CN114298339A - 一种变电站设备告警智能决策方法及系统 - Google Patents

Abstract

本发明公开了一种变电站设备告警智能决策方法及系统，本发明包括获取变电站的多源异构的多种设备状态数据的样本；生成统一结构化状态数据，进行知识抽取建立故障推理知识规则库；将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，实现一套典型处置方案的编码方法R；针对任意时刻的设备状态数据用编码方法R编码后在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告。本发明可有效用于指导和辅助运行人员快速对告警或异常信号作出准确的判断，提高电站运维管理水平。

Description

一种变电站设备告警智能决策方法及系统

技术领域

本发明涉及变电站设备检测技术，具体涉及一种变电站设备告警智能决策方法及系统。

背景技术

变电站是电网的关键节点，其直接影响电力电网的正常、安全运行，同时变电站又是一个异常复杂的系统，变电站中包括多种电力设备和线路，影响变电站正常工作的因素有很多，所以为了确保电力电网的安全运行我们需要对变电站中设备进行检测。

但是，传统的变电站设备状态分析一般为采用阈值的方法，这种方法虽然简单，但是其只能针对单一信息进行检测，不能够实现信息的综合利用，例如变电站一次设备、二次设备、辅助设备等告警信息、台账信息、故障信息等信息纷繁复杂，则无法用于采用阈值的方法进行变电站设备状态分析。在此基础上，人们进一步提出了采用机器分类器学习的方法，但是机器分类器由于一般需要建立在大量数据样本进行训练的基础上才能够实现变电站设备状态分析，而这些数据样本实际上是基于人们已知的映射关系。但是，变电站设备状态数据不仅存在一致的映射关系，还存在未知的映射关系，仅利用人们已知的映射关系显然无法达到最优的变电站设备状态检测。因此如何基于变电站设备状态数据，实现全面的数据利用以提高变电站设备状态分析的准确性，已成为一项亟待解决的关键技术问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种变电站设备告警智能决策方法及系统，本发明在变电站在线智能巡视数据的基础上，通过对设备状态信息的分层优化、综合归纳、建立故障推理知识规则库以及事故反演，数据收集分析后可自动形成智能辅助决策报告，可有效用于指导和辅助运行人员快速对告警或异常信号作出准确的判断，提高电站运维管理水平。

为了解决上述技术问题，本发明采用的技术方案为：

一种变电站设备告警智能决策方法，包括：

1)获取变电站的多源异构的多种设备状态数据的样本；

2)将多源异构的多种设备状态数据的样本进行数据治理，生成统一结构化状态数据；

3)基于预先构建的设备状态词典、设备关系词典作为知识支持，将统一结构化状态数据进行知识抽取，建立故障推理知识规则库；

4)将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，最终实现一套典型处置方案的编码方法R；

5)针对任意时刻的设备状态数据，将该设备状态数据利用编码方法R转化为状态向量，并根据转化得到的状态向量，在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告。

可选地，步骤1)中多源异构的多种设备状态数据的设备包括一次设备、二次设备、辅助设备，多种设备状态数据包括告警信息、台账信息、故障信息。

可选地，步骤2)中的数据治理包括缺失处理和异常处理。

可选地，步骤2)中生成统一结构化状态数据具体是指将多种设备状态按照指定的顺序进行排列汇聚，得到统一结构化状态数据，所述统一结构化状态数据中包含多种表示设备状态的字段及其对应的数据。

可选地，步骤3)包括：

3.1)以one-hot的编码方法将设备状态词典中的设备状态、设备关系词典中的设备关系转化为一维向量x，以词嵌入的方法构造自编码器对一维向量x进行学习，将一维向量x压缩为低维向量h以利于区分不同的词；

3.2)将设备状态词典中的设备状态视为实体、设备关系词典中的设备关系视为关系，将低维向量h作为输入、低维向量h对应的实体类型作为输出，训练一个基于机器学习网络的设备状态实体识别模型，并通过训练好的设备状态实体识别模型来对统一结构化状态数据进行知识抽取，分别抽取出其中的实体和关系，并将实体和关系以知识三元组的方式建立故障推理知识规则库，所述知识三元组包括实体1-关系-实体2、实体-属性-属性值两种三元组，实体1-关系-实体2表示两个不同的实体及其之间的关系，实体-属性-属性值表示某个实体及其对应的属性以及属性值；

