CN115563528B - 变压器维修设备控制方法、电子设备和介质 - Google Patents
变压器维修设备控制方法、电子设备和介质 Download PDFInfo
- Publication number
- CN115563528B CN115563528B CN202211487607.8A CN202211487607A CN115563528B CN 115563528 B CN115563528 B CN 115563528B CN 202211487607 A CN202211487607 A CN 202211487607A CN 115563528 B CN115563528 B CN 115563528B
- Authority
- CN
- China
- Prior art keywords
- transformer
- information
- fault
- fault state
- maintenance
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 155
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Protection Of Transformers (AREA)
Abstract
本公开的实施例公开了变压器维修设备控制方法、电子设备和介质。该方法的一具体实施方式包括：获取故障状态信息集合；将故障状态信息集合进行向量化处理，得到故障状态信息向量集合；将故障状态信息向量集合输入至卷积网络层，得到卷积向量集合；将卷积向量集合输入至双向循环网络层，得到隐藏状态向量集合；将隐藏状态向量集合输入至注意力机制层，得到优化向量；将优化向量输入至分类层，得到变压器故障信息；执行以下步骤：根据变压器故障状态类型，确定对应的维修等级；根据所确定的维修等级，控制相关联的变压器维修设备对变压器进行故障处理操作。该实施方式提高了预测的准确率、降低了维修的错误率以及缩短了电力断供时间。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及变压器维修设备控制方法、电子设备和介质。
背景技术
变压器作为电能转换的核心设备，一旦发生故障，将会造成电力断供。目前，在对变压器进行故障状态类型预测时，通常采用的方式为：采用单一结构的预测模型对变压器进行故障状态类型预测。
然而，发明人发现，当采用上述方式对变压器进行故障状态类型预测时，经常会存在如下技术问题：
第一，未采用具有提取高维特征、时间序列特征并赋予时间序列不同权重的混合预测模型，导致变压器故障状态类型预测的准确率较低，从而导致变压器维修错误率较高，进而导致电力断供时间较长。
第二，未对预测的故障状态类型进行维修等级细分以及采取对应的维修策略，进一步导致变压器维修错误率较高，电力断供时间较长。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了变压器维修设备控制方法、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种变压器维修设备控制的方法，该方法包括：获取目标地区的各个变压器在预设时间段内的故障状态信息集合；将上述故障状态信息集合进行向量化处理，得到故障状态信息向量集合；将上述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合，其中，上述变压器故障信息混合预测模型还包括：双向循环网络层、注意力机制层和分类层；将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合；将上述隐藏状态向量集合输入至上述注意力机制层，得到优化向量；将上述优化向量输入至上述分类层，得到变压器故障信息，其中，上述变压器故障信息包括：变压器故障编号序列和上述变压器故障编号序列对应的变压器故障状态类型序列，上述变压器故障编号序列中的变压器故障编号对应上述变压器故障状态类型序列中的变压器故障状态类型；对于上述变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：根据上述变压器故障状态类型，确定上述变压器故障状态类型对应的变压器的维修等级；根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作。
第二方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第三方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的变压器维修设备控制方法，提高了变压器故障状态类型预测的准确率，降低了变压器维修的错误率，缩短了电力断供时间。具体来说，变压器故障状态类型预测的准确率低、变压器维修错误率较高和电力断供时间较长的原因在于：未采用具有提取高维特征、时间序列特征并赋予时间序列不同权重的混合预测模型，导致变压器故障状态类型预测的准确率较低，从而导致变压器维修错误率较高，进而导致电力断供时间较长。基于此，本公开的一些实施例的变压器维修设备控制方法，首先，获取目标地区的各个变压器在预设时间段内的故障状态信息集合。由此，可以得到故障状态信息集合，从而，可以用于预测变压器故障状态类型和变压器故障编号。其次，将上述故障状态信息集合进行向量化处理，得到故障状态信息向量集合。将上述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合。其中，上述变压器故障信息混合预测模型还包括：双向循环网络层、注意力机制层和分类层。由此，可以得到提取了高维特征的卷积向量集合。然后，将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合。由此，可以得到具有时间序列累积特征的隐藏状态向量集合。从而，可以用于提高预测的变压器故障信息的准确率。之后，将上述隐藏状态向量集合输入至上述注意力机制层，得到优化向量。由此，可以得到赋予了时间序列特征不同权重的优化向量，从而，进一步提高了预测的变压器故障信息的准确率。随后，将上述优化向量输入至上述分类层，得到变压器故障信息。其中，上述变压器故障信息包括：变压器故障编号序列和上述变压器故障编号序列对应的变压器故障状态类型序列。