CN116226767B - 一种电力系统实验数据自动诊断方法 - Google Patents
一种电力系统实验数据自动诊断方法 Download PDFInfo
- Publication number
- CN116226767B CN116226767B CN202310505336.2A CN202310505336A CN116226767B CN 116226767 B CN116226767 B CN 116226767B CN 202310505336 A CN202310505336 A CN 202310505336A CN 116226767 B CN116226767 B CN 116226767B
- Authority
- CN
- China
- Prior art keywords
- index
- data
- power system
- electric power
- specifically includes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 230000036541 health Effects 0.000 claims abstract description 32
- 238000003066 decision tree Methods 0.000 claims abstract description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Food Science & Technology (AREA)
- Educational Administration (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力系统实验数据自动诊断方法，方法包括：步骤S1：采集油品实验数据并建立电力系统实验数据库；步骤S2：提取电力系统油品的第一指标；步骤S3：第一指标组成决策树，并对决策树进行训练并综合结果，得到各个第一指标的权重赋分；步骤S4：设定权重赋分评分标准，并基于评分标准和权重赋分自动实时计算更新电力系统油品的健康值；步骤S5：对相同工段的相同设备不同时间的健康值对比分析，预测风险并指定检修策略。本发明解决现有诊断方法较为单一、效率低下、自动化程度低等问题，难以应对大量数据，设备健康评价准确度不高，缺少对设备健康状况的动态跟踪的问题。
Description
技术领域
本发明涉及电力系统诊断技术领域，具体而言，涉及一种电力系统实验数据自动诊断方法。
背景技术
电力系统设备实验数据是衡量设备健康状况、评估设备使用寿命、制定检修管理策略的重要依据与支撑。检修人员通过对运行变压器定期取样的绝缘油样品进行油色谱、微水、局放等试验，可以实现对变压器健康状况的在线诊断和寿命评估。
现阶段，电力系统实验室中对电力系统设备实验数据的评判分析主要是依据相关国家标准和行业标准、规范导则和指导文件，采用数据对比的方法，完成对电力系统设备的评价，如变压器油的状态评估通常是采用油化试验数据对比相关试验导则警示值与参考值的方法，比对方法较为单一、效率低下、自动化程度低等问题，难以应对大量数据，设备健康评价准确度不高，缺少对设备健康状况的动态跟踪。
以此来看，现有技术在实施过程中，存在这样的问题：现有变压器油的诊断方法难以应对大量油品数据数据，变压器油健康评价准确度不高，缺少对健康状况的动态跟踪的问题。
发明内容
因此，本发明提供一种电力系统实验数据自动诊断方法，解决了现有变压器油的诊断方法难以应对大量油品数据数据，变压器油健康评价准确度不高，缺少对健康状况的动态跟踪的问题。
为解决上述问题，本发明提供一种电力系统实验数据自动诊断方法，方法包括：步骤S1：采集电力系统油品实验数据并建立电力系统实验数据库；
步骤S2：使用PCA主成分分析法提取电力系统油品的第一指标；
步骤S3：第一指标组成决策树，并对决策树进行训练并综合结果，得到各个第一指标的权重赋分；
步骤S4：设定权重赋分评分标准，并基于评分标准和权重赋分自动实时计算更新电力系统油品的健康值；
步骤S5：对相同工段的相同设备不同时间的健康值对比分析，预测风险并指定检修策略。
与现有技术相比，采用该技术方案所达到的技术效果：通过建立自动化实验室技术和物联网技术，使用传感器等设备采集电力系统油品实验数据，包括但不限于油品绝缘强度、水分含量、酸度值、介电常数等指标，建立并更新相关数据库；基于PCA主成分分析法提取能反映油品的基本状况的关键指标；通过数据挖掘和机器学习算法，如基于决策树的随机森林算法，使用Bagging、Boosting、Stacking等算法对多个关键指标组成的决策树进行训练并综合其结果，得出各个关键指标的权重赋分；每次试验结束后，基于设定的评分标准和权重赋值自动实时计算更新油品的最新健康值；通过智能手段对获取的同工段设备的和同设备不同时间的健康值对比分析，预测潜在故障风险、制定相应检修策略，并自动推送给设备维护人员。