3.3)将所有的知识三元组根据表示为有向图，完成故障推理知识规则库的构建。

可选地，步骤3.2)中的设备状态实体识别模型为双向循环神经网络，所述双向循环神经网络包括依次相连的词嵌入层、双向循环神经网络编码器Bi-LSTM以条件随机场层CRF，所述词嵌入层包括输入层、隐藏层和输出层，所述输入层用于将输入的V个词x₁～x_V进行词嵌入得到V个输出的y₁～y_V，所述双向循环神经网络编码器Bi-LSTM用于对词嵌入层的V个输出的y₁～y_V进行编码后输出到条件随机场层CRF，所述条件随机场层CRF用于对双向循环神经网络编码器Bi-LSTM的输出赋予对应的字符标签。

可选地，步骤4)中的评分函数的函数表达式为：

上式中，f_r(h,t)表示头实体h和尾实体t的评分，h和t分别为一组头实体和尾实体，r为头实体h和尾实体t之间的关系边，L₁表示L1范数，L₂表示L2范数；步骤4)中的损失函数的函数表达式为：

L＝∑_(h,r,t)∈S∑_{(h′,r′,t′)∈S′}max(0，f_r(h，t)+γ-f_r(h′，t′))，

上式中，L表示损失函数，(h，r，t)∈S为头实体h和尾实体t在关系边r下的邻接点集，(h′，r′，t′)∈S′为头实体h′和尾实体t′在关系边r′下的邻接点集，max为取最大值，f_r(h，t)表示头实体h和尾实体t的评分，f_r(h′，t′)表示头实体h′和尾实体t′的评分，γ为样本影响半径的倒数。

可选地，步骤4)中在故障推理知识规则库查找设置采用图搜索的方法查找，所述图搜索的方法为深度优先或广度优先的图搜索方法。

此外，本发明还提供一种变电站设备告警智能决策系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述变电站设备告警智能决策方法的步骤。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于被计算机设备执行以实施所述变电站设备告警智能决策方法的计算机程序。

和现有技术相比，本发明主要具有下述优点：本发明包括获取变电站的多源异构的多种设备状态数据的样本；生成统一结构化状态数据，进行知识抽取建立故障推理知识规则库；将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，实现一套典型处置方案的编码方法R；针对任意时刻的设备状态数据用编码方法R编码后在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告。本发明在变电站在线智能巡视数据的基础上，通过对设备状态信息的分层优化、综合归纳、建立故障推理知识规则库以及事故反演，数据收集分析后可自动形成智能辅助决策报告，可有效用于指导和辅助运行人员快速对告警或异常信号作出准确的判断，提高电站运维管理水平。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例中构建统一结构化状态数据的原理示意图。

图3为本发明实施例中双向循环神经网络的工作原理示意图。

图4为本发明实施例中双向循环神经网络中输入层的结构示意图。

图5为本发明实施例中设备状态和设备关系的映射示例。

图6为本发明实施例中规则向量化空间表示。

图7为本发明实施例中广度优先的搜索方法示意图。

图8为本发明实施例中深度优先的搜索方法示意图。

图9为本发明实施例中状态分析报告的示例。

具体实施方式

如图1所示，本实施例变电站设备告警智能决策方法包括：

1)获取变电站的多源异构的多种设备状态数据的样本；

2)将多源异构的多种设备状态数据的样本进行数据治理，生成统一结构化状态数据；

3)基于预先构建的设备状态词典、设备关系词典作为知识支持，将统一结构化状态数据进行知识抽取，建立故障推理知识规则库；

4)将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，最终实现一套典型处置方案的编码方法R；

5)针对任意时刻的设备状态数据，将该设备状态数据利用编码方法R转化为状态向量，并根据转化得到的状态向量，在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告。

