CN114036848B - 一种电力设备的寿命预测方法及装置 - Google Patents

一种电力设备的寿命预测方法及装置 Download PDF

Info

Publication number
CN114036848B
CN114036848B CN202111351239.XA CN202111351239A CN114036848B CN 114036848 B CN114036848 B CN 114036848B CN 202111351239 A CN202111351239 A CN 202111351239A CN 114036848 B CN114036848 B CN 114036848B
Authority
CN
China
Prior art keywords
equipment
work order
power equipment
electric power
vector
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.)
Active
Application number
CN202111351239.XA
Other languages
English (en)
Other versions
CN114036848A (zh
Inventor
贺兰菲
熊川羽
李智威
张雪霏
马莉
高晓晶
王巍
姜山
孙利平
廖晓红
柯方超
唐学军
熊一
瞿少成
贺仲璐
肖鹏
张毅捷
徐托
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Original Assignee
Central China Normal University
Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central China Normal University, Economic and Technological Research Institute of State Grid Hubei Electric Power Co Ltd filed Critical Central China Normal University
Priority to CN202111351239.XA priority Critical patent/CN114036848B/zh
Publication of CN114036848A publication Critical patent/CN114036848A/zh
Application granted granted Critical
Publication of CN114036848B publication Critical patent/CN114036848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

一种电力设备的寿命预测方法及装置，该方法包括以下步骤：S1、获取电力设备检修过程中产生的电力工单；S2、根据对电力工单的特征提取结果，构建工单特征库；S3、根据工单特征库，预测电力设备的剩余使用寿命。本设计利用深度学习算法、统计学方法对电力一次设备进行寿命差异化分析，并根据分析处理结果生成一个对电力设备维修具有指导意义的电力一次设备维护预警系统，帮助检修单位提前排除电力设备存在的潜在隐患，减轻了国家电网相关人员的工作量，提升了国家电网系统数据管理的信息化和智能化水平。

Description

一种电力设备的寿命预测方法及装置
技术领域
本发明涉及电力系统信息化技术领域，尤其涉及一种电力设备的寿命预测方法及装置。
背景技术
电力是一个国家的发展基础，且随着深度学习、数据挖掘等人工智能技术的蓬勃发展，电力信息化及智能化成为“互联网+电力”的必然趋势。国家电网公司在对设备进行运维检修时产生了海量的电力一次设备运维检修工单数据。然而现有技术中，对电力一次设备运维检修工单的管理只局限于对历史运维检修工单的数据进行电子化存储和查询，无法利用电力一次设备运维检修工单的数据做一些对实际工作有意义的、深层次的处理分析，难以满足现有电力系统对智能化、信息化的管理要求。
电力一次设备运维检修工单数据的非结构化特点限制了这些数据的有效处理和利用，存在多方面的缺陷：一方面，电力一次设备运维检修工单无法全面地存储设备检修信息，也无法直观地向工作人员展示有效信息；另一方面，电力一次设备运维检修工单中更深层的信息有待挖掘，这些信息对于电力设备的寿命预测具有指导性作用。因此，如何挖掘电力一次设备运维检修工单中的有效信息是亟待解决的问题。
发明内容
本发明的目的是克服现有技术中存在的对电力一次设备运维检修工单中的信息挖掘不足的缺陷与问题，提供一种基于电力一次设备运维检修工单信息的电力设备的寿命预测方法及装置。
为实现以上目的，本发明的技术解决方案是：一种电力设备的寿命预测方法，该方法包括以下步骤：
S1、获取电力设备检修过程中产生的电力工单；
S2、根据对电力工单的特征提取结果，构建工单特征库；
