CN104598969A - 一种基于神经网络的高压电器运行质量评估方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；步骤4、根据已构建并训练完成的神经网络模型各权重值的分布对现有数据进行分析预测，获取高压电器运行质量的评估结果。本发明还公开了一种基于神经网络的高压电器运行质量评估系统。本发明在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能结果，为巡检计划的制定和安排提供科学且实用的依据。

Description

一种基于神经网络的高压电器运行质量评估方法及系统

技术领域

本发明涉及专利涉及高压电器质量评估技术领域，具体涉及变电站如断路器、隔离开关及接地开关等压电器设备的运行质量评估及巡检计划制定方法。

背景技术

断路器、隔离开关等高压电器是变电站中使用最多的电力设备，主要实现关合、开断、保护、控制、调节等功能。由于使用量大，操作频繁，工作可靠性要求高，对变电所、电厂的设计、建立和安全运行的影响均较大。目前，变电站中使用的高压电器种类繁多，性能标准参差不齐，以致运行生产维护中无法合理且具针对性的进行巡检计划安排。

随着智能电网的建设，高压电器的运行维护数据逐步在统一的信息平台上的集成共享。这部分数据的积累和沉淀，为高压电器综合状态评估提供了重要的数据基础。

因此以高压电器的运行维护数据为基础，采用现代数学方法和模型，推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理和故障分析方向发展，有效地通过数据分析算法及模型，根据不同厂商生产的高压电器在变电站的性能表现及缺陷分布情况进行智能分类，将是推进巡检计划科学合理安排的重要支撑。

发明内容

针对上述不足，本发明的目的之一在于提供一种基于神经网络的高压电器运行质量评估方法，其在全面反映高压电器运行状态的基础上，通过神经网络模型(Artificial Neural Networks)的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。

为实现以上目的，本发明采取的技术方案是：

一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：

步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；

步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P₁、高压电器设备投运时间T₁、高压电器设备缺陷等级C₁；

步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；

所述步骤3包括：

步骤31、将神经网络模型的初始神经元节点集合A⁰初始赋值为高压电器设备生产厂家数据集合P₁：

A⁰＝P₁＝{p₁,p₂,…p_j,…p_n}

其中：p_j为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；

步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C₁：

V＝C₁＝{c₁,c₂,c₃}

其中：c₁为一般缺陷，c₂为重大缺陷，c₃为紧急缺陷；

步骤33、对神经网络模型进行训练时，当初始神经元节点集合A⁰中的元素p_j对应的阀值b_k达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Aⁱ，所述隐蔽层Aⁱ中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值b_k达到一定数值，形成触发条件时，神经元节点状态激励函数生效：

$f\left(a_j^0\right|a_j^i)=\frac{1}{1+\exp (-a_j^0|-a_j^i)}$

其中，为初始神经元节点集合A⁰的第j个元素，

步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。

所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。

所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实 现，所述ETL工具为SAS软件。

所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。

所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。

本发明的另一目的在于提供一种基于神经网络的高压电器运行质量评估状态，其在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。

为实现以上目的，本发明采取的技术方案是：

一种基于神经网络的高压电器运行质量评估系统，其包括：

数据收集单元，用于收集各厂家生产的高压电器设备的原始缺陷数据；

数据整理单元，用于对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P₁、高压电器设备投运时间T₁、高压电器设备缺陷等级C₁；

构建及训练单元，用于根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；

所述构建及训练单元包括：

初始神经元节点集合赋值单元，用于将神经网络模型的初始神经元节点集合A⁰初始赋值为高压电器设备生产厂家数据集合P₁：

A⁰＝P₁＝{p₁,p₂,…p_j,…p_n}

其中：p_j为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；

目标集合赋值单元，用于将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C₁：

V＝C₁＝{c₁,c₂,c₃}

其中：c₁为一般缺陷，c₂为重大缺陷，c₃为紧急缺陷；

训练模型单元，用于对神经网络模型进行训练时，当初始神经元节点集合A⁰中的元素p_j对应的阀值b_k达到一定数值后，隐蔽层的自动构建工作便被启动， 自动生成的第i个中间层标记为隐蔽层Aⁱ，所述隐蔽层Aⁱ中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值b_k达到一定数值，形成触发条件时，神经元节点状态激励函数生效：

$f\left(a_j^0\right|a_j^i)=\frac{1}{1+\exp (-a_j^0|-a_j^i)}$

其中，为初始神经元节点集合A⁰的第j个元素，

质量评估单元，用于根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。

所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。

对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。

所述构建及训练单元还包括参数调整单元，用于对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。

所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。

与现有技术相比，本发明的有益效果在于：本发明在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能评估结果，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。

附图说明

图1为本发明一种基于神经网络的高压电器运行质量评估方法的流程示意图；

图2为构建的神经网络模型示意图。

具体实施方式

下面结合附图和具体实施方式对本发明的内容做进一步详细说明。

实施例

本发明以隔离开关为例，对基于神经网络的高压电器运行质量评估和巡检计划制定方法进行说明，请参照图1所示，基于神经网络的隔离开关巡检判定方法主要包括以下五个步骤。

1)数据收集。 

为实现全面反映隔离开关运行状态，为巡检计划的制定和安排提供科学且实用的依据，本发明首先通过各类信息系统，如：生产管理信息系统，对表1中所需数据进行统一收集。收集到的各厂家生产的隔离开关的原始缺陷数据主要包括：缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别、生产厂家等数据项。