本实施例中，步骤1)中多源异构的多种设备状态数据的设备包括一次设备、二次设备、辅助设备，多种设备状态数据包括告警信息、台账信息、故障信息。需要说明的是，一次设备是指高压侧的设备，二次设备是指低压侧的设备，辅助设备是指用于辅助配套的相关设备，一次设备、二次设备、辅助设备均为变电站的公知设备，其具体设备类型在此不再详细举例说明。多种设备状态数据包括告警信息、台账信息、故障信息可基于变电站在线智能巡视系统的数据获得，此外还可以通过其他各类数据采集系统进行获取。

本实施例中，步骤2)中的数据治理包括缺失处理和异常处理。缺失处理是指对缺失值进行处理，例如进行插值处理以弥补缺失值；异常处理是指对异常值、噪声值进行处理，例如删除异常值、噪声值等；通过依据行业数据规范对设备多源异构的异常数据进行数据预处理，完成缺失值、异常值等数据问题的基本处理，构建不同来源分别的规范数据集合。

如图2所示，本实施例步骤2)中生成统一结构化状态数据具体是指将多种设备状态按照指定的顺序进行排列汇聚，得到统一结构化状态数据，所述统一结构化状态数据中包含多种表示设备状态的字段及其对应的数据。

知识规则是状态推理的基础，统一结构化数据只是不同属性被赋予不同文本和数值，不存在语义信息。针对预测和评价的目的，对结构化数据进行知识抽取。

本实施例中，步骤3)包括：

3.1)以one-hot的编码方法将设备状态词典中的设备状态、设备关系词典中的设备关系转化为一维向量x，以词嵌入的方法构造自编码器对一维向量x进行学习，将一维向量x压缩为低维向量h以利于区分不同的词；需要说明的是，自编码器为现有神经网络模型，可根据需要选择所需的编码器模型，故其详细实现在此不再详述。

使用预先构建的设备状态词典、设备关系词典作为知识支持需要预先构建设备状态词典、设备关系词典。作为一种可选的实施方式，预先构建设备状态词典、设备关系词典包括：首先利用通用实体和关系词典，判断出构建特定关系的设备状态实体，建立设备状态词典，如“设备线圈发热”是设备状态实体词典的一个具体实体。利用设备检修行业经验，结合设备状态的层次结构，构建设备关系词典。

3.2)将设备状态词典中的设备状态视为实体、设备关系词典中的设备关系视为关系，将低维向量h作为输入、低维向量h对应的实体类型作为输出，训练一个基于机器学习网络的设备状态实体识别模型，并通过训练好的设备状态实体识别模型来对统一结构化状态数据进行知识抽取，分别抽取出其中的实体和关系，并将实体和关系以知识三元组的方式建立故障推理知识规则库，所述知识三元组包括实体1-关系-实体2、实体-属性-属性值两种三元组，实体1-关系-实体2表示两个不同的实体及其之间的关系(例如“线圈电流大(引起)变压器高温”)，实体-属性-属性值表示某个实体及其对应的属性以及属性值；

3.3)将所有的知识三元组根据表示为有向图，完成故障推理知识规则库的构建。

如图3所示，步骤3.2)中的设备状态实体识别模型为双向循环神经网络，所述双向循环神经网络包括依次相连的词嵌入层、双向循环神经网络编码器Bi-LSTM以条件随机场层CRF，所述词嵌入层包括输入层、隐藏层和输出层，如图4所示，所述输入层用于将输入的V个词x₁～x_V进行词嵌入得到V个输出的y₁～y_V，所述双向循环神经网络编码器Bi-LSTM用于对词嵌入层的V个输出的y₁～y_V进行编码后输出到条件随机场层CRF，所述条件随机场层CRF用于对双向循环神经网络编码器Bi-LSTM的输出赋予对应的字符标签。图3中，设备状态实体识别模型的输入为词“Mark”、“Matney”、“visited”以及“Mars”，I₁～I₄分别为第一次编码得到的结果，r₁～r₄分别为第二次编码得到的结果，c₁～c₄分别为第二次编码得到的结果，最终条件随机场层CRF得到的字符标签分别为“B-PER”、“E-PER”、“O”、“S-LOC”，“B-PER”、“E-PER”、“O”、“S-LOC”分别表示_类别序列中分数最高的结果即c₁～c₄中每项最高得分。图4中，隐藏层共包含N个节点h₁～h_N，W_V×N＝{w_ki}为任意输入层节点x_k、隐藏层节点h_i之间的边的权重w_ki构成的集合，W_N×V＝{w’_ij}为任意隐藏层节点h_i、输出层节点y_j之间的边的权重w’_ij构成的集合。