S3、根据工单特征库，预测电力设备的剩余使用寿命。
步骤S2具体包括以下步骤：
S21、将所述电力工单输入至训练完备的文本提取网络，识别对应的关键字段；
S22、对所述关键字段进行结构化处理，构建所述工单特征库。
步骤S21具体包括以下步骤：
S211、将所述电力工单输入至所述文本提取网络中的BERT模块进行文本向量化处理，确定对应的字嵌入向量；
S212、将所述字嵌入向量输入至所述文本提取网络中的BiLSTM模块进行文本之间的关联性识别，确定对应的关联性向量；
S213、将所述关联性向量输入至所述文本提取网络中的CRF模块进行优化预测，确定全局最优序列，并根据所述全局最优序列确定对应的所述关键字段。
步骤S211中，所述BERT模块包括嵌入层、多头注意力机制层和全连接层；
步骤S211具体包括以下步骤：
S2111、将所述电力工单的每个字初始化为预设维度的初始向量；
S2112、针对每个所述初始向量，输入至所述嵌入层，依次进行字信息嵌入、句子信息嵌入和字位置嵌入，确定对应的嵌入信息；
S2113、将所述嵌入信息输入至所述多头注意力机制层进行自注意力机制处理，确定至少一个加权后的特征矩阵；
S2114、将所述至少一个加权后的特征矩阵输入至所述全连接层，确定所述字嵌入向量。
步骤S212中，所述BiLSTM模块包括遗忘门、输入门和输出门；
步骤S212具体包括以下步骤：
S2121、将所述字嵌入向量分别输入至所述遗忘门、所述输入门，分别得到第一向量和第二向量；
S2122、将所述第一向量和所述第二向量输入至所述输出门，得到所述关联性向量。
步骤S22具体包括以下步骤：
S221、将所述关键字段构成所述工单特征库；
S222、将所述工单特征库和电力设备数据库进行连表查询，确定结合所述工单特征库和所述电力设备数据库的所有数据信息的电力总表，其中，所述电力设备数据库为包含多种电力设备基本信息的数据库。
步骤S3具体包括以下步骤：
S31、根据所述电力总表，提取对电力设备的使用寿命有影响的影响因素；
S32、对所述影响因素进行统计分析，建立寿命预测模型；
S33、根据所述寿命预测模型，对电力设备进行寿命预测。
步骤S31中，所述影响因素包括来自所述工单特征库的电压等级、设备损坏部位、设备地理位置、设备历史维修情况以及来自所述电力设备数据库的设备平均寿命、设备名称、设备型号、生产厂家、设备当前年龄；
步骤S32中，所述寿命预测模型为：
Figure DEST_PATH_IMAGE001
其中，
Figure 976953DEST_PATH_IMAGE002
表示预测的下一次检修时间；
Figure DEST_PATH_IMAGE003
表示设备名称，其中，
Figure 477204DEST_PATH_IMAGE004
，对应三种不同的设备名称；
Figure DEST_PATH_IMAGE005
表示设备型号，其中，
Figure 491297DEST_PATH_IMAGE006
，对应 不同类型的设备型号；
Figure 495025DEST_PATH_IMAGE008
表示设备当前年龄；
Figure DEST_PATH_IMAGE009
表示影响因素函 数，其中，
Figure 936370DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
为寿命分层点，
Figure 923918DEST_PATH_IMAGE012
表示第
Figure DEST_PATH_IMAGE013
层电压等级，
Figure 476122DEST_PATH_IMAGE014
表示生产厂家，
Figure DEST_PATH_IMAGE015
表示 设备损坏部位，
Figure 602865DEST_PATH_IMAGE016
表示设备地理位置，
Figure DEST_PATH_IMAGE017
表示设备历史维修情况的影响因子，
Figure 277429DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
表示设备平均寿命。
步骤S33具体包括以下步骤：
S331、对于待测的电力设备，提取对应的关键字段；
S332、根据所述关键字段，结合所述电力设备数据库中的数据信息，确定对应的待测影响因素；
S333、将所述待测影响因素输入至所述寿命预测模型，确定对应预测的下一次检修时间，并进行相应报警。
一种电力设备的寿命预测装置，包括获取单元、构建单元与预测单元；
所述获取单元，用于获取电力设备检修过程中产生的电力工单；
所述构建单元，用于根据对所述电力工单的特征提取结果，构建工单特征库；
所述预测单元，用于根据所述工单特征库，预测电力设备的剩余使用寿命。
与现有技术相比，本发明的有益效果为：
本发明一种电力设备的寿命预测方法及装置中，首先，对电力工单进行有效的获取，反映电力设备检修过程中产生的维修信息；其次，对上述电力工单进行相应的特征提取，挖掘其中的信息，依据特征提取的结果构建工单特征库；最后，基于工单特征库中多种维修信息，预测电力设备的剩余使用寿命。
附图说明
图1是本发明电力设备的寿命预测方法的应用系统示意图。