进一步的，步骤S2具体包括：
步骤S21：对实验数据进行标准化，得出标准化数据；
步骤S22：使用标准化数据，得到特征值和对应特征向量；
步骤S23：根据特征值和对应特征向量，提取第一指标。
与现有技术相比，采用该技术方案所达到的技术效果：标准化数据方便得出特征值和对应特征向量，减少计算误差，为计算第一指标做准备。
进一步的，步骤S21具体包括：
步骤S211：对实验数据进行预处理，得到油品各个第二指标；
步骤S212：统一各个第二指标数据尺度，得到标准化数据；
其中，步骤S212：第二指标数据有n个，指标维度为p，油品指标数据矩阵X是一个的矩阵，数学表达为：/>；标准化公式为：/>，/>为第i个样本在第j个指标下的数据，/>为第i个样本在第j个指标下的标准化数据，/>表示第j个指标数据的均值，/>表示第j个指标的标准差。
与现有技术相比，采用该技术方案所达到的技术效果：统一第二指标数据尺度，方便得出标准化数据，减少计算误差。
进一步的，步骤S22具体包括：
步骤S221：使用标准化数据计算协方差矩阵；
步骤S222：对于协方差矩阵进行特征值分解，得到特征值和对应特征向量；
其中，步骤S221：利用标准化数据，计算协方差矩阵C， ，/>表示第i个指标和第j个指标之间的协方差；步骤S222对于协方差矩阵C进行特征值分解，可以得到特征值/>和对应的特征向量，/>，/>表示第i个特征值，/>表示第i个特征向量。
与现有技术相比，采用该技术方案所达到的技术效果：利用协方差矩阵对特征值分解，容易得出特征值和对应特征向量。
进一步的，步骤S23具体包括：
步骤S231：根据特征值，选择特征向量，得到主成分矩阵；
步骤S232：利用主成分矩阵，得到主成分投影；
其中，步骤S231根据特征值的大小，选择前k个特征值对应的特征向量，作为主成分，可以得到主成分矩阵M，，/>，k表示选取的主成分个数，/>表示选取的主成分个数小于指标维度；步骤S232利用主成分矩阵M对标准化数据Z进行投影，可以得到主成分投影T，/>，主成分投影即第一指标。
与现有技术相比，采用该技术方案所达到的技术效果：计算各特征值对应的特征向量，作为主成分，并得出主成分矩阵，方便计算主成分投影以得出第一指标的数据。
进一步的，步骤S3具体包括：
步骤S31：利用随机森林算法，将步骤S212处理后的油品指标数值的数据集分离为训练集；
步骤S32：使用训练集来训练随机森林模型；
步骤S33：利用训练完的随机森林模型给出每个特征对目标变量的重要性评分。
与现有技术相比，采用该技术方案所达到的技术效果：训练集用于训练随机森林模型，测试集用于评估随机森林模型的性能。训练集的选取方法包括用有抽样放回的方法（booststrap）、对决策树训练集再次随机抽样的Bagging算法、对每个决策树的节点随机选择特征的随机子空间法等。训练集和测试集的比例划分取决于数据集的大小，当采用K折交叉验证（K-Fold Cross Validation）时，其中将数据集划分为K个子集，每次用其中一个子集作为测试集，剩下的K-1个子集作为训练集，重复K次，每次选用一个不同的子集作为测试集。
进一步的，步骤S33具体包括：
步骤S331：将变量重要性评分用VIM表示，将Gini指数用GI表示，特征表示为为特征个数，决策树棵树为I，类别为C，第j个特征在RF决策树中节点分裂不纯度的平均改变量/>，即每个特征/>的Gini指数评分；
第i棵树节点q的Gini指数的计算公式为：；
式中，表示节点q中类别c所占的比例；
特征在第i棵树节点q的重要性即节点q分枝前后的Gini指数变化量/>，计算/>的公式为：/>；
式中，和/>分别表示分枝后两个新节点的Gini指数。
与现有技术相比，采用该技术方案所达到的技术效果：利用训练好的随机森林模型给出每个特征对目标变量的重要性评分。通过特征重要性分析，可以确定哪些特征对目标变量的影响最大，从而为每个油品关键指标赋予一个权重分数，其特征重要性（variableimportance measures）的计算方法分为基于基尼不纯度（Gini Importance）的特征重要性计算和基于平均减少不纯度（Mean Decrease Impurity）的特征重要性计算。
进一步的，步骤S33具体包括：
步骤S332：在决策树中的重要性评分计算公式为：/>，。
与现有技术相比，采用该技术方案所达到的技术效果：通过重要性评分计算公式计算得出在决策树中的重要性评分。
进一步的，步骤S4具体包括：
基于指标权重和评分标准实时计算油品健康值的方法为模糊综合评价法，利用模糊数学的理论来处理评分指标之间的不确定性和模糊性；将评分指标的分值映射到隶属度函数上，然后将隶属度函数加权平均得到健康值，每次计算后更新。
