CN111966758B - 一种基于画像数据分析技术的电力隐患排查方法 - Google Patents

Abstract

本发明涉及电力故障排查技术领域，具体涉及一种基于画像数据分析技术的电力隐患排查方法，包括以下步骤：A）获取多组电力设备的监测数据，标注故障信息后作为样本数据；B）构建深度信念网络，将电力设备的监测数据转换为特征向量；C）构建画像模型，画像模型包括若干组作为顶点的监测数据，获得新的监测数据的画像；D）构建卷积神经网络，使用样本数据对应的画像训练卷积神经网络；E）将新的监测数据输入深度信念网络，获得特征向量，输入画像模型获得监测数据的画像，而后输入卷积神经网络，获得监测数据对应的故障数据，获得隐患排查结果。本发明的有益效果是：方便整合多个数据源，提高电力设备隐患排查的效率。

Description

一种基于画像数据分析技术的电力隐患排查方法

技术领域

本发明涉及电力故障排查技术领域，具体涉及一种基于画像数据分析技术的电力隐患排查方法。

背景技术

随着能源互联网加快推进，分布式能源及特高压网络扩大建设，电力设备部署规模也随之不断加大，未来电力网拓扑结构会日益复杂，新型电网生产业务数量快速增长，在海量运维数据面前，电力设备运维人员只能将有限的精力集中到关系业务通断性的重要告警及相关性能上，而对于不同数据间深层次交叉影响关系，却无有效手段去深度挖掘，造成了很多隐患从当前采集的数据中无法成功预判，这也是当前电力运维管理工作的最大的痛点及难点。电力设备的隐患排查、故障诊断、风险预判及业务重构缺少有效的技术支撑。中国专利CN110245163A，公开日2019年9月17日，一种电力设备运行隐患排查方法，包括如下几个步骤：步骤1：数据获取；步骤2：数据预处理步骤3：隐患数据存储与计算；步骤4：数据分析与挖掘；步骤5：隐患分析结果可视化展示。采用该方法，通过对隐患信息进行分类统计，多维度展示隐患与设备隐患、季节以及不同设备投运年限等信息之间的关联关系，但其仍需要人工判定故障类型以及故障概率，无法为电力设备提供稳定的运维保障。

发明内容

本发明要解决的技术问题是：目前电力设备的隐患排查效率低的技术问题。提出了一种基于画像数据分析技术的电力隐患排查方法。本方法能够方便的整合多源数据，提高电力设备隐患排查的效率和准确性。

为解决上述技术问题，本发明所采取的技术方案为：一种基于画像数据分析技术的电力隐患排查方法，包括以下步骤：A)获取多组电力设备的监测数据，标注故障信息后作为样本数据；B)构建深度信念网络，将电力设备的监测数据作为输入，故障概率作为输出，将电力设备的监测数据转换为特征向量；C)构建画像模型，所述画像模型包括若干组作为顶点的监测数据，将监测数据的特征向量与顶点比对，获得新的监测数据的画像；D)构建卷积神经网络，使用样本数据对应的画像训练卷积神经网络；E)将新的监测数据输入深度信念网络，获得特征向量，而后输入画像模型获得监测数据的画像，而后输入卷积神经网络，获得监测数据对应的故障数据，获得隐患排查结果。

作为优选，步骤B)中，构建深度信念网络的方法包括：B1)获得同一个电力设备的多个监测源在同一时段内的监测数据，每个监测源的监测数据作为一个输入向量，将监测数据归一化；B2)建立一级迭代网络，根据监测源为一级迭代网络制定特征标签，将多个输入向量同时输入一级迭代网络，获得数据和特征标签之间的概率向量，获得特征参量；B3)建立二级迭代网络，将特征参量输入，二级迭代网络的输出为故障信息，将二级迭代网络的输出作为特征向量。

作为优选，步骤B2)中，建立的一级迭代网络包括若干个组相互独立并列的子迭代网络，若干个子迭代网络迭代时间t以及均迭代n次设置为使得子迭代网络的迭代时间基本相同。

作为优选，步骤B1)中，将监测数据归一化的方法为：B11)获得监测数据存在理论最大值和理论最小值，则计算监测数据与理论最小值的差值，将差值与理论最大值和理论最小值的差的商作为监测数据归一化后的值；B12)若无理论最大值或理论最小值，则采用历史监测到的历史最大值和历史最小值，计算监测数据与历史最小值的差值，计算差值与历史最大值和历史最小值的差的商，将商除以一个大于1的修正系数后作为监测数据归一化后的值。

