CN116090872A - 一种配电台区健康状态评价方法 - Google Patents

Abstract

本发明提供一种配电台区健康状态评价方法，包括：通过层次分析法，确定设备的健康度评级的准则层按工作环境、网络条件、工作情况三个要素来进行分析，将设备指标分到对应类别，按具体指标分配权重；构建判断矩阵，计算矩阵最大特征值并进行层次一致性检验；计算各个指标因素的权重配比，通过方根法计算得到指标权重值；对于得到的指标权重值，作为特征值输入到多层感知机模型，多层感知机模型输出对应的特征向量；针对多层感知机模型输出特征向量，使用逻辑回归算法得到对应的健康度评级。本发明提出以层次分析法作为分析基础，实现配电设备状态评价理论模型的实用化效果，以神经网络模型作为判别模型，得到配电设备的健康状态评估的综合分值。

Description

一种配电台区健康状态评价方法

技术领域

本发明涉及电子信息技术领域，具体是一种配电台区健康状态评价方法。

背景技术

配电网电力设备是保障系统安全运行工作的重中之重。对电力设备的健康状态进行评估，估计架空线路的停运概率、对配电变压器实施故障诊断，实时预测提高配电网运行可靠性水平，对促进电力系统安全、稳定、经济运行具有十分重要的意义。近年来，国内众多专家学者对配电设备的运行状态评估问题进行了大量的研究，但大多停留在定性分析阶段，并未具体量化各因素对设备状态的影响程度，且所研究的方法仅仅适用于单个设备，对其他设备的适应性较差。之前的一些研究针对于健康状态评估过程应用了层次分析法、模糊综合评判等，但此类方法依赖专家经验值，缺乏令人信服的客观数据，且评估方法相对单一。

发明内容

为解决上述存在的技术问题，本发明提供一种配电台区健康状态评价方法，提出以层次分析法作为分析基础，实现配电设备状态评价理论模型的实用化效果，以神经网络模型作为判别模型，得到配电设备的健康状态评估的综合分值。

一种配电台区健康状态评价方法，包括如下步骤：

步骤1、通过层次分析法，确定该设备的健康度评级的准则层按工作环境、网络条件、工作情况三个要素来进行分析，方案层则是设备的各初始属性，通过两两比较确定各属性对于各要素的重要程度，确定健康度指标评价体系，按准则层、方案层、目标层将设备指标分到对应类别，按具体指标分配权重；

步骤2、根据层次分析法的标度方法，构建判断矩阵，对设备的指标因素进行层次一致性检验；各准则层与目标层之间形成的判断矩阵：

构造判断矩阵后，计算矩阵最大特征值并进行层次一致性检验；

步骤3、计算各个指标因素的权重配比，通过方根法计算得到指标权重值；

步骤4、对于得到的指标权重值，将其作为特征值输入到多层感知机模型，多层感知机模型通过层层计算到输出层，输出对应的特征向量；

步骤5、针对多层感知机模型输出特征向量，使用逻辑回归算法得到对应的健康度评级。

进一步的，步骤2中一致性检验为：

CR＝CI/RI(2.2)

式中，CI为一致性指标，CI＝(λmax-m)/(m-1)，λmax为判断矩阵的最大特征值；RI为平均随机一致性指标，只与判断矩阵的阶数n有关；当CR<0.1时，认为判断矩阵满足一致性要求；当CR≥0.1时，应对判断矩阵进行相应修正，直至满足一致性要求。

进一步的，步骤3中采用方根法计算得到指标权重值，计算公式如下所示：

进一步的，步骤5中将逻辑逻辑回归延展到多分类算法，与多层感知机算法相结合，构成一个神经网络模型，多层感知机为预测函数，对于拟定的多个健康度评级为分类，以逻辑回归算法输出对应类别的概率，取最大概率的分类为设备对应的健康度评级，多分类逻辑回归算法的计算公式为：

对于输入的特征向量x，逻辑回归算法计算健康度评级y的条件概率，计算的权重由多层感知机算法学习到的权重提供，对于得到的各级别概率，取概率最大的健康度级别为算法得到的该设备的评估结果。

本发明针对目前低压设备现场运行状态缺少监测和分析，对设备的总体状态掌握不够的问题，将层次分析法应用于配电设备运行状态分析中，得到设备运行状态的各特征指标，并根据这些指标使用神经网络模型输出设备健康状态评分，通过开展设备通信连接、通信质量、温升情况等全面的数据分析，及时发现和反馈设备离线、通信不稳定、采集数据频次异常等设备健康问题，确保现场设备应用稳定性，达到及时发现低压设备健康问题，并上报主站系统的预期效果。