上述变压器故障编号序列中的变压器故障编号对应上述变压器故障状态类型序列中的变压器故障状态类型。由此，可以得到预测的变压器故障信息，从而可以用于对变压器进行故障维修。最后，对于上述变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：根据上述变压器故障状态类型，确定上述变压器故障状态类型对应的变压器的维修等级。根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作。由此，可以控制相关联的变压器维修设备对上述变压器进行故障处理操作。也因为通过对故障状态信息集合进行高维特征提取，以及对具有时间序列特征的卷积向量集合进行时间序列累积特征处理，同时，对具有时间序列特征的隐藏状态向量集合赋予不同的权重，可以提高预测的变压器故障信息的准确率。从而，可以提高变压器故障状态类型预测的准确率，也可以降低变压器维修的错误率。进而，可以缩短电力断供时间。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的变压器维修设备控制方法的一些实施例的流程图；
图2是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的变压器维修设备控制方法的一些实施例的流程100。该变压器维修设备控制方法，包括以下步骤：
步骤101，获取目标地区的各个变压器在预设时间段内的故障状态信息集合。
在一些实施例中，变压器维修设备控制方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从变压器信息数据库中获取目标地区的各个变压器在预设时间段内的故障状态信息集合。其中，上述变压器信息数据库可以为用于存储目标地区的变压器信息数据的数据库。上述目标地区可以为任意地区。上述故障状态信息集合可以为目标地区的各个变压器在预设时间段内的故障状态信息的集合。上述故障状态信息集合中的每个故障状态信息对应预设时间段内的一个子时间段。上述故障状态信息可以表征预设子时间段内的故障状态。作为示例，当前时间可以为本月的第七天。本月的第一天可以为星期一，当前时间可以为星期日。则预设时间段可以为本月的第一个星期对应的“星期一至星期日”。则上述故障状态信息集合对应的各个子时间段可以为“星期一”、“星期二”、“星期三”、“星期四”、“星期五”、“星期六”和“星期日”。例如，上述故障状态可以为变压器有异常响声。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，将故障状态信息集合进行向量化处理，得到故障状态信息向量集合。
在一些实施例中，上述执行主体可以将故障状态信息集合进行向量化处理，得到故障状态信息向量集合。实践中，上述执行主体可以将上述故障状态信息集合中的每个故障状态信息进行向量化处理，得到故障状态信息向量集合。
可选地，在上述将上述故障状态信息集合进行向量化处理，得到故障状态信息向量集合之后，上述执行主体还可以执行以下步骤：
第一步，对上述故障状态信息向量集合中的各个故障状态信息向量进行归一化处理，得到归一化处理后的故障状态信息向量集合作为归一化故障状态信息向量集合。其中，上述归一化处理可以包括但不限于：线性函数归一化处理和零均值归一化处理。
实践中，上述执行主体可以对上述故障状态信息向量集合中的各个故障状态信息向量进行线性函数归一化处理，得到线性函数归一化处理后的故障状态信息向量集合作为归一化故障状态信息向量集合。
第二步，将上述归一化故障状态信息向量集合确定为故障状态信息向量集合，以对故障状态信息向量集合进行更新。
步骤103，将故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合。
在一些实施例中，上述执行主体可以将上述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合。其中，上述变压器故障信息混合预测模型还可以包括：双向循环网络层、注意力机制层和分类层。上述变压器故障信息混合预测模型可以为以故障状态信息向量为输入，以变压器故障编号和变压器故障状态类型为输出的神经网络模型。例如，上述变压器故障信息混合预测模型可以为CNN-BiGRU-Attention网络（Convolutional Neural Networks Bidirectional GatedRecurrent Unit-Attention，卷积双向门控循环单元注意力机制网络）。上述卷积网络层可以为通过卷积核将输入数据转化为高维特征向量的网络层。例如，卷积网络层可以为卷积神经网络（Convolutional Neural Networks，CNN）网络层。这里，卷积网络层可以为通过卷积核使故障状态信息向量集合转化为具有高维特征的卷积向量集合的网络层。
在一些实施例的一些可选的实现方式中，上述变压器故障信息混合预测模型是可以通过以下方式训练得到的：
第一步，获取样本集。其中，上述样本集中的样本包括样本故障状态信息向量，以及与样本故障状态信息向量对应的样本变压器故障编号和变压器故障状态类型。其中，上述样本故障状态信息向量可以表征预设子时间段内的故障状态。上述样本变压器故障编号和变压器故障状态类型可以为对应上述样本故障状态信息向量的样本标签。需要说明的是，训练上述变压器故障信息混合预测模型的执行主体可以是上述执行主体，也可以是其他计算设备。
第二步，基于样本集执行以下训练步骤：
第一子步骤，将样本集中的至少一个样本的样本故障状态信息向量分别输入至初始变压器故障信息混合预测模型中，得到上述至少一个样本中的每个样本对应的变压器故障编号和变压器故障状态类型。其中，上述初始变压器故障信息混合预测模型可以是能够根据故障状态信息向量得到变压器故障编号和变压器故障状态类型的初始神经网络。上述初始神经网络可以为待训练的神经网络。具体地，上述初始神经网络可以为循环神经网络。例如，上述初始神经网络可以为CNN-BiGRU-Attention网络（Convolutional NeuralNetworks Bidirectional Gated Recurrent Unit-Attention，卷积双向门控循环单元注意力机制网络）。
第二子步骤，将上述至少一个样本中的每个样本对应的变压器故障编号和变压器故障状态类型与对应的样本变压器故障编号和变压器故障状态类型进行比较。
实践中，上述执行主体可以通过以下步骤进行比较：