作为优选，步骤B2)中，将多个输入向量同时输入一级迭代网络，获得特征参量的方法包括：B21)将输入向量映射给隐藏层，隐藏层作为第二层输入向量；B22)将第二层输入向量映射到下一层隐藏层；B23)重复步骤B21)和B22)直至一级迭代网络识别准确率达到设定值。

作为优选，步骤C)中，构建画像模型的方法包括：C1)为每个故障挑选一个对应的典型监测数据，进而每个辅助对应的典型特征向量，作为顶点特征向量；C2)获得新的监测数据对应的特征向量，分别计算特征向量顶点特征向量的相似度，根据相似度获得监测数据对应的位置，获得监测数据的画像。

作为优选，步骤C2)中，根据相似度获得监测数据对应的位置，获得监测数据的画像的方法包括：C21)将顶点排序，读取前两个顶点；C22)分别计算待画像特征向量与前两个顶点向量的相似度，按相似度分配两个顶点之间的距离，获得临时点，以相似度作为权重，计算两个顶点向量之间的加权平均值，获得临时点的特征向量；C23)读取下一个顶点，与临时点构成两个顶点，重复步骤C22)不断获得新的临时点，直到遍历全部顶点，最后获得的临时点即为监测数据的画像位置，顶点与画像位置共同构成监测数据的画像。

作为优选，步骤C23)中，将全部临时点和顶点一起作为监测数据的画像。

作为优选，步骤C1)中，将故障分组，将组排序，为相邻组之间设置一个相同故障，每组故障每组内的故障不会同时发生，将每组包括的故障作为定点构成多边形，多组的多个多边形依次排列，相邻多边形之间具有共同点，构成初始画像，经过步骤C21)至C23)获得监测数据的画像。

本发明的实质性效果是：通过将监测源的监测数据输入具有多个子迭代网络的一级迭代网络，而后使用二级迭代网络整合，使得多个数据格式不同的数据源能够方便的进行整合，综合体现电力设备隐患信息；通过构造电力设备的画像，进一步融合了多个数据源的监测数据，能够高效率的将监测数据转换为画像，将画像输入识别模型，获得电力设备的故障信息。

附图说明

图1为实施例一电力隐患排查方法流程框图。

图2为实施例一构建深度信念网络的方法流程框图。

图3为实施例一深度信念网络示意图。

图4为实施例一监测数据的画像示意图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种基于画像数据分析技术的电力隐患排查方法，如图1所示，本实施例包括以下步骤：A)获取多组电力设备的监测数据，标注故障信息后作为样本数据。

B)构建深度信念网络，将电力设备的监测数据作为输入，故障概率作为输出，将电力设备的监测数据转换为特征向量。如图2所示，构建深度信念网络的方法包括：B1)获得同一个电力设备的多个监测源在同一时段内的监测数据，每个监测源的监测数据作为一个输入向量，将监测数据归一化；B2)建立一级迭代网络，根据监测源为一级迭代网络制定特征标签，将多个输入向量同时输入一级迭代网络，获得数据和特征标签之间的概率向量，获得特征参量；B3)建立二级迭代网络，将特征参量输入，二级迭代网络的输出为故障信息，将二级迭代网络的输出作为特征向量。如图3所示，为实施例一深度信念网络示意图。

步骤B1)中，将监测数据归一化的方法为：B11)获得监测数据存在理论最大值和理论最小值，则计算监测数据与理论最小值的差值，将差值与理论最大值和理论最小值的差的商作为监测数据归一化后的值；B12)若无理论最大值或理论最小值，则采用历史监测到的历史最大值和历史最小值，计算监测数据与历史最小值的差值，计算差值与历史最大值和历史最小值的差的商，将商除以一个大于1的修正系数后作为监测数据归一化后的值。

步骤B2)中，建立的一级迭代网络包括若干个组相互独立并列的子迭代网络，若干个子迭代网络迭代时间t以及均迭代n次设置为使得子迭代网络的迭代时间基本相同。将多个输入向量同时输入一级迭代网络，获得特征参量的方法包括：B21)将输入向量映射给隐藏层，隐藏层作为第二层输入向量；B22)将第二层输入向量映射到下一层隐藏层；B23)重复步骤B21)和B22)直至一级迭代网络识别准确率达到设定值。

