CN115936658A - 一种电力设备异常检测方法、系统、可读存储介质 - Google Patents

Abstract

本发明提供一种电力设备异常检测方法、系统、可读存储介质，通过设备历史数据构建电力设备词库；对所述电力设备词库进行自然语言处理，构建文本数据处理模型；以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；以上述模型获取静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。在无需新增任何监测设备的情况下，实现了全面的设备异常检测和健康状态评估。

Description

一种电力设备异常检测方法、系统、可读存储介质

技术领域

本发明涉及电力设备故障检测技术领域。

背景技术

电力设备异常检测是电力领域的一个重要课题。现有技术主要有以下三种：

1)加入图像采集终端对电力设备进行监控，通过将设备的监控图像处理后与安全图像进行对比，进而判断设备是否异常。此种方法需新增图像采集终端，且对于恶劣天气下的户外设备无法进行可靠监控，而恰恰是恶劣天气情况下，对户外设备的检测才更是必备的。

2)加入温度传感器构建电力设备异常检测系统，通过对温度数据的异常检测进而实现对电力设备进行异常检测的目的。此种方法需新增温度传感器及相应连接线，且仅适用于检测内部产生温度变化的电力设备异常，对于内部未产生温度变化的设备异常无法进行有效检测。

3)利用目标用电设备在目标时刻对应的多个历史电力数据，从而获得目标用电设备对应的第一预测数据，然后利用准实时数据对第一预测数据进行修正，进而使用修正后的预测数据对实时数据进行检测。此种方法仅使用设备的结构化数据进行异常检测，对于设备的检修记录、缺陷记录、故障记录等极具价值的文本数据缺少分析，不利于形成对电力设备的全面分析及异常检测。

发明内容

本发明针对现有技术中的缺点，提供了一种电力设备自动检测方法和系统，在无需新增任何监测设备的情况下，实现了全面的设备异常检测和设备健康状态评估。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种电力设备异常检测方法，包括以下步骤：

通过设备历史数据构建电力设备词库；

对所述电力设备词库进行自然语言处理，构建文本数据处理模型；

对设备历史数据中异常历史数据解析，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；

根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

可选的，构建所述电力设备异常数据检测模型的方法还包括：

调整所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型的权重，累加每个模型的权重与其对应的相似度的积，得到设备异常特征整体相似度；

设置所述设备异常特征整体相似度的阈值，得到所述电力设备异常数据检测模型。

可选的，根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别计算静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度的步骤包括：

基于所述文本数据处理模型，采用余弦相似度算法，计算文本数据相似度；

基于所述静态数据特征模型，对文本数据同义词处理后，计算静态数据相似度；

基于所述动态行为特征模型，提取待检测数据行为特征，与动态行为特征模型进行匹配，计算动态行为特征相似度；

基于所述数字特征模型，提取设备数值类数据计算试验数据相似度。

可选的，还包括主题库构建步骤：针对不同类型的设备，构建不同的设备主题库，每一设备主题库匹配有相应的电力设备词库。

可选的，构建文本数据处理模型的方法包括：

对所述电力设备词库先采用分词算法对文本数据进行分词处理，再利用TF-IDF算法构建分词向量模型，然后通过余弦相似度算法计算文本相似度，进一步提取文本数据的关键词信息，构建文本数据处理模型。

可选的，所述动态行为数据包括保护动作情况、设备巡检结果、设备在线监测数据、设备带电检测数据、绕组直流电阻试验、绕组直流泄露电流试验及缺陷结果特征中的一种或多种。

可选的，所述电力设备词库包括专业词库、同义词库、停用词库和通用词库。

可选的，构建文本数据处理模型过程中，基于业务影响度因素，调整特定文本数据特征向量的权重，并通过词频调整方法消除文档长度对特征向量的影响。

本发明还提供一种电力设备异常检测系统，用于实现上述电力设备异常检测方法，包括，词库构建单元，用于通过设备历史数据构建电力设备词库；

第一构建单元，用于对所述电力设备词库进行自然语言处理，构建文本数据处理模型；

第二构建单元，用于对设备历史数据中异常历史数据解析，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；

第三构建单元，用于根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

评估单元，用于提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

本发明还提供一种可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述电力设备异常检测方法。

本发明的有益效果：

本发明通过设备历史数据构建电力设备词库，对历史数据特征向量进行分析，构建针对电力设备的静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型等知识挖掘模型，再根据上述四个模型构建电力设备异常数据检测模型，运用所述电力设备异常数据检测模型实现实时数据的自动化处理。

本发明披露的技术方案无需新增任何监测设备，基于电力设备画像，选择电力设备故障分析应用场景，建立知识挖掘模型，综合设备的电力记录、检修记录、缺陷记录、故障记录等数据，挖掘设备故障原因，为运维和物资人员提供分析工具和数据支撑。

同时，可通过分析发现薄弱环节进行改进以有效改善电网运行效率，大幅节约或延缓投资，显著提升设备异常预警及处理响应及时性与准确性、提升运维检修水平以及设备投入产出效率，实现电网可持续发展、提升整体效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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是电力设备异常检测方法总流程；