与现有技术相比，采用该技术方案所达到的技术效果：利用模糊综合评价等方式实时计算更新电力系统的健康值，可以对实验数据诊断结果进行量化标准定义。
进一步的，步骤S5具体包括：
使用深度学习方法建立设备故障预测模型，依据模型预测结果自动匹配检修策略库，通过可视化手段将信息自动推送给维护人员。
与现有技术相比，采用该技术方案所达到的技术效果：智能分析技术搭建设备故障预测模型，将预测结果与检修策略库自动匹配，自动实时推送给维护人员，提高了自动化程度和效率。
采用本发明的技术方案后，能够达到如下技术效果：
（1）利用自动化实验室技术和物联网技术，完成电力系统油品实验数据库的搭建，支持实验数据实时自动获取、回传、分类、存储，有利于大数据的自动批量处理和云计算、云存储；
（2）通过主成分分析方法完成油品关键指标的选取，利用机器学习算法和数据挖掘，实现关键指标的权重赋值，提高了实验数据诊断的准确性和可靠性，通过模糊综合评价等方式实时计算更新电力系统的健康值，通过同工段设备的横向对比和同设备不同时间的纵向对比，完成数据动态跟踪和设备全寿命管理；
（3）结合智能分析技术预测潜在的故障风险和制定相应的检修策略。这些策略可以自动推送给工程师或维护人员，以便及时采取相应的措施，具有较高的实用性和效率。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一提供的一种电力系统实验数据自动诊断方法的流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动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。
参见图1，为本发明实施例中，提出的一种电力系统实验数据自动诊断方法，方法包括以下步骤：步骤S1：采集电力系统油品实验数据并建立电力系统实验数据库；
步骤S2：使用PCA主成分分析法提取电力系统油品的第一指标；
步骤S3：第一指标组成决策树，并对决策树进行训练并综合结果，得到各个第一指标的权重赋分；
步骤S4：设定权重赋分评分标准，并基于评分标准和权重赋分自动实时计算更新电力系统油品的健康值；
步骤S5：对相同工段的相同设备不同时间的健康值对比分析，预测风险并指定检修策略。
在本实施例中，通过建立自动化实验室技术和物联网技术，使用传感器等设备采集电力系统油品实验数据，包括但不限于油品绝缘强度、水分含量、酸度值、介电常数等指标，建立并更新相关数据库；基于PCA主成分分析法提取能反映油品的基本状况的关键指标；通过数据挖掘和机器学习算法，如基于决策树的随机森林算法，使用Bagging、Boosting、Stacking等算法对多个关键指标组成的决策树进行训练并综合其结果，得出各个关键指标的权重赋分；每次试验结束后，基于设定的评分标准和权重赋值自动实时计算更新油品的最新健康值；通过智能手段对获取的同工段设备的和同设备不同时间的健康值对比分析，预测潜在故障风险、制定相应检修策略，并自动推送给设备维护人员。
进一步的，步骤S2具体包括：
步骤S21：对实验数据进行标准化，得出标准化数据；
步骤S22：使用标准化数据，得到特征值和对应特征向量；
步骤S23：根据特征值和对应特征向量，提取第一指标。
需要说明的是，标准化数据方便得出特征值和对应特征向量，减少计算误差，为计算第一指标做准备。
举例来说，对于电力系统油品实验数据库中的原始检测数据首先进行预处理，即使用均值填补、中位数填补、插值法等方法进行缺失值填补，使用箱线图、3σ原则、Z-score等方法删除异常值。
在一个具体的实施例中，步骤S21具体包括：
步骤S211：对实验数据进行预处理，得到油品各个第二指标；
步骤S212：统一各个第二指标数据尺度，得到标准化数据；
其中，步骤S212：第二指标数据有n个，指标维度为p，油品指标数据矩阵X是一个的矩阵，数学表达为：/>；标准化公式为：/>，/>为第i个样本在第j个指标下的数据，/>为第i个样本在第j个指标下的标准化数据，/>表示第j个指标数据的均值，/>表示第j个指标的标准差。
需要说明的是，统一第二指标数据尺度，方便得出标准化数据，减少计算误差。
在一个具体的实施例中，步骤S22具体包括：
步骤S221：使用标准化数据计算协方差矩阵；
步骤S222：对于协方差矩阵进行特征值分解，得到特征值和对应特征向量；
其中，步骤S221：利用标准化数据，计算协方差矩阵C， ，/>表示第i个指标和第j个指标之间的协方差；步骤S222对于协方差矩阵C进行特征值分解，可以得到特征值/>和对应的特征向量，/>，/>表示第i个特征值，/>表示第i个特征向量。
需要说明的是，利用协方差矩阵对特征值分解，容易得出特征值和对应特征向量。
