CN115081584A - 基于机器学习的电力设备健康管理方法、系统及介质 - Google Patents
基于机器学习的电力设备健康管理方法、系统及介质 Download PDFInfo
- Publication number
- CN115081584A CN115081584A CN202210527863.9A CN202210527863A CN115081584A CN 115081584 A CN115081584 A CN 115081584A CN 202210527863 A CN202210527863 A CN 202210527863A CN 115081584 A CN115081584 A CN 115081584A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- model
- equipment
- power equipment
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 61
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000007726 management method Methods 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 18
- 238000004804 winding Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明的一种基于机器学习的电力设备健康管理方法、系统及存储介质，其方法包括获取由智能终端采集的待分析电力设备的运行工况数据；识别该设备及部件的类型参数信息；根据识别到的设备部件类型参数信息，调取事先构建的同类型的故障样本模型；对运行数据进行预处理；将处理后的数据输入基于神经网络时间序列的健康状态感知模型，结合故障样本模型判断该设备数据的健康状态；识别并提取输入数据的设备及部件型号和判断获得的健康状态。本发明能够解决目前电网电力设备缺乏故障样本和系统的健康状态感知方法，以及预测性维护和维修知识点杂乱的问题，以及为电网电力设备故障诊断和预测提供全新的技术支持。
Description
技术领域
本发明涉及电力设备健康状态知识技术领域，具体涉及一种基于机器学习的电力设备健康管理方法、系统及介质。
背景技术
电力设备拥有庞大且杂乱的文本知识，不同类设备面对的故障问题种类繁多，涉及面广。而通常电网电力设备的故障判断，设备运行维护知识都靠专家经验，维护人员也需要大量专业培训后才能处理设备异常情况。并且传统的电力设备相关知识库往往都只包含最原始的文本信息，没有成熟全面的故障库。因此目前电力设备健康度面对着人工成本高，工况数据碎片化，片面单一的故障样本等技术问题。
发明内容
本发明提出的一种基于机器学习的电力设备健康管理方法、系统及介质，可解决上述背景技术中的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于机器学习的电力设备健康管理方法，包括以下步骤，获取由智能终端采集的待分析电力设备的运行工况数据；
识别该设备及部件的类型参数信息；
根据识别到的设备部件类型参数信息，调取预构建的同类型的故障样本模型，样本模型由多种算法融合得到；
对运行数据进行预处理；
将处理后的数据输入基于神经网络时间序列的健康状态感知算法，结合故障样本模型判断该设备数据的健康状态；
如果判断结果达到预设的阈值，则将所述实时工况数据标注为该阈值对应的健康状态；
识别并提取输入数据的设备及部件型号和判断获得的健康状态。
进一步的还包括：
根据识别到的电力设备名称和属性以及对应的健康状态，在搜索模块搜索预先构建好的知识图谱，在分类好的知识图谱里搜索获得相应的维护策略。
进一步的，故障样本模型包括三种，其训练步骤如下，
(1)获得实际样本的卷积神经网络训练步骤为：
收集现有的已知故障类型的电力设备运行数据，预处理收集到的故障样本数据，将故障样本数据经过小波变换平滑去噪处理；将去噪后的数据输入不同的算法模型将故障数据转化为特征可表示化的故障样本；
(2)获得迁移故障样本的逻辑步骤：
提取同类型设备或部件的已有故障样本的特征和特征结构；
将同类型设备的相同特征保存不变，根据不同的工况重新训练特定特征和对应的参数；
将重新训练的特定特征和参数加入原先的相同特征，构建新的故障样本，为了降低提取的特征的单位不同对分类结果造成的影响，对所有特征进行归一化处理，为迁移样本模型。
(3)模拟理论故障模型的逻辑步骤：
确定没有故障记录的设备或部件的理论故障特点；
根据理论故障特点构建符合要求的信号参数集将参数集输入由基本函数信号构建的模型，输出符合故障特征模拟信号，得到理论故障样本。
进一步的，具体的健康状态识别模型逻辑步骤为：
预处理所述运行工况数据，进行去噪平滑处理；
输入非线性自回归神经网络时间序列模型，通过使用前馈神经网络来减小模拟误差，训练函数是贝叶斯正则化算法来防止过拟合，使用闭环网络来进行多步预测，即根据历史数据预测未来多步时间内的数据；
将历史数据和预测数据共同输入对应的故障样本模型，当对比和分类结果达到预设的第一阈值时，则判断该设备或部件确定发生该类故障；对比和分类结果达到预设的第二阈值时，判断未来某段时间内该设备或部件有发生该类故障的可能；
