CN113900865A - 智能的电网设备自动化测试方法、系统和可读存储介质 - Google Patents
智能的电网设备自动化测试方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113900865A CN113900865A CN202110937328.6A CN202110937328A CN113900865A CN 113900865 A CN113900865 A CN 113900865A CN 202110937328 A CN202110937328 A CN 202110937328A CN 113900865 A CN113900865 A CN 113900865A
- Authority
- CN
- China
- Prior art keywords
- type
- power grid
- abnormal
- reason
- test
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开的一种智能的电网设备自动化测试方法、系统和可读存储介质，其中方法包括：采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。本发明通过识别待测试电网设备进行动态匹配测试，以得到测试反馈结果，并根据不同的反馈结果自动获取异常原因，以调用匹配异常原因的解决方案作为解决指南供给维修人员使用。
Description
技术领域
本发明涉及电力设备测试技术领域，更具体的，涉及一种智能的电网设备自动化测试方法、系统和可读存储介质。
背景技术
随着我国电力行业的不断升级，越来越多的电网设备将被投入使用，在组网之前或者在使用之前，需要对电网设备进行测试，判断其使用的可行性，以降低实际使用的故障率，目前各个地方的国家电网分公司都对自己的电力业务拓展不断投入的同时，也在找寻一种自动化测试电网设备的途径以提高工作效率，利用机械代替人力，解放员工苦力的同时可以有效降低测试对人员的危险性。
发明内容
鉴于上述问题，本发明的目的是提供一种智能的电网设备自动化测试方法、系统和可读存储介质，能够对电网设备进行自动化测试，并对可能出现的故障原因给出对应的解决方案指南。
本发明第一方面提供了一种智能的电网设备自动化测试方法，包括以下步骤：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
本方案中，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
本方案中，所述异常原因神经网络模型训练方法，具体为：
获取历史测试数据的异常类型与异常次数；
将所述历史测试数据的异常类型与异常次数进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述异常原因神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述异常原因神经网络模型。
本方案中，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
本方案中，所述根据判断结果调用解决方案数据库给出对应的解决方案指南，具体为：
若所述判断结果为第一类原因，则调用所述解决方案数据库中对应所述第一类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第二类原因，则调用所述解决方案数据库中对应所述第二类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第三类原因，则调用所述解决方案数据库中对应所述第三类原因的解决方案参考书作为所述解决方案指南。
本方案中，还包括对比测试，具体为：对所述反馈结果存在异常的所述电网设备进行二次相同检测并对比两次测试的结果以避免偶然误差。
本发明第二方面还提供一种智能的电网设备自动化测试系统，包括存储器和处理器，所述存储器中包括智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被所述处理器执行时实现如下步骤：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
本方案中，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
本方案中，所述异常原因神经网络模型训练方法，具体为：
获取历史测试数据的异常类型与异常次数；
将所述历史测试数据的异常类型与异常次数进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述异常原因神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述异常原因神经网络模型。
本方案中，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
本方案中，所述根据判断结果调用解决方案数据库给出对应的解决方案指南，具体为：
若所述判断结果为第一类原因，则调用所述解决方案数据库中对应所述第一类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第二类原因，则调用所述解决方案数据库中对应所述第二类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第三类原因，则调用所述解决方案数据库中对应所述第三类原因的解决方案参考书作为所述解决方案指南。
本方案中，还包括对比测试，具体为：对所述反馈结果存在异常的所述电网设备进行二次相同检测并对比两次测试的结果以避免偶然误差。
本发明第三方面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中包括机器的一种智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被处理器执行时，实现如上述任一项所述的一种智能的电网设备自动化测试方法的步骤。