C)构建画像模型，画像模型包括若干组作为顶点的监测数据，将监测数据的特征向量与顶点比对，获得新的监测数据的画像。

构建画像模型的方法包括：C1)为每个故障挑选一个对应的典型监测数据，进而每个辅助对应的典型特征向量，作为顶点特征向量；C2)获得新的监测数据对应的特征向量，分别计算特征向量顶点特征向量的相似度，根据相似度获得监测数据对应的位置，获得监测数据的画像。步骤C1)中，将故障分组，将组排序，为相邻组之间设置一个相同故障，每组故障每组内的故障不会同时发生，将每组包括的故障作为定点构成多边形，多组的多个多边形依次排列，相邻多边形之间具有共同点，构成初始画像，经过步骤C21)至C23)获得监测数据的画像。

步骤C2)中，根据相似度获得监测数据对应的位置，获得监测数据的画像的方法包括：C21)将顶点排序，读取前两个顶点；C22)分别计算待画像特征向量与前两个顶点向量的相似度，按相似度分配两个顶点之间的距离，获得临时点，以相似度作为权重，计算两个顶点向量之间的加权平均值，获得临时点的特征向量；C23)读取下一个顶点，与临时点构成两个顶点，重复步骤C22)不断获得新的临时点，直到遍历全部顶点，如图4所示，最后获得的临时点即为监测数据的画像位置，顶点与画像位置共同构成监测数据的画像。

D)构建卷积神经网络，使用样本数据对应的画像训练卷积神经网络。

E)将新的监测数据输入深度信念网络，获得特征向量，而后输入画像模型获得监测数据的画像，而后输入卷积神经网络，获得监测数据对应的故障数据，获得隐患排查结果。

以具有两个输入向量的监测数据为例，首先将输入向量值映射给隐层单元，然后用隐层单元重建第二层输入向量，接着再将新的输入向量值再映射给下一个隐层单元，反复执行以上步骤，直至学习收敛。两组输入分别为S{s₁,s₂,s₃,...,s_p},X{x₁,x₂,x₃,...,x_q}，输入数据个数分别为p和q，设定一级迭代时间为t，两组均迭代n次，S组训练参数为h，X组训练参数为w即为：

s₁→P(s)

h₁→P(h|s₁)

s₂→P(x|h₁)

h₂→P(h|s₂)

....

s_n→P(s|h_n-1)

P表示输入对隐层单元的映射关系，h表示隐层单元，递推公式为由RBM能量函数获取到输入层和隐藏层间的似然分布函数：

其中v为学习速率，Ev(s,h)表示能量函数，Pv(s,h)表示(s,h)状态下的联合概率分布，直到拟合输入数据集合达到最优，则完成每组的第一级迭代，提取出各自特征参量；同理输入X组可以得到同样的数据分布关系：

通过第一级DBN训练结束后，建立了独立参量的一个观察数据和特征标签之间的联合分布，求出一组特征参量，分别为sn+1和xn+1；

进入下一级DBN训练，通过将挖掘出的第一级特征参量融合训练，计算彼此间的影响关联度，可到更加准确地差异化特征。下一级输入数据集合为s'{s_n+1,x_n+1}，下一级的隐层单元数值与上一级相关，并存在一定得权值关系δ，重复上述迭代过程。可根据指标体系综合性大小，选择不同的训练层级，最终计算得到的特征标签L{l₁,l₂,l₃,...,l_m}是几乎最贴近实际评判情况的。

本实施例的有益效果是：通过将监测源的监测数据输入具有多个子迭代网络的一级迭代网络，而后使用二级迭代网络整合，使得多个数据格式不同的数据源能够方便的进行整合，综合体现电力设备隐患信息；通过构造电力设备的画像，进一步融合了多个数据源的监测数据，能够高效率的将监测数据转换为画像，将画像输入识别模型，获得电力设备的故障信息。

对比例：

本对比例选用Inter(R)CPU 1.9GHz处理器、内存16.0GB、Window10 64位操作系统下，利用MATLAB 2016b软件下进行实验仿真。选取某省地市信通公司对光缆监控故障库中故障率较集中的数据记录作为数据样本。分别从5种监控类型，包括温度、在线率、抖动性、光功率以及数据传输效率截取数据，每组截取2000个数据，形成5*2000的数据源。学习率为0.01时，训练次数均选择为2000。在MATLAB训练算法中，对训练时间按照“两步走”方案进行采集，将特征提取时间和聚类时间分别获取，更有效判断不同算法的时效性，将最终评估的结果与实际样本发生的故障情况进行对比，综合评估其准确性。本文选择另外两种较常规的预测算法进行测试类比，具体测试结果如下表所示：

