CN114511026A - 一种故障诊断方法、装置、终端设备及存储介质 - Google Patents

一种故障诊断方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN114511026A
CN114511026A CN202210109104.0A CN202210109104A CN114511026A CN 114511026 A CN114511026 A CN 114511026A CN 202210109104 A CN202210109104 A CN 202210109104A CN 114511026 A CN114511026 A CN 114511026A
Authority
CN
China
Prior art keywords
fault
fault diagnosis
operation information
information
real
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.)
Pending
Application number
CN202210109104.0A
Other languages
English (en)
Inventor
邹浩
张恒
陈泰然
陈广辉
张贞
陈志伟
张海峰
孙建文
高艺伟
戴嘉彤
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.)
TaiAn Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
TaiAn Power Supply Co of State Grid Shandong 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 TaiAn Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical TaiAn Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority to CN202210109104.0A priority Critical patent/CN114511026A/zh
Publication of CN114511026A publication Critical patent/CN114511026A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种故障诊断方法、装置、终端设备及存储介质，该方法包括：获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；采集所述自动化设备的实时运行信息；将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型；本申请用训练后的故障诊断模型确定故障类型，相较于现有的需要人为筛查确定故障类型的方法，本申请对智能变电站故障排查简单迅速。

Description

一种故障诊断方法、装置、终端设备及存储介质
技术领域
本申请属于数据处理技术领域，尤其涉及一种故障诊断方法、装置、终端设备及存储介质。
背景技术
智能变电站包括大量的自动化设备，且自动化设备具有通信功能，因此，智能变电站中无需额外增加监测装置即可实现自动化设备之间的数据传输等。
由于智能变电站中的自动化设备较多，产生的运行数据较多，在自动化设备发生故障后，需要人为的排查大量的数据才能确定故障原因，导致故障排查困难，故障排查效率低。
发明内容
本申请实施例提供了一种故障诊断方法、装置、终端设备及存储介质，可以解决智能变电站故障排查困难、且效率低的问题。
第一方面，本申请实施例提供了一种故障诊断方法，包括：
获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；
基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；
采集所述自动化设备的实时运行信息；
将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
第二方面，本申请实施例提供了一种故障诊断装置，包括：
样本获取模块，用于获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；
模型训练模块，用于基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；
信息采集模块，用于采集所述自动化设备的实时运行信息；
故障诊断模块，用于将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中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第一方面中任一项所述的故障诊断方法。
第四方面，本申请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存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的故障诊断方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的故障诊断方法。
本申请第一方面实施例与现有技术相比存在的有益效果是：本申请先获取训练样本集，利用训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；本申请通过对故障诊断模型的训练可以得到用于确定故障类型的故障诊断模型。然后采集自动化设备的实时运行信息，将实时运行信息输入训练后的故障诊断模型，得到智能变电站的故障类型；本申请用训练后的故障诊断模型确定故障类型，相较于现有的需要人为筛查确定故障类型的方法，本申请对智能变电站故障排查简单迅速。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的故障诊断方法的应用场景示意图；
图2是本申请一实施例提供的故障诊断方法的流程示意图；