在一个具体的实施例中，步骤S23具体包括：
步骤S231：根据特征值，选择特征向量，得到主成分矩阵；
步骤S232：利用主成分矩阵，得到主成分投影；
其中，步骤S231根据特征值的大小，选择前k个特征值对应的特征向量，作为主成分，可以得到主成分矩阵M，，/>，k表示选取的主成分个数，/>表示选取的主成分个数小于指标维度；步骤S232利用主成分矩阵M对标准化数据Z进行投影，可以得到主成分投影T，/>，主成分投影即第一指标。
需要说明的是，计算各特征值对应的特征向量，作为主成分，并得出主成分矩阵，方便计算主成分投影以得出第一指标的数据。
在一个具体的实施例中，步骤S3具体包括：
步骤S31：利用随机森林算法，将步骤S212处理后的油品指标数值的数据集分离为训练集；
步骤S32：使用训练集来训练随机森林模型；
步骤S33：利用训练完的随机森林模型给出每个特征对目标变量的重要性评分。
需要说明的是，训练集用于训练随机森林模型，测试集用于评估随机森林模型的性能。训练集的选取方法包括用有抽样放回的方法（booststrap）、对决策树训练集再次随机抽样的Bagging算法、对每个决策树的节点随机选择特征的随机子空间法等。
举例来说，训练集和测试集的比例划分取决于数据集的大小，当采用K折交叉验证（K-Fold Cross Validation）时，其中将数据集划分为K个子集，每次用其中一个子集作为测试集，剩下的K-1个子集作为训练集，重复K次，每次选用一个不同的子集作为测试集。
可选的，常用K值例如为5、10、20。
进一步的，步骤S32中使用训练集来训练随机森林模型，可以通过指定随机森林的决策树的数量、树的深度、特征的选择等参数来进行调整，训练完模型后，可以得到每个特征的重要性评分，用于对关键指标进行权重赋分。
在一个具体的实施例中，步骤S33具体包括：
步骤S331：将变量重要性评分用VIM表示，将Gini指数用GI表示，特征表示为为特征个数，决策树棵树为I，类别为C，第j个特征在RF决策树中节点分裂不纯度的平均改变量/>，即每个特征/>的Gini指数评分；
第i棵树节点q的Gini指数的计算公式为：；
式中，表示节点q中类别c所占的比例；
特征在第i棵树节点q的重要性即节点q分枝前后的Gini指数变化量/>，计算/>的公式为：/>；
式中，和/>分别表示分枝后两个新节点的Gini指数。
需要说明的是，利用训练好的随机森林模型给出每个特征对目标变量的重要性评分。通过特征重要性分析，可以确定哪些特征对目标变量的影响最大，从而为每个油品关键指标赋予一个权重分数，其特征重要性（variable importance measures）的计算方法分为基于基尼不纯度（Gini Importance）的特征重要性计算和基于平均减少不纯度（MeanDecrease Impurity）的特征重要性计算。
在一个具体的实施例中，步骤S33具体包括：
步骤S332：在决策树中的重要性评分计算公式为：/>，。
需要说明的是，通过重要性评分计算公式计算得出在决策树中的重要性评分。
在一个具体的实施例中，步骤S4具体包括：
基于指标权重和评分标准实时计算油品健康值的方法为模糊综合评价法，利用模糊数学的理论来处理评分指标之间的不确定性和模糊性；将评分指标的分值映射到隶属度函数上，然后将隶属度函数加权平均得到健康值，每次计算后更新。
需要说明的是，利用模糊综合评价等方式实时计算更新电力系统的健康值，可以对实验数据诊断结果进行量化标准定义。
在一个具体的实施例中，步骤S5具体包括：
使用深度学习方法建立设备故障预测模型，依据模型预测结果自动匹配检修策略库，通过可视化手段将信息自动推送给维护人员。
需要说明的是，获取同工段设备和同设备不同时间的健康值数据的方法有通过数字化监控设备、日志文件读取和传感器数据实时回传等，使用深度学习方法建立设备故障预测模型，依据模型预测结果自动匹配检修策略库，通过可视化手段将信息自动推送给维护人员。
进一步的，智能分析技术搭建设备故障预测模型，将预测结果与检修策略库自动匹配，自动实时推送给维护人员，提高了自动化程度和效率。
最后应说明的是：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 (2)
1.一种电力系统实验数据自动诊断方法，其特征在于，所述方法包括：
步骤S1：采集电力系统油品实验数据并建立电力系统实验数据库；
步骤S2：使用PCA主成分分析法提取所述电力系统油品的第一指标；
步骤S3：所述第一指标组成决策树，并对所述决策树进行训练并综合结果，得到各个所述第一指标的权重赋分；
步骤S4：设定权重赋分评分标准，并基于所述评分标准和所述权重赋分自动实时计算更新所述电力系统油品的健康值；
步骤S5：对相同工段的相同设备不同时间的所述健康值对比分析，预测风险并指定检修策略；