图2是本发明电力设备的寿命预测方法的流程示意图。
图3是本发明中步骤S2的流程示意图。
图4是本发明中步骤S21的流程示意图。
图5是本发明中步骤S211的流程示意图。
图6是本发明中步骤S212的流程示意图。
图7是本发明中BiLSTM模块的基本结构LSTM的结构示意图。
图8是本发明中BiLSTM模块的结构示意图。
图9是本发明中文本识别网络的结构示意图。
图10是本发明中步骤S22的流程示意图。
图11是本发明中步骤S3的流程示意图。
图12是本发明中步骤S33的流程示意图。
图13是本发明中设备损坏的概率分布示意图。
图14是本发明中电力设备的寿命预测装置的结构示意图。
图中：服务器100、终端200、存储器300、电力设备的寿命预测装置400、获取单元401、构建单元402、预测单元403。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种电力设备的寿命预测方法及装置，基于电力工单进行特征提取，构建相应的工单特征库，为进一步智能化管理电力信息提供了新思路。以下分别进行详细说明：
本实施例所提及的电力工单为在电力设备检修过程中产生的电力工单，反馈电力设备在检修过程中产生的多种信息，比如设备维修时间、设备维修地点等。
参见图1，本发明实施例提供了一种电力设备的寿命预测方法的应用系统，该系统包括服务器100、终端200与存储器300；
服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。服务器100中集成有电力设备的寿命预测装置，其主要用于：
获取电力设备检修过程中产生的电力工单；
根据对所述电力工单的特征提取结果，构建工单特征库；
根据所述工单特征库，预测所述电力设备的剩余使用寿命。
本实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑（PersonalDigital Assistant，PDA）、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。图1中示出的应用环境，仅仅是本发明方案的一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该电力设备的寿命预测方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。
存储器300，用于存储数据，如电力工单、工单特征库、特征提取结果和电力设备的使用寿命等。
需要说明的是，图1所示电力设备的寿命预测方法的应用系统的场景示意图仅仅是一个示例，本实施例描述的电力设备的寿命预测方法的应用系统以及场景是为了更加清楚地说明本实施例的技术方案，并不构成对本实施例提供的技术方案的限定，本领域普通技术人员可知，随着电力设备的寿命预测方法的应用系统的演变和新业务场景的出现，本实施例提供的技术方案对于类似的技术问题，同样适用。
参见图2，一种电力设备的寿命预测方法，该方法包括以下步骤：
S1、获取电力设备检修过程中产生的电力工单；
S2、根据对电力工单的特征提取结果，构建工单特征库；
S3、根据工单特征库，预测电力设备的剩余使用寿命。
在本实施例中，首先，对电力工单进行有效的获取，反映电力设备检修过程中产生的维修信息；其次，对上述电力工单进行相应的特征提取，挖掘其中的信息，依据特征提取的结果构建工单特征库；最后，基于工单特征库中多种维修信息，预测电力设备的剩余使用寿命。
本实施例中的电力工单包括检修过程中的“工作内容”的文本，示例如下：凤凰山变电站，220kV凤#1主变C类检修（温度计校验，低压母线绝缘破损处理）；凤珞二回线凤226隔离开关C相导流带导流片部分断裂缺陷处理，2020-10-07 09:56:49。对上述文本信息进行识别，提取相应的特征，以便构成工单特征库。
参见图3，步骤S2具体包括以下步骤：
S21、将所述电力工单输入至训练完备的文本提取网络，识别对应的关键字段；
S22、对所述关键字段进行结构化处理，构建所述工单特征库。
在本实施例中，将电力工单输入至文本提取网络，识别其中的关键字段，反映维修中的维修过程信息，并将关键字段进行结构化处理，构建对应的工单特征库。
参见图4，步骤S21具体包括以下步骤：
S211、将所述电力工单输入至所述文本提取网络中的BERT模块进行文本向量化处理，确定对应的字嵌入向量；
S212、将所述字嵌入向量输入至所述文本提取网络中的BiLSTM模块进行文本之间的关联性识别，确定对应的关联性向量；
S213、将所述关联性向量输入至所述文本提取网络中的CRF模块进行优化预测，确定全局最优序列，并根据所述全局最优序列确定对应的所述关键字段。
在本实施例中，经过BERT模块、BiLSTM模块和CRF模块，进行文本特征的有效提取。
需要说明的是，本实施例采用的文本提取网络的算法思路是：文本输入到BERT模块中，将输入的文本向量化以便于计算机处理；BiLSTM模块将当前位置文本的语义与上下文的语义相关联；CRF模块对可能生成的序列判定，得到一个全局最优序列。
