CN116933088A - 一种二次设备故障数据生成方法、装置、电子设备及介质 - Google Patents
一种二次设备故障数据生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116933088A CN116933088A CN202310953766.0A CN202310953766A CN116933088A CN 116933088 A CN116933088 A CN 116933088A CN 202310953766 A CN202310953766 A CN 202310953766A CN 116933088 A CN116933088 A CN 116933088A
- Authority
- CN
- China
- Prior art keywords
- secondary equipment
- fault data
- substation secondary
- data
- substation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 86
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 208000037408 Device failure Diseases 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/094—Adversarial learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种二次设备故障数据生成方法、装置、电子设备及介质。通过获取当前变电站二次设备故障数据;对其按照预先构建的故障数据特征提取构建方法进行特征构建,确定出当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到变电站二次设备故障生成数据,并将其存储于故障数据库中,以实现根据变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。解决了由于变电站故障次数有限而导致的变电站二次设备故障样本数据少的问题,能够生成大量的变电站二次设备故障数据,以用来变电站二次设备故障模型的训练。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种二次设备故障数据生成方法、装置、电子设备及介质。
背景技术
随着人工智能技术的发展,对于智能变电站二次故障的定位,可以根据深度学习理论进行智能变电站二次故障定位。深度学习方法通常需要二次设备故障数据样本进行训练来得到智能变电站二次故障定位模型,为了获取更好的应用效果,需要大量的二次设备故障数据样本。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:目前,在实际智能变电站运行中,由于变电站二次设备故障次数有限,难以获得大量二次故障样本,所得到的故障样本规模达不到深度学习的要求,给人工智能方法的应用带来困难。
发明内容
本发明提供了一种二次设备故障数据生成方法、装置、电子设备及介质,以实现生成大量的变电站二次设备故障数据。
根据本发明的一方面,提供了一种二次设备故障数据生成方法,其中,包括:
获取当前变电站二次设备故障数据;
对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;
预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;
将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
根据本发明的另一方面,提供了一种二次设备故障数据生成装置,其中,包括:
当前变电站二次设备故障数据获取模块,用于获取当前变电站二次设备故障数据;
当前变电站二次设备故障数据特征集合确定模块,用于对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;
历史变电站二次设备故障生成数据确定模块,用于预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的历史变电站二次设备故障生成数据;
变电站二次设备故障生成数据存储模块,用于将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