所述步骤S2具体包括：
步骤S21：对所述实验数据进行标准化，得出标准化数据；
步骤S22：使用所述标准化数据，得到特征值和对应特征向量；
步骤S23：根据所述特征值和所述对应特征向量，提取所述第一指标；
所述步骤S21具体包括：
步骤S211：对所述实验数据进行预处理，得到油品各个第二指标；
步骤S212：统一各个所述第二指标数据尺度，得到所述标准化数据；
其中，步骤S212：所述第二指标数据有n个，指标维度为p，油品指标数据矩阵X是一个的矩阵，数学表达为：/>；标准化公式为：/>，/>为第i个样本在第j个指标下的数据，/>为第i个样本在第j个指标下的所述标准化数据，/>表示第j个指标数据的均值，/>表示第j个指标的标准差；
所述步骤S22具体包括：
步骤S221：使用所述标准化数据计算协方差矩阵；
步骤S222：对于所述协方差矩阵进行特征值分解，得到所述特征值和所述对应特征向量；
其中，步骤S221：利用所述标准化数据，计算协方差矩阵C，，/>为协方差矩阵C的第i行第j列的数据，/>即表示第i个指标和第j个指标之间的协方差；步骤S222对于协方差矩阵C进行特征值分解，可以得到特征值/>和对应的特征向量/>，/>，/>表示第i个特征值，/>表示第i个特征向量；
所述步骤S23具体包括：
步骤S231：根据所述特征值，选择所述特征向量，得到主成分矩阵；
步骤S232：利用所述主成分矩阵，得到主成分投影；
其中，步骤S231根据特征值的大小，选择前k个特征值对应的特征向量，作为主成分，可以得到主成分矩阵M，，/>，k表示选取的主成分个数，/>表示选取的主成分个数小于指标维度；步骤S232利用主成分矩阵M对标准化数据Z进行投影，可以得到主成分投影T，/>，主成分投影即第一指标；
步骤S31：利用随机森林算法，将步骤S212处理后的油品指标数值的数据集分离为训练集；
步骤S32：使用训练集来训练随机森林模型；
步骤S33：利用训练完的随机森林模型给出每个特征对目标变量的重要性评分；
所述步骤S33具体包括：
步骤S331：将变量重要性评分用VIM表示，将Gini指数用GI表示，特征表示为为特征个数，决策树棵树为I，类别为C，第j个特征在RF决策树中节点分裂不纯度的平均改变量/>，即每个特征/>的Gini指数评分；
第i棵树节点q的Gini指数的计算公式为：；
式中，表示节点q中类别c所占的比例；
特征在第i棵树节点q的重要性即节点q分枝前后的Gini指数变化量/>，计算的公式为：/>；
式中，和/>分别表示分枝后第i棵树中两个新节点I和r的Gini指数；
所述步骤S33具体包括：
步骤S332：在决策树中的重要性评分计算公式为：/>， ；
所述步骤S4具体包括：
基于指标权重和评分标准实时计算油品健康值的方法为模糊综合评价法，利用模糊数学的理论来处理评分指标之间的不确定性和模糊性；将评分指标的分值映射到隶属度函数上，然后将隶属度函数加权平均得到健康值，每次计算后更新。
2.根据权利要求1所述的电力系统实验数据自动诊断方法，其特征在于，所述步骤S5具体包括：
使用深度学习方法建立设备故障预测模型，依据模型预测结果自动匹配检修策略库，通过可视化手段将信息自动推送给维护人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505336.2A CN116226767B (zh) | 2023-05-08 | 2023-05-08 | 一种电力系统实验数据自动诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310505336.2A CN116226767B (zh) | 2023-05-08 | 2023-05-08 | 一种电力系统实验数据自动诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116226767A CN116226767A (zh) | 2023-06-06 |
| CN116226767B true CN116226767B (zh) | 2023-10-17 |
Family
ID=86584640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310505336.2A Active CN116226767B (zh) | 2023-05-08 | 2023-05-08 | 一种电力系统实验数据自动诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226767B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