步骤S211中，所述BERT模块包括嵌入层、多头注意力机制层和全连接层；
参见图5，步骤S211具体包括以下步骤：
S2111、将所述电力工单的每个字初始化为预设维度的初始向量；
S2112、针对每个所述初始向量，输入至所述嵌入层，依次进行字信息嵌入、句子信息嵌入和字位置嵌入，确定对应的嵌入信息；
S2113、将所述嵌入信息输入至所述多头注意力机制层进行自注意力机制处理，确定至少一个加权后的特征矩阵；
S2114、将所述至少一个加权后的特征矩阵输入至所述全连接层，确定所述字嵌入向量。
在本实施例中，利用嵌入层、多头注意力机制层和全连接层，有效得到最终的字嵌入向量。例如：“凤珞二回线凤226隔离开关C相导流带导流片部分断裂缺陷处理”，使用标记工具将“凤珞二回线”标记为设备地理位置，“凤226隔离开关”标记为设备名称，“C相导流带导流片”标记为设备损坏部位，“断裂缺陷处理”标记为设备维修情况。这里标记工作采用BIO体系，将一个字段的首字用B表示，其他的字用I表示，非字段中的字用O表示。比如“凤226隔离开关”的标记为[B I I I I I]，非字段中的“部分”标记为[O]，通过BERT模块的处理过程如下：
第一，对文本内容向量化，每个标签由字信息嵌入、字段信息嵌入、字位置信息嵌入三个维度的信息表示：
其中，字信息嵌入的过程是将文本中的每个字初始化为随机生成的768维向量；
其中，字段信息嵌入记录了当前字所属句子的位置信息，比如“凤珞二回线凤226隔离开关C相导流带导流片部分断裂缺陷处理”，将该句中的每个字的字段信息嵌入赋值全为0的768维向量，将“凤凰山变电站，220kV凤#1主变C类检修（温度计校验，低压母线绝缘破损处理）”的每个字的字段信息嵌入赋值全为1的768维向量；
其中，字位置信息嵌入将每个字的位置信息进行编码，由于出现在文本不同位置的字/词所携带的语义信息存在差异（如“你爱我”和“我爱你”），你和我虽然都和爱字很接近，但是位置不同，表示的含义不同。BERT模块中处理的最长序列是512个字，长度超过512会被截取，BERT模块在各个位置上学习一个向量来表示序列顺序的信息编码进来，这意味着字位置信息嵌入实际上是一个（768,512）的矩阵，每一列对应一个字的位置编码。所以第一列是输入序列中第一个词的嵌入向量，每列包含768个值，每个值都在1到-1之间；
第二，将处理的向量通过12层的双向Transfomer结构，所谓双向的含义为前一个字嵌入也是后一个字的输入，后一个字嵌入也是前一个字的输入。Transfomer的关键结构是多头注意力机制和前馈神经网络。其中，多头自注意力机制是为了提取多重语义的含义，通过同一个句子中词与词之间的关联程度优化权重系数矩阵。
其中，多头自注意力机制相当于多个不同的自注意力机制的集成，本实施例以8个不同的自注意力机制举例说明。多头自注意力机制的输出分成3步：（a）将数据X分别输入到8个自注意力机制中，得到8个加权后的特征矩阵；（b）将8个按列拼成一个大的特征矩阵；前馈神经网络没法输入8个矩阵，所以需要把8个矩阵降为1个，在这里通过把8个矩阵连在一起；（c）特征矩阵经过一层全连接（WO）后得到输出Z。
步骤S212中，所述BiLSTM模块包括遗忘门、输入门和输出门；
参见图6，步骤S212具体包括以下步骤：
S2121、将所述字嵌入向量分别输入至所述遗忘门、所述输入门，分别得到第一向量和第二向量；
S2122、将所述第一向量和所述第二向量输入至所述输出门，得到所述关联性向量。
在本实施例中，利用遗忘门、输入门和输出门，得到关联性向量，然后利用关联性向量进行寿命预测。BiLSTM模块将当前位置文本的语义与上下文的语义相关联。在本实施例中“凤226隔离开关”标记为“设备名称”，为一个完整的字段，经过之前大量的训练，识别出该字段中的字之间是强关联的，而与上文的“凤珞二回线”和下文中的“C相导流带导流片”、“断裂缺陷处理”是弱关联的。
其中，BiLSTM模块的基本结构LSTM的模型如图7所示，图中，
Figure 17852DEST_PATH_IMAGE020
为输入经过BERT模 块输出的字嵌入向量，需要与遗忘门、输入门、输出门进行相关计算，然后输出下一级
Figure DEST_PATH_IMAGE021
和
Figure 373747DEST_PATH_IMAGE022
，
Figure 86488DEST_PATH_IMAGE021
为包含当前词以及
Figure DEST_PATH_IMAGE023
之前词的状态向量。每个结构的具体计算过程如下：
第一，遗忘门计算过程如下：
遗忘门
Figure 338478DEST_PATH_IMAGE024
是通过输入
Figure 769459DEST_PATH_IMAGE020
与上级
Figure 863799DEST_PATH_IMAGE021
合并后得到向量
Figure DEST_PATH_IMAGE025
，然后
Figure 962205DEST_PATH_IMAGE026
与向量
Figure 853937DEST_PATH_IMAGE025
作矩阵乘 法后，经过sigmoid函数把向量值压缩到0-1范围内得到的。⊕表示