本发明公开的一种智能的电网设备自动化测试方法、系统和可读存储介质，通过识别待测试电网设备进行动态匹配测试，以得到测试反馈结果，并根据不同的反馈结果自动获取异常原因，以调用匹配异常原因的解决方案作为解决指南供给维修人员使用，利用机械代替人力，可提高工作效率，解放员工苦力的同时可以有效降低测试对人员的危险性。
附图说明
图1示出了本发明一种智能的电网设备自动化测试方法的流程图；
图2示出了本发明一种智能的电网设备自动化测试系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种智能的电网设备自动化测试方法的流程图。
如图1所示，本申请公开了一种智能的电网设备自动化测试方法，包括以下步骤：
S102，采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
S104，获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
S106，基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
需要说明的是，在所述电网设备更换或者新设立时，需要对其进行测试，提前获知异常问题以针对性解决，先对待测试的所述电网设备的设备类型进行识别，通过采集所述电子设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备，基于不同的所述电网设备调用对应的所述测试数据库进行测试，在测试结束后，获取反馈结果，例如显示正常或者显示异常，进一步地，若显示异常则将异常类型和异常次数作为训练好的所述异常原因神经网络模型的输入，以得到模型的输出结果，模型的输出结果一般为百分比值，根据得到的百分比值进行原因类型判断，进而待确认好原因以后可以调用解决方案数据库给出不同的解决方法指南。
根据本发明实施例，所述方法还包括对比测试，具体为：对所述反馈结果存在异常的所述电网设备进行二次相同检测并对比两次测试的结果以避免偶然误差。
根据本发明实施例，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
需要说明的是，所述电网设备的类型包括发电设备、供电设备，所述发电设备例如发电机、变压器，所述供电设备例如互感器、接触器，在所述电网设备的电子属性上对其设备类型进行了定义，采集待测试的所述电网设备的属性信息后，即可识别其中的所述设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备，具体地，所述I类因子的识别码可为“0X01”, 所述I类因子的识别码可为“0X11”。
值得一提的是，在未识别到任何设备类型因子时，可以由人为输入对应的设备类型以进行后续测试。
根据本发明实施例，所述异常原因神经网络模型训练方法，具体为：
获取历史测试数据的异常类型与异常次数；
将所述历史测试数据的异常类型与异常次数进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述异常原因神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述异常原因神经网络模型。
需要说明的是，异常原因神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的异常原因神经网络模型可以通过历史测试数据的异常类型与异常次数作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史测试数据的异常类型与异常次数进行训练，还需要结合确定的异常原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得异常原因神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为85％。
根据本发明实施例，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
需要说明的是，前文提及过所述模型的输出结果一般为百分比值，根据所述输出结果判断原因类型，其中，比较所述输出结果与所述第一阈值Threshold_1、所述第二阈值Threshold_2的大小关系，以判断原因类型，具体公式如下：
值得一提的是，本实施例中的所述输出结果为百分比值，与所述准确率阈值85％同为百分比数值形式，但二者并无直接关系，所述第一阈值Threshold_1可以为30％，而所述第二阈值Threshold_2可以为 70％。
根据本发明实施例，所述根据判断结果调用解决方案数据库给出对应的解决方案指南，具体为：
若所述判断结果为第一类原因，则调用所述解决方案数据库中对应所述第一类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第二类原因，则调用所述解决方案数据库中对应所述第二类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第三类原因，则调用所述解决方案数据库中对应所述第三类原因的解决方案参考书作为所述解决方案指南。
需要说明的是，所述解决方案数据库中设定好应对多种异常原因的解决方案，通过判断异常原因的具体类型，进而从所述解决方案数据库中进行调用形成所述解决方案指南供给维修人员使用。
值得一提的是，所述对比测试的次序高于所述异常原因神经网络模型训练，其中，所述比对测试的步骤包括：
获取所述反馈结果为异常的所述电网设备，作为二次测试设备群组；
对所述二次测试设备群组内的设备进行二次检测，并比对两次测试的结果，其中，若两次测试的所述反馈结果均显示异常，则将异常类型和异常次数作为训练好的所述异常原因神经网络模型的输入，反之，则不做操作。
需要说明的是，由于环境因素的影响，例如失电、短暂性湿度过大，会对测试结果产生一定的影响，当所述反馈结果显示异常时，先对异常的所述电网设备进行二次相同检测，以避免偶然误差。
图2示出了本发明一种智能的电网设备自动化测试系统的框图。
如图2所示，本发明公开了一种智能的电网设备自动化测试系统，包括存储器和处理器，所述存储器中包括智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被所述处理器执行时实现如下步骤：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