第一步骤，确定上述至少一个样本中的每个样本对应的变压器故障状态编号与对应的样本变压器故障编号是否为同一个变压器。
第二步骤，确定上述至少一个样本中的每个样本对应的变压器故障状态类型与对应的样本变压器故障状态类型是否为同一个变压器故障状态类型。
第三子步骤，根据比较结果确定初始变压器故障信息混合预测模型是否达到预设的优化目标。其中，上述优化目标可以为上述初始变压器故障信息混合预测模型预测的变压器故障编号和变压器故障状态类型的准确率是否达到预设准确阈值。这里，准确率可以为预测的变压器故障编号和变压器故障状态类型的准确率都达到上述预设准确阈值。上述预设准确阈值可以为0.9。
第四子步骤，响应于确定初始变压器故障信息混合预测模型达到上述优化目标，将初始变压器故障信息混合预测模型确定为训练完成的变压器故障信息混合预测模型。
可选地，训练得到上述变压器故障信息混合预测模型的步骤还可以包括：
第三步，响应于确定初始变压器故障信息混合预测模型未达到上述优化目标，调整初始变压器故障信息混合预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始变压器故障信息混合预测模型作为初始变压器故障信息混合预测模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法（Back Propgation Algorithm，BP算法）和梯度下降法（例如小批量梯度下降算法）对上述初始变压器故障信息混合预测模型的网络参数进行调整。
步骤104，将卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合。
在一些实施例中，上述执行主体可以将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合。其中，上述双向循环网络层可以为将具有时间顺序特征的输入数据转化为具有时间累积特征向量的网络层。例如，上述双向循环网络层可以为BiGRU网络（Bidirectional Gated Recurrent Unit，双向门控循环单元）。这里，双向循环网络层可以为将具有时间顺序特征的卷积向量集合转化为具有时间累积特征的隐藏状态向量集合的网络层。
可选地，在上述将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合之前，上述执行主体还可以执行以下步骤：
第一步，将上述卷积向量集合进行序列化处理，得到卷积向量序列。实践中，上述执行主体可以将上述卷积向量集合中的各个卷积向量按照时间顺序进行升序排列，得到卷积向量序列。
第二步，将上述卷积向量序列确定为卷积向量集合，以对卷积向量集合进行更新。
在一些实施例中，上述执行主体可以将上述卷积向量序列确定为卷积向量集合，以对卷积向量集合进行更新。
步骤105，将隐藏状态向量集合输入至注意力机制层，得到优化向量。
在一些实施例中，上述执行主体可以将上述隐藏状态向量集合输入至上述注意力机制层，得到优化向量。其中，上述注意力机制层可以为将输入向量转化为具有注意力权重的向量的网络层。例如，上述注意力机制层可以为Attention机制层。这里，注意力机制层可以为将隐藏状态向量集合转化为优化向量的网络层。
实践中，上述执行主体可以通过以下步骤将隐藏状态向量集合转化为优化向量：
第一步，对于隐藏状态向量集合中的每个隐藏状态向量，执行以下步骤：
第一步骤，首先，上述执行主体可以将预设参数矩阵的转置矩阵和隐藏状态向量的乘积确定为第一隐藏状态向量。其次，可以将上述第一隐藏状态向量和预设偏置向量的和确定为第二隐藏状态向量。然后，可以将上述第二隐藏状态向量输入至双曲正切函数中，得到注意力得分。
第二步骤，上述执行主体可以将上述注意力得分输入Softmax函数，得到注意力权重。
第三步骤，上述执行主体可以将上述注意力权重和隐藏状态向量的乘积确定为第一优化向量。
第二步，将所确定的各个第一优化向量的和确定为优化向量。
步骤106，将优化向量输入至分类层，得到变压器故障信息。
在一些实施例中，上述执行主体可以将上述优化向量输入至上述分类层，得到变压器故障信息。其中，上述变压器故障信息包括：变压器故障编号序列和上述变压器故障编号序列对应的变压器故障状态类型序列。上述变压器故障编号序列中的变压器故障编号对应上述变压器故障状态类型序列中的变压器故障状态类型。这里，上述对应可以为上述变压器故障编号序列中的第一个变压器故障编号对应上述变压器故障状态类型序列中的第一个变压器故障状态类型。例如，变压器故障编号序列可以为[001，002，003]。上述变压器故障状态类型序列可以为[变压器温度异常，变压器匝间短路，变压器油箱焊缝渗油]。上述变压器故障编号序列中的001可以对应上述变压器故障状态类型序列中的变压器温度异常。上述分类层可以为通过Softmax多分类函数对输入数据进行分类的网络层。
步骤107，对于变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：
步骤1071，根据变压器故障状态类型，确定变压器故障状态类型对应的变压器的维修等级。
在一些实施例中，根据变压器故障状态类型，上述执行主体可以确定变压器故障状态类型对应的变压器的维修等级。其中，上述维修等级可以表征变压器的故障维修程度。上述维修等级可以包括：一级维修和二级维修。上述故障维修程度可以包括：一般维修和严重维修。上述维修等级中的一级维修可以对应严重维修。上述维修等级中的二级维修可以对应一般维修。
实践中，首先，上述执行主体可以从变压器信息数据库中获取变压器维修等级对照信息。然后，上述执行主体可以从上述变压器维修等级对照信息中查询上述变压器对应的维修等级。其中，上述变压器维修等级对照信息可以为具有变压器故障状态类型和维修等级对应关系的对照信息。例如，上述变压器维修等级对照信息可以为[变压器温度异常：二级维修，变压器匝间短路：一级维修，变压器油箱焊缝渗油：一级维修]。变压器故障状态类型变压器温度异常对应的维修等级可以为二级维修。
步骤1072，根据所确定的维修等级，控制相关联的变压器维修设备对变压器进行故障处理操作。
在一些实施例中，上述执行主体可以根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作。其中，上述变压器维修设备可以为能够对变压器进行故障维修的设备。上述变压器维修设备可以包括但不限于：智能机械手臂和智能维修机器人。