图2是实施例中步骤1-步骤5的具体流程图；

图3是电力设备异常数据检测模型构建流程图；

图4是实施例中步骤5所描述步骤的流程图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。另需要说明的是，本实施例中所表述的，步骤1、步骤2等以及步骤1.1、步骤1.2等描述词汇不特指运行顺序逻辑。其中如步骤3.1-步骤3.6可以顺序也可以并行。

实施例1：

如图1-图3所示，一种电力设备异常检测方法，包括以下步骤：

步骤1，通过电力设备历史数据构建电力设备词库；

首先，基于电力设备历史数据对数据做主题建模，形成不同类型设备的主题库，针对不同的主题库，构建电力设备词库，为分词处理提供基础语料数据。

步骤2，对所述电力设备词库进行自然语言处理，提取所述电力设备词库中文本数据的关键词信息，获取文本数据处理模型，具体下称长文本数据处理模型；

采用分词算法、TF-IDF算法、余弦相似度算法对电力设备词库中的故障描述、故障确认结果描述等文本数据进行自然语言处理，构建长文本数据处理模型，为电力设备特征向量提取准备数据。

步骤3，对设备历史数据中异常历史数据解析进行分析和理解，对各类历史数据进行分类处理，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型构建数字特征模型。

步骤4，根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

进一步的，构建所述电力设备异常数据检测模型的方法还包括：

调整所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型的权重，累加每个模型的权重与其对应的相似度函数的积，得到整体模型相似度；

设置所述整体模型相似度的阈值，得到所述电力设备异常数据检测模型。

步骤5，提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

下面对步骤1-步骤5进行进一步的描述。

步骤1.1，设备历史数据包含包括设备台账数据、设备故障数据、设备运行数据、设备缺陷数据、设备检修数据、设备试验数据、设备在线监测数据、设备保护动作情况数据和设备带电检测数据中的一种或多种。可以从设备资产管理系统、电网生产系统、设备检修系统、在线监测系统等电力系统中获取该设备历史数据。

具体的，上述设备历史数据可以区分为静态数据和动态行为数据。

步骤1.2，针对不同类型的设备，构建不同的设备主题库，每一设备主题库匹配有相应的电力设备词库。故，不同类型的设备，其主题库组成存在差异。

步骤1.3，其中，电力设备词库包括电力行业的专业词库、同义词库、停用词库和通用词库。

具体的，通过半自动化和人工维护两种方式梳理电力行业专业词库，(主要包括变电站名、设备名、组织机构名、专有名词等)和电力行业同义词库(如电力设备中的“GIS”与“断路器”为同义词)，并采用机器学习算法对基础语料库及逆行训练，对文本进行词性标注和实体识别，不断充实和完善词库数据，为步骤2的分词处理提供基础语料数据。

步骤2.1，基于通用词库对电力设备数据进行基础分词处理；

步骤2.2，利用步骤1中所构建的电力行业的专业词库、通用词库、同义词库和停用词库，先采用分词算法对文本数据进行分词处理，再利用TF-IDF算法构建分词向量模型，然后通过余弦相似度算法计算文本相似度，对文本数据进行自然语言处理，识别数据中的包含的语义信息，进一步提取文本数据的关键词信息，构建长文本数据处理模型，为电力设备特征向量提取准备数据。

步骤3.1，基于对电力设备异常时各类历史数据进行分析和理解，将收集的各类历史数据分为设备台账数据和动态行为数据。

步骤3.2，对设备台账数据如电压等级、厂家、型号、设计代码等采用同义词关联及精确匹配的方式的进行匹配运算，通过异常设备静态数据特征向量，构建静态数据特征模型。

步骤3.3，对设备的保护动作情况数据、设备巡检结果、设备在线监测数据、带电检测数据、绕组直流电阻试验、绕组直流泄露电流试验及缺陷结果特征等数据统一提取设备动态行为特征向量，构建异常设备动态行为特征模型。

步骤3.4，以试验数据构建数字特征模型，其中试验数据采用油中溶解气体试验数据，利用三比值法，以油中溶解气体试验数据构建数字特征模型。

进一步的，所述试验数据还包括电力设备的其他数值参数类数据，对所述数值类数据进行测试，获取不同数值参数类数值的试验结果，构建数字特征模型。

进一步的，通过构建停用词库，在特征向量提取过程中进行停用词的过滤。

构建长文本数据处理模型过程中，基于业务影响度因素，手动调整特定长文本特征向量的权重，并通过词频调整方法消除文档长度对特征向量的影响。例如在一串长文本数据中，厂家数据为重要数据，则标识厂家数据，调整其权重。

步骤4.1，基于设备的历史正常数据和异常数据，通过权重分配算法，分配长文本特征模型、静态数据特征模型、动态行为特征模型及数字特征向量特征模型的权重，设其权重分别为a、b、c、d，则a+b+c+d＝1；