步骤4)将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，最终实现一套典型处置方案的编码方法R，其本质是为只是补全和推理的过程。如图5所示，设备状态和设备关系中，h和t分别是一组头实体和尾实体，r是两者关系，即“h(r)t”，例如(例如“h＝线圈故障(r＝导致)t＝变压器发热”)。针对知识推理的应用需求，建立假设h+r＝t。

本实施例中，步骤4)中的评分函数的函数表达式为：

上式中，f_r(h，t)表示头实体h和尾实体t的评分，h和t分别为一组头实体和尾实体，r为头实体h和尾实体t之间的关系边，L₁表示L1范数，L₂表示L2范数；步骤4)中的损失函数的函数表达式为：

L＝∑_{(h，r，t)∈S}∑_{(h′，r′，t′)∈S′}max(0，f_r(h，t)+γ-f_r(h′，t′))，

上式中，L表示损失函数，(h，r，t)∈S为头实体h和尾实体t在关系边r下的邻接点集，(h′，r′，t′)∈S′为头实体h′和尾实体t′在关系边r′下的邻接点集，max为取最大值，f_r(h，t)表示头实体h和尾实体t的评分，f_r(h′,t′)表示头实体h′和尾实体t′的评分，γ为样本影响半径的倒数。

本实施例中，步骤4)设计评分函数和损失函数优化分布式表示学习方法方法并利用样本进行训练，得到这样一组编码方法R，将设备状态和设备关系建立的知识规则映射到向量空间中，如图6所示。

对任意时刻的设备状态数据，首先将设备状态信息利用上述的编码方法R转化为向量，利用历史设备状态信息建立的知识规则库进行搜索，以评估各种状态出现的路径。本实施例步骤4)中在故障推理知识规则库查找设置采用图搜索的方法查找，所述图搜索的方法为深度优先或广度优先的图搜索方法。如图7所示，广度优先的图搜索方法优先搜索同层次的节点，在搜索完同层次的节点以后才进入下一个层次的节点的搜索过程。如图8所示，深度优先的图搜索方法优先搜索同一路径的节点，在搜索完同一路径的节点以后才进入下一个路径的节点的搜索过程。最终，通过检索对应状态信息的路径信息，得到问题设备状态信息的所有状态转移路径，帮助决策当前的检修和维护防范。

最终，通过步骤5)针对任意时刻的设备状态数据，将该设备状态数据利用编码方法R转化为状态向量，并根据转化得到的状态向量，在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告，状态分析报告的示例如图9所示。

此外，本实施例还提供一种变电站设备告警智能决策系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行前述变电站设备告警智能决策方法的步骤。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于被计算机设备执行以实施前述变电站设备告警智能决策方法的计算机程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种变电站设备告警智能决策方法，其特征在于，包括：

1)获取变电站的多源异构的多种设备状态数据的样本；

2)将多源异构的多种设备状态数据的样本进行数据治理，生成统一结构化状态数据；

3)基于预先构建的设备状态词典、设备关系词典作为知识支持，将统一结构化状态数据进行知识抽取，建立故障推理知识规则库；

4)将设备状态词典中的设备状态、设备关系词典中的设备关系采用分布式表示学习方法方法进行编码，并设计评分函数和损失函数优化分布式表示学习方法方法，最终实现一套典型处置方案的编码方法R；

5)针对任意时刻的设备状态数据，将该设备状态数据利用编码方法R转化为状态向量，并根据转化得到的状态向量，在故障推理知识规则库查找确定对应的典型处置方案并生成状态分析报告。