实践中，根据所确定的维修等级，上述执行主体可以通过以下步骤控制相关联的变压器维修设备对上述变压器进行故障处理操作：
第一步，响应于确定维修等级为二级维修，执行以下步骤：
第一子步骤，将预设变压器故障处理流程信息集合中对应上述变压器故障状态类型的变压器故障处理流程信息确定为目标变压器故障处理流程信息。
在一些实施例中，上述执行主体可以将预设的变压器故障处理流程信息集合中对应上述变压器故障状态类型的变压器故障处理流程信息确定为目标变压器故障处理流程信息。其中，上述变压器故障处理流程信息集合中的变压器故障处理流程信息对应有变压器故障状态类型。上述变压器故障处理流程信息可以为解决上述变压器故障状态类型对应的变压器故障的流程相关信息。上述变压器故障处理流程信息可以包括流程信息序列。上述流程信息序列中的流程信息可以表征处理变压器故障的一个流程。作为示例，上述变压器故障处理流程信息对应的变压器故障状态类型可以为变压器有异常响声。变压器有异常响声对应的变压器故障处理流程信息可以为：a、检查变压器铁芯。b、拧紧变压器铁芯松动的螺钉。
第二子步骤，根据上述目标变压器故障处理流程信息，控制相关联的变压器维修设备对上述变压器进行故障处理操作。
在一些实施例中，根据上述目标变压器故障处理流程信息，上述执行主体可以控制相关联的变压器维修设备对上述变压器进行故障处理操作。
第二步，获取上述变压器的视频监控信息。实践中，上述执行主体可以从变压器信息数据库中获取上述变压器的视频监控信息。上述视频监控信息可以为对应上述变压器的摄像头实时拍摄的监控视频。
第三步，响应于确定维修等级为一级维修，确定上述变压器对应的变压器负责人移动终端。实践中，首先，上述执行主体可以从变压器信息数据库获取变压器对照信息。然后，上述执行主体可以从上述变压器对照信息中查询上述变压器对应的变压器负责人移动终端。其中，上述变压器对照信息可以为具有变压器和变压器负责人移动终端对应关系的对照信息。变压器负责人移动终端可以以变压器负责人移动终端标识表示。具体地，变压器对照信息可以包括：变压器故障编号、变压器负责人和变压器负责人移动终端标识。例如，上述变压器对照信息可以为{[变压器001，张三，移动终端111]，[变压器002，李四，移动终端132]，[变压器003，王二，移动终端011]}。上述变压器001对应的变压器负责人移动终端标识可以为移动终端111。
第四步，将上述视频监控信息和上述变压器对应的故障状态类型发送至上述变压器负责人移动终端。
第五步，接收上述变压器负责人移动终端发送的对应上述故障状态类型的维修类型信息。其中，上述维修类型信息可以为上述变压器负责人移动终端对应的用户根据上述视频监控信息和上述变压器对应的故障状态类型确定的维修信息。实践中，上述执行主体可以接收上述变压器负责人移动终端发送的对应上述故障状态类型的维修类型信息。
第六步，响应于确定上述维修类型信息为不可维修类型信息，获取上述变压器对应的应急方案信息。其中，上述不可维修信息类型数据库可以为用于存储目标地区的变压器维修信息的数据库。上述目标地区可以为任意地区。实践中，上述执行主体可以从不可维修信息类型数据库中获取上述变压器对应的应急方案信息。
第七步，根据上述应急方案信息，控制相关联的声音播放设备播放应急方案提示信息。其中，上述应急方案提示信息可以为提示变压器负责人移动终端对应的用户采用应急方案维修变压器的信息。例如，上述应急方案提示信息可以为“变压器故障状态类型为变压器老化严重，不可维修，请及时更换备用变压器”。
实践中，根据上述应急方案信息，上述执行主体可以控制相关联的声音播放设备播放应急方案提示信息。其中，上述声音播放设备可以为用于播放声音的设备。例如，上述声音播放设备可以包括但不限于：功放机、音箱、多媒体控制台和数字调音台。
第八步，响应于确定上述维修类型信息为可维修类型信息，将预设的变压器可维修故障处理流程信息集合中对应上述故障状态类型的变压器可维修故障处理流程信息确定为目标变压器可维修故障处理流程信息。其中，上述变压器可维修故障处理流程信息集合中的变压器可维修故障处理流程信息对应有故障状态类型。上述变压器可维修故障处理流程信息可以为解决上述故障状态类型对应的变压器故障的流程相关信息。上述变压器可维修故障处理流程信息可以包括可维修流程信息序列。上述可维修流程信息序列中的可维修流程信息可以表征处理变压器故障的一个流程。作为示例，上述变压器可维修故障处理流程信息对应的故障状态类型可以为变压器线圈绝缘被击穿。变压器线圈绝缘被击穿对应的可维修流程信息可以为：a、更换绝缘线圈。
第九步，根据上述目标变压器可维修故障处理流程信息，控制相关联的变压器维修设备对上述变压器进行故障处理操作。实践中，根据上述目标变压器可维修故障处理流程信息，上述执行主体可以控制相关联的变压器维修设备对上述变压器进行故障处理操作。例如，上述目标变压器可维修故障处理流程信息可以为：a、更换绝缘线圈。这里，上述执行主体可以控制相关联的变压器维修设备对变压器线圈绝缘进行更换处理。
上述第一步至第九步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“未对预测的故障状态类型进行维修等级细分以及采取对应的维修策略，进一步导致变压器维修错误率较高，电力断供时间较长”。导致变压器维修错误率较高，电力断供时间较长的因素往往如下：未对预测的故障状态类型进行维修等级细分以及采取对应的维修策略，进一步导致变压器维修错误率较高，电力断供时间较长。如果解决了上述因素，就能达到降低变压器维修错误率，缩短电力断供时间的效果。为了达到这一效果，首先，响应于确定维修等级为二级维修，执行以下步骤：将预设的变压器故障处理流程信息集合中对应上述变压器故障状态类型的变压器故障处理流程信息作为目标变压器故障处理流程信息。根据上述目标变压器故障处理流程信息，控制相关联的变压器维修设备对上述变压器进行故障处理操作。由此，可以在确定变压器维修等级为二级维修时，对变压器进行故障处理操作。其次，获取上述变压器的视频监控信息。响应于确定维修等级为一级维修，确定上述变压器对应的变压器负责人移动终端。将上述视频监控信息和上述变压器对应的故障状态类型发送至上述变压器负责人移动终端。接收上述变压器负责人移动终端发送的对应上述故障状态类型的维修类型信息。其中，上述维修类型信息为上述变压器负责人移动终端对应的用户根据上述视频监控信息和上述变压器对应的故障状态类型确定的信息。