所述多步预测的特征在于，多步指多个时间步长，跟根据预测得设备类型灵活设定；
所述的第一阈值指该工况数据的历史值输入故障样本模型后，历史数据被判断为符合该故障样本模型特征；
所述第二阈值指该工况数据的预测值输入故障样本模型后，预测数据被判断为符合该故障样本模型特征。
进一步的，知识图谱的构建流程如下：
对知识点文集进行少量的手动标注，将知识点文本中的设备或部件的通用名称标注为第一类实体，电力设备的属性名称标注为第二类实体，构建实体词表；
将未标注文本输入KNN聚类模型，利用预设实体词表提取出最具代表性的文本自动标注出第一、二类实体；
将所述自动标注的代表性文本和人工标注的文本作为特征，根据CRF实体识别算法标注所述知识点文本包含的所有实体。
另一方面，本发明还公开一种基于机器学习的电网电力设备健康管理系统，其对应的系统如下：
第一部分，状态感知单元：
包括健康状态感知模块，故障样本模块；
用于获取与识别电力设备相关的的运行工况数据，通过分析处理数据感知该设备或部件健康状态；
所述故障样本模块包括预先构建的实际故障样本，迁移故障样本，和理论故障样本。
第二部分，策略单元：
包括搜索模块，故障知识文本模块
所述搜索模块可对设备和部件型号，故障类型，故障原因，故障对应措施，预测性故障措施进行文本分词检索；
其中搜索内容为预分类的知识库内容，所述知识图谱指根据命名实体识别算法来标注分类收集的多个电网电力设备故障知识文本。
第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
由上述技术方案可知，本发明的基于机器学习的电力设备健康管理方法、系统及存储介质，通过对现有电力设备信息的收集构建结构化知识模型，通过现有故障样本数据训练，迁移得到故障样本库，通过工况数据和知识点建立状态感知模型判断设备或部件健康状态，能够为目前电力设备知识领域提供一种全面系统化的技术支持。
本发明不仅包含多种类型的设备故障样本模型，还包括故障样本模型的训练方法，给出一个较为完整的针对电力设备的故障样本库。
相对于传统的只能判断设备当前是否故障的识别模型，本发明的健康状态感知模型可以根据对设备数据的趋势进行预测，并且加以判断是否符合故障样本的特征，解决了电力设备预测性维护难的问题。
本发明通过提取第一实体设备或部件名和第二实体属性名对电力知识点文本进行分类，形成一个系统性的知识图谱，便于查找与分类，可以针对不同电力设备类型查找到相应的维护或维修知识。
具体的说，本发明提供的一种基于机器学习的电力设备健康管理方法，首先通过对现有的电网电力设备及部件故障数据进行训练，对异常数据模拟和同类故障迁移，得到全面且可更新的故障样本库，然后将实时获取的设备运行数据与故障样本库对比后得到设备及部件目前的健康状态，最后根据获取的设备及部件健康状态提供相应的预测性维护策略，能够解决目前电网电力设备数据庞大杂乱，预测性维护困难的问题，以及为电网电力设备故障诊断和预测提供一种全新的技术支持。比如可用于设备或部件故障诊断，设备健康状态评估及设备故障维修策略。
附图说明
图1是本发明方法的流程图；
图2为本发明实施例所提供的一种面向电力设备知识库的构建方法流程示意图；
图3为本发明命名实体识别算法的具体步骤示意图；
图4为本发明三种故障样本的训练流程图；
图5为本发明实施例所提供的一个具体的状态感知计算模型例子；
图6为本发明实施例所提供的一种面向电力设备知识库的系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图1所示，本实施例所述的基于机器学习的电力设备健康管理方法，先根据命名实体识别算法构建知识图谱，再根据设备名称和属性构建三种故障样本模型，再对应每一个故障样本构建的健康状态感知模型，最后在系统加入开源的检索系统；
其包括以下步骤，
获取由智能终端采集的待分析电力设备的运行工况数据；
识别该设备及部件的类型参数信息；
根据识别到的设备部件类型参数信息，调取事先构建的同类型的故障样本模型；
对运行数据进行预处理；
将处理后的数据输入基于神经网络时间序列的健康状态感知模型，结合故障样本模型判断该设备数据的健康状态；
如果判断结果达到预设的阈值，则将所述实时工况数据标注为该阈值对应的健康状态；
识别并提取输入数据的设备及部件型号和判断获得的健康状态；
还包括根据识别到的电力设备名称和属性以及对应的健康状态，在搜索模块搜索预先构建好的知识图谱，在分类好的知识图谱里搜索获得相应的维护策略。
以下具体说明：
如图2所述，本实施例所述的基于机器学习的电力设备健康管理方法，包括：
S101：获取电力设备知识点文本，根据命名实体识别算法标注文本包含的所有第一类实体和第二类实体以及对应信息，所述第一类实体指设备或部件标准名，第二类实体指设备属性名称；
其中，属性名称包括设定的四个方面：电气属性，理化属性，工况环境属性以及外观属性。具体例子如“电流”“负载”“温度”“变形”“破损”“打雷”，属性名称的实体命名标注格式设定为为：[属性分类：属性名]，比如：[电气：电流]，[理化：温度]，[外观：变形]，[环境：打雷]。
其中，电力设备知识点文本指开源的非结构化或结构化的电力设备知识点，包括电力设备在电力行业通用名称，标准名称，构成部件名称，属性知识，故障知识；