其中，缺陷类别(或缺陷等级)分为：紧急缺陷、重大缺陷和一般缺陷。严重程度依次为：紧急缺陷>重大缺陷>一般缺陷。

紧急缺陷主要指：生产设备运行维护阶段中发生的，不满足运行维护标准，随时可能导致设备故障，对人身安全、电网安全、设备安全、经济运行造成严重影响，需立即进行处理的设备缺陷。

重大缺陷主要指：生产设备运行维护阶段中发生的，不满足运行维护标准，对人身安全、电网安全、设备安全、经济运行造成重大影响，设备在短时内还能坚持运行，但需尽快进行处理的设备缺陷。

一般缺陷主要指：生产设备运行维护阶段中发生的，基本不对设备安全、经济运行造成影响的设备缺陷。

表1、原始缺陷数据表

2)数据整理。 

日常生产运行过程中的缺陷数据内容比较庞杂，为在其中找到值得分析的数据，构建模型前，通过ETL工具(例如SAS软件)对需要得到的原始数据进行赋值转换和清理，得到数据集合、缺陷等级、投运时间等相关数据。转换后的数据即二次数据如表2所示，其中第一列为隔离开关生产厂家数据集合P₁，第二列为隔离开关投运时间T₁，第三列为隔离开关缺陷等级C₁。

表2、二次数据表

3)构建并训练模型

赋值转换和清理后的二次数据与初始采集数据相比更具针对性和合理性，故直接用于神经网络建模。

将神经网络模型的初始神经元节点集合A⁰初始赋值为隔离开关生产厂家数据集合P₁：

A⁰＝P₁＝{HNCGGYDQ,SYGYKG,AESTGYDQ,XDGYKGC,HNPGJT,MG,BJABBG YKG,PDSGYKGC}

神经网络模型的目标集合V赋值为隔离开关缺陷等级C₁，即：

V＝C₁＝{yiban，zhongda，jinji}

隐蔽层Aⁱ表示在模型训练时自行生成的第i个中间层，其中包含的第j个隐蔽神经元节点，定义为

每个初始神经元节点与各隐藏层神经元节点的状态均包含默认状态0和触发状态1，当每个初始神经元节点或各隐藏层神经元节点触发其对应的阀值b_k达到一定数值，形成触发条件时，神经元节点状态激励函数(Sigmoid函数)生效。

其中，不同神经元节点所对应的阀值b_k值表，如表3所示，表中node7、node8均为阀值b_k部分节点数据，每个厂家产品会有不同的阀值达到不同节点node，不同节点node也有不同的阀值达到下一个节点node，直到最后一层，由不同的阀值b_k目标，从而形成一条从不同厂家产品到目标的路径。

表3神经元节点阀值表(只列举部分数据)

	Sigmoid Node 7	Sigmoid Node 8
			HNCGGYDQ	0.34642233907001985	-0.2962925889466719
SYGYKG	-0.10537532173669849	-0.7711092852219283
			AESTGYDQ	-1.1342829248392454	0.6876257863078332
XDGYKGC	0.2803894440435134	-0.33572467236158804
			HNPGJT	0.43475528498604565	-2.1151178895297362
MG	0.09334537952752783	-0.5552744328625884
			BJABBGYKG	0.34617388835825746	-0.3593024031971349
PDSGYKGC	-1.5877105860140766	-1.6427190296213605

激励函数(Sigmoid函数)公式，如公式(1)所示。

$f\left(a_j^0\right|a_j^i)=\frac{1}{1+\exp (-a_j^0|-a_j^i)}---\left(1\right)$

由案例中不同厂家神经元节点触发阀值后，构建的神经网络模型示意图如图2所示。

构建初次模型后，为使模型获得更高的准确率，需对Epoch、Momentum和learning rate等参数进行调整和修改。通过提升迭代次数，增加波动阻尼，控制学习速率等方法进行修改及比对，可知，此模型在Epoch＝500，Momentum＝0.1，learning rate＝0.6时，根据正方根误差计算可得，此时模型的准确率最高，为97.5％。

4)数据估计。 

根据已构建并训练完成的模型，可对现有数据进行分析预测。再次使用ETL工具对数据库中待估计的数据进行清理，而后即可将数据代入已训练好的模型进行计算。

将训练好的模型的初始神经元节点集合A⁰初始赋值为生产厂家集合P₂：

A⁰＝P₂＝{AEST,XAXD,HNPGJT,BJABBGYKG,MG,PDSGYKG，HNCGGYKG，SYGYKG}

根据神经元节点阀值表3中的阀值b_k值表和Sigmoid函数公式运算可得各厂家设备缺陷估计结果，具体详见表4。

表4隔离开关缺陷估计表

序号	生产厂家	使用时间	缺陷估计结果
				1	AEST	0.69年	重大
2	AEST	0.3年	重大
				3	XAXD	4.2年	一般
4	XAXD	5.7年	一般
				5	HNPGJT	5.2年	一般
6	HNPGJT	0.33年	紧急
				7	BJABBGYKG	3年	一一般
8	MG	20.4年	一般
				9	PDSGYKG	14.5年	一般
10	PDSGYKG	0.08年	重大
				11	HNCGGYKG	2.8年	一般
12	SYGYKG	20.5年	一般