由此，在确定变压器的维修等级为一级维修时，可以获取变压器对应的维修类型信息，从而可以针对不同的维修类型信息，对变压器进行不同方式的故障处理操作。然后，响应于确定上述维修类型信息为不可维修类型信息，获取上述变压器对应的应急方案信息。根据上述应急方案信息，控制相关联的声音播放设备播放应急方案提示信息。由此，可以在确定维修类型信息为不可维修类型信息时，采用应急方案对变压器进行故障处理的方式。最后，响应于确定上述维修类型信息为可维修类型信息，将预设的变压器可维修故障处理流程信息集合中对应上述故障状态类型的变压器可维修故障处理流程信息确定为目标变压器可维修故障处理流程信息。根据上述目标变压器可维修故障处理流程信息，控制相关联的变压器维修设备对上述变压器进行故障处理操作。由此，可以在确定维修类型信息为可维修类型信息时，采用变压器可维修故障处理流程信息对变压器进行故障处理操作。也因为通过将变压器的维修等级细分为一级维修和二级维修，可以提高变压器的维修效率，以及降低变压器的维修错误率。还因为对维修类型严重的一级维修对应的维修类型信息进一步细分为可维修类型信息和不可维修类型信息，并采取对应的维修策略。从而，更进一步降低了变压器的维修错误率，进而，缩短了电力断供时间。
可选地，在上述根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作之前，上述执行主体还可以执行以下步骤：
第一步，根据上述变压器故障状态类型，确定上述变压器故障状态类型对应的变压器故障编号。实践中，上述执行主体可以从变压器信息数据库中查询预测的变压器故障信息，确定上述变压器故障状态类型对应的变压器故障编号。例如，上述预测的变压器故障信息可以为[001：变压器温度异常，002：变压器匝间短路，003：变压器油箱焊缝渗油]。变压器故障状态类型变压器温度异常对应的变压器故障编号可以为001。
第二步，根据上述变压器故障编号，获取上述变压器故障编号对应的变压器的位置信息。实践中，根据上述变压器故障编号，上述执行主体可以从变压器信息数据库中获取上述变压器故障编号对应的变压器的位置信息。其中，上述位置信息可以为上述变压器所在的地理位置的信息。例如，上述位置信息可以为北京市丰台区莲花池东路118号。
第三步，根据上述位置信息，获取满足预设距离条件的用户信息，得到用户信息集。上述预设距离条件可以为用户信息对应的用户居住地的位置距离上述变压器的距离小于等于2公里。这里，用户可以为普通群众。上述用户信息可以包括但不限于：用户居住地的位置、用户居住地的位置距离变压器的距离和用户的手机号。实践中，上述执行主体可以从存储了用户信息的服务器获取满足预设距离条件的用户信息，得到用户信息集。
第四步，根据上述维修等级，确定上述变压器对应的报警信息等级。其中，上述报警信息等级可以为区分变压器的维修等级的报警等级。上述报警信息等级可以包括严重报警和一般报警。
实践中，首先，上述执行主体可以从变压器信息数据库中获取变压器报警信息等级对照信息。然后，上述执行主体可以从上述变压器报警信息对照信息中检索上述变压器对应的报警信息等级。其中，上述变压器报警信息等级对照信息可以为具有变压器的维修等级和报警信息等级对应关系的对照信息。例如，上述变压器报警信息等级对照信息可以为{[变压器温度异常:二级维修，一般报警]，[变压器匝间短路：一级维修，严重报警]，[变压器油箱焊缝渗油：一级维修，严重报警]}。
第五步，响应于确定上述报警信息等级为严重报警，生成严重报警提示信息。实践中，上述执行主体可以将上述变压器对应的变压器故障状态类型和预设严重报警字符串进行组合，得到严重报警提示信息。其中，上述预设严重报警字符串可以为“变压器故障状态类型XXX为严重类型，维修时间较长，请提前做好用电规划”。这里，XXX可以为严重报警提示信息对应的变压器故障状态类型的名称。上述严重报警提示信息可以为提醒目标用户注意变压器故障状态类型为严重类型，提前做好用电规划的信息。例如，上述严重报警提示信息可以为“变压器故障状态类型变压器线圈绝缘被击穿为严重类型，维修时间较长，请提前做好用电规划”。
第六步，将上述严重报警提示信息发送至对应上述用户信息集的各个移动终端。其中，对应上述用户信息集的各个移动终端可以为用户居住地的位置距离上述变压器的距离满足预设距离条件的各个用户信息包括的与手机号相匹配的手机终端。
第七步，响应于确定上述报警信息等级为一般报警，生成一般报警提示信息。实践中，上述执行主体可以将上述变压器对应的变压器故障状态类型和预设一般报警字符串进行组合，生成一般报警提示信息。其中，上述预设一般报警字符串可以为“变压器故障状态类型XXXX为一般类型，请耐心等待，并适当做好用电规划”。这里，XXXX可以为一般报警提示信息对应的变压器故障状态类型的名称。上述一般报警提示信息可以为提醒目标用户注意变压器故障状态类型为一般类型，注意耐心等待并适当做好用电规划的信息。例如，上述一般报警提示信息可以为“变压器故障状态类型变压器响声异常为一般类型，请耐心等待，并适当做好用电规划”。
第八步，将上述一般报警提示信息发送至对应上述用户信息集的各个移动终端。
可选地，在上述根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作之后，上述执行主体还可以执行以下步骤：
第一步，响应于确定故障处理操作完成，生成变压器故障警报解除信息。实践中，上述执行主体可以将上述变压器对应的变压器故障状态类型和预设变压器故障警报解除字符串进行组合，生成变压器故障警报解除信息。其中，上述预设变压器故障警报解除字符串可以为“故障已解除”。例如，上述变压器故障警报解除信息可以为“变压器线圈绝缘被击穿故障已解除”。