需要说明的是，在所述电网设备更换或者新设立时，需要对其进行测试，提前获知异常问题以针对性解决，先对待测试的所述电网设备的设备类型进行识别，通过采集所述电子设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备，基于不同的所述电网设备调用对应的所述测试数据库进行测试，在测试结束后，获取反馈结果，例如显示正常或者显示异常，进一步地，若显示异常则将异常类型和异常次数作为训练好的所述异常原因神经网络模型的输入，以得到模型的输出结果，模型的输出结果一般为百分比值，根据得到的百分比值进行原因类型判断，进而待确认好原因以后可以调用解决方案数据库给出不同的解决方法指南。
根据本发明实施例，所述方法还包括对比测试，具体为：对所述反馈结果存在异常的所述电网设备进行二次相同检测并对比两次测试的结果以避免偶然误差。
根据本发明实施例，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
需要说明的是，所述电网设备的类型包括发电设备、供电设备，所述发电设备例如发电机、变压器，所述供电设备例如互感器、接触器，在所述电网设备的电子属性上对其设备类型进行了定义，采集待测试的所述电网设备的属性信息后，即可识别其中的所述设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备，具体地，所述I类因子的识别码可为“0X01”, 所述I类因子的识别码可为“0X11”。
值得一提的是，在未识别到任何设备类型因子时，可以由人为输入对应的设备类型以进行后续测试。
根据本发明实施例，所述异常原因神经网络模型训练方法，具体为：
获取历史测试数据的异常类型与异常次数；
将所述历史测试数据的异常类型与异常次数进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述异常原因神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述异常原因神经网络模型。
需要说明的是，异常原因神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的异常原因神经网络模型可以通过历史测试数据的异常类型与异常次数作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史测试数据的异常类型与异常次数进行训练，还需要结合确定的异常原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得异常原因神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为85％。
根据本发明实施例，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
需要说明的是，前文提及过所述模型的输出结果一般为百分比值，根据所述输出结果判断原因类型，其中，比较所述输出结果与所述第一阈值Threshold_1、所述第二阈值Threshold_2的大小关系，以判断原因类型，具体公式如下：
值得一提的是，本实施例中的所述输出结果为百分比值，与所述准确率阈值85％同为百分比数值形式，但二者并无直接关系，所述第一阈值Threshold_1可以为30％，而所述第二阈值Threshold_2可以为 70％。
根据本发明实施例，所述根据判断结果调用解决方案数据库给出对应的解决方案指南，具体为：
若所述判断结果为第一类原因，则调用所述解决方案数据库中对应所述第一类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第二类原因，则调用所述解决方案数据库中对应所述第二类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第三类原因，则调用所述解决方案数据库中对应所述第三类原因的解决方案参考书作为所述解决方案指南。
需要说明的是，所述解决方案数据库中设定好应对多种异常原因的解决方案，通过判断异常原因的具体类型，进而从所述解决方案数据库中进行调用形成所述解决方案指南供给维修人员使用。
值得一提的是，所述对比测试的次序高于所述异常原因神经网络模型训练，其中，所述比对测试的步骤包括：
获取所述反馈结果为异常的所述电网设备，作为二次测试设备群组；
对所述二次测试设备群组内的设备进行二次检测，并比对两次测试的结果，其中，若两次测试的所述反馈结果均显示异常，则将异常类型和异常次数作为训练好的所述异常原因神经网络模型的输入，反之，则不做操作。
需要说明的是，由于环境因素的影响，例如失电、短暂性湿度过大，会对测试结果产生一定的影响，当所述反馈结果显示异常时，先对异常的所述电网设备进行二次相同检测，以避免偶然误差。
本发明第三方面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中包括机器的一种智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被处理器执行时，实现如上述任一项所述的一种智能的电网设备自动化测试方法的步骤。
本发明公开的一种智能的电网设备自动化测试方法、系统和可读存储介质，通过识别待测试电网设备进行动态匹配测试，以得到测试反馈结果，并根据不同的反馈结果自动获取异常原因，以调用匹配异常原因的解决方案作为解决指南供给维修人员使用，利用机械代替人力，可提高工作效率，解放员工苦力的同时可以有效降低测试对人员的危险性。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种智能的电网设备自动化测试方法，其特征在于，包括以下步骤：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
2.根据权利要求1所述的一种智能的电网设备自动化测试方法，其特征在于，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