图3是本申请一实施例提供的实时运行信息的采集方法的流程示意图；
图4是本申请一实施例提供的故障诊断模型的训练方法的流程示意图；
图5是本申请一实施例提供的故障诊断装置的结构示意图；
图6是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当……时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1为本申请实施例提供的故障诊断方法的应用场景示意图，上述故障诊断方法可以用于判断智能变电站是否存在故障，还可以用于确定智能变电站的故障类型。其中，信息存储设备10用于存储智能变电站的历史运行信息。电子设备20用于从信息存储设备10中获取历史运行信息，将历史运行信息作为训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型。电子设备20还用于利用训练后的故障诊断模型对智能变电站进行故障诊断，得到智能变电站的故障类型。
以下结合图1对本申请实施例的故障诊断方法进行详细说明。
图2示出了本申请提供的故障诊断方法的示意性流程图，参照图2，对该方法的详述如下：
S101，获取训练样本集。
在本实施例中，训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息。智能变电站中包括多个自动化设备，例如，测控装置、智能终端、保护装置等。训练样本集中还可以包括未出现故障时，智能变电站中自动化设备的运行信息。训练样本集可以从智能变电站的历史运行信息中获取。
在本实施例中，运行信息包括：自动化设备的运行状态信息、报文接收状态信息、电压采样值和电流采样值中的至少一种。其中，自动化设备的运行状态信息包括：合并单元的运行状况、线路保护单元的运行状况以及智能终端的运行状况等。报文接收状态信息包括：合并单元、线路/母线保护、智能终端、测控装置等二次设备的报文接收状态。报文可以为SV报文或GOOSE报文。报文接收状态信息用于表征自动化设备能否按照预设事件正确接收到相应的报文信息。自动化设备的电压采样值和电流采样值可以包括保护装置双通道三相电压和三相电流的采样值。具体的，运行信息中的故障信息可以以集合的形式存在，例如，Fm＝{F1m,F2m,F3m},m＝1,2,...,M，Fm为第m种故障类型的故障时自动化设备的故障信息；F1m为自动化设备的运行状况信息；F2m为自动化设备的报文接收状态信息；F3m为自动化设备的电压采样值和电流采样值。M为故障信息的总数量。
可选的，在获取训练样本集后，还可以对运行信息进行归一化处理，利用归一化处理后的运行信息对故障诊断模型进行训练。
S102，基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型。
在本实施例中，将训练样本集中的运行信息输入至故障诊断模型，输出预测结果，根据预测结果和真实结果得到损失函数值。根据损失函数值更新故障诊断模型中的参数，并对更新参数后的故障诊断模型进行训练，直至损失函数值满足预设条件，得到训练后的故障诊断模型。
具体的，故障诊断模型可以为深度双Q网络模型或神经网络模型等。在故障诊断模型为深度双Q网络模型时，对深度双Q网络模型进行训练，得到训练后的深度双Q网络模型。
具体的，深度双Q网络模型包括主网络和目标网络。
利用主网络对训练样本集进行处理，得到各个动作下对应的第一Q值，并得到从状态S1到下一状态S2对应的奖励。主网络每次运算时的状态S1、状态S2、奖励和对应的动作记为一个集合D。选取预设个数的集合D作为目标网络的样本集合。利用目标网络的样本集合训练目标网络，得到目标网络输出的目标Q值。利用目标Q值计算损失函数值。最后根据损失函数值更新主网络的参数和目标网络的参数。
可选的，目标网络的目标Q值的计算可以使用以下Q值计算模型得到。Q值计算模型可以为
Figure BDA0003494488100000061
或
Figure BDA0003494488100000062
其中，Qg(St+1,a)为目标网络预测的Q值函数。
Figure BDA0003494488100000063
为在St+1状态主网络预测的最大第一Q值对应的动作；Rt+1指在t后一时刻采用动作a后系统由状态St转化为状态St+1时的奖励集合。ξ是学习系数，用于控制目标网络向主网络学习的速度，可选的，ξ为0.01或0.02等。
S103，采集所述自动化设备的实时运行信息。
在本实施例中，为了及时检测到智能变电站的故障，电子设备可以实时进行故障检测。具体的，电子设备按照预设时间间隔获取自动化设备的实时运行信息。
具体的，在获取实时运行信息后，可以提取故障信息，利用故障信息确定故障类型。若实时运行信息中不存在故障信息则不用进行故障检测。
在本实施例中，在采集实时运行信息后，还可以对实时运行信息或实时运行信息中的故障信息进行归一化处理。具体的，对实时运行信息进行归一化处理，得到处理后的实时运行信息。
具体的，利用归一化处理模型对实时运行信息进行归一化处理。归一化处理模型包括：
Figure BDA0003494488100000071
其中，Ak表示实时运行信息；Ak'表示Ak映射到区间[0,1]中的一个值，也就是归一化处理后的实时运行信息；Amax表示实时运行信息中的最大值，Amin表示实时运行信息中的最小值。
S104，将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
在本实施例中，故障类型包括：合并单元板卡故障、合并单元配置错误、线路保护板卡故障、线路保护纵联通道故障和智能终端故障中的至少一种。
在本实施例中，若故障诊断模型为深度双Q网络模型时，将实时运行信息输入训练后的深度双Q网络模型，得到智能变电站的故障类型。
具体的，将处理后的实时运行信息输入训练后的深度双Q网络模型，得到智能变电站的故障类型。
具体的，将实时运行信息中的故障信息或经过归一化处理后的实时运行信息中的故障信息输入训练后的深度双Q网络模型，得到智能变电站的故障类型。