根据本发明的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现本发明任一实施例所述的二次设备故障数据生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的二次设备故障数据生成方法。
本发明实施例的技术方案,通过获取当前变电站二次设备故障数据;对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。解决了由于变电站故障次数有限而导致的变电站二次设备故障样本数据少的问题,能够生成大量的变电站二次设备故障数据,以用来变电站二次设备故障模型的训练。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种二次设备故障数据生成方法的流程图;
图2是根据本发明实施例二提供的一种二次设备故障数据生成装置的结构示意图;
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种二次设备故障数据生成方法的流程图,本实施例可适用于对变电站二次设备故障数据进行大量生成的情况,该方法可以由二次设备故障数据生成装置来执行,该二次设备故障数据生成装置可以采用硬件和/或软件的形式实现。
相应的,如图1所示,该方法包括:
S110、获取当前变电站二次设备故障数据。
其中,当前变电站二次设备故障数据可以获取到当前变电站的二次设备的故障数据。
具体的,变电站二次设备可以包括智能终端、变电站测控装置、保护终端设备装置、以及交换机。
进一步的,变电站二次设备可以包括第一类变电站二次设备和第二类变电站二次设备。另外的,第一类变电站二次设备可以包括:智能终端装置、变电站测控装置、以至少一个保护终端设备装置;第二类变电站二次设备包括:至少一个交换机。
可选的,在所述获取当前变电站二次设备故障数据之前,还包括:获取历史变电站二次设备故障数据,并对所述历史变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出历史变电站二次设备故障数据特征集合;将所述历史变电站二次设备故障数据特征集合输入至初始变电站二次故障数据生成工具进行参数优化,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;其中,所述初始变电站二次故障数据生成工具包括生成器网络和判别器网络。
其中,历史变电站二次设备故障数据可以是获取变电站的历史二次设备的故障数据。历史变电站二次设备故障数据特征集合可以是有多个历史变电站二次设备故障数据特征构成的集合。初始变电站二次故障数据生成工具可以是预先构建的初始的变电站二次故障数据的生成工具。目标生成对抗网络目标函数可以是预先设置的生成对抗网络的目标函数,可以是通过生成器网络和判别器网络来构成的函数。变电站二次故障数据生成工具可以是能够实现变电站二次故障数据生成的工具。生成器网络可以是由生成器构成的网络,并且生成器网络对应生成器网络损失函数。判别器网络可以是由判别器构成的网络,并且判别器网络对应判别器网络损失函数。
在本实施例中,获取历史变电站二次设备故障数据,并对所述历史变电站二次设备故障数据进行特征提取和构建,得到历史变电站二次设备故障数据特征集合。进一步的,根据历史变电站二次设备故障数据特征集合和初始变电站二次故障数据生成工具来进行变电站二次故障数据生成工具的构建。
可选的,所述将所述历史变电站二次设备故障数据特征集合输入至初始变电站二次故障数据生成工具进行参数优化,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具,包括:将所述随机噪声数据输入至所述生成器网络中,得到随机噪声生成数据;其中,所述生成器网络对应的生成器网络损失函数Lg公式为:Lg=-Ez{D[G(z,α),β]};其中,Ez表示含有所述随机噪声的数学期望,z表示随机噪声数据,α表示生成器网络参数,β表示判别器网络参数,G(z,α)表示随机噪声输入生成器网络的输出,D表示判别器的输出;将所述历史变电站二次设备故障数据特征集合和所述随机噪声生成数据输入至判别器网络中进行判别,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;其中,判别器网络对应的判别器网络损失函数Ld为:Ld=-Et{D(t,β)+Ez{D[G(z,α),β]}};t表示历史变电站二次设备故障数据特征集合,Et表示含有所述历史变电站二次设备故障数据特征集合的数学期望;所述生成对抗网络目标函数f(G,D)为:
其中,随机噪声数据可以是一种由时间上随机产生的大量起伏骚扰积累而造成的,其值在给定瞬间内不能预测的噪声。随机噪声生成数据可以是随机噪声数据通过生成器网络得到的生成数据。