第二步，将上述变压器故障警报解除信息发送至对应上述用户信息集的各个移动终端。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的变压器维修设备控制方法，提高了变压器故障状态类型预测的准确率，降低了变压器维修的错误率，缩短了电力断供时间。具体来说，变压器故障状态类型预测的准确率低、变压器维修错误率较高和电力断供时间较长的原因在于：未采用具有提取高维特征、时间序列特征并赋予时间序列不同权重的混合预测模型，导致变压器故障状态类型预测的准确率较低，从而导致变压器维修错误率较高，进而导致电力断供时间较长。基于此，本公开的一些实施例的变压器维修设备控制方法，首先，获取目标地区的各个变压器在预设时间段内的故障状态信息集合。由此，可以得到故障状态信息集合，从而，可以用于预测变压器故障状态类型和变压器故障编号。其次，将上述故障状态信息集合进行向量化处理，得到故障状态信息向量集合。将上述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合。其中，上述变压器故障信息混合预测模型还包括：双向循环网络层、注意力机制层和分类层。由此，可以得到提取了高维特征的卷积向量集合。然后，将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合。由此，可以得到具有时间序列累积特征的隐藏状态向量集合。从而，可以用于提高预测的变压器故障信息的准确率。之后，将上述隐藏状态向量集合输入至上述注意力机制层，得到优化向量。由此，可以得到赋予了时间序列特征不同权重的优化向量，从而，进一步提高了预测的变压器故障信息的准确率。随后，将上述优化向量输入至上述分类层，得到变压器故障信息。其中，上述变压器故障信息包括：变压器故障编号序列和上述变压器故障编号序列对应的变压器故障状态类型序列。上述变压器故障编号序列中的变压器故障编号对应上述变压器故障状态类型序列中的变压器故障状态类型。由此，可以得到预测的变压器故障信息，从而可以用于对变压器进行故障维修。最后，对于上述变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：根据上述变压器故障状态类型，确定上述变压器故障状态类型对应的变压器的维修等级。根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作。由此，可以控制相关联的变压器维修设备对上述变压器进行故障处理操作。也因为通过对故障状态信息集合进行高维特征提取，以及对具有时间序列特征的卷积向量集合进行时间序列累积特征处理，同时，对具有时间序列特征的隐藏状态向量集合赋予不同的权重，可以提高预测的变压器故障信息的准确率。从而，可以提高变压器故障状态类型预测的准确率，也可以降低变压器维修的错误率。进而，可以缩短电力断供时间。
下面参考图2，其示出了适于用来实现本公开的一些实施例的电子设备200（例如计算设备）的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图2所示，电子设备200可以包括处理装置201（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）202中的程序或者从存储装置208加载到随机访问存储器（RAM）203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有电子设备200操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出（I/O）接口205也连接至总线204。
通常，以下装置可以连接至I/O接口205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许电子设备200与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图2中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从ROM 202被安装。在该计算机程序被处理装置201执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标地区的各个变压器在预设时间段内的故障状态信息集合；将上述故障状态信息集合进行向量化处理，得到故障状态信息向量集合；将上述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合，其中，上述变压器故障信息混合预测模型还包括：双向循环网络层、注意力机制层和分类层；将上述卷积向量集合输入至上述双向循环网络层，得到隐藏状态向量集合；将上述隐藏状态向量集合输入至上述注意力机制层，得到优化向量；将上述优化向量输入至上述分类层，得到变压器故障信息，其中，上述变压器故障信息包括：变压器故障编号序列和上述变压器故障编号序列对应的变压器故障状态类型序列，上述变压器故障编号序列中的变压器故障编号对应上述变压器故障状态类型序列中的变压器故障状态类型；对于上述变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：根据上述变压器故障状态类型，确定上述变压器故障状态类型对应的变压器的维修等级；根据所确定的维修等级，控制相关联的变压器维修设备对上述变压器进行故障处理操作。
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公开的一些实施例的操作的计算机程序代码，上述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。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）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种变压器维修设备控制方法，其特征在于，包括：
获取目标地区的各个变压器在预设时间段内的故障状态信息集合；
将所述故障状态信息集合进行向量化处理，得到故障状态信息向量集合；
将所述故障状态信息向量集合输入至预先训练的变压器故障信息混合预测模型的卷积网络层，得到卷积向量集合，其中，所述变压器故障信息混合预测模型还包括：双向循环网络层、注意力机制层和分类层；
将所述卷积向量集合中的各个卷积向量按照时间顺序进行升序排列，得到卷积向量序列；
将所述卷积向量序列确定为卷积向量集合，以对卷积向量集合进行更新；
将所述卷积向量集合输入至所述双向循环网络层，得到隐藏状态向量集合；
将所述隐藏状态向量集合输入至所述注意力机制层，得到优化向量；
将所述优化向量输入至所述分类层，得到变压器故障信息，其中，所述变压器故障信息包括：变压器故障编号序列和所述变压器故障编号序列对应的变压器故障状态类型序列，所述变压器故障编号序列中的变压器故障编号对应所述变压器故障状态类型序列中的变压器故障状态类型；
对于所述变压器故障状态类型序列中的每个变压器故障状态类型，执行以下步骤：
根据所述变压器故障状态类型，确定所述变压器故障状态类型对应的变压器的维修等级；