2.根据权利要求1所述的变电站设备告警智能决策方法，其特征在于，步骤1)中多源异构的多种设备状态数据的设备包括一次设备、二次设备、辅助设备，多种设备状态数据包括告警信息、台账信息、故障信息。

3.根据权利要求2所述的变电站设备告警智能决策方法，其特征在于，步骤2)中的数据治理包括缺失处理和异常处理。

4.根据权利要求3所述的变电站设备告警智能决策方法，其特征在于，步骤2)中生成统一结构化状态数据具体是指将多种设备状态按照指定的顺序进行排列汇聚，得到统一结构化状态数据，所述统一结构化状态数据中包含多种表示设备状态的字段及其对应的数据。

5.根据权利要求4所述的变电站设备告警智能决策方法，其特征在于，步骤3)包括：

3.1)以one-hot的编码方法将设备状态词典中的设备状态、设备关系词典中的设备关系转化为一维向量x，以词嵌入的方法构造自编码器对一维向量x进行学习，将一维向量x压缩为低维向量h以利于区分不同的词；

3.2)将设备状态词典中的设备状态视为实体、设备关系词典中的设备关系视为关系，将低维向量h作为输入、低维向量h对应的实体类型作为输出，训练一个基于机器学习网络的设备状态实体识别模型，并通过训练好的设备状态实体识别模型来对统一结构化状态数据进行知识抽取，分别抽取出其中的实体和关系，并将实体和关系以知识三元组的方式建立故障推理知识规则库，所述知识三元组包括实体1-关系-实体2、实体-属性-属性值两种三元组，实体1-关系-实体2表示两个不同的实体及其之间的关系，实体-属性-属性值表示某个实体及其对应的属性以及属性值；

3.3)将所有的知识三元组根据表示为有向图，完成故障推理知识规则库的构建。

6.根据权利要求5所述的变电站设备告警智能决策方法，其特征在于，步骤3.2)中的设备状态实体识别模型为双向循环神经网络，所述双向循环神经网络包括依次相连的词嵌入层、双向循环神经网络编码器Bi-LSTM以条件随机场层CRF，所述词嵌入层包括输入层、隐藏层和输出层，所述输入层用于将输入的V个词x₁～x_V进行词嵌入得到V个输出的y₁～y_V，所述双向循环神经网络编码器Bi-LSTM用于对词嵌入层的V个输出的y₁～y_V进行编码后输出到条件随机场层CRF，所述条件随机场层CRF用于对双向循环神经网络编码器Bi-LSTM的输出赋予对应的字符标签。

7.根据权利要求6所述的变电站设备告警智能决策方法，其特征在于，步骤4)中的评分函数的函数表达式为：

上式中，f_r(h，t)表示头实体h和尾实体t的评分，h和t分别为一组头实体和尾实体，r为头实体h和尾实体t之间的关系边，L₁表示L1范数，L₂表示L2范数；步骤4)中的损失函数的函数表达式为：

L＝∑_{(h，r，t)∈S}∑_{(h′，r′，t′)∈S′}max(0，f_r(h，t)+γ-f_r(h′，t′))，

上式中，L表示损失函数，(h，r，t)∈S为头实体h和尾实体t在关系边r下的邻接点集，(h′，r′，t′)∈S′为头实体h′和尾实体t′在关系边r′下的邻接点集，max为取最大值，f_r(h，t)表示头实体h和尾实体t的评分，f_r(h′，t′)表示头实体h′和尾实体t′的评分，γ为样本影响半径的倒数。

8.根据权利要求7所述的变电站设备告警智能决策方法，其特征在于，步骤4)中在故障推理知识规则库查找设置采用图搜索的方法查找，所述图搜索的方法为深度优先或广度优先的图搜索方法。

9.一种变电站设备告警智能决策系统，包括相互连接的微处理器和存储器，其特征在于，该微处理器被编程或配置以执行权利要求1～8中任意一项所述变电站设备告警智能决策方法的步骤。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有用于被计算机设备执行以实施权利要求1～8中任意一项所述变电站设备告警智能决策方法的计算机程序。

Images