CN109544399A - 基于多源异构数据的输电设备状态评价方法及装置 - Google Patents
基于多源异构数据的输电设备状态评价方法及装置 Download PDFInfo
- Publication number
- CN109544399A CN109544399A CN201811443444.7A CN201811443444A CN109544399A CN 109544399 A CN109544399 A CN 109544399A CN 201811443444 A CN201811443444 A CN 201811443444A CN 109544399 A CN109544399 A CN 109544399A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission facility
- parameter
- source heterogeneous
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于多源异构数据的输电设备状态评价方法及装置,涉及电力系统技术领域,其中,该方法包括:根据预设的状态评价导则,从得到的输电设备的多源异构数据中,多源异构数据包括参数和所述参数对应的参数值,提取与状态评价导则中的参数集相匹配的关键数据;将关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果;将输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。本发明实施例采用对多源异构数据进行缺陷分类与缺陷评价,运用多算法配合的方式,提高输电设备评价的智能化分析水平,从而提高了输电设备评价的准确性。
Description
技术领域
本发明涉及电力系统技术领域,具体而言,涉及一种输电设备状态评价方法及装置。
背景技术
输电设备的安全是电网安全、可靠、稳定运行的基础,对设备状态进行有效、准确的评估、诊断和预测,不仅会直接影响到后续的风险评估及检修决策,而且是提高供电可靠性及电网运行智能化水平的重要途径。
为了更大程度地保证电力系统的稳定运行,实时掌握电力系统的运行状态,我国提出了智能电网建设,这要求采用新的技术方法来实现对输电线路及其设备的运行状态的在线监测,当前,在输电线路上实现了无人机远程拍照、巡线机器人、智能气象监测等设备的安装,实现对输电线路的在线监测。且随着光纤复合架空地线技术的不断发展,目前已可将在输电线路中安装的在线监测所测的实时监测数据迅速传递到后台服务器形成一个包含海量运行状态数据的数据库,实现了海量多源异构数据的收集。
为了更好的对输电设备状态进行评价,相关基于大数据的数据处理方法已经逐渐成熟并开始应用于电力系统之中,神经网络、支持向量机、贝叶斯网络、粗糙集理论、关联分析、灰色理论等相关算法在电力系统数据分析的工程实践中均取得了一定程度的应用,并取得了相应的效果,但是单一算法在处理某些问题时会暴露算法本身的缺点,且在应用过程会造成输电设备状态评价中信息系统孤立、评判主观性较高、智能化分析不足等问题。
发明内容
有鉴于此,本发明的目的在于提供基于多源异构数据的输电设备状态评价方法及装置,以提高输电设备评价的智能化分析水平,从而提高了输电设备评价的准确性。
第一方面,本发明实施例提供了一种基于多源异构数据的输电设备状态评价方法,其特征在于,包括:
根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据;
将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果;
将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述提取与所述状态评价导则中的参数集相匹配的关键数据,具体包括:
依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据;
对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述对所述筛选数据进行关联分析与主成分分析,得到所述关键数据,具体包括:
针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值;
对所述比值从高到低排列,选取出预定数的历史样本数据中的参数作为主要参数;
根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数;
对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值;
对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率;
获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,建立预先训练的输电设备缺陷分类模型,具体包括:
从数据库中预先存储的多源异构历史样本数据中,筛选出与所述状态评价导则中的参数集相匹配的样本数据;
将所述样本数据进行关联分析与主成分分析,得到影响输电设备稳定的样本关键数据;
将所述样本关键数据作为输入量,以所述样本关键数据中参数对应的缺陷分类作为输出量,运用支持向量机对预设的输电设备缺陷分类模型进行训练,得到训练的输电设备缺陷分类模型。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,建立预先训练的输电设备缺陷评价模型,具体包括:
将所述样本关键数据中参数对应的缺陷分类作为输入量,以所述样本关键数据中参数对应的缺陷分类评分作为输出量,运用卷积神经网络对预设的输电设备缺陷评价模型进行训练,得到训练的输电设备缺陷评价模型。
第二方面,本发明实施例还提供了一种基于多源异构数据的输电设备状态评价装置,其中,包括:
关键数据提取模块,用于根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据;
缺陷分类模块,用于将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果;
缺陷评价模块,用于将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述关键数据提取模块,还包括:
第一筛选单元,用于依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据;
第一分析单元,用于对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述第一分析单元,还包括:
第一计算单元,用于针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值;
主要参数提取单元,用于对所述比值从高到低排列,选取出预定数的历史样本数据中的参数作为主要参数;
矩阵构建单元,用于根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数;
第二计算单元,用于对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值;
第三计算单元,用于对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率;
关键数据提取单元,用于获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
第三方面,本发明实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面,本发明实施例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上存储有计算机程序,其中,所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本发明实施例提供的基于多源异构数据的输电设备状态评价方法及装置,采用对多源异构数据进行缺陷分类与缺陷评价,运用多算法配合的方式建立了一套相对完整的输电设备状态评价体系,与现有技术中的采用单一算法在进行输电设备状态评价应用过程会造成信息系统孤立、评判主观性较高、智能化分析不足相比,其采用多算法配合的方法对输电设备状态进行分析,避免了单一算法的缺陷,提高输电设备评价的智能化分析水平,从而提高了输电设备评价的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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示出了本发明实施例所提供的一种基于多源异构数据的输电设备状态评价方法的流程示意图;
图2示出了本发明实施例所提供的一种提取与所述状态评价导则中的参数集相匹配的关键数据的流程示意图;
图3示出了本发明实施例所提供的一种关联分析与主成分分析方法的流程示意图;
图4示出了本发明实施例所提供的一种建立预先训练的输电设备缺陷分类模型的流程示意图;
图5示出了本发明实施例所提供的一种基于多源异构数据的输电设备评价装置的结构示意图;
图6示出了本发明实施例所提供的一种计算机设备的结构示意图。
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,所描述的实施例仅仅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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
考虑到现有技术中采用单一算法在处理某些问题时会暴露算法本身的缺点,且在应用过程会造成输电设备状态评价中信息系统孤立、评判主观性较高、智能化分析不足等问题。基于此,本发明实施例提供了一种基于多源异构数据的输电设备状态评价方法及装置,下面通过实施例进行描述。
参照图1所示的实施例,本实施例中提供一种基于多源异构数据的输电设备状态评价方法,该方法包括如下步骤:
S101、根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据。
S102、将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果。
S103、将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
上述关键数据至少包括关键参数及关键参数值。
上述预设的状态评价导则为《输变电设备状态评价导则》。与参数集相匹配的参数是指多源异构数据参数中,与参数集中任一参数相匹配的异构数据参数。
参照图2所示,图2为本申请提供的一种提取与所述状态评价导则中的参数集相匹配的关键数据的流程示意图,该方法包括如下步骤:
S201、依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据。
S202、对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
上述的筛选是指从得到的输电设备的多源异构数据中,提取出状态评价导则中的参数集对应的数据。
本申请一可选的实施例中,参照图3所示,图3为本申请提供的一种关联分析与主成分分析方法的流程示意图,该方法包括如下步骤:
S301、针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值。
S302、对所述比值从高到底排列,选取出预定数的历史样本数据中的参数作为主要参数。
S303、根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数。