| CN109543737A (zh) * | 2018-11-15 | 2019-03-29 | 国网四川省电力公司信息通信公司 | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 |
| CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
| WO2020233259A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于多中心模式下随机森林算法的特征重要性排序系统 |
| CN113112037A (zh) * | 2021-04-09 | 2021-07-13 | 宁夏力成电气集团有限公司 | 一种电力配电站远程运维健康管理系统及健康评估方法 |
| CN113343177A (zh) * | 2021-08-05 | 2021-09-03 | 北京磁浮有限公司 | 基于模糊综合评价理论的电梯设备健康状态诊断方法 |
| CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
| CN114444972A (zh) * | 2022-02-24 | 2022-05-06 | 湖南大学 | 基于图神经网络的电力变压器健康状态评估方法 |
| CN114757282A (zh) * | 2022-04-18 | 2022-07-15 | 广西电网有限责任公司 | 基于熵权法与随机森林模型的智能电表运行状态评估方法 |
| CN115508652A (zh) * | 2022-10-18 | 2022-12-23 | 国网浙江省电力有限公司宁波供电公司 | 电力系统缺陷定位检测方法和系统 |
| CN115630571A (zh) * | 2022-10-13 | 2023-01-20 | 延长油田股份有限公司 | 一种基于集成学习的油井示功图自动诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5530020B1 (ja) * | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常診断システム及び異常診断方法 |
-
2023
- 2023-05-08 CN CN202310505336.2A patent/CN116226767B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
| CN109543737A (zh) * | 2018-11-15 | 2019-03-29 | 国网四川省电力公司信息通信公司 | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 |
| CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
| WO2020233259A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于多中心模式下随机森林算法的特征重要性排序系统 |
| AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
| CN113112037A (zh) * | 2021-04-09 | 2021-07-13 | 宁夏力成电气集团有限公司 | 一种电力配电站远程运维健康管理系统及健康评估方法 |
| CN113343177A (zh) * | 2021-08-05 | 2021-09-03 | 北京磁浮有限公司 | 基于模糊综合评价理论的电梯设备健康状态诊断方法 |
| CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
| CN114444972A (zh) * | 2022-02-24 | 2022-05-06 | 湖南大学 | 基于图神经网络的电力变压器健康状态评估方法 |
| CN114757282A (zh) * | 2022-04-18 | 2022-07-15 | 广西电网有限责任公司 | 基于熵权法与随机森林模型的智能电表运行状态评估方法 |
| CN115630571A (zh) * | 2022-10-13 | 2023-01-20 | 延长油田股份有限公司 | 一种基于集成学习的油井示功图自动诊断方法 |