本申请实施例中，先获取训练样本集，利用训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；本申请通过对故障诊断模型的训练可以得到用于确定故障类型的故障诊断模型。然后采集自动化设备的实时运行信息，将实时运行信息输入训练后的故障诊断模型，得到智能变电站的故障类型；本申请用训练后的故障诊断模型确定故障类型，相较于现有的需要人为筛查确定故障类型的方法，本申请对智能变电站故障排查简单迅速。
如图3所示，在一种可能的实现方式中，步骤S103的实现过程可以包括：
S1031，采集自动化设备的故障信号。
在本实施例中，电子设备按照预设时间间隔采集自动化设备在运行时的信号，并将采集的信号与预设信号进行对比，确定采集的信号是否为故障信号。若采集的信号为故障信号，则开始统计故障信号的个数。
S1032，若所述故障信号的数量大于或等于预设数量，采集所述自动化设备的实时运行信息。
在本实施例中，在统计的故障信号的数量大于或等于预设数量时，触发故障检测，在触发故障检测后，开始采集预设时间段内自动化设备的实时运行信息。预设时间段为故障信号的数量大于或等于数量的时刻之后的时间段。
在本实施例中，预设数量的设置可以根据历史运行数据确定，具体的，预设数量可以为历史发生故障后，故障信号的最小值。实时运行信息还可以包括检测到的故障信号。
作为举例，若在3点50分统计的故障信号的数量大于或等于预设数量，则开始统计从3点50分至3点60分之间时间段内的自动化设备的实时运行信息。
本申请实施例中，采集实时运行信息时设置触发条件，在满足触发条件时才开始采集实时运行信息，减少了数据处理量。
在一种可能的实现方式中，在故障信号的数量小于预设数量时，发送发出故障信号的自动化设备的标识信息。
具体的，向用户终端发送发出故障信号的自动化设备的标识信息，以便于用户根据标识信息对发出故障信号的自动化设备进行修复。
如图4所示，在一种可能的实现方式中，步骤S102的实现过程可以包括：
S1021，对所述训练样本集中的运行信息中的故障信息进行分类，得到每种故障类型对应的故障信息。
在本实施例中，在训练样本集输入故障诊断模型中之前，需要按照故障信息对应的故障类型对故障信息打标签，也就是需要提前标明故障信息对应的故障类型。
具体的，提取运行信息中的故障信息，提取故障信息中的故障特征，根据故障特征将故障信息进行分类，得到每种故障类型对应的故障信息。
S1022，基于所述故障信息对应的故障类型为所述故障信息设置标签值，得到包括设置标签值的故障信息的目标样本集，所述标签值用于表征故障类型。
在本实施例中，不同故障类型对应不同标签值。对故障信息设置标签值以便于在对故障诊断模型进行训练时，基于标签值计算损失函数值。
S1023，基于所述目标样本集对故障诊断模型进行训练，得到训练后的故障诊断模型。
在一种可能的实现方式中，本申请还可以利用一个深度双Q网络模型先计算一个损失函数值，利用该损失函数值设置故障诊断模型中的参数。然后对设置参数后的故障诊断模型进行训练。
具体的，采集自动化设备的故障信号，在故障信号的数量大于预设数量时，采集自动化设备在第一时间段内的运行数据，将第一时间段内的运行数据作为故障数据。利用深度双Q网络模型对故障数据进行处理，得到目标Q值。基于训练样本集和目标Q值对故障诊断模型进行训练，得到训练后的故障诊断模型。
具体的，S1，在对故障诊断模型进行第一训练时，将目标Q值和训练样本集输入故障诊断模型对故障诊断模型进行第一次训练，得到第一损失值；S2，基于第一损失值更新故障诊断模型中的参数，然后利用训练样本集对更新参数后的故障诊断模型进行训练，得到第二损失值；S3，重复上述S2，直至训练样本集使用完，或者损失值不变，完成对故障诊断模型的训练。
具体的，利用深度双Q网络模型对故障数据进行处理，得到目标Q值，可以包括：
利用故障数据对深度双Q网络模型进行训练，得到目标Q值。具体的，利用主网络对故障数据进行处理，得到各个动作下对应的第二Q值，并得到从状态S1到下一状态S2对应的奖励。主网络每次运算时的状态S1、状态S2、奖励和对应的动作记为一个集合F。选取预设个数的集合F作为目标网络的样本集合。利用目标网络的样本集合训练目标网络，得到目标网络输出的目标Q值。
可选的，还可以利用目标Q值计算第一损失值，将第一损失值和训练样本集输入故障诊断模型中对故障诊断模型进行第一次训练。
可选的，将故障数据进行分类，得到每个故障类型包括的故障数据，例如，故障类型A包括故障数据a，故障类型B包括故障数据b等。
利用深度双Q网络模型分别对每种故障类型对应的故障数据进行处理，得到每种故障类型的故障数据对应的目标Q值。
在得到多个目标Q值后，利用各个故障类型的权重和目标Q值计算第三Q值。根据第三Q值对故障诊断模型进行训练。
具体的，利用M＝L1×Q1+L2×Q2+…+Ln×Qn，其中，M为第三Q值；L1为第一种故障类型对应的权重；Q1为利用第一种故障类型对应的故障数据计算的目标Q值；L2为第二种故障类型对应的权重；Q2为利用第二种故障类型对应的故障数据计算的目标Q值；Ln为第n种故障类型对应的权重；Qn为利用第n种故障类型对应的故障数据计算的目标Q值，n为故障类型的个数。
在本实施例中，各个故障类型对应的权重可以根据历史故障中各个故障类型出现的次数确定，例如，历史中出现次数多的故障类型的权重大于出现次数少的故障类型对应的权重。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的故障诊断方法，图5示出了本申请实施例提供的故障诊断装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该装置200可以包括：样本获取模块210、模型训练模块220、信息采集模块230和故障诊断模块240。
其中，样本获取模块210，用于获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；
模型训练模块220，用于基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；
信息采集模块230，用于采集所述自动化设备的实时运行信息；
故障诊断模块240，用于将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
在一种可能的实现方式中，与信息采集模块230相连的还包括：
信息处理模块，用于对所述实时运行信息进行归一化处理，得到处理后的实时运行信息；