Figure 772215DEST_PATH_IMAGE022
与
Figure 673175DEST_PATH_IMAGE024
向量的对应位置 相乘，然后放在该位置上。如果，
Figure 94929DEST_PATH_IMAGE024
的某一位为0将遗忘上一级传来的对应位置的结果；
第二，输入门计算过程与上述遗忘门类似，在此不再赘述；
第三，输出门计算过程与上述遗忘门、输入门类似，在此不再赘述。
参见图8，本实施例中，BiLSTM模块为双向的LSTM。
参见图9，经过BiLSTM模块处理后，再通过CRF模块的处理过程如下：
CRF模块进一步对模型进行优化，对可能生成的序列判定，综合得到一个全局最优预测序列。比如，“凤226隔离开关”的标记序列可能是[I B I I I]、[O B I I I]、[I I B II]、[B I I I I I] ......，CRF模块可对上述序列判定，得到全局最优序列[B I I I II]。
参见图10，步骤S22具体包括以下步骤：
S221、将所述关键字段构成所述工单特征库；
S222、将所述工单特征库和电力设备数据库进行连表查询，确定结合所述工单特征库和所述电力设备数据库的所有数据信息的电力总表，其中，所述电力设备数据库为包含多种电力设备基本信息的数据库。
在本实施例中，利用连表查询，有效结合工单特征库和电力设备数据库的所有数据信息，提取多种特征信息。上述待处理的运维检修文本内容经过上述中文实体识别方法处理后，可得到如下关键字段：
设备地理位置：凤凰山变电站、凤珞二回线
设备名称：凤#1主变、凤226隔离开关
设备电压等级：220kV
设备损坏部位：温度计、低压母线、C相、导流带导流片
设备维修情况：部分断裂缺陷处理、校验，绝缘破损处理
设备维修类别：C类检修
设备维修时间：2020-10-07 09:56:49
将上述提取的七类关键字段构建成工单特征库，将构成的工单特征库与电力设备数据库通过“所属线路变电站”、“设备名称”连接起来获取一个电力总表，经分析，认为电力总表中的九个特征对设备的寿命有显著性影响，包括电力一次设备运维检修工单特征库中的“设备地理位置”、“设备损坏部位”、“设备电压等级”，以及由工单特征库中的“设备维修情况”、“设备维修等级”所统计出来的“设备历史维修情况”；包括电力一次设备数据库中的“设备名称”、“设备型号”、“生产厂家”、“设备当前年龄”，以及由电力一次设备数据库中“报废设备年龄”求得的“设备平均寿命”。
参见图11，步骤S3具体包括以下步骤：
S31、根据所述电力总表，提取对电力设备的使用寿命有影响的影响因素；
S32、对所述影响因素进行统计分析，建立寿命预测模型；
S33、根据所述寿命预测模型，对电力设备进行寿命预测。
在本实施例中，所述影响因素包括来自所述工单特征库的电压等级、设备损坏部位、设备地理位置、设备历史维修情况以及来自所述电力设备数据库的设备平均寿命、设备名称、设备型号、生产厂家、设备当前年龄；所述寿命预测模型为：
Figure 423142DEST_PATH_IMAGE001
其中，
Figure 297557DEST_PATH_IMAGE002
表示预测的下一次检修时间；
Figure 2208DEST_PATH_IMAGE003
表示设备名称，其中，
Figure 544048DEST_PATH_IMAGE004
，对应三种不同的设备名称；
Figure 777583DEST_PATH_IMAGE005
表示设备型号，其中，
Figure 404873DEST_PATH_IMAGE006
，对应 不同类型的设备型号；
Figure 647636DEST_PATH_IMAGE008
表示设备当前年龄；
Figure 43982DEST_PATH_IMAGE009
表示影响因素函 数，其中，
Figure 448418DEST_PATH_IMAGE010
、
Figure 563005DEST_PATH_IMAGE011
为寿命分层点，
Figure 343879DEST_PATH_IMAGE012
表示第
Figure 594732DEST_PATH_IMAGE013
层电压等级，
Figure 438579DEST_PATH_IMAGE014
表示生产厂家，
Figure 40461DEST_PATH_IMAGE015
表示 设备损坏部位，
Figure 359447DEST_PATH_IMAGE016
表示设备地理位置，
Figure 730386DEST_PATH_IMAGE017
表示设备历史维修情况的影响因子，
Figure 742204DEST_PATH_IMAGE018
，
Figure 300224DEST_PATH_IMAGE019
表示设备平均寿命。
在本实施例中，利用9个类型的数据进行寿命差异化统计分析。本设计只考虑“主变压器”、“断路器”、“隔离开关”三类设备，由于各类型设备有着丰富的设备型号，对不同类别不同型号的设备利用统计学的方法构建了一个合理的寿命预测模型，并将电压等级、生产厂家、设备损坏部位、设备地理位置、设备历史维修情况、设备平均寿命、设备当前年龄作为寿命预测模型的七个影响因素，此外，为了保证模型的合理性，还引入寿命分层机制。寿命分层机制根据电力一次设备数据库中的历史数据对设备的年龄分层，不同层次模型的影响因素权重会依据该层次的特点进行合理调整，实现对预测结果的优化。