根据所确定的维修等级，控制相关联的变压器维修设备对所述变压器进行故障处理操作，其中，所述根据所确定的维修等级，控制相关联的变压器维修设备对所述变压器进行故障处理操作，包括：
响应于确定维修等级为二级维修，执行以下步骤：
将预设的变压器故障处理流程信息集合中对应所述变压器故障状态类型的变压器故障处理流程信息确定为目标变压器故障处理流程信息；
根据所述目标变压器故障处理流程信息，控制相关联的变压器维修设备对所述变压器进行故障处理操作；
获取所述变压器的视频监控信息；
响应于确定维修等级为一级维修，确定所述变压器对应的变压器负责人移动终端；
将所述视频监控信息和所述变压器对应的故障状态类型发送至所述变压器负责人移动终端；
接收所述变压器负责人移动终端发送的对应所述故障状态类型的维修类型信息，其中，所述维修类型信息为所述变压器负责人移动终端对应的用户根据所述视频监控信息和所述变压器对应的故障状态类型确定的信息；
响应于确定所述维修类型信息为不可维修类型信息，获取所述变压器对应的应急方案信息；
根据所述应急方案信息，控制相关联的声音播放设备播放应急方案提示信息；
响应于确定所述维修类型信息为可维修类型信息，将预设的变压器可维修故障处理流程信息集合中对应所述故障状态类型的变压器可维修故障处理流程信息确定为目标变压器可维修故障处理流程信息；
根据所述目标变压器可维修故障处理流程信息，控制相关联的变压器维修设备对所述变压器进行故障处理操作。
2.根据权利要求1所述的方法，其特征在于，在所述根据所确定的维修等级，控制相关联的变压器维修设备对所述变压器进行故障处理操作之前，所述方法还包括：
根据所述变压器故障状态类型，确定所述变压器故障状态类型对应的变压器故障编号；
根据所述变压器故障编号，获取所述变压器故障编号对应的变压器的位置信息；
根据所述位置信息，获取满足预设距离条件的用户信息，得到用户信息集；
根据所述维修等级，确定所述变压器对应的报警信息等级；
响应于确定所述报警信息等级为严重报警，生成严重报警提示信息；
将所述严重报警提示信息发送至对应所述用户信息集的各个移动终端；
响应于确定所述报警信息等级为一般报警，生成一般报警提示信息；
将所述一般报警提示信息发送至对应所述用户信息集的各个移动终端。
3.根据权利要求2所述的方法，其特征在于，在所述根据所确定的维修等级，控制相关联的变压器维修设备对所述变压器进行故障处理操作之后，所述方法还包括：
响应于确定故障处理操作完成，生成变压器故障警报解除信息；
将所述变压器故障警报解除信息发送至对应所述用户信息集的各个移动终端。
4.根据权利要求1所述的方法，其特征在于，在所述将所述卷积向量集合输入至所述双向循环网络层，得到隐藏状态向量集合之前，所述方法还包括：
将所述卷积向量集合进行序列化处理，得到卷积向量序列；
将所述卷积向量序列确定为卷积向量集合，以对卷积向量集合进行更新。
5.根据权利要求1所述的方法，其特征在于，在所述将所述故障状态信息集合进行向量化处理，得到故障状态信息向量集合之后，所述方法还包括：
对所述故障状态信息向量集合中的各个故障状态信息向量进行归一化处理，得到归一化处理后的故障状态信息向量集合作为归一化故障状态信息向量集合；
将所述归一化故障状态信息向量集合确定为故障状态信息向量集合，以对故障状态信息向量集合进行更新。
6.根据权利要求1所述的方法，其特征在于，所述变压器故障信息混合预测模型是通过以下方式训练得到的：
获取样本集，其中，所述样本集中的样本包括样本故障状态信息向量，以及与样本故障状态信息向量对应的样本变压器故障编号和变压器故障状态类型；
基于样本集执行以下训练步骤：
将样本集中的至少一个样本的样本故障状态信息向量分别输入至初始变压器故障信息混合预测模型中，得到所述至少一个样本中的每个样本对应的变压器故障编号和变压器故障状态类型；
将所述至少一个样本中的每个样本对应的变压器故障编号和变压器故障状态类型与对应的样本变压器故障编号和变压器故障状态类型进行比较；
根据比较结果确定初始变压器故障信息混合预测模型是否达到预设的优化目标；
响应于确定初始变压器故障信息混合预测模型达到所述优化目标，将初始变压器故障信息混合预测模型确定为训练完成的变压器故障信息混合预测模型。
7.根据权利要求6所述的方法，其特征在于，训练得到所述变压器故障信息混合预测模型的步骤还包括：
响应于确定初始变压器故障信息混合预测模型未达到所述优化目标，调整初始变压器故障信息混合预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始变压器故障信息混合预测模型作为初始变压器故障信息混合预测模型，再次执行所述训练步骤。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，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1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487607.8A CN115563528B (zh) | 2022-11-25 | 2022-11-25 | 变压器维修设备控制方法、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211487607.8A CN115563528B (zh) | 2022-11-25 | 2022-11-25 | 变压器维修设备控制方法、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115563528A CN115563528A (zh) | 2023-01-03 |
| CN115563528B true CN115563528B (zh) | 2023-04-18 |
Family
ID=84770282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211487607.8A Active CN115563528B (zh) | 2022-11-25 | 2022-11-25 | 变压器维修设备控制方法、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115563528B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258484B (zh) * | 2023-05-16 | 2023-08-18 | 青岛创新奇智科技集团股份有限公司 | 设备的预测性运维方案生成方法、装置、终端设备和介质 |