相应的，故障诊断模块240还可以用于：
将所述处理后的实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
在一种可能的实现方式中，所述故障诊断模型为深度双Q网络模型；
相应的，模型训练模块220还可以用于：
基于所述训练样本集对所述深度双Q网络模型进行训练，得到训练后的深度双Q网络模型；
相应的，故障诊断模块240还可以用于：
将所述实时运行信息输入所述训练后的深度双Q网络模型，得到所述智能变电站的故障类型。
在一种可能的实现方式中，信息采集模块230具体可以用于：
采集所述自动化设备的故障信号；
若所述故障信号的数量大于或等于预设数量，采集所述自动化设备的实时运行信息。
在一种可能的实现方式中，模型训练模块220具体可以用于：
对所述训练样本集中的运行信息中的故障信息进行分类，得到每种故障类型对应的故障信息；
基于所述故障信息对应的故障类型为所述故障信息设置标签值，得到包括设置标签值的故障信息的目标样本集，所述标签值用于表征故障类型；
基于所述目标样本集对故障诊断模型进行训练，得到训练后的故障诊断模型。
在一种可能的实现方式中，所述故障类型包括：合并单元板卡故障、合并单元配置错误、线路保护板卡故障、线路保护纵联通道故障和智能终端故障中的至少一种。
在一种可能的实现方式中，所述运行信息包括：所述自动化设备的运行状态信息、报文接收状态信息、电压采样值和电流采样值中的至少一种。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图6，该终端设备400可以包括：至少一个处理器410、存储器420以及存储在所述存储器420中并可在所述至少一个处理器410上运行的计算机程序，所述处理器410执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S104。或者，处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块210至模块240的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器420中，并由处理器410执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备400中的执行过程。
本领域技术人员可以理解，图6仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器410可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器420用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的故障诊断方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本申请各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被一个或多个处理器执行时，可实现上述各个方法实施例的步骤。
同样，作为一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种故障诊断方法，其特征在于，包括：
获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；
基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；
采集所述自动化设备的实时运行信息；
将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
2.如权利要求1所述的故障诊断方法，其特征在于，在所述采集所述自动化设备的实时运行信息之后，包括：
对所述实时运行信息进行归一化处理，得到处理后的实时运行信息；
相应的，将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型，包括：
将所述处理后的实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
3.如权利要求1或2所述的故障诊断方法，其特征在于，所述故障诊断模型为深度双Q网络模型；
相应的，基于所述训练样本集对所述深度双Q网络模型进行训练，得到训练后的深度双Q网络模型；
相应的，将所述实时运行信息输入所述训练后的深度双Q网络模型，得到所述智能变电站的故障类型。
4.如权利要求1所述的故障诊断方法，其特征在于，所述采集所述自动化设备的实时运行信息，包括：
采集所述自动化设备的故障信号；
若所述故障信号的数量大于或等于预设数量，采集所述自动化设备的实时运行信息。
5.如权利要求1所述的故障诊断方法，其特征在于，所述基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型，包括：
对所述训练样本集中的故障信息进行分类，得到每种故障类型对应的故障信息；
基于所述故障信息对应的故障类型为所述故障信息设置标签值，得到包括设置标签值的故障信息的目标样本集，所述标签值用于表征故障类型；
基于所述目标样本集对故障诊断模型进行训练，得到训练后的故障诊断模型。
6.如权利要求1所述的故障诊断方法，其特征在于，所述故障类型包括：合并单元板卡故障、合并单元配置错误、线路保护板卡故障、线路保护纵联通道故障和智能终端故障中的至少一种。
7.如权利要求1所述的故障诊断方法，其特征在于，所述运行信息包括：所述自动化设备的运行状态信息、报文接收状态信息、电压采样值和电流采样值中的至少一种。
8.一种故障诊断装置，其特征在于，包括：
样本获取模块，用于获取训练样本集，其中，所述训练样本集包括智能变电站出现故障时，所述智能变电站中自动化设备的运行信息；
模型训练模块，用于基于所述训练样本集对故障诊断模型进行训练，得到训练后的故障诊断模型；
信息采集模块，用于采集所述自动化设备的实时运行信息；
