li)機制(zhi)的(de)循(xun)環神經網絡(luo)(luo)狀態預(yu)測模(mo)型包括lstm網絡(luo)(luo)和tpa注意(yi)力(li)機制(zhi)網絡(luo)(luo)，構(gou)建所述基(ji)于(yu)時(shi)序模(mo)式(shi)注意(yi)力(li)機制(zhi)的(de)循(xun)環神經網絡(luo)(luo)狀態預(yu)測模(mo)型的(de)步(bu)驟包括：

13、1）獲取變電站(zhan)設備在(zai)設定搜索時(shi)(shi)(shi)間(jian)(jian)段內(nei)的歷(li)(li)史(shi)(shi)狀態采樣時(shi)(shi)(shi)序(xu)數據作為(wei)歷(li)(li)史(shi)(shi)清洗(xi)量(liang)測，并設置(zhi)對應的在(zai)線預警量(liang)測，其中所述設定搜索時(shi)(shi)(shi)間(jian)(jian)段內(nei)包括多(duo)行歷(li)(li)史(shi)(shi)狀態采樣時(shi)(shi)(shi)序(xu)數據，每行之間(jian)(jian)的時(shi)(shi)(shi)間(jian)(jian)跨度相同(tong)；

14、2）基于(yu)所述(shu)(shu)歷(li)史清洗(xi)量測(ce)(ce)，采用可變(bian)(bian)長度(du)的(de)移(yi)動(dong)(dong)窗(chuang)(chuang)口(kou)(kou)數(shu)據(ju)清洗(xi)方法進行處理得到可變(bian)(bian)長度(du)的(de)移(yi)動(dong)(dong)窗(chuang)(chuang)口(kou)(kou)數(shu)據(ju)矩陣，并與(yu)所述(shu)(shu)在線預警(jing)量測(ce)(ce)作為基于(yu)時序模式注意力(li)機制的(de)循環神經網絡狀態預測(ce)(ce)模型的(de)訓練輸入，其中，所述(shu)(shu)在線預警(jing)量測(ce)(ce)作為標簽，所述(shu)(shu)可變(bian)(bian)長度(du)的(de)移(yi)動(dong)(dong)窗(chuang)(chuang)口(kou)(kou)數(shu)據(ju)矩陣的(de)格式為：清洗(xi)量測(ce)(ce)×移(yi)動(dong)(dong)窗(chuang)(chuang)口(kou)(kou)長度(du)×特征數(shu)；

15、3）所述lstm網(wang)絡從所述訓(xun)練(lian)輸(shu)入中提(ti)取特(te)征得(de)到每(mei)(mei)個時間(jian)步的(de)隱藏狀態，并采用所述tpa注(zhu)意力機制網(wang)絡計算每(mei)(mei)個時間(jian)步的(de)注(zhu)意力權重，以(yi)輸(shu)出預測結果；

16、4）采用adam優化器進行權重尋優以調(diao)整所(suo)述基于時(shi)序模式注意力(li)機制的(de)循環神(shen)經網絡狀態預測模型的(de)超參數(shu)，并記錄當(dang)前訓練輪次和損(sun)失值；

17、5）返回步驟3）進(jin)行迭代訓練，直至達到預設條(tiao)件結束訓練，得到構建好的基于時序模式注意(yi)力(li)機制的循環神經網(wang)絡(luo)狀態預測模型。

18、進一步地，所述歷史清(qing)洗(xi)量測(ce)的獲取(qu)步驟包括：

19、自(zi)上而下獲取每行歷(li)史狀態采樣(yang)時序數據(ju)在設(she)定的時間間隔內的時間戳；

20、根據所述時間(jian)戳，判(pan)斷兩行(xing)之間(jian)的時間(jian)間(jian)隔是否小于(yu)設(she)定(ding)的時間(jian)間(jian)隔，

21、若是，則判(pan)斷兩行(xing)之間不存在采(cai)樣缺失或中斷，將設(she)定搜索時間段內(nei)的多(duo)行(xing)歷(li)史狀態采(cai)樣時序數據作為歷(li)史清(qing)洗量測，

22、若否，則判斷兩(liang)行之間不存在采樣(yang)缺失或中斷，選擇跳過，繼續向下選取，直至兩(liang)行之間的時間跨度相(xiang)同，將(jiang)設(she)定搜索(suo)時間段內的多行歷(li)史(shi)狀態采樣(yang)時序(xu)數據作(zuo)為歷(li)史(shi)清洗(xi)量(liang)測。

23、進(jin)一步(bu)地，所述(shu)得(de)到可變長度移動窗口矩陣的步(bu)驟還包(bao)括：

24、判(pan)斷所述(shu)可變(bian)長(chang)度移動窗(chuang)口矩陣(zhen)中的(de)清洗量(liang)測(ce)的(de)可用采樣值數量(liang)是(shi)否小于(yu)預設(she)值，若(ruo)是(shi)，則判(pan)斷清洗量(liang)測(ce)存在缺失情(qing)況，采用插值法填補空缺，得到(dao)完(wan)整(zheng)的(de)可變(bian)長(chang)度移動窗(chuang)口矩陣(zhen)，若(ruo)否，則不(bu)做任何操(cao)作。