S304、对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值。
S305、对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率。
S306、获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
具体的,在当前输电设备状态参数数据中,先筛选出与状态评价导则相匹配的数据,然后对筛选出的与状态评价导则相匹配的数据进行关联分析,提取出与状态评价相关的参量,再通过主成分分析,从提取出的与状态评价相关的参量中,提取出对输电设备状态影响较大的参量,作为影响输电设备稳定的关键数据。
具体的,提取出的与状态评价相关的参量用于表征输电设备处于缺陷状态的参数集合。
具体的,对筛选出的与状态评价导则相匹配的数据进行关联分析,包括:
针对筛选出的与状态评价导则相匹配的每一数据,对应该数据导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值。
上述的数据库存储有多源异构历史样本数据以及该历史样本数据对应的输电设备运行状态(正常或导致的缺陷)。上述进行关联分析在于从数据库中,首先在与状态评价导则相匹配的参数集中筛选出对输电设备运行状态影响较大的参数及该参数值,确定上述对输电运行状态影响较大的参数与输电设备运行状态的相关性即比值或置信度,然后对置信度进行从高到低排列,选取出特定个置信度较高的参量作为主要参数。
举例来说,在与状态评价导则相匹配的参数集中筛选出对输电设备运行状态影响较大的参数及该参数值,假设在缺陷历史样本中,A为导线断股数据,B为输电设备的缺陷状态的导线运行状态,通过计算缺陷历史样本中(A,B)样本占缺陷历史样本比值,该比值越高说明导线断股数据对输电设备的缺陷状态的导线运行状态影响较大。运用上述计算筛选出与导线缺陷相关性较大的数据。
通过对上述筛选出与导线缺陷相关性较大的数据,进行置信度从高到低排列,选取出特定个置信度较高的参量作为主要参数。
作为一具体的实施例,上述置信度计算的方法如下:假设筛选出的对导线缺陷影响较大的参数中的一数据X为导线对地距离的数据,X导致的输电设备运行状态缺陷Y为导线缺陷,则从数据库中,统计同时出现(X,Y)的X的次数占数据库中X的总次数的比值,得到导线对地距离会导致输电设备为缺陷状态的置信度。
上述根据主成分分析法的定义建立p*n数据矩阵,n为多源异构数据个数,p为影响输电设备运行状态处于缺陷状态的主要参数个数。
上述数据矩阵为:
上述通过奇异值分解得到相关系数矩阵的特征值,首先解特征方程|λI-R|=0(I标识单位向量,R表示相关系数矩阵),求出特征值λi(i=1,2,...,p),并使其按大小顺序排列,即λ1≥λ2…≥λp≥0。
作为一具体的实施方式,通过计算所述特征值的累积贡献率确定主成分的个数,将累积贡献率属于85%~95%的区间作为置信区间,得到m个主成分,其中,所述m个主成分用来表征p个影响输电设备状态的数据参量信息,其中p≥m。
上述累积贡献率:
其中表示累积贡献率,λk表示特征值。
上述置信区间是工作人员手动设置的,一般为[0.85,0.95];用累积贡献率在[0.85,0.95]这个置信区间内的m个参量作为主成分,并且m小于等于p,保证输入量精简的同时能够保证较大的置信度。
对得到的m个主成分进行加权,计算出所述m个主成分的综合评分并得到所述m个主成分的权重,对所述m个主成分的重要性进行排名。
将所述m个主成分的权重归一化到[0,1],将权重在0.5以上的参数选取为关键参数。
本实施例中,采用关联分析与主成分分析从输电设备的多源异构数据中提出关键参数,实现从大量的待评价样本的输入量中提取出与输电设备状态评价密切相关的数据,起到数据清洗的作用,实现对输入量的降维处理,从而去除冗余数据的干扰。
本申请一可选的实施例中,上述建立预先训练的输电设备缺陷分类模型,具体的,图4为本申请提供的一种建立预先训练的输电设备缺陷分类模型的流程示意图,该方法包括如下步骤:
S401、从数据库中预先存储的多源异构历史样本数据中,筛选出与所述状态评价导则中的参数集相匹配的样本数据。
S402、将所述样本数据进行关联分析与主成分分析,得到影响输电设备稳定的样本关键数据。
S403、将所述样本关键数据作为输入量,以所述样本关键数据中参数对应的缺陷分类作为输出量,运用支持向量机对预设的输电设备缺陷分类模型进行训练,得到训练的输电设备缺陷分类模型。
上述数据库中预先存储的多源异构历史数据样本包括历史缺陷样本同时包括正常样本。
上述通过支持向量机对数据库中预先存储的多源异构历史样本进行缺陷分类训练,输入的为关键参数(上述关键参数为对数据库中预先存储的多源异构历史样本进行分析提取得到的),输出的为该关键参数对应的样本的缺陷状态。
本实施例中,基于支持向量机的多缺陷组合分类单元,从数据库中预先存储的多源异构历史样本中,根据关键参数,对不同缺陷样本进行分类,从而实现对输电设备的缺陷进行分类。
本申请一可选的实施例中,上述建立预先训练的输电设备缺陷评价模型,具体如下:
将所述样本关键数据中参数对应的缺陷分类作为输入量,以所述样本关键数据中参数对应的缺陷分类评分作为输出量,运用卷积神经网络对预设的输电设备缺陷评价模型进行训练,得到训练的输电设备缺陷评价模型。
本实施例中,采用卷积神经网络针对各缺陷进行评价的体系,提高输电设备状态评价的全面性。
上述当前输电设备的多源异构数据,先经过提取与状态评价导则相匹配的数据,然后将上述与状态评价导则相匹配的数据进行关联分析和主成分分析,得到对输电设备状态影响较大的参数作为关键参数,将上述关键参数输入到预先训练好的缺陷分类模型中,从而得到当前输电设备所处的缺陷类型,将上述当前输电设备所处的缺陷类型输入至预先训练的输电设备缺陷评价模型,通过神经网络根据上述得到的当前输电设备所处的缺陷类型判断当前输电设备整体的运行状态,通过神经网络对上述得到的当前输电设备的每一个缺陷类型建立一个评分模型,从而得到当前输电设备的运行状态(当样本经过SVM判断得到当前输电设备处于某种缺陷下,然后调用神经网络建立的输电设备缺陷评价模型对上述得到的当前输电设备所处的缺陷进行严重程度评分,最终根据当前输电设备所有缺陷的严重程度评分确定当前输电设备的整体评分,从而得到当前输电设备的运行状态。)。