故障诊断模块，用于将所述实时运行信息输入所述训练后的故障诊断模型，得到所述智能变电站的故障类型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中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如权利要求1至7任一项所述的故障诊断方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的故障诊断方法。
CN202210109104.0A 2022-01-28 2022-01-28 一种故障诊断方法、装置、终端设备及存储介质 Pending CN114511026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210109104.0A CN114511026A (zh) 2022-01-28 2022-01-28 一种故障诊断方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210109104.0A CN114511026A (zh) 2022-01-28 2022-01-28 一种故障诊断方法、装置、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114511026A true CN114511026A (zh) 2022-05-17

Family

ID=81552733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210109104.0A Pending CN114511026A (zh) 2022-01-28 2022-01-28 一种故障诊断方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN114511026A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016105A (zh) * 2022-11-30 2023-04-25 重庆长安汽车股份有限公司 支持多通信类型的故障诊断方法、装置、设备及存储介质
CN116488169A (zh) * 2023-06-25 2023-07-25 北京智芯微电子科技有限公司 基于智慧开关的故障处理方法、装置、系统和介质
CN117271197A (zh) * 2023-11-22 2023-12-22 成都正扬博创电子技术有限公司 一种弹载计算机状态检测方法、装置、电子设备及介质
WO2024138968A1 (zh) * 2022-12-30 2024-07-04 深圳市中兴微电子技术有限公司 基站故障诊断方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016105A (zh) * 2022-11-30 2023-04-25 重庆长安汽车股份有限公司 支持多通信类型的故障诊断方法、装置、设备及存储介质
WO2024138968A1 (zh) * 2022-12-30 2024-07-04 深圳市中兴微电子技术有限公司 基站故障诊断方法及装置
CN116488169A (zh) * 2023-06-25 2023-07-25 北京智芯微电子科技有限公司 基于智慧开关的故障处理方法、装置、系统和介质
CN117271197A (zh) * 2023-11-22 2023-12-22 成都正扬博创电子技术有限公司 一种弹载计算机状态检测方法、装置、电子设备及介质
CN117271197B (zh) * 2023-11-22 2024-02-09 成都正扬博创电子技术有限公司 一种弹载计算机状态检测方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN114511026A (zh) 一种故障诊断方法、装置、终端设备及存储介质
CN112436968A (zh) 一种网络流量的监测方法、装置、设备及存储介质
CN112905371B (zh) 基于异构多源数据异常检测的软件变更检查方法和装置
CN112070180B (zh) 基于信息物理双侧数据的电网设备状态判断方法及装置
CN113591393A (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
CN110376519B (zh) 高压断路器故障诊断方法、装置及终端设备
CN114548280A (zh) 故障诊断模型的训练、故障诊断方法及电子设备
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN111159009B (zh) 一种日志服务系统的压力测试方法及装置
CN117149565A (zh) 云平台关键性能指标的状态检测方法、装置、设备及介质
CN116882632A (zh) 一种车辆安全评估方法、系统、装置、设备以及存储介质
CN114157486B (zh) 通信流量数据异常检测方法、装置、电子设备及存储介质
CN115963344A (zh) 故障检测方法、装置、电子设备及存储介质
CN116642696A (zh) 铁路轴承健康监测方法、装置、系统、终端及存储介质
CN115412346A (zh) 一种报文检测方法、装置、电子设备及存储介质
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
CN114928467A (zh) 一种网络安全运维关联分析方法及系统
CN115494431A (zh) 一种变压器故障告警方法、终端设备和计算机可读存储介质
CN112598027B (zh) 一种设备的异常识别方法、装置、终端设备及存储介质
CN113139561B (zh) 一种垃圾分类方法、装置、终端设备及存储介质
CN114331688A (zh) 一种银行柜面系统业务批量运行状态检测方法及装置
CN113238911A (zh) 告警处理方法及装置
CN113505039A (zh) 一种通信故障分析方法、设备及系统
CN114462925A (zh) 库存异常资产识别方法、装置及终端设备

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