25、進(jin)一步地，所述插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法包括線性插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法、多項式插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法、拉格朗(lang)日插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法、三次(ci)樣(yang)條(tiao)插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法和(he)樣(yang)條(tiao)插(cha)(cha)(cha)值(zhi)(zhi)(zhi)法中(zhong)的一種。

26、進(jin)一(yi)步(bu)地，步(bu)驟(zou)3）中，所述輸出預測結果的(de)步(bu)驟(zou)包括以(yi)下：

27、所(suo)述tpa注意力(li)機制(zhi)網絡獲取所(suo)述每個時間步(bu)下(xia)訓練輸入(ru)的(de)(de)隱藏(zang)狀態，使用注意力(li)機制(zhi)計算每個時間步(bu)下(xia)訓練輸入(ru)的(de)(de)注意力(li)權重：

28、；將每個時間(jian)步下訓練輸入(ru)的(de)(de)(de)(de)注(zhu)(zhu)(zhu)意(yi)(yi)力權(quan)重(zhong)進行加權(quan)求和(he)得到第 t時刻隱含層權(quan)值 v t：；輸出tpa注(zhu)(zhu)(zhu)意(yi)(yi)力機制(zhi)網絡(luo)的(de)(de)(de)(de)變電站設備狀(zhuang)態預(yu)測結果：；式中，為的(de)(de)(de)(de)轉置；tanh是雙曲正切函(han)數； w i和(he)  b i是權(quan)重(zhong)矩陣； α i為每個時間(jian)步的(de)(de)(de)(de)注(zhu)(zhu)(zhu)意(yi)(yi)力權(quan)重(zhong)； e i為時間(jian)步為 i時的(de)(de)(de)(de)輸入(ru)元素(su)與上(shang)下文之間(jian)的(de)(de)(de)(de)關聯度(du)， e m為時間(jian)步為 m時的(de)(de)(de)(de)關聯度(du)， m取值范圍為[1, i]； h t為第 t時刻的(de)(de)(de)(de)變電站設備狀(zhuang)態預(yu)測結果； w h、、 w v是權(quan)重(zhong)矩陣。

29、進一步地，采用(yong)皮爾遜相(xiang)關系數計算所述(shu)相(xiang)關性(xing)：

30、式中，為(wei)皮爾(er)遜(xun)相關系數，   cov表示(shi)協方(fang)差(cha)， x, y為(wei)狀(zhuang)態預警(jing)預測量與對(dui)應的影響因素(su)，、分(fen)別為(wei) x, y的標準差(cha)，e表示(shi)期望，、分(fen)別為(wei) x, y的平均值(zhi)。

31、本(ben)實施例(li)還提(ti)供(gong)一種(zhong)基于(yu)相(xiang)關性分析的變電站設備全生(sheng)命周期(qi)管(guan)理系統，包(bao)括：

32、數據(ju)獲(huo)取(qu)模塊(kuai)：獲(huo)取(qu)變電(dian)站(zhan)設備的實時(shi)狀態采(cai)樣(yang)時(shi)序(xu)數據(ju)，并根據(ju)先驗(yan)知識篩選出影響(xiang)因素作為清洗量(liang)(liang)測，其中所述實時(shi)狀態采(cai)樣(yang)時(shi)序(xu)數據(ju)包括變電(dian)站(zhan)設備的電(dian)氣量(liang)(liang)測量(liang)(liang)、非電(dian)氣量(liang)(liang)測量(liang)(liang)和(he)外部環境(jing)變量(liang)(liang)；

33、清(qing)洗模塊：將所述清(qing)洗量測填入(ru)預先設定的可變長度(du)移(yi)動窗口(kou)中，輸(shu)出可變長度(du)的移(yi)動窗口(kou)數據矩陣；

34、噪聲添加以及預測(ce)模塊：基于所(suo)述可變長(chang)度(du)的移動窗(chuang)口數據矩陣，采用(yong)差分(fen)隱私(si)技術添加噪聲，輸(shu)入預先構建好的基于時序模式注意力機制的循(xun)環神經網絡狀態預測(ce)模型(xing)中，輸(shu)出變電(dian)站設備的實時狀態預警(jing)預測(ce)量；

35、判(pan)斷模塊：判(pan)斷所述實時狀態預(yu)(yu)警(jing)(jing)預(yu)(yu)測量(liang)是否(fou)達到設定的(de)預(yu)(yu)警(jing)(jing)值(zhi)，若是則計算實時狀態預(yu)(yu)警(jing)(jing)預(yu)(yu)測量(liang)與對應(ying)的(de)影響因素之間的(de)相關性，篩選(xuan)出故障因素，若否(fou)則不(bu)做任何操作；