| CN117131366B (zh) * | 2023-10-26 | 2024-02-06 | 北京国电通网络技术有限公司 | 变压器维修设备控制方法、装置、电子设备和可读介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280071B (zh) * | 2014-10-16 | 2016-07-06 | 国家电网公司 | 一种油浸式电力变压器故障报警装置的故障检测方法 |
| CN109842210B (zh) * | 2019-02-22 | 2020-02-14 | 广东科源电气股份有限公司 | 一种用于变压器的监控系统及方法 |
| CN110492612B (zh) * | 2019-08-22 | 2021-07-02 | 黑龙江电力调度实业有限公司 | 基于物联网的电力系统监测系统 |
| CN111784175A (zh) * | 2020-07-10 | 2020-10-16 | 西南石油大学 | 一种基于多源信息的配电变压器风险评估方法及系统 |
| CN112085083B (zh) * | 2020-08-24 | 2022-07-29 | 宁波大学 | 一种基于相近度分析策略的变压器故障诊断方法 |
| CN112147432A (zh) * | 2020-08-25 | 2020-12-29 | 国网上海市电力公司 | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 |
| CN112414949A (zh) * | 2020-10-29 | 2021-02-26 | 国网山西省电力公司电力科学研究院 | 一种实时检测变压器故障的气体继电器及诊断方法 |
| CN112559741B (zh) * | 2020-12-03 | 2023-12-29 | 苏州热工研究院有限公司 | 核电设备缺陷记录文本分类方法、系统、介质及电子设备 |
| CN112699244A (zh) * | 2021-03-16 | 2021-04-23 | 成都信息工程大学 | 基于深度学习的输变电设备缺陷文本分类方法及系统 |
-
2022
- 2022-11-25 CN CN202211487607.8A patent/CN115563528B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115563528A (zh) | 2023-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115563528B (zh) | 变压器维修设备控制方法、电子设备和介质 | |
| US20160357886A1 (en) | System for analytic model development | |
| CN112135325A (zh) | 网络切换方法、装置、存储介质以及终端 | |
| EP4044044A1 (en) | Method and apparatus for processing information | |
| CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| US20240118984A1 (en) | Prediction method and apparatus for faulty gpu, electronic device and storage medium | |
| CN113344737A (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
| US20230229913A1 (en) | Method and Apparatus for Training Information Adjustment Model of Charging Station, and Storage Medium | |
| CN116561588A (zh) | 电力文本识别模型构建方法、电力设备维修方法和装置 | |
| CN117236805A (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
| CN115759444B (zh) | 电力设备分配方法、装置、电子设备和计算机可读介质 | |
| CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
| CN116502745A (zh) | 电力负荷预测方法、系统、电子设备以及存储介质 | |
| CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
| CN115619170A (zh) | 电量负荷调整方法、装置、设备、计算机介质和程序产品 | |
| CN114639072A (zh) | 人流量信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116566034B (zh) | 配电网配电监测系统及方法 | |
| CN116776870B (zh) | 意图识别方法、装置、计算机设备及介质 | |
| CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 | |
| CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
| CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
| CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
| CN117131366B (zh) | 变压器维修设备控制方法、装置、电子设备和可读介质 | |
| CN117972109A (zh) | 知识图谱生成方法、装置、设备、存储介质及程序产品 |
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 |