3.根据权利要求1所述的一种智能的电网设备自动化测试方法，其特征在于，所述异常原因神经网络模型训练方法，具体为：
获取历史测试数据的异常类型与异常次数；
将所述历史测试数据的异常类型与异常次数进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述异常原因神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述异常原因神经网络模型。
4.根据权利要求1所述的一种智能的电网设备自动化测试方法，其特征在于，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
5.根据权利要求4所述的一种智能的电网设备自动化测试方法，其特征在于，所述根据判断结果调用解决方案数据库给出对应的解决方案指南，具体为：
若所述判断结果为第一类原因，则调用所述解决方案数据库中对应所述第一类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第二类原因，则调用所述解决方案数据库中对应所述第二类原因的解决方案参考书作为所述解决方案指南；
若所述判断结果为第三类原因，则调用所述解决方案数据库中对应所述第三类原因的解决方案参考书作为所述解决方案指南。
6.根据权利要求1所述的一种智能的电网设备自动化测试方法，其特征在于，还包括对比测试，具体为：对所述反馈结果存在异常的所述电网设备进行二次相同检测并对比两次测试的结果以避免偶然误差。
7.一种智能的电网设备自动化测试系统，其特征在于，包括存储器和处理器，所述存储器中包括智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被所述处理器执行时实现如下步骤：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，基于所述设备类型因子调用测试数据库进行动态匹配测试；
获取测试的反馈结果，若存在异常则识别异常类型与异常次数，并将获得的所述异常类型与异常次数作为训练好的异常原因神经网络模型的输入，得到模型输出结果；
基于所述输出结果进行原因类型判断，并根据判断结果调用解决方案数据库给出对应的解决方案指南。
8.根据权利要求7所述的一种智能的电网设备自动化测试系统，其特征在于，所述基于所述设备类型因子调用测试数据库进行动态匹配测试，具体为：
采集待测试的所述电网设备的属性信息，从中识别对应的设备类型因子，其中，I类因子代表所述电网设备为发电设备；II类因子代表所述电网设备为供电设备；
当识别到所述电网设备类型因子为所述I类因子时，则调用所述测试数据库中的第一测试机制对所述电网设备进行测试；
当识别到所述电网设备类型因子为所述II类因子时，则调用所述测试数据库中的第二测试机制对所述电网设备进行测试。
9.根据权利要求7所述的一种智能的电网设备自动化测试系统，其特征在于，所述基于所述输出结果进行原因类型判断，具体为：
获取所述异常原因神经网络模型的输出结果；
根据所述输出结果判定其值与预设的第一阈值、第二阈值的大小关系，其中，
若所述输出结果小于或等于所述第一阈值，则判断所述原因类型为第一类原因；
若所述输出结果大于或等于所述第二阈值，则判断所述原因类型为第二类原因；
若所述输出结果大于所述第一阈值且小于所述第二阈值，则判断所述原因类型为第三类原因。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种智能的电网设备自动化测试方法程序，所述智能的电网设备自动化测试方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种智能的电网设备自动化测试方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937328.6A CN113900865B (zh) | 2021-08-16 | 2021-08-16 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937328.6A CN113900865B (zh) | 2021-08-16 | 2021-08-16 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113900865A true CN113900865A (zh) | 2022-01-07 |
| CN113900865B CN113900865B (zh) | 2023-07-11 |
Family
ID=79187564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110937328.6A Active CN113900865B (zh) | 2021-08-16 | 2021-08-16 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113900865B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408320A (zh) * | 2018-09-03 | 2019-03-01 | 中国平安人寿保险股份有限公司 | 前端开发异常处理方法、装置、计算机设备和存储介质 |
| CN110069401A (zh) * | 2019-03-18 | 2019-07-30 | 平安科技（深圳）有限公司 | 基于数据建模的系统测试异常定位方法及系统 |
| CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111198815A (zh) * | 2019-12-24 | 2020-05-26 | 中移（杭州）信息技术有限公司 | 用户界面的兼容性测试方法及装置 |
| WO2020140619A1 (zh) * | 2019-01-03 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 |