本实施例中,将当前输电设备的运行参数输入至预先训练好的输电设备缺陷分类模型,得到当前输电设备的缺陷,将上述缺陷结果输入至预先训练好的输电设备缺陷评价模型,对上述缺陷结果进行评分,从而得到当前输电设备的整体输电状态,运用支持向量机与神经网络,建立了一套比较完整的输电设备智能化状态评价体系,从而减少状态评价的主观性。
本实施例中提供了一种基于多源异构数据的输电设备评价装置,参照图5所示,该装置包括:
关键数据提取模块501,用于根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据。
缺陷分类模块502,用于将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果。
缺陷评价模块503,用于将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
本实施例中,将当前输电设备的运行参数通过采用关联分析与主成分分析提取出关键参数,并通过该缺陷分类模块与缺陷评价模块,通过支持向量机与卷积神经网络建立了一套多算法配合的输电设备智能化状态评价算法,从而避免单一算法的缺陷。
本申请一可选的实施例中,上述关键数据提取模块501,还包括:
第一筛选单元,用于依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据。
第一分析单元,用于对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
本申请一可选实施例中,上述第一分析单元,还包括:
矩阵建立单元,用于根据主成分分析法的定义建立p*n数据矩阵,n为历史样本数据个数,p为影响输电设备状态的数据参量个数。
第一计算单元,用于针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值;
主要参数提取单元,用于对所述比值从高到低排列,选取出预定数的历史样本数据中的参数作为主要参数;
矩阵构建单元,用于根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数;
第二计算单元,用于对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值;
第三计算单元,用于对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率;
关键数据提取单元,用于获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
本申请一可选的实施例中,上述缺陷分类模型502,还包括:
第二筛选单元,用于从数据库中预先存储的多源异构历史样本数据中,筛选出与所述状态评价导则中的参数集相匹配的样本数据。
第二分析单元,用于将所述样本数据进行关联分析与主成分分析,得到影响输电设备稳定的样本关键数据。
本申请一可选的实施例中,上述缺陷评价模型503,还包括:
缺陷评价训练单元,用于将所述样本关键数据中参数对应的缺陷分类作为输入量,以所述样本关键数据中参数对应的缺陷分类评分作为输出量,运用卷积神经网络对预设的输电设备缺陷评价模型进行训练,得到训练的输电设备缺陷评价模型。
对应于图1中的一种基于多源异构数据的输电设备状态评价方法,本申请实施例还提供了一种计算机设备600。如图6所示,该设备包括存储器601、处理器602及存储在改存储器601上并可在该处理器602上运行的计算机程序,其中,上述处理器602执行上述计算机程序时实现上述基于多源异构数据的输电设备状态评价方法。
具体地,上述存储器601和处理器602能够为通用的存储器和处理器,这里不做具体限定,当处理器602运行存储器601存储的计算机程序时,能够执行上述基于多源异构数据的输电设备状态评价方法,解决了现有技术中采用单一算法对输电设备进行评价可能会暴露算法本身的确定,使评价结果出现偏差的问题。
对应于图1中的基于多源异构数据的输电设备状态评价方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述基于多源异构数据的输电设备状态评价方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于多源异构数据的输电设备状态评价方法,解决了现有技术中采用单一算法对输电设备进行评价可能会暴露算法本身的确定,使评价结果出现偏差的问题,本申请采用关联分析、主成分分析、支持向量机与卷积神经网络建立了一套多算法配合的输电设备智能化评价算法,避免单一算法的缺陷。
本发明实施例所提供的进行基于多源异构数据的输电设备状态评价方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的基于多源异构数据的输电设备状态评价的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
Claims (10)
1.一种基于多源异构数据的输电设备状态评价方法,其特征在于,包括:
根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据;
将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果;
将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述提取与所述状态评价导则中的参数集相匹配的关键数据,具体包括:
依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据;
对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述筛选数据进行关联分析与主成分分析,得到所述关键数据,具体包括:
针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值;
对所述比值从高到低排列,选取出预定数的历史样本数据中的参数作为主要参数;
根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数;
对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值;
对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率;
获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
4.根据权利要求1所述的方法,其特征在于,建立预先训练的输电设备缺陷分类模型,具体包括:
从数据库中预先存储的多源异构历史样本数据中,筛选出与所述状态评价导则中的参数集相匹配的样本数据;
将所述样本数据进行关联分析与主成分分析,得到影响输电设备稳定的样本关键数据。
5.根据权利要求4所述的方法,其特征在于,建立预先训练的输电设备缺陷评价模型,具体包括:
将所述样本关键数据中参数对应的缺陷分类作为输入量,以所述样本关键数据中参数对应的缺陷分类评分作为输出量,运用卷积神经网络对预设的输电设备缺陷评价模型进行训练,得到训练的输电设备缺陷评价模型。
6.一种基于多源异构数据的输电设备状态评价装置,其特征在于,包括:
关键数据提取模块,用于根据预设的状态评价导则,从得到的所述输电设备的多源异构数据中,所述多源异构数据包括参数和所述参数对应的参数值,提取与所述状态评价导则中的参数集相匹配的关键数据;
缺陷分类模块,用于将所述关键数据输入至预先训练的输电设备缺陷分类模型,得到输电设备缺陷分类结果;
缺陷评价模块,用于将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型,依据输电设备缺陷评价模型的输出结果,判断当前输电设备的运行状态。
7.根据权利要求6所述的装置,其特征在于,所述关键数据提取模块,还包括:
第一筛选单元,用于依据所述多源异构数据的参数,筛选出与所述状态评价导则中的参数集相匹配的筛选数据;
第一分析单元,用于对所述筛选数据进行关联分析与主成分分析,得到所述关键数据。
8.根据权利要求7所述的装置,其特征在于,所述第一分析单元,还包括:
第一计算单元,用于针对每一所述筛选数据的参数,对应该参数导致的输电设备运行状态缺陷,在预先存储的数据库中,计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值;
主要参数提取单元,用于对所述比值从高到低排列,选取出预定数的历史样本数据中的参数作为主要参数;
矩阵构建单元,用于根据主成分分析法构建p*n数据矩阵,n为多源异构数据个数,p为主要参数个数;
第二计算单元,用于对数据矩阵进行标准化、正交化得到相关系数矩阵,通过奇异值分解得到相关系数矩阵的特征值;
第三计算单元,用于对所述特征值从高到低排列,计算排列前m个特征值的和与所有特征值的和的商,得到累积贡献率;
关键数据提取单元,用于获取所述累积贡献率超过预设贡献率阈值时,所述前m个特征值对应的主要参数,得到该主要参数对应的所述关键数据。
9.一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443444.7A CN109544399B (zh) | 2018-11-29 | 2018-11-29 | 基于多源异构数据的输电设备状态评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811443444.7A CN109544399B (zh) | 2018-11-29 | 2018-11-29 | 基于多源异构数据的输电设备状态评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544399A true CN109544399A (zh) | 2019-03-29 |
CN109544399B CN109544399B (zh) | 2021-03-16 |
Family
ID=65851202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811443444.7A Active CN109544399B (zh) | 2018-11-29 | 2018-11-29 | 基于多源异构数据的输电设备状态评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544399B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502724A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
CN110955709A (zh) * | 2019-11-05 | 2020-04-03 | 北京字节跳动网络技术有限公司 | 一种数据的处理方法、装置及电子设备 |
CN111061717A (zh) * | 2019-12-17 | 2020-04-24 | 国网北京市电力公司 | 电能设备的分析方法及装置、电子设备 |
CN111369179A (zh) * | 2020-04-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 一种配电自动化终端设备闭环检测方法和装置 |