附图说明

图1是本发明配电台区健康状态评价方法的流程示意图；

图2是多层感知机模型示意图；

图3是本发明具体实例漏电管家微应用的软件界面图。

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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例对于实验的下游用电设备，以物联网开关为例进行试验，分析该设备的健康度评级。物联网开关设备的用于评估健康度评级的指标包括遥测状态，信号强度，回复功率强度，功率等级，上行RSSI，上行SNR，下行RSSI，下行SNR，电池电压，温度，A相电压，B相电压，C相电压，A相电流等数十个指标，记作P1，P2…Pn。

请参阅图1，本发明实施例提供一种配电台区健康状态评价方法，包括如下步骤：

步骤1、通过层次分析法，确定该设备的健康度评级的准则层按工作环境、网络条件、工作情况三个要素来进行分析，方案层则是设备的各初始属性。通过咨询从业人员，通过两两比较确定各属性对于各要素的重要程度，确定健康度指标评价体系；按三个层次将设备指标分到对应类别，按具体指标分配权重。如方案层的权重为0.0813，0.4758，…，准则层的权重为0.1225，0.1229…。

层次分析法(Analytic Hierarchy Process，AHP)是一种定性和定量相结合的、系统的、层次化的分析方法。该方法的特点就是在对复杂决策问题的本质、影响因素及其内在关系等进行深入研究的基础上，利用较少的定量信息使决策的思维过程数学化，从而为多目标、多准则或无结构特性的复杂决策问题提供简便的决策方法。即层次分析法是对难以完全定量的复杂系统做出决策的模型和方法。

层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同的层次聚集组合，形成一个多层次的分析结构模型，从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。

层次分析法的计算步骤如下：

(1)结合九级标度法，根据变量之间相对重要程度构建判断矩阵；

(2)一致性检验：

CR＝CI/RI(2.2)

式中，CI为一致性指标，CI＝(λmax-m)/(m-1)，λmax为判断矩阵的最大特征值；RI为平均随机一致性指标，只与判断矩阵的阶数n有关，取值如表1所示。当CR<0.1时，认为判断矩阵满足一致性要求；当CR≥0.1时，应对判断矩阵进行相应修正，直至满足一致性要求。

表1 平均随机一致性指标赋值标准

n	1	2	3	4	5	6	7	8	9	10	11	12	13
														RI	0	0	0.52	0.89	1.12	1.12	1.36	1.41	1.46	1.49	1.52	1.54	1.56

(3)判断矩阵满足一致性检验后，采用方根法计算得到指标权重值，

计算公式如下所示：

针对主要变量，对每个变量设置设备健康度的评级标准，包括高低阈值和各种状态的区间界限。根据设置的标准，采取基本的分段函数模型来定量定义。我们根据电网分析的专业经验和数据整体分析，确定影响健康度因素的重要评级，构建判断矩阵。

步骤2、根据层次分析法的标度方法，构建判断矩阵，对设备的指标因素进行层次一致性检验；各准则层与目标层之间形成的判断矩阵：

构造判断矩阵后，计算矩阵最大特征值并进行层次一致性检验，通过比较判断矩阵得到的权重值差异不大，权重配比合理。

步骤3、计算各个指标因素的权重配比，通过方根法计算得到指标权重值；得到的指标对应权重为信号强度2.13，回复功率1.91，上行SNR1.12，上行RSSI1.07，电池电压1.23等。

步骤4、对于得到的指标权重值，将其作为特征值输入到多层感知机模型；输入的指标权重向量为31维，多层感知机通过层层计算到输出层，输出对应的特征向量，设特征向量的维度为100维，输入到逻辑回归算法中。

多层感知机(MLP，Multilayer Perceptron)除了输入输出层，它中间可以有多个隐层。多层感知机层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。神经网络中的每一层对应数学意义上的一次函数映射，通过网络层的堆叠实现复杂的复合函数，具有广阔的表达空间。不同的神经元对应输入模型的不同特征，通过特征之间的线性计算和层之间的激活函数非线性计算拟合得到建模对象的映射关系。MLP所有的参数就是各个层之间的连接权重以及偏置，如图2所示：

MLP模型的训练适用梯度下降法，首先随机初始化所有参数，然后迭代地训练，不断地计算梯度，并根据当前梯度更新权重参数，直到误差小于阈值或迭代次数多于阈值时停止。在实际使用前需要花费一定的时间调整模型参数，训练模型拟合分布。模型训练结束后，得到可根据输入特征准确进行判别的神经网络模型。对于本发明中的解决方案，建立层次分析法的多项指标特征与最终健康状态评分之间的关系，以各指标特征作为输入，输出设备对应的健康状态特征向量。不同的特征指标指示不同方面的特征信息，MLP模型在这些信息的指引下作出合适的判断。