在本实施例中,在通过随机噪声数据得到随机噪声生成数据之后,并将历史变电站二次设备故障数据特征集合和随机噪声生成数据一起输入至判别器网络中进行判别,并通过调整生成器网络损失函数来实现对生成器网络的调整,直至满足目标生成对抗网络目标函数的要求时(也即判别器区分不出来随机噪声生成数据和历史变电站二次设备故障数据特征集合对应的数据),得到变电站二次故障数据生成工具。
S120、对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合。
其中,当前变电站二次设备故障数据特征集合可以是由多个当前变电站二次设备故障数据特征构成的集合。
在本实施例中,根据智能变电站内设备通信关系,将通信网络分为发送端、交换机、光纤链路、以及接收端。当通信网络发生故障时,信息流相对应的节点。
具体的,发/收设备故障数据特征的确定过程:根据智能变电站内具有发/收信息的二次设备(比如说:智能终端、保护终端设备装置和变电站测控装置)进行故障数据的收发,并且二次设备具备信息流监测功能。当发/收端设备故障时,监测节点发出装置异常告警和报文接受异常告警。当交换机或通信链路故障时,监测节点发出报文接受异常告警。
另外的,交换机故障数据特征的确定过程:交换机是智能变电站信息传播的媒介,配置有报文统计功能。当通信网络故障时,流经交换机的报文流量异常,监测节点发出报文流量异常告警;当交换机故障时,监测节点发出装置异常告警。
可选的,所述对所述历史变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出历史变电站二次设备故障数据特征集合,包括:对所述历史变电站二次设备故障数据进行数据解析,确定出第一类变电站二次设备、第二类变电站二次设备、与第一类变电站二次设备对应的第一类变电站二次设备故障数据描述信息和第一类变电站二次设备状态描述信息、以及与第二类变电站二次设备对应的第二类变电站二次设备故障数据描述信息和第二类变电站二次设备状态描述信息;根据所述第一类变电站二次设备、第一类变电站二次设备故障数据描述信息、第二类变电站二次设备、以及第二类变电站二次设备故障数据描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据特征子集合;获取与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,并根据所述第一类变电站二次设备状态描述信息和第二类变电站二次设备状态描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据定位子集合;根据所述变电站二次设备故障数据特征子集合和所述变电站二次设备故障数据定位子集合,确定出历史变电站二次设备故障数据特征集合。
其中,第一类变电站二次设备可以是包括智能终端、变电站测控装置、以及至少一个保护终端设备装置的变电站二次设备。第二类变电站二次设备可以是包括至少一个交换机的变电站二次设备。第一类变电站二次设备故障数据描述信息可以是对第一类变电站二次设备对应的故障数据进行描述的数据信息。第一类变电站二次设备状态描述信息可以是对第一类变电站二次设备的状态进行描述的数据信息。
其中,第二类变电站二次设备故障数据描述信息可以是对第二类变电站二次设备对应的故障数据进行描述的数据信息。第二类变电站二次设备状态描述信息可以是对第二类变电站二次设备的状态进行描述的数据信息。变电站二次设备故障数据特征子集合可以是描述故障数据对应的变电站二次设备故障数据特征的集合。
其中,数据链路状态描述信息可以是描述各个数据链路的状态的描述信息。变电站二次设备故障数据定位子集合可以是描述故障数据对应的变电站二次设备故障定位的集合。
在本实施例中,需要对历史变电站二次设备故障数据进行数据解析,进行特征的提取和构建,得到历史变电站二次设备故障数据特征集合。这样得到的历史变电站二次设备故障数据特征集合可以更准确地进行历史变电站二次设备故障数据的特征描述。
可选的,所述根据所述第一类变电站二次设备、第一类变电站二次设备故障数据描述信息、第二类变电站二次设备、以及第二类变电站二次设备故障数据描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据特征子集合,包括:按照预先构建的故障数据特征提取构建方法,构建得到与所述第一类变电站二次设备对应的第一故障数据矩阵,并根据所述第一类变电站二次设备故障数据描述信息,构建得到第二故障数据矩阵;根据所述第一故障数据矩阵和所述第二故障数据矩阵,构建得到第一变电站二次设备故障数据特征子集合;根据第二类变电站二次设备,构建得到第三故障数据矩阵,以及根据所述第二类变电站二次设备故障数据描述信息,构建得到第四故障数据矩阵;根据所述第三故障数据矩阵和所述第四故障数据矩阵,构建得到第二变电站二次设备故障数据特征子集合;通过预先设置的集合填充方法,构建得到与第一变电站二次设备故障数据特征子集合和第二变电站二次设备故障数据特征子集合对应的所述变电站二次设备故障数据特征子集合。