| CN115508652A (zh) * | 2022-10-18 | 2022-12-23 | 国网浙江省电力有限公司宁波供电公司 | 电力系统缺陷定位检测方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| Afshin Razmi 等.PCA-ANN integrated NSGA-III framework for dormitory building design optimization: Energy efficiency, daylight, and thermal comfort.《Applied Energy》.2021,第1-19页. * |
| 廖涛 ; 高利明 ; 徐二强 ; 赵岩 ; 张龙 ; 刘启明 ; .基于全时校验及综合赋值法的计量二次回路健康度评价.国外电子测量技术.2020,(02),第98-102页. * |
| 林锐涛 ; 林哲昊 ; 周勤兴 ; 彭显刚 ; 许方园 ; .电力用户停电影响指标体系及综合评估方法.电网技术.2020,(06),第374-384页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116226767A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
| Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
| Mota et al. | Evaluating the performance of machine learning methods and variable selection methods for predicting difficult-to-measure traits in Holstein dairy cattle using milk infrared spectral data | |
| CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
| CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及系统 | |
| CN113837578A (zh) | 一种电力监理企业网格化监督管理评价方法 | |
| CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
| CN112434739A (zh) | 一种基于多核学习的支持向量机的化工过程故障诊断方法 | |
| CN117789038B (zh) | 一种基于机器学习的数据处理与识别模型的训练方法 | |
| CN110220885B (zh) | 一种机械设备磨损状态综合判断方法 | |
| CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
| CN114974306A (zh) | 一种基于深度学习的变压器异常声纹检测识别方法和装置 | |
| CN118501692A (zh) | 伺服电机故障诊断方法及系统 | |
| Song et al. | Comprehensive evaluation of the transformer oil-paper insulation state based on RF-combination weighting and an improved TOPSIS method | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 | |
| CN116226767B (zh) | 一种电力系统实验数据自动诊断方法 | |
| ZUBEDI et al. | Implementation of Winsorizing and random oversampling on data containing outliers and unbalanced data with the random forest classification method | |
| CN116150604B (zh) | 变压器故障诊断方法、装置及电子设备 | |
| CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN113933334B (zh) | 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法 | |
| CN115630332A (zh) | 一种小麦粉粉质特性预测方法 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| CN115099332A (zh) | 一种基于混合森林的雷达数据实时处理方法及系统 |
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 |