所述设备或部件标准名指具体的电力设备名，包括常用名和通用名(例如110KV油浸式变压器，35KV开关柜等)。
S102:针对第一、二类实体收集对应的电力设备或部件的故障工况数据，构建带有实体名称标注的故障样本库；
其中，故障工况数据可以为设备发生某一属性故障时产生的运行数据，也可以为某设备的某一部件出现运行故障时产生的运行数据。
S103：根据故障样本库的所有样本模型，建立样本对应的同类型设备或部件的状态感知模型；
S104：将所述所有第一、二类实体对应的电力设备知识点文本、故障样本、状态感知方法，按照命名实体分类存储，构建所述知识库。
附图3为所述命名实体识别算法的具体步骤，包括：
S201：预标注原始信息文集；人工预标注少量信息文集，将电力设备或部件的标准名称标为第一类实体，将电力设备的属性名称标为第二类实体；
S202：基于人工标注的第一、二类实体，将未标注文集输入KNN聚类模型，选择最具代表性文体自动标注所有实体，并提取特征；
S203：将自动标注的代表性文本和人工标注的文本共同作为特征，进行归一化处理后，输入CRF实体识别模型，完成所有文本的自动序列标注。
图4为示出了本发明实施例所提供的三种故障样本的流程图，包括：
实际样本，迁移样本和理论样本；
以下为根据实际样本流程对某型号开关柜开关闸变形破损识别模型的构建实施例：
训练基于梯度下降法-卷积神经网络的开关柜开关闸的破损识别模型，包括卷积层，下采样层，和全连接层；
通过第一层卷积层提取多个破损开关阀灰度图像的特征；
其中为了降低不同特征的单部位不同对分类结果造成的影响，对所有特征进行归一化处理，设定提取的特征为w1,w2,w3,w4,w5,w6,...,wn,所有特征组成合集为W，W包括开关阀门灰度图像的质心，对比度，熵,逆差矩，惯性矩，盒维数等特征，归一化后各特征：
x1,x2,为指定的缩放区间[x1,x2]；
输入第二层的第一个池化层将提取的大量边缘性特征去除，减少参数防止过拟合；
再次通过激活函数为RELU的卷积层和第二个池化层，对图片数据进行最大程度的降维和降参处理后，最后再全连接层输出训练结果，特征在于，通过批量梯度下降法来计算每一层的偏置函数，通过参数不断更新使识别率提高；
最优化参数后，得到可判断该开关闸是否存在破损现象的训练好的开关柜开关闸的破损识别模型。
得到训练好的开关柜开关闸的破损识别模型，然后将采集到的该开关柜的开关闸图片输入该破损识别模型，得到该开关闸是否存在破损现象结果。
附图5示为本发明实施例所提供的一个具体的状态感知计算模型例子，包括：
S401：识别待输入实时电力设备工况数据的第一、二类实体；
S402：将实时的工况数据去噪声处理，输入基于机器学习算法的特征提取模型后提取输入的工况数据度特征，根据设备或部件通用名称在故障样本库调用同类型设备或部件故障特征；
S403:将所有特征归一化后对比相似度，并与阈值做比较；
S404：输出第一阈值、第二阈值所对应的健康状态。
以下为对某型号变压器绕组温度异常感知的实际例子
获取该变压器的类型型号和智能终端监测的各项数据，并将数据预处理后输入NAR(非线性神经网络)进行多步预测；获得该类型变压器基于SVR算法训练的绕组温度异常样本模型，将历史数据和多步预测后的绕组温度数据输入可优化SVR模型，判断此绕组温度没有达到第一第二阈值，不需要预警和维修策略。若该绕组温度状态达到第二阈值，就预警该绕组在将某段时间内会达到异常，需要预测性维护策略；
该可优化高斯核SVR温度模型训练过程：
其中该可优化高斯核SVR温度模型训练过程包括：
获取该变压器多维度的历史监测数据，所述数据包括变压器油温、所处环境温度、电流电压值、功率、负载，这些数据都和变压器绕组热点温度有相关性，可优化高斯核支持向量机回归算法时非线性的，能更好的描述多个特征与绕组温度之间的回归关系；将所有维度的数据分别随机组合输入可优化的非线性高斯核SVR模型，其中，半正定核函数被设为：
使用高斯核函数可以在找到最优函数f(温度值)。
通过比较RMSE，发现油温，负载率，室内温湿度，无功功率是对绕组温度异常影响最大的特征因子，在确定特征因子后，再次经过1000次迭代，找到最优召回率下的各特征参数，构建了此类型变压器的绕组温度异常判断模型。
另外，本发明可以对故障信息进行文本分词，并通过建立的知识库信息提取关键字，从而进行故障分类并与知识库信息进行关联。本发明使用传统的关系型数据库MYSQL存储故障信息和知识库信息，并最终将数据存储在存储介质ROM(Read-Only Memory)中。当进行故障策略分析时，将存储的关联数据通过数据库索引，加载到存储介质RAM(RANDOMAccess Memory)中，从而通过故障信息检索到相应的设备知识库数据。
以下为根据本发明搜索模块对某电网逆变柜知识点的搜索例子
输入某逆变柜型号，选取故障类型为电池故障-电压低进行搜索，获得可能故障原因为电池电压不平衡，过度充电，大电流充电，对应的维修措施为尝试多次浅放电，防止大电流高电压电源充电。
图5为本发明实施例所提供的一种面向电力设备知识库的系统示意图，S501:状态感知单元；
包括健康状态感知模块，故障样本模块；
健康状态感知模块用于获取与识别电力设备相关的的运行工况数据，通过分析处理数据感知该设备或部件健康状态；
所述故障样本模块包括预先构建的实际故障样本，迁移故障样本，和理论故障样本。