其中,第一故障数据矩阵可以是根据第一类变电站二次设备的总数量进行构建的数据矩阵。第二故障数据矩阵可以是根据第一类变电站二次设备故障数据描述信息,比如说报文接收异常告警的具体描述信息情况的矩阵。第一变电站二次设备故障数据特征子集合可以是根据第一故障数据矩阵和第二故障数据矩阵,由矩阵进行子集合的表示。
其中,第三故障数据矩阵可以是根据第二类变电站二次设备的总数量进行构建的数据矩阵。第四故障数据矩阵可以是根据第二类变电站二次设备故障数据描述信息,比如说报文流量异常告警的具体描述信息情况的矩阵。第二变电站二次设备故障数据特征子集合可以是根据第三故障数据矩阵和第四故障数据矩阵构建得到的矩阵,由矩阵进行子集合的表示。
具体的,按照预先构建的故障数据特征提取构建方法,构建得到与所述第一类变电站二次设备对应的第一故障数据矩阵,并根据所述第一类变电站二次设备故障数据描述信息,构建得到第二故障数据矩阵,包括:在所述第一类变电站二次设备中,确定出目标异常告警第一类变电站二次设备,并将所述目标异常告警第一类变电站二次设备进行置1操作,以及剩余的第一类变电站二次设备进行置0操作,构建得到第一故障数据矩阵;其中,所述第一故障数据矩阵为m*1的矩阵;其中,m表示第一类变电站二次设备的数量;根据所述第一类变电站二次设备故障数据描述信息,确定出与所述第一类变电站二次设备对应的异常报文数据描述信息,并将所述异常报文数据描述信息进行置1操作,以及非异常报文数据描述信息进行置0操作,构建得到第二故障数据矩阵;其中,所述第二故障数据矩阵为m*n的矩阵;其中,n表示异常报文数据的数量。
另外的,所述根据第二类变电站二次设备,构建得到第三故障数据矩阵,以及根据所述第二类变电站二次设备故障数据描述信息,构建得到第四故障数据矩阵,包括:在所述第二类变电站二次设备中,确定出目标异常告警第二类变电站二次设备,并将所述目标异常告警第二类变电站二次设备进行置1操作,以及剩余的第二类变电站二次设备进行置0操作,构建得到第三故障数据矩阵;其中,所述第三故障数据矩阵为j*1的矩阵;其中,j表示第二类变电站二次设备的数量;根据所述第二类变电站二次设备故障数据描述信息,确定出与所述第二类变电站二次设备对应的异常报文流量数据描述信息,并将所述异常报文流量数据描述信息进行置1操作,以及非异常报文流量数据描述信息进行置0操作,构建得到第四故障数据矩阵;其中,所述第四故障数据矩阵为j*k的矩阵;其中,k表示异常报文数据的数量。
可选的,所述获取与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,并根据所述第一类变电站二次设备状态描述信息和第二类变电站二次设备状态描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据定位子集合,包括:通过预先构建的故障数据特征提取构建方法,根据所述第一类变电站二次设备状态描述信息,来构建得到第一变电站二次设备故障数据定位矩阵;根据所述第二类变电站二次设备状态描述信息,来构建得到第二变电站二次设备故障数据定位矩阵;获取并根据与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,来构建得到第三变电站二次设备故障数据定位矩阵;其中,所述数据链路包括第一类数据链路、第二类数据链路和第三类数据链路;根据所述第一变电站二次设备故障数据定位矩阵、所述第二变电站二次设备故障数据定位矩阵和所述第三变电站二次设备故障数据定位矩阵,来构建得到变电站二次设备故障数据定位子集合。
其中,第一变电站二次设备故障数据定位矩阵可以是对第一类变电站二次设备状态描述信息进行解析得到的定位矩阵。第二变电站二次设备故障数据定位矩阵可以是对第二类变电站二次设备状态描述信息进行解析得到的定位矩阵。第三变电站二次设备故障数据定位矩阵可以是对数据链路状态描述信息进行解析得到的定位矩阵。
进一步的,根据第一变电站二次设备故障数据定位矩阵、第二变电站二次设备故障数据定位矩阵和第三变电站二次设备故障数据定位矩阵,来进一步地构建得到变电站二次设备故障数据定位矩阵,进一步的,来构建得到变电站二次设备故障数据定位子集合。