36、管理(li)模(mo)塊(kuai)：基于所(suo)述(shu)故障因素進(jin)行(xing)故障檢修，并重復上述(shu)各模(mo)塊(kuai)的處理(li)過程(cheng)實現對變電站設(she)備全生(sheng)命周期管理(li)。

37、與現(xian)有(you)技(ji)術相比，本(ben)發(fa)明具有(you)以下有(you)益效果：

38、（1）本發明考(kao)慮(lv)到變電(dian)站(zhan)設(she)備潛(qian)(qian)在(zai)故(gu)障(zhang)風險(xian)，借助可(ke)變長(chang)度移動窗口(kou)進行數據(ju)清洗、差(cha)分隱私(si)保護(hu)機制形成(cheng)的(de)模型輸入經(jing)基于時序模式注意力(li)機制的(de)循(xun)環(huan)神經(jing)網絡(luo)模型進行狀(zhuang)態預測預警，實現(xian)了變電(dian)站(zhan)設(she)備的(de)風險(xian)預測預警能力(li)，并經(jing)相關性分析以分析得到變電(dian)站(zhan)設(she)備潛(qian)(qian)在(zai)的(de)故(gu)障(zhang)因(yin)素，進而進行檢修，依次循(xun)環(huan)往復(fu)，提升了變電(dian)站(zhan)設(she)備的(de)智能管(guan)理(li)水(shui)平(ping)。

39、（2）本發明采用差分隱(yin)(yin)私技術添(tian)加噪聲的(de)(de)方(fang)式合成新的(de)(de)數據(ju)(ju)集以(yi)代(dai)替(ti)之前的(de)(de)數據(ju)(ju)集，這些(xie)合成的(de)(de)新的(de)(de)數據(ju)(ju)集在統(tong)計特(te)性(xing)上(shang)與原(yuan)先數據(ju)(ju)集相(xiang)似(si)，但不包含原(yuan)先數據(ju)(ju)的(de)(de)個體信息(xi)，能夠保護數據(ju)(ju)隱(yin)(yin)私性(xing)。

40、（3）本(ben)發明(ming)提出(chu)一套高效(xiao)魯棒、泛(fan)用性(xing)強的(de)可(ke)變(bian)長度的(de)移動窗口數(shu)(shu)據(ju)清洗方法(fa)對變(bian)電站設備狀態采樣進(jin)行處理，解決了(le)變(bian)電站設備狀態采樣作(zuo)為時空大(da)數(shu)(shu)據(ju)，在時間尺度上的(de)不(bu)規(gui)則(ze)性(xing)、不(bu)連續性(xing)、不(bu)對齊性(xing)以及(ji)顆粒(li)度的(de)不(bu)均(jun)勻性(xing)。

41、（4）本發明采(cai)用(yong)基于(yu)時(shi)序模(mo)式注(zhu)(zhu)意力機(ji)制的(de)循環(huan)神經網(wang)絡(luo)模(mo)型進行預測(ce)(ce)，利(li)用(yong)循環(huan)神經網(wang)絡(luo)較好(hao)的(de)時(shi)間序列(lie)預測(ce)(ce)性能，通過注(zhu)(zhu)意力層自(zi)適應地調(diao)整每個時(shi)間步的(de)權重，使模(mo)型更(geng)加關注(zhu)(zhu)重要的(de)時(shi)間步，對輸(shu)入(ru)(ru)測(ce)(ce)量進行預測(ce)(ce)預警(jing)(jing)，相比(bi)基于(yu)低(di)維數據的(de)故障(zhang)預警(jing)(jing)具(ju)有更(geng)高(gao)的(de)準確度，可(ke)在(zai)(zai)設備(bei)尚未(wei)出現故障(zhang)時(shi)進行風險管控，減少用(yong)電高(gao)峰時(shi)段(duan)的(de)設備(bei)故障(zhang)風險。并且將(jiang)訓練完成的(de)神經網(wang)絡(luo)模(mo)型和(he)在(zai)(zai)線(xian)數據采(cai)樣結合，通過規范在(zai)(zai)線(xian)數據窗口化輸(shu)入(ru)(ru)，可(ke)獲得實(shi)時(shi)狀態預警(jing)(jing)量預測(ce)(ce)值，實(shi)現變電站設備(bei)的(de)狀態在(zai)(zai)線(xian)預警(jing)(jing)。

42、（5）本(ben)發明通過(guo)相關系(xi)數分析預測(ce)狀態量與影(ying)響因素(su)的關系(xi)，皮爾(er)遜相關系(xi)數可(ke)利用絕對值或變(bian)化(hua)(hua)量篩(shai)選出潛在故障(zhang)因素(su)，為檢(jian)修(xiu)工作提(ti)(ti)供量化(hua)(hua)參考，便于針對性地進行檢(jian)修(xiu)，提(ti)(ti)高設備的可(ke)用性。