步骤4.2，基于长文本特征模型，采用余弦相似度算法，计算文本数据相识度，设其函数为Fa()；

步骤4.3，基于静态数据特征模型，进行同义词处理后，进行精确匹配，计算静态数据相似度，设其函数为Fb()；

步骤4.4，基于动态行为特征模型，提取待检测数据行为特征，与动态模型进行匹配，计算动态行为特征模型相似度，设其函数为Fc()；

步骤4.5，基于数字特征模型，提取油中溶解气体试验数据，利用三比值法，计算异常数值数据相似度，设其函数为Fd()；需要额外说明的是，所述数字特征模型可以进一步引入其他数值试验数据。

步骤4.6，最后通过累加上述模型相似度和权重的积，计算设备异常特征整体相似度，建立电力设备异常数据检测模型，sim＝a*Fa(x)+b*Fb(x)+c*Fc(x)+d*Fd(x)；

步骤4.7，设置设备异常特征整体相似度sim的阈值，通过判断sim值是否超过该模型阈值，评估设备异常状态。

进一步的，若电力设备的属性或各类记录信息发生变化，则重复执行步骤3和步骤4对其重新建模分析。

如图4所示，步骤5.1，抽取各系统中电力设备相关的最新数据，如基础台账、缺陷记录、巡检记录、在线监测记录、试验记录、特征缺陷结果等数据作为设备状态检测数据；

步骤5.2，对抽取的设备状态检测数据进行特征向量提取，获取设备的最新状态特征向量；

步骤5.3，采用异常数据检测模型对提取的最新特征数据进行判断，分析设备当前状态。

实施例2：

本实施例提供一种电力设备异常检测系统，用于实现实施例1所述的电力设备异常检测方法，包括一下处理单元，

词库构建单元，用于通过设备历史数据构建电力设备词库；

第一构建单元，用于对所述电力设备词库进行自然语言处理，构建文本数据处理模型；

第二构建单元，用于对设备历史数据中异常历史数据解析，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；

第三构建单元，用于根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

评估单元，用于提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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装置，或一些特征可以忽略，或不执行。

所述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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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，在本发明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。

特别地，根据本发明公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述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、红外线段、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段的电连接、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。

在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线段、电线段、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种电力设备异常检测方法，其特征在于，包括以下步骤：

通过设备历史数据构建电力设备词库；

对所述电力设备词库进行自然语言处理，构建文本数据处理模型；

对设备历史数据中异常历史数据解析，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；

根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

2.根据权利要求1所述的电力设备异常检测方法，构建所述电力设备异常数据检测模型的方法还包括：

调整所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型的权重，累加每个模型的权重与其对应的相似度的积，得到设备异常特征整体相似度；

设置所述设备异常特征整体相似度的阈值，得到所述电力设备异常数据检测模型。

3.根据权利要求1所述的电力设备异常检测方法，根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别计算静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度的步骤包括：

基于所述文本数据处理模型，采用余弦相似度算法，计算文本数据相似度；

基于所述静态数据特征模型，对文本数据同义词处理后，计算静态数据相似度；

基于所述动态行为特征模型，提取待检测数据行为特征，与动态行为特征模型进行匹配，计算动态行为特征相似度；

基于所述数字特征模型，提取设备数值类数据计算试验数据相似度。

4.根据权利要求1所述的电力设备异常检测方法，还包括主题库构建步骤：

针对不同类型的设备，构建不同的设备主题库，每一设备主题库匹配有相应的电力设备词库。

5.根据权利要求1所述的电力设备异常检测方法，构建文本数据处理模型的方法包括：

对所述电力设备词库先采用分词算法对文本数据进行分词处理，再利用TF-IDF算法构建分词向量模型，然后通过余弦相似度算法计算文本相似度，进一步提取文本数据的关键词信息，构建文本数据处理模型。

6.根据权利要求1所述的电力设备异常检测方法，所述动态行为数据包括保护动作情况、设备巡检结果、设备在线监测数据、设备带电检测数据、绕组直流电阻试验、绕组直流泄露电流试验及缺陷结果特征中的一种或多种。

7.根据权利要求1所述的电力设备异常检测方法，所述电力设备词库包括专业词库、同义词库、停用词库和通用词库。

8.根据权利要求1所述的电力设备异常检测方法，构建文本数据处理模型过程中，基于业务影响度因素，调整特定文本数据特征向量的权重，并通过词频调整方法消除文档长度对特征向量的影响。

9.一种电力设备异常检测系统，其特征在于，用于实现权利要求1所述的电力设备异常检测方法，包括，

词库构建单元，用于通过设备历史数据构建电力设备词库；

第一构建单元，用于对所述电力设备词库进行自然语言处理，构建文本数据处理模型；

第二构建单元，用于对设备历史数据中异常历史数据解析，获得静态台账数据和动态行为数据，以设备台账数据构建静态数据特征模型，以动态行为数据构建动态行为特征模型，以试验数据构建数字特征模型；

第三构建单元，用于根据所述静态数据特征模型、动态行为特征模型、数字特征模型和文本数据处理模型分别获得静态数据相似度、动态行为特征相似度、试验数据相似度和文本数据相似度，根据各个相似度构建电力设备异常数据检测模型；

评估单元，用于提取待检测电力设备特征向量，以所述电力设备异常数据检测模型获取设备评估状态。

10.一种可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8任意一项所述的电力设备异常检测方法。

Images