另外的,交换机与各所述保护终端设备装置通过第一类数据链路进行历史变电站二次设备故障数据的收发;交换机与所述智能终端装置通过第二类数据链路进行历史变电站二次设备故障数据的收发;交换机与所述变电站测控装置通过第三类数据链路进行历史变电站二次设备故障数据的收发。
示例性的,假设第一变电站二次设备故障数据定位矩阵为1*m的矩阵,其中,m表示第一类变电站二次设备的数量;第二变电站二次设备故障数据定位矩阵为1*j的矩阵;j表示第二类变电站二次设备的数量;第三变电站二次设备故障数据定位矩阵为1*p的矩阵;其中,p表示链路的总数量。可以构建得到变电站二次设备故障数据定位子集合为1*(m+j+p)的集合。
S130、预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据。
其中,变电站二次设备故障生成数据可以是对当前变电站二次设备故障数据进行数据生成处理,得到的生成数据。
在本实施例中,根据随机噪声数据和当前变电站二次设备故障数据特征集合,来通过变电站二次故障数据生成工具实现变电站二次设备故障生成数据的生成处理。
S140、将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
其中,故障数据库可以是能够进行故障数据存储的数据库。
在本实施例中,在得到变电站二次设备故障生成数据之后,将该变电站二次设备故障生成数据存储于数据库中,在进行模型的训练的时候,可以直接从故障数据库中进行数据样本的获取处理,以用来实现对变电站二次设备故障模型进行训练操作。
本发明的实施例的技术方案,通过获取当前变电站二次设备故障数据;对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。解决了由于变电站故障次数有限而导致的变电站二次设备故障样本数据少的问题,能够生成大量的变电站二次设备故障数据,以用来变电站二次设备故障模型的训练。
实施例二
图2为本发明实施例二提供的一种二次设备故障数据生成装置的结构示意图。本实施例所提供的一种二次设备故障数据生成装置可以通过软件和/或硬件来实现,可配置于终端设备或者服务器中,来实现本发明实施例中的一种二次设备故障数据生成方法。如图2所示,该装置包括:当前变电站二次设备故障数据获取模块210、当前变电站二次设备故障数据特征集合确定模块220、历史变电站二次设备故障生成数据确定模块230和变电站二次设备故障生成数据存储模块240。
其中,当前变电站二次设备故障数据获取模块210,用于获取当前变电站二次设备故障数据;
当前变电站二次设备故障数据特征集合确定模块220,用于对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;
历史变电站二次设备故障生成数据确定模块230,用于预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的历史变电站二次设备故障生成数据;
变电站二次设备故障生成数据存储模块240,用于将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
本发明的实施例的技术方案,通过获取当前变电站二次设备故障数据;对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。解决了由于变电站故障次数有限而导致的变电站二次设备故障样本数据少的问题,能够生成大量的变电站二次设备故障数据,以用来变电站二次设备故障模型的训练。
可选的,还包括,变电站二次故障数据生成工具确定模块,可以具体用于:在所述获取当前变电站二次设备故障数据之前,获取历史变电站二次设备故障数据,并对所述历史变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出历史变电站二次设备故障数据特征集合;将所述历史变电站二次设备故障数据特征集合输入至初始变电站二次故障数据生成工具进行参数优化,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;其中,所述初始变电站二次故障数据生成工具包括生成器网络和判别器网络。