S502:策略单元；
包括搜索模块，故障知识文本模块
所述搜索模块可对设备和部件型号，故障类型，故障原因，故障对应措施，预测性故障措施进行文本分词检索；
其中搜索内容为预分类的知识库内容，所述知识图谱指根据命名实体识别算法来标注分类收集的多个电网电力设备故障知识文本。
综上所述，本发明实施例提供的一种基于机器学习的电力设备健康管理方法，首先通过对现有的电网电力设备及部件故障数据进行训练，对异常数据模拟和同类故障迁移，得到全面且可更新的故障样本库，然后将实时获取的设备运行数据与故障样本库对比后得到设备及部件目前的健康状态，最后根据获取的设备及部件健康状态提供相应的预测性维护策略，能够解决目前电网电力设备数据庞大杂乱，预测性维护困难的问题，以及为电网电力设备故障诊断和预测提供一种全新的技术思想。比如可用于设备或部件故障诊断，设备健康状态评估及设备故障维修策略。
又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述任一方法的步骤。
再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一方法的步骤。
可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的电力设备健康管理方法，其特征在于包括以下步骤，
获取由智能终端采集的待分析电力设备的运行工况数据；
识别该设备及部件的类型参数信息；
根据识别到的设备部件类型参数信息，调取事先构建的同类型的故障样本模型；
对运行数据进行预处理；
将处理后的数据输入基于神经网络时间序列的健康状态感知模型，结合故障样本模型判断该设备数据的健康状态；
如果判断结果达到预设的阈值，则将所述待分析运行工况数据标注为该阈值对应的健康状态；
识别并提取输入数据的设备及部件型号和判断获得的健康状态。
2.根据权利要求1所述的基于机器学习的电力设备健康管理方法，其特征在于：还包括根据识别到的电力设备名称和属性以及对应的健康状态，在搜索模块搜索预先构建好的知识图谱，在分类好的知识图谱里搜索获得相应的维护策略。
3.根据权利要求1所述的基于机器学习的电力设备健康管理方法，其特征在于：故障样本模型的训练步骤包括，
a、获得实际样本训练步骤为：
收集现有的已知故障类型的电力设备运行数据，预处理收集到的故障样本数据，将故障样本数据经过小波变换平滑去噪处理；将去噪后的数据输入多种算法融合的模型训练为特征可表示化的故障样本；
b、获得迁移故障样本的逻辑步骤：
提取同类型设备或部件的已有故障样本的特征和特征结构；
将同类型设备的相同特征保存不变，根据不同的工况重新训练特定特征和对应的参数；
将重新训练的特定特征和参数加入原先的相同特征，构建新的故障样本，并对所有特征进行归一化处理，作为迁移样本模型；
c、模拟理论故障模型的逻辑步骤：
确定没有故障记录的设备或部件的理论故障特点；
根据理论故障特点构建指定标准的信号参数集，将参数集输入由基本函数信号构建的模型，输出符合故障特征模拟信号，得到理论故障样本。
4.根据权利要求1所述的基于机器学习的电力设备健康管理方法，其特征在于：所述健康状态感知模型构建步骤如下，
预处理所述运行工况数据，进行去噪平滑处理；
输入非线性自回归神经网络时间序列模型，通过使用前馈神经网络来减小模拟误差，训练函数是贝叶斯正则化算法来防止过拟合，使用闭环网络来进行多步预测，即根据历史数据预测未来多步时间内的数据；
将历史数据和预测数据共同输入对应的故障样本模型，当对比和分类结果达到预设的第一阈值时，则判断该设备或部件确定发生该类故障；对比和分类结果达到预设的第二阈值时，判断未来某段时间内该设备或部件有发生该类故障的可能；
其中，所述多步预测在于，多步指多个时间步长，跟根据预测得设备类型灵活设定；
所述的第一阈值指该工况数据的历史值输入故障样本模型后，历史数据被判断为符合该故障样本模型特征；
所述第二阈值指该工况数据的预测值输入故障样本模型后，预测数据被判断为符合该故障样本模型特征。
5.根据权利要求1所述的基于机器学习的电力设备健康管理方法，其特征在于：知识图谱的构建流程包括，
对知识点文集进行手动标注，将知识点文本中的设备或部件的通用名称标注为第一类实体，电力设备的属性名称标注为第二类实体，构建实体词表；
将未标注文本输入KNN聚类模型，利用预设实体词表提取出最具代表性的文本自动标注出第一、二类实体；
将所述自动标注的代表性文本和人工标注的文本作为特征，根据CRF实体识别算法标注所述知识点文本包含的所有实体。
6.根据权利要求3所述的基于机器学习的电力设备健康管理方法，其特征在于：所述故障样本模型包括根据实际样本流程对某型号开关柜开关闸变形破损识别模型，其构建步骤如下，
训练基于梯度下降法-卷积神经网络的开关柜开关闸的破损识别模型，包括卷积层，下采样层，和全连接层；
通过第一层卷积层提取多个破损开关阀灰度图像的特征；
对所有特征进行归一化处理，设定提取的特征为w1,w2,w3,w4,w5,w6,...,wn,所有特征组成合集为W，W包括开关阀门灰度图像的质心，对比度，熵,逆差矩，惯性矩，盒维数等特征，归一化后各特征：
x1,x2,为指定的缩放区间[x1,x2]；
输入第二层的第一个池化层将提取的大量边缘性特征去除，减少参数防止过拟合；