| WO2021068513A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 异常对象识别方法、装置、介质及电子设备 |
| WO2021143343A1 (zh) * | 2020-01-15 | 2021-07-22 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
-
2021
- 2021-08-16 CN CN202110937328.6A patent/CN113900865B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109408320A (zh) * | 2018-09-03 | 2019-03-01 | 中国平安人寿保险股份有限公司 | 前端开发异常处理方法、装置、计算机设备和存储介质 |
| WO2020140619A1 (zh) * | 2019-01-03 | 2020-07-09 | 平安科技（深圳）有限公司 | 基于机器学习的系统升级失败的诊断方法、装置、计算机设备及计算机可读存储介质 |
| CN110069401A (zh) * | 2019-03-18 | 2019-07-30 | 平安科技（深圳）有限公司 | 基于数据建模的系统测试异常定位方法及系统 |
| WO2021068513A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安科技（深圳）有限公司 | 异常对象识别方法、装置、介质及电子设备 |
| CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
| CN111060779A (zh) * | 2019-11-20 | 2020-04-24 | 安徽大学 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
| CN111198815A (zh) * | 2019-12-24 | 2020-05-26 | 中移（杭州）信息技术有限公司 | 用户界面的兼容性测试方法及装置 |
| WO2021143343A1 (zh) * | 2020-01-15 | 2021-07-22 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴振田: "基于云计算的电力大数据分析技术与应用", 通讯世界, vol. 27, no. 6, pages 93 - 94 * |
| 庞传军;牟佳男;余建明;武力;: "基于运行关键指标和Seq2Seq的大电网运行异常识别", 电力建设, vol. 41, no. 07, pages 17 - 24 * |
| 李伟等: "基于残差全连接神经网络的电力监控 系统异常行为检测方法", 东南大学学报( 自然科学版), vol. 50, no. 6, pages 1062 - 1068 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113900865B (zh) | 2023-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107819627B (zh) | 系统故障处理方法及服务器 | |
| CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
| CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
| CN104346574A (zh) | 基于配置规范的主机安全配置漏洞自动修复方法及系统 | |
| CN110096430B (zh) | 第三方sdk准入测试方法、装置、终端及存储介质 | |
| CN117421217B (zh) | 一种软件功能自动测试方法、系统、终端及介质 | |
| CN110244256A (zh) | 一种智能电能表故障识别方法、装置及设备 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN105868956A (zh) | 一种数据处理方法及装置 | |
| CN113515402A (zh) | 用于工程设备的故障信息分类方法、装置及工程设备 | |
| CN110852904B (zh) | 一种基于rcd和scd校验的信号校核系统和方法 | |
| CN115483759A (zh) | 一种高压电力运输电网运维控制管理系统 | |
| CN111260378B (zh) | 基于mes的品质追溯方法及系统 | |
| CN110321144A (zh) | 下线源代码的识别方法、装置、设备及存储介质 | |
| CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
| CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
| CN112541011A (zh) | 基于rpa和ai的电网终端故障处理方法及装置 | |
| CN112215526A (zh) | 一种计量系统评估方法、装置及可读存储介质 | |
| CN112215482A (zh) | 一种户变关系识别方法和装置 | |
| CN113900865A (zh) | 智能的电网设备自动化测试方法、系统和可读存储介质 | |
| CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
| CN113591909B (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
| CN113360416B (zh) | 测试数据批量生成方法及装置 | |
| CN115576831A (zh) | 一种测试案例推荐方法、装置、设备及存储介质 | |
| CN114723080A (zh) | 一种设备检修管理方法、系统、装置及存储介质 |
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 |