5)运行质量评估及巡检计划制定调整

根据模型中各权重值的分布，可得：HNPGJT开关在使用0.33年后可能发生紧急缺陷，PDSGYKGC设备开关在使用0.08年的时候可能出现重大缺陷。

通过对隔离开关缺陷分析，结果存在以下三种可能：

1)高压电器生产厂家的产品正处在其浴盆曲线的早夭期范围内，缺陷发生的可能性较高，这种情况下：神经网络预测结果可对设备浴盆曲线进行符合各厂家型号产品性能状态的修正，并对检修、运维人员巡检、预试、小修、大修计划和项目的制定提供相应的参考；

2)导致该生产厂家的设备发生紧急重或大缺陷的因素中，如果投运时间在评估设备运行性能时，数据分布无规律，对评估不起主导作用，这种情况下，需对该厂设备的其他属性进行深入研究；

3)如果缺陷系统统计数据有误，导致模型训练时有偏差，这种情况下，需提升现有系统的数据质量。

如果可排除第2、3种可能性，神经网络对与隔离开关运行预测结果存在一定的指导意义，各运维单位在制定隔离开关巡检、预试、小修、大修计划和项目时，站内一到两年内投产的的AEST、PFSGYKG和HNPGJT三个生产厂家生产的隔离开关需缩短巡检时间，重点采用红外测温检测隔离开关运行时连接板、螺栓紧固部位的温度，投运一年后，需对隔离开关按照预试检修规程进行相应的检查与维护。

其他高压电器如断路器、接地刀闸等的运行质量评估及巡检计划制定方法可以参照以上隔离开关的案例进行。

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。

Claims (10)

1.一种基于神经网络的高压电器运行质量评估方法，其特征在于，其包括以下步骤：

步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；

步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P₁、高压电器设备投运时间T₁、高压电器设备缺陷等级C₁；

步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；

所述步骤3包括：

步骤31、将神经网络模型的初始神经元节点集合A⁰初始赋值为高压电器设备生产厂家数据集合P₁：

A⁰＝P₁＝{p₁,p₂,…p_j,…p_n}

其中：p_j为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；

步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C₁：

V＝C₁＝{c₁,c₂,c₃}

其中：c₁为一般缺陷，c₂为重大缺陷，c₃为紧急缺陷；

步骤33、对神经网络模型进行训练时，当初始神经元节点集合A⁰中的元素p_j对应的阀值b_k达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Aⁱ，所述隐蔽层Aⁱ中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值b_k达到一定数值，形成触发条件时，神经元节点状态激励函数生效：

$f\left(a_j^0\right|a_j^i)=\frac{1}{1+\exp (-a_j^0|-a_j^i)}$

其中，为初始神经元节点集合A⁰的第j个元素，

步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。

2.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。

3.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。

4.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。

5.根据权利要求4所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。

6.一种基于神经网络的高压电器运行质量评估系统，其特征在于，其包括：

数据收集单元，用于收集各厂家生产的高压电器设备的原始缺陷数据；

数据整理单元，用于对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P₁、高压电器设备投运时间T₁、高压电器设备缺陷等级C₁；

构建及训练单元，用于根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；

所述构建及训练单元包括：

初始神经元节点集合赋值单元，用于将神经网络模型的初始神经元节点集合A⁰初始赋值为高压电器设备生产厂家数据集合P₁：

A⁰＝P₁＝{p₁,p₂,…p_j,…p_n}

其中：p_j为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；

目标集合赋值单元，用于将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C₁：

V＝C₁＝{c₁,c₂,c₃}

其中：c₁为一般缺陷，c₂为重大缺陷，c₃为紧急缺陷；

训练模型单元，用于对神经网络模型进行训练时，当初始神经元节点集合A⁰中的元素p_j对应的阀值b_k达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Aⁱ，所述隐蔽层Aⁱ中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值b_k达到一定数值，形成触发条件时，神经元节点状态激励函数生效：

$f\left(a_j^0\right|a_j^i)=\frac{1}{1+\exp (-a_j^0|-a_j^i)}$

其中，为初始神经元节点集合A⁰的第j个元素，

质量评估单元，用于根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。

7.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。

8.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。

9.根据权利要求6所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述构建及训练单元还包括参数调整单元，用于对训练完成的神经网络模型中的Epoch、Momentum和learning rate三个参数进行调整和修改，以提高该神经网络模型的准确率。

10.根据权利要求9所述的基于神经网络的高压电器运行质量评估系统，其特征在于，所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learning rate进行修改及比对。