再次通过激活函数为RELU的卷积层和第二个池化层，对图片数据进行降维和降参处理后，最后再全连接层输出训练结果，通过批量梯度下降法来计算每一层的偏置函数，通过优化参数不断更新使识别率提高；
最优化参数后，得到可判断该开关闸是否存在破损现象的训练好的开关柜开关闸的破损识别模型。
7.根据权利要求3所述的基于机器学习的电力设备健康管理方法，其特征在于：所述故障样本模型还包括对某型号变压器绕组温度异常感知模型，其构建步骤如下：
获取该变压器的类型型号和智能终端监测的各项数据，将所有数据预处理后输入非线性神经网络NAR进行多步预测；
获得该类型变压器基于SVR算法训练的绕组温度异常样本模型，将历史数据和多步预测后的绕组温度数据输入可优化SVR模型，判断此绕组温度没有达到第一第二阈值，不需要预警和维修策略；若该绕组温度状态达到第二阈值，就预警该绕组在将某段时间内会达到异常，需要预测性维护策略；
其中该可优化高斯核SVR温度模型训练过程包括：
获取该变压器多维度的历史监测数据，所述数据包括变压器油温、所处环境温度、电流电压值、功率、负载，将所有维度的数据分别随机组合输入可优化的非线性高斯核SVR模型，其中，半正定核函数被设为：
使用高斯核函数可以在找到最优函数f即温度值；
通过比较RMSE，发现油温，负载率，室内温湿度，无功功率是对绕组温度异常影响最大的特征因子，在确定特征因子后，再次经过1000次迭代，找到最优召回率下的各特征参数，构建了此类型变压器的绕组温度异常判断模型。
8.一种基于机器学习的电网电力设备健康管理系统，用于实现权利要求1-7任意一项所述的基于机器学习的电力设备健康管理方法，其特征在于：包括状态感知单元：
所述状态感知单元包括健康状态感知模块和故障样本模块；
健康状态感知模块用于获取与识别电力设备相关的的运行工况数据，通过分析处理数据感知该设备或部件健康状态；
故障样本模块包括预先构建的实际故障样本，迁移故障样本，和理论故障样本。
9.根据权利要求8所述的一种基于机器学习的电网电力设备健康管理系统，其特征在于：还包括策略单元；
所述策略单元包括搜索模块和故障知识文本模块；
所述搜索模块可对设备和部件型号，故障类型，故障原因，故障对应措施，预测性故障措施进行文本分词检索；
其中搜索内容为预分类的知识库内容，所述知识图谱指根据命名实体识别算法来标注分类收集的多个电网电力设备故障知识文本。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527863.9A CN115081584A (zh) | 2022-05-16 | 2022-05-16 | 基于机器学习的电力设备健康管理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527863.9A CN115081584A (zh) | 2022-05-16 | 2022-05-16 | 基于机器学习的电力设备健康管理方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115081584A true CN115081584A (zh) | 2022-09-20 |
Family
ID=83248194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210527863.9A Pending CN115081584A (zh) | 2022-05-16 | 2022-05-16 | 基于机器学习的电力设备健康管理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081584A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759357A (zh) * | 2022-10-29 | 2023-03-07 | 思维实创(哈尔滨)科技有限公司 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
| CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115983824A (zh) * | 2022-12-13 | 2023-04-18 | 苏州德拓联合智能系统科技有限公司 | 一种基于健康诊断的公用设备运营管理方法和系统 |
| CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
| CN116030552A (zh) * | 2023-03-30 | 2023-04-28 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶的智能综合显控方法及系统 |
| CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
| CN116707144A (zh) * | 2023-08-07 | 2023-09-05 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