参见图12，步骤S33具体包括以下步骤：
S331、对于待测的电力设备，提取对应的关键字段；
S332、根据所述关键字段，结合所述电力设备数据库中的数据信息，确定对应的待测影响因素；
S333、将所述待测影响因素输入至所述寿命预测模型，确定对应预测的下一次检修时间，并进行相应报警。
在本实施例中，利用关键字段确定对应的待测影响因素，再结合寿命预测模型确定下一次检修时间，并进行对应设备报警。
图13为本设计提供的设备损坏的概率分布示意图，一台设备从开始工作到失效大 致要经历3个过程：稳定运行，性能缓慢下降，性能剧烈下降，在稳定运行阶段设备损坏的概 率低且趋于平稳；当工作一段时间出现初始受损时，设备损坏的概率开始缓慢地上升；当设 备寿命接近平均寿命时，设备损坏概率剧烈上升；当设备寿命超过平均寿命，设备损坏概率 甚至以指数形式上涨。因此，有必要引入寿命分层机制，讨论不同阶段各个因素对设备，函 数中的
Figure DEST_PATH_IMAGE027
AVE、
Figure 219639DEST_PATH_IMAGE028
AVE为寿命分层点。
本实施例还提供了一种电力设备的寿命预测装置，参见图14，一种电力设备的寿命预测装置400，包括获取单元401、构建单元402与预测单元403；
所述获取单元401，用于获取电力设备检修过程中产生的电力工单；
所述构建单元402，用于根据对所述电力工单的特征提取结果，构建工单特征库；
所述预测单元403，用于根据所述工单特征库，预测电力设备的剩余使用寿命。
电力设备的寿命预测装置的各个单元的具体实现方式可以参见对电力设备的寿命预测方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如上所述的电力设备的寿命预测方法。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本设计中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本设计操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
本发明实施例还提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的电力设备的寿命预测方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的电力设备的寿命预测方法具体描述的内容实现，并具有与如上所述的电力设备的寿命预测方法类似的有益效果，在此不再赘述。
本发明公开了一种电力设备的寿命预测方法及装置，首先，对电力工单进行有效的获取，反映电力设备检修过程中产生的维修信息；然后，对上述电力工单进行相应的特征提取，挖掘其中的信息，依据特征提取的结果构建工单特征库；最后，基于工单特征库中多种维修信息，预测电力设备的剩余使用寿命。
本发明技术方案，利用深度学习算法、统计学方法对电力一次设备进行寿命差异化分析，并根据分析处理结果生成一个对电力设备维修具有指导意义的电力一次设备维护预警系统，帮助检修单位提前排除电力设备存在的潜在隐患，减轻了国家电网相关人员的工作量，提升了国家电网系统数据管理的信息化和智能化水平。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种电力设备的寿命预测方法，其特征在于，该方法包括以下步骤：
S1、获取电力设备检修过程中产生的电力工单；
S2、根据对电力工单的特征提取结果，构建工单特征库；具体包括以下步骤：
S21、将所述电力工单输入至训练完备的文本提取网络，识别对应的关键字段；
S22、对所述关键字段进行结构化处理，构建所述工单特征库；具体包括以下步骤：
S221、将所述关键字段构成所述工单特征库；
S222、将所述工单特征库和电力设备数据库进行连表查询，确定结合所述工单特征库和所述电力设备数据库的所有数据信息的电力总表，其中，所述电力设备数据库为包含多种电力设备基本信息的数据库；
S3、根据工单特征库，预测电力设备的剩余使用寿命；具体包括以下步骤：
S31、根据所述电力总表，提取对电力设备的使用寿命有影响的影响因素；
所述影响因素包括来自所述工单特征库的电压等级、设备损坏部位、设备地理位置、设备历史维修情况以及来自所述电力设备数据库的设备平均寿命、设备名称、设备型号、生产厂家、设备当前年龄；
S32、对所述影响因素进行统计分析，建立寿命预测模型；
所述寿命预测模型为：
Figure FDA0003526290310000011