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN113065580A (zh) * | 2021-03-17 | 2021-07-02 | 国能大渡河大数据服务有限公司 | 一种基于多信息融合的电厂设备管理方法及系统 |
CN113095425A (zh) * | 2021-04-21 | 2021-07-09 | 广东电网有限责任公司 | 现场开工条件自动判断与决策的方法、装置、设备及介质 |
CN113297092A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 软件的缺陷预测方法及相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100171825A1 (en) * | 2007-05-24 | 2010-07-08 | Cutsforth Products, Inc. | Monitoring systems and methods for monitoring the condition of one or more components of an electrical device |
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
CN105719094A (zh) * | 2016-01-27 | 2016-06-29 | 刘冰 | 一种输电设备状态评估方法 |
CN105761001A (zh) * | 2016-02-19 | 2016-07-13 | 国网浙江省电力公司金华供电公司 | 一种融合多源信息的配网设备状态评价方法 |
CN106056274A (zh) * | 2016-05-19 | 2016-10-26 | 华南理工大学 | 基于pca‑dea二维综合评价模型的电力施工主体效益分析方法 |
CN106485333A (zh) * | 2016-10-20 | 2017-03-08 | 云南电网有限责任公司电力科学研究院 | 一种输电线路运行状态评估方法 |
CN106684858A (zh) * | 2016-11-07 | 2017-05-17 | 国网甘肃省电力公司电力科学研究院 | 一种配电网降损措施的确定方法及装置 |
CN107038651A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种综合评价的信息融合方法 |
CN107330567A (zh) * | 2017-07-20 | 2017-11-07 | 云南电网有限责任公司电力科学研究院 | 基于大数据技术的配网短期负载预测方法 |
CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
CN108229787A (zh) * | 2017-11-28 | 2018-06-29 | 广州供电局有限公司 | 基于大数据的电力行业现场作业风险评估方法及系统 |
-
2018
- 2018-11-29 CN CN201811443444.7A patent/CN109544399B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100171825A1 (en) * | 2007-05-24 | 2010-07-08 | Cutsforth Products, Inc. | Monitoring systems and methods for monitoring the condition of one or more components of an electrical device |
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
CN105719094A (zh) * | 2016-01-27 | 2016-06-29 | 刘冰 | 一种输电设备状态评估方法 |
CN107038651A (zh) * | 2016-02-03 | 2017-08-11 | 中国电力科学研究院 | 一种综合评价的信息融合方法 |
CN105761001A (zh) * | 2016-02-19 | 2016-07-13 | 国网浙江省电力公司金华供电公司 | 一种融合多源信息的配网设备状态评价方法 |
CN106056274A (zh) * | 2016-05-19 | 2016-10-26 | 华南理工大学 | 基于pca‑dea二维综合评价模型的电力施工主体效益分析方法 |
CN106485333A (zh) * | 2016-10-20 | 2017-03-08 | 云南电网有限责任公司电力科学研究院 | 一种输电线路运行状态评估方法 |
CN106684858A (zh) * | 2016-11-07 | 2017-05-17 | 国网甘肃省电力公司电力科学研究院 | 一种配电网降损措施的确定方法及装置 |
CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
CN107330567A (zh) * | 2017-07-20 | 2017-11-07 | 云南电网有限责任公司电力科学研究院 | 基于大数据技术的配网短期负载预测方法 |
CN108229787A (zh) * | 2017-11-28 | 2018-06-29 | 广州供电局有限公司 | 基于大数据的电力行业现场作业风险评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
保敏: ""输电线路设备评级及状态检修问题研究"", 《科技视界》 * |