| CN116739317A (zh) * | 2023-08-15 | 2023-09-12 | 山东宇飞传动技术有限公司 | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 |
| CN117118862A (zh) * | 2023-10-19 | 2023-11-24 | 湖南三湘银行股份有限公司 | 一种大数据中心监控数据可视化系统及方法 |
| CN117236934A (zh) * | 2023-11-01 | 2023-12-15 | 山东经纬信息集团有限公司 | 一种工业互联网远程监控运维管理系统及其工作方法 |
| CN117251331A (zh) * | 2023-11-17 | 2023-12-19 | 常州满旺半导体科技有限公司 | 一种基于物联网的芯片性能数据监管传输系统及方法 |
| CN117451284A (zh) * | 2023-12-26 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117834630A (zh) * | 2024-03-06 | 2024-04-05 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
-
2022
- 2022-05-16 CN CN202210527863.9A patent/CN115081584A/zh active Pending
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759357A (zh) * | 2022-10-29 | 2023-03-07 | 思维实创(哈尔滨)科技有限公司 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
| CN115759357B (zh) * | 2022-10-29 | 2023-05-09 | 思维实创(哈尔滨)科技有限公司 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
| CN115860714A (zh) * | 2022-11-28 | 2023-03-28 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115860714B (zh) * | 2022-11-28 | 2023-08-08 | 珠海德瑞斯科技有限公司 | 基于工业互联网的电力设备安全运行管理系统及方法 |
| CN115983824A (zh) * | 2022-12-13 | 2023-04-18 | 苏州德拓联合智能系统科技有限公司 | 一种基于健康诊断的公用设备运营管理方法和系统 |
| CN115983824B (zh) * | 2022-12-13 | 2024-03-15 | 苏州德拓联合智能系统科技有限公司 | 一种基于健康诊断的公用设备运营管理方法和系统 |
| CN116028509A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 一种基于因果机制的最优工况索引生成方法 |
| CN116030552A (zh) * | 2023-03-30 | 2023-04-28 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶的智能综合显控方法及系统 |
| CN116467579A (zh) * | 2023-04-12 | 2023-07-21 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
| CN116467579B (zh) * | 2023-04-12 | 2023-11-14 | 宁波送变电建设有限公司运维分公司 | 基于特征挖掘技术的电力设备健康定级方法及系统 |
| CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116155956B (zh) * | 2023-04-18 | 2023-08-22 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
| CN116707144B (zh) * | 2023-08-07 | 2024-03-19 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
| CN116707144A (zh) * | 2023-08-07 | 2023-09-05 | 广东佰林电气设备厂有限公司 | 一种低压配电箱故障预警方法 |
| CN116739317B (zh) * | 2023-08-15 | 2023-10-31 | 山东宇飞传动技术有限公司 | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 |
| CN116739317A (zh) * | 2023-08-15 | 2023-09-12 | 山东宇飞传动技术有限公司 | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 |