其中，Y(μa，εβ，t)表示预测的下一次检修时间；μa表示设备名称，其中，α＝1，2，3，对应三种不同的设备名称；εβ表示设备型号，其中，β＝1，2，3……，对应不同类型的设备型号；t表示设备当前年龄；f(ai，bi，ci，di，ei，λ，ξ)表示影响因素函数，其中，λAVE、ξAVE为寿命分层点，ai表示第i层电压等级，bi表示生产厂家，ci表示设备损坏部位，di表示设备地理位置，ei表示设备历史维修情况的影响因子，i＝1，2，3，4，AVE表示设备平均寿命；
S33、根据所述寿命预测模型，对电力设备进行寿命预测。
2.根据权利要求1所述的一种电力设备的寿命预测方法，其特征在于：步骤S21具体包括以下步骤：
S211、将所述电力工单输入至所述文本提取网络中的BERT模块进行文本向量化处理，确定对应的字嵌入向量；
S212、将所述字嵌入向量输入至所述文本提取网络中的BiLSTM模块进行文本之间的关联性识别，确定对应的关联性向量；
S213、将所述关联性向量输入至所述文本提取网络中的CRF模块进行优化预测，确定全局最优序列，并根据所述全局最优序列确定对应的所述关键字段。
3.根据权利要求2所述的一种电力设备的寿命预测方法，其特征在于：
步骤S211中，所述BERT模块包括嵌入层、多头注意力机制层和全连接层；
步骤S211具体包括以下步骤：
S2111、将所述电力工单的每个字初始化为预设维度的初始向量；
S2112、针对每个所述初始向量，输入至所述嵌入层，依次进行字信息嵌入、句子信息嵌入和字位置嵌入，确定对应的嵌入信息；
S2113、将所述嵌入信息输入至所述多头注意力机制层进行自注意力机制处理，确定至少一个加权后的特征矩阵；
S2114、将所述至少一个加权后的特征矩阵输入至所述全连接层，确定所述字嵌入向量。
4.根据权利要求2所述的一种电力设备的寿命预测方法，其特征在于：
步骤S212中，所述BiLSTM模块包括遗忘门、输入门和输出门；
步骤S212具体包括以下步骤：
S2121、将所述字嵌入向量分别输入至所述遗忘门、所述输入门，分别得到第一向量和第二向量；
S2122、将所述第一向量和所述第二向量输入至所述输出门，得到所述关联性向量。
5.根据权利要求1所述的一种电力设备的寿命预测方法，其特征在于：步骤S33具体包括以下步骤：
S331、对于待测的电力设备，提取对应的关键字段；
S332、根据所述关键字段，结合所述电力设备数据库中的数据信息，确定对应的待测影响因素；
S333、将所述待测影响因素输入至所述寿命预测模型，确定对应预测的下一次检修时间，并进行相应报警。
CN202111351239.XA 2021-11-16 2021-11-16 一种电力设备的寿命预测方法及装置 Active CN114036848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111351239.XA CN114036848B (zh) 2021-11-16 2021-11-16 一种电力设备的寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111351239.XA CN114036848B (zh) 2021-11-16 2021-11-16 一种电力设备的寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN114036848A CN114036848A (zh) 2022-02-11
CN114036848B true CN114036848B (zh) 2022-04-12

Family

ID=80137686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111351239.XA Active CN114036848B (zh) 2021-11-16 2021-11-16 一种电力设备的寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN114036848B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040260594A1 (en) * 2003-06-18 2004-12-23 Maddox Edward P. Maintenance and inspection system and method
GB2494356B (en) * 2010-07-09 2017-05-31 Univ California System comprised of sensors, communications, processing and inference on servers and other devices
KR101550585B1 (ko) * 2014-12-22 2015-09-08 대한기전 주식회사 잔존 수명 예측 관리가 가능한 성능기준 기반의 유지관리형 수배전반
WO2018190879A1 (en) * 2017-04-14 2018-10-18 Hewlett-Packard Development Company, L.P. Prediction of end-of-life of a direct current (dc) motor