秦领: ""基于在线监测的输变电设备故障诊断方法研究与应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502724A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
CN110502724B (zh) * | 2019-08-09 | 2023-04-07 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
CN110955709A (zh) * | 2019-11-05 | 2020-04-03 | 北京字节跳动网络技术有限公司 | 一种数据的处理方法、装置及电子设备 |
CN110955709B (zh) * | 2019-11-05 | 2023-03-24 | 北京字节跳动网络技术有限公司 | 一种数据的处理方法、装置及电子设备 |
CN111061717A (zh) * | 2019-12-17 | 2020-04-24 | 国网北京市电力公司 | 电能设备的分析方法及装置、电子设备 |
CN111369179A (zh) * | 2020-04-09 | 2020-07-03 | 广东电网有限责任公司电力科学研究院 | 一种配电自动化终端设备闭环检测方法和装置 |
CN113065580A (zh) * | 2021-03-17 | 2021-07-02 | 国能大渡河大数据服务有限公司 | 一种基于多信息融合的电厂设备管理方法及系统 |
CN113065580B (zh) * | 2021-03-17 | 2024-04-16 | 国能大渡河大数据服务有限公司 | 一种基于多信息融合的电厂设备管理方法及系统 |
CN113034020A (zh) * | 2021-03-31 | 2021-06-25 | 广东电网有限责任公司 | 基于多源缺陷的设备状态动态评价方法、系统及存储介质 |
CN113095425A (zh) * | 2021-04-21 | 2021-07-09 | 广东电网有限责任公司 | 现场开工条件自动判断与决策的方法、装置、设备及介质 |
CN113297092A (zh) * | 2021-06-21 | 2021-08-24 | 中国农业银行股份有限公司 | 软件的缺陷预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109544399B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544399A (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN108083044B (zh) | 一种基于大数据分析的电梯按需维保系统及方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN110261749A (zh) | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 | |
CN109034470A (zh) | 一种电力通信现场运维故障预测方法 | |
CN108717534A (zh) | 基于功能性近红外光谱技术的操作者功能状态评估技术 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN110175324A (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
CN110059913A (zh) | 一种计及未来态的停电计划的量化评估方法 | |
CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
CN105967063A (zh) | 维保平台故障分析处理系统及方法 | |
CN114611372A (zh) | 一种基于物联网边缘计算的工业设备健康预测方法 | |
CN115689415A (zh) | 一种基于数字孪生的物流监视与仿真系统 | |
CN114665608A (zh) | 用于变电站的智能感知巡检系统及方法 | |
CN109145431A (zh) | 一种监控电力二次系统运行状态的建模方法及装置 | |
CN109978396A (zh) | 一种风险事件的早期筛查系统及方法 | |
CN110363244A (zh) | 一种营销数据处理的方法和装置 | |
CN109977984A (zh) | 基于支持向量机的窃电用户判断方法 | |
CN107886217A (zh) | 一种基于聚类算法的员工离职风险预测方法及装置 | |
CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 | |
CN105512801A (zh) | 一种输电设备状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220929 Address after: No.1518, No.1 Qingyuan Road, Beijiang District, Guangdong Province Patentee after: QINGYUAN POWER SUPPLY BUREAU OF GUANGDONG POWER GRID Corp. Address before: No.757 Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510000 Patentee before: GUANGDONG POWER GRID Co.,Ltd. Patentee before: QINGYUAN POWER SUPPLY BUREAU OF GUANGDONG POWER GRID Corp. |
|
TR01 | Transfer of patent right |