| CN117118862A (zh) * | 2023-10-19 | 2023-11-24 | 湖南三湘银行股份有限公司 | 一种大数据中心监控数据可视化系统及方法 |
| CN117236934A (zh) * | 2023-11-01 | 2023-12-15 | 山东经纬信息集团有限公司 | 一种工业互联网远程监控运维管理系统及其工作方法 |
| CN117236934B (zh) * | 2023-11-01 | 2024-05-07 | 山东经纬信息集团有限公司 | 一种工业互联网远程监控运维管理系统 |
| CN117251331A (zh) * | 2023-11-17 | 2023-12-19 | 常州满旺半导体科技有限公司 | 一种基于物联网的芯片性能数据监管传输系统及方法 |
| CN117251331B (zh) * | 2023-11-17 | 2024-01-26 | 常州满旺半导体科技有限公司 | 一种基于物联网的芯片性能数据监管传输系统及方法 |
| CN117451284A (zh) * | 2023-12-26 | 2024-01-26 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117451284B (zh) * | 2023-12-26 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
| CN117834630A (zh) * | 2024-03-06 | 2024-04-05 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
| CN117834630B (zh) * | 2024-03-06 | 2024-05-03 | 中智关爱通(南京)信息科技有限公司 | 用于感知网络中边缘节点健康状态的方法、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115081584A (zh) | 基于机器学习的电力设备健康管理方法、系统及介质 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN110555819A (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
| CN115878904B (zh) | 基于深度学习的知识产权个性化推荐方法、系统及介质 | |
| CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| CN112488507A (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
| CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
| CN112734037A (zh) | 基于记忆引导的弱监督学习方法、计算机设备和存储介质 | |
| CN113590396A (zh) | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 | |
| CN115599913A (zh) | 高压隔离开关发热故障预测方法、系统、设备和存储介质 | |
| CN112633528A (zh) | 基于支持向量机的电网一次设备运维检修成本确定方法 | |
| CN115035966B (zh) | 基于主动学习和符号回归的超导体筛选方法、装置及设备 | |
| Liu et al. | Early warning control model and simulation study of engineering safety risk based on a convolutional neural network | |
| CN114461735A (zh) | 工矿数据分级分类方法、装置和计算机设备 | |
| CN113807027B (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
| CN115239153A (zh) | 一种用于化工园区事故的应急指挥决策方法、系统及介质 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
| CN115080752B (zh) | 基于特征领域知识自动获取的数值特征发现方法及系统 | |
| CN115102859B (zh) | 一种硬件设备灵活更新迭代的物联网边缘智能实现方法 | |
| CN110766037B (zh) | 用于储备项目关联性集群的处理方法 | |
| CN117035455A (zh) | 处理策略的确定方法和装置、存储介质及电子设备 | |
| Zhang et al. | Modeling Method for Whole Life Trajectory of Protection Equipment Based on Information Label |
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 |