表1模型训练误差及效果比对结论表

由表1可见，贝叶斯算法在特征提取效率方面很低，因为其单链路特征需逐一比较，不具备多态融合的特点；而BP神经网络属于深度学习算法中的一种，其计算性能和判断准确性相对较高，但针对画像评估需求这类应用，缺乏语义特征层面的挖掘特性，评估准确度相比本文设计方法略低10％左右，综合可见，本实施例公开的隐患排查方法所采用的改进模型，在时效和准确性方面都符合设备画像评估体系应用。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种基于画像数据分析技术的电力隐患排查方法，其特征在于，

包括以下步骤：

A)获取多组电力设备的监测数据，标注故障信息后作为样本数据；

B)构建深度信念网络，将电力设备的监测数据作为输入，故障概率作为输出，将电力设备的监测数据转换为特征向量，构建深度信念网络的方法包括：B1)获得同一个电力设备的多个监测源在同一时段内的监测数据，每个监测源的监测数据作为一个输入向量，将监测数据归一化，B2)建立一级迭代网络，根据监测源为一级迭代网络制定特征标签，将多个输入向量同时输入一级迭代网络，获得数据和特征标签之间的概率向量，获得特征参量，B3)建立二级迭代网络，将特征参量输入，二级迭代网络的输出为故障信息，将二级迭代网络的输出作为特征向量；

C)构建画像模型，所述画像模型包括若干组作为顶点的监测数据，将监测数据的特征向量与顶点比对，获得新的监测数据的画像；

D)构建卷积神经网络，使用样本数据对应的画像训练卷积神经网络；

E)将新的监测数据输入深度信念网络，获得特征向量，而后输入画像模型获得监测数据的画像，而后输入卷积神经网络，获得监测数据对应的故障数据，获得隐患排查结果。

2.根据权利要求1所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤B2)中，建立的一级迭代网络包括若干个组相互独立并列的子迭代网络，若干个子迭代网络迭代时间t以及均迭代n次设置为使得子迭代网络的迭代时间基本相同。

3.根据权利要求1或2所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤B1)中，将监测数据归一化的方法为：

B11)获得监测数据存在理论最大值和理论最小值，则计算监测数据与理论最小值的差值，将差值与理论最大值和理论最小值的差的商作为监测数据归一化后的值；

B12)若无理论最大值或理论最小值，则采用历史监测到的历史最大值和历史最小值，计算监测数据与历史最小值的差值，计算差值与历史最大值和历史最小值的差的商，将商除以一个大于1的修正系数后作为监测数据归一化后的值。

4.根据权利要求1或2所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤B2)中，将多个输入向量同时输入一级迭代网络，获得特征参量的方法包括：

B21)将输入向量映射给隐藏层，隐藏层作为第二层输入向量；

B22)将第二层输入向量映射到下一层隐藏层；

B23)重复步骤B21)和B22)直至一级迭代网络识别准确率达到设定值。

5.根据权利要求1或2所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤C)中，构建画像模型的方法包括：

C1)为每个故障挑选一个对应的典型监测数据，进而每个辅助对应的典型特征向量，作为顶点特征向量；

C2)获得新的监测数据对应的特征向量，分别计算特征向量顶点特征向量的相似度，根据相似度获得监测数据对应的位置，获得监测数据的画像。

6.根据权利要求5所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤C2)中，根据相似度获得监测数据对应的位置，获得监测数据的画像的方法包括：

C21)将顶点排序，读取前两个顶点；

C22)分别计算待画像特征向量与前两个顶点向量的相似度，按相似度分配两个顶点之间的距离，获得临时点，以相似度作为权重，计算两个顶点向量之间的加权平均值，获得临时点的特征向量；

C23)读取下一个顶点，与临时点构成两个顶点，重复步骤C22)不断获得新的临时点，直到遍历全部顶点，最后获得的临时点即为监测数据的画像位置，顶点与画像位置共同构成监测数据的画像。

7.根据权利要求6所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤C23)中，将全部临时点和顶点一起作为监测数据的画像。

8.根据权利要求6所述的一种基于画像数据分析技术的电力隐患排查方法，其特征在于，步骤C1)中，将故障分组，将组排序，为相邻组之间设置一个相同故障，每组故障每组内的故障不会同时发生，将每组包括的故障作为定点构成多边形，多组的多个多边形依次排列，相邻多边形之间具有共同点，构成初始画像，经过步骤C21)至C23)获得监测数据的画像。