步骤5、针对多层感知机模型输出特征向量，使用逻辑回归算法得到对应的健康度评级，设健康度评级分为五级，则得到的概率向量为[0.07,0.11,0.19,0.47,0.16]，对应的分类为第四类。对于给定的十个测试设备人为判断健康度分级，与算法输出的健康度分级对比，准确率达到70％，证明算法对配电台区设备健康状态评价的有效性。

逻辑回归通过利用已知的自变量来预测一个离散型因变量的值，通常用于解决二分类的问题。简单来说，通过拟合一个逻辑函数来预测一个事件发生的概率。在本发明中，将逻辑逻辑回归延展到多分类算法(Softmax算法)，与多层感知机算法相结合，构成一个神经网络模型。以多层感知机为预测函数，对于拟定的多个健康度评级为分类，以逻辑回归算法输出对应类别的概率，取最大概率的分类为设备对应的健康度评级。多分类逻辑回归算法的计算公式为：

对于输入的特征向量x，逻辑回归算法计算健康度评级y的条件概率，计算的权重由多层感知机算法学习到的权重提供。对于得到的各级别概率，取概率最大的健康度级别为算法得到的该设备的评估结果。

本发明方案的具体实例应用介绍——台区健康管家微应用(如图3所示)

在终端内部，对于设备模型中的众多变量进行层次分析法处理，作为程序中神经网络模型的输入。模型在软件正式部署前已根据模拟数据训练完毕，保存为可调用的权重文件。程序可根据设备当前的变量值对其健康状态作出判断，设备是否离线，是否存在故障，是否发生告警，以及此时的漏电分析情况。

本发明中的层次分析法用于结合专家经验，给出评价设备运行状态的各类指标，还可使用比如主成分分析，特征工程等其他方法得到各特征指标。针对电网设备经层次分析法提炼的各类指标，使用MLP模型进行预测输出健康状态评分。MLP模型是一个相当基础的模型，还可使用更加复杂的神经网络模型，使用更加复杂的结构如注意力机制，深层堆叠神经网络模型等以达到更加的数据拟合能力；或使用基于机器学习的模型如决策树算法，支持向量机等算法以较低的资源消耗完成相似的功能。

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，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (4)

1.一种配电台区健康状态评价方法，其特征在于：包括如下步骤：

步骤1、通过层次分析法，确定该设备的健康度评级的准则层按工作环境、网络条件、工作情况三个要素来进行分析，方案层则是设备的各初始属性，通过两两比较确定各属性对于各要素的重要程度，确定健康度指标评价体系，按准则层、方案层、目标层将设备指标分到对应类别，按具体指标分配权重；

步骤2、根据层次分析法的标度方法，构建判断矩阵，对设备的指标因素进行层次一致性检验；各准则层与目标层之间形成的判断矩阵：

构造判断矩阵后，计算矩阵最大特征值并进行层次一致性检验；

步骤3、计算各个指标因素的权重配比，通过方根法计算得到指标权重值；

步骤4、对于得到的指标权重值，将其作为特征值输入到多层感知机模型，多层感知机模型通过层层计算到输出层，输出对应的特征向量；

步骤5、针对多层感知机模型输出特征向量，使用逻辑回归算法得到对应的健康度评级。

2.如权利要求1所述的配电台区健康状态评价方法，其特征在于：步骤2中一致性检验为：

CR＝CI/RI(2.2)

式中，CI为一致性指标，CI＝(λmax-m)/(m-1)，λmax为判断矩阵的最大特征值；RI为平均随机一致性指标，只与判断矩阵的阶数n有关；当CR<0.1时，认为判断矩阵满足一致性要求；当CR≥0.1时，应对判断矩阵进行相应修正，直至满足一致性要求。

3.如权利要求1所述的配电台区健康状态评价方法，其特征在于：步骤3中采用方根法计算得到指标权重值，计算公式如下所示：

4.如权利要求1所述的配电台区健康状态评价方法，其特征在于：步骤5中将逻辑逻辑回归延展到多分类算法，与多层感知机算法相结合，构成一个神经网络模型，多层感知机为预测函数，对于拟定的多个健康度评级为分类，以逻辑回归算法输出对应类别的概率，取最大概率的分类为设备对应的健康度评级，多分类逻辑回归算法的计算公式为：

对于输入的特征向量x，逻辑回归算法计算健康度评级y的条件概率，计算的权重由多层感知机算法学习到的权重提供，对于得到的各级别概率，取概率最大的健康度级别为算法得到的该设备的评估结果。

Images