CN108230091A (zh) * 2017-12-18 2018-06-29 广东寰球智能科技有限公司 一种基于云平台的工业机器人租赁管理系统及方法
CN110287583B (zh) * 2019-06-21 2021-01-29 上海交通大学 基于循环神经网络的工业设备剩余寿命预测方法
CN111325403B (zh) * 2020-02-26 2023-07-11 长安大学 一种公路隧道机电设备剩余寿命预测方法
CN111460728B (zh) * 2020-03-09 2022-08-12 华南理工大学 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN111832624A (zh) * 2020-06-12 2020-10-27 上海交通大学 一种基于对抗迁移学习的刀具剩余寿命预测方法
CN112084152A (zh) * 2020-09-17 2020-12-15 中电科仪器仪表有限公司 一种电子测量仪器全生命周期管理系统

Also Published As

Publication number Publication date
CN114036848A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN111553162A (zh) 一种意图识别的方法以及相关装置
CN112905868A (zh) 事件抽取方法、装置、设备及存储介质
CN115017425B (zh) 地点检索方法、装置、电子设备以及存储介质
CN112232078A (zh) 一种基于双向gru与注意力机制的调度操作票审核方法
CN112183030A (zh) 基于预设神经网络的事件抽取方法、装置、计算机设备及存储介质
CN115936895A (zh) 基于人工智能的风险评估方法、装置、设备及存储介质
CN114036848B (zh) 一种电力设备的寿命预测方法及装置
CN116402630B (zh) 一种基于表征学习的财务风险预测方法及系统
Luo et al. Extraction and analysis of risk factors from Chinese chemical accident reports
CN111507108A (zh) 别名生成方法、装置、电子设备及计算机可读存储介质
CN111340253A (zh) 一种主网检修申请单的解析方法及系统
CN115574867A (zh) 互感器故障检测方法、装置、电子设备及存储介质
Luo et al. Convolutional Neural Network Algorithm–Based Novel Automatic Text Classification Framework for Construction Accident Reports
CN113408263A (zh) 刑期预测方法、装置、存储介质及电子设备
CN111160694A (zh) 一种电力系统应急能力评估方法及装置
CN116578690B (zh) 一种基于人工智能的保险客服服务方法与系统
CN117725597B (zh) 一种基于时空记忆网络的漏洞威胁预测方法
CN114841457B (zh) 电力负荷估计方法及系统、电子设备及存储介质
Wu Design of Question Answering Interactive Open Platform for Power Grid Business Acceptance Robot
Peipei et al. A Short Text Classification Model for Electrical Equipment Defects Based on Contextual Features
Guangyu et al. Research on Label Recognition Method of Power Grid Item Based on Deep Learning
Sheng et al. Intelligent distribution network operation ticket system utilizing a network ordering approach based on mobile operations
Sun et al. Research on knowledge extraction and linking methods for electric power policy documents based on knowledge graph
CN117668250A (zh) 避雷器故障的知识图谱构建方法、装置、设备及存储介质
Feng et al. Bi-LSTM-CRF-based named entity recognition for power administration

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