可选的,还包括,变电站二次故障数据生成工具确定模块,还可以具体用于:将所述随机噪声数据输入至所述生成器网络中,得到随机噪声生成数据;其中,所述生成器网络对应的生成器网络损失函数Lg公式为:Lg=-Ez{D[G(z,α),β]};其中,Ez表示含有所述随机噪声的数学期望,z表示随机噪声数据,α表示生成器网络参数,β表示判别器网络参数,G(z,α)表示随机噪声输入生成器网络的输出,D表示判别器的输出;将所述历史变电站二次设备故障数据特征集合和所述随机噪声生成数据输入至判别器网络中进行判别,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;其中,判别器网络对应的判别器网络损失函数Ld为:Ld=-Et{D(t,β)+Ez{D[G(z,α),β]}};t表示历史变电站二次设备故障数据特征集合,Et表示含有所述历史变电站二次设备故障数据特征集合的数学期望。
其中,所述生成对抗网络目标函数f(G,D)为:
可选的,当前变电站二次设备故障数据特征集合确定模块220,可以具体用于:对所述历史变电站二次设备故障数据进行数据解析,确定出第一类变电站二次设备、第二类变电站二次设备、与第一类变电站二次设备对应的第一类变电站二次设备故障数据描述信息和第一类变电站二次设备状态描述信息、以及与第二类变电站二次设备对应的第二类变电站二次设备故障数据描述信息和第二类变电站二次设备状态描述信息;根据所述第一类变电站二次设备、第一类变电站二次设备故障数据描述信息、第二类变电站二次设备、以及第二类变电站二次设备故障数据描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据特征子集合;获取与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,并根据所述第一类变电站二次设备状态描述信息和第二类变电站二次设备状态描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据定位子集合;根据所述变电站二次设备故障数据特征子集合和所述变电站二次设备故障数据定位子集合,确定出历史变电站二次设备故障数据特征集合。
可选的,当前变电站二次设备故障数据特征集合确定模块220,还可以具体用于:所述第一类变电站二次设备包括:智能终端装置、变电站测控装置、以至少一个保护终端设备装置;所述第二类变电站二次设备包括:至少一个交换机;其中,所述交换机与各所述保护终端设备装置通过第一类数据链路进行历史变电站二次设备故障数据的收发;所述交换机与所述智能终端装置通过第二类数据链路进行历史变电站二次设备故障数据的收发;所述交换机与所述变电站测控装置通过第三类数据链路进行历史变电站二次设备故障数据的收发。
可选的,当前变电站二次设备故障数据特征集合确定模块220,还可以具体用于:按照预先构建的故障数据特征提取构建方法,构建得到与所述第一类变电站二次设备对应的第一故障数据矩阵,并根据所述第一类变电站二次设备故障数据描述信息,构建得到第二故障数据矩阵;根据所述第一故障数据矩阵和所述第二故障数据矩阵,构建得到第一变电站二次设备故障数据特征子集合;根据第二类变电站二次设备,构建得到第三故障数据矩阵,以及根据所述第二类变电站二次设备故障数据描述信息,构建得到第四故障数据矩阵;根据所述第三故障数据矩阵和所述第四故障数据矩阵,构建得到第二变电站二次设备故障数据特征子集合;通过预先设置的集合填充方法,构建得到与第一变电站二次设备故障数据特征子集合和第二变电站二次设备故障数据特征子集合对应的所述变电站二次设备故障数据特征子集合。
可选的,当前变电站二次设备故障数据特征集合确定模块220,还可以具体用于:通过预先构建的故障数据特征提取构建方法,根据所述第一类变电站二次设备状态描述信息,来构建得到第一变电站二次设备故障数据定位矩阵;根据所述第二类变电站二次设备状态描述信息,来构建得到第二变电站二次设备故障数据定位矩阵;获取并根据与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,来构建得到第三变电站二次设备故障数据定位矩阵;其中,所述数据链路包括第一类数据链路、第二类数据链路和第三类数据链路;根据所述第一变电站二次设备故障数据定位矩阵、所述第二变电站二次设备故障数据定位矩阵和所述第三变电站二次设备故障数据定位矩阵,来构建得到变电站二次设备故障数据定位子集合。
本发明实施例所提供的二次设备故障数据生成装置可执行本发明任意实施例所提供的二次设备故障数据生成方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如二次设备故障数据生成方法。
在一些实施例中,二次设备故障数据生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的二次设备故障数据生成方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行二次设备故障数据生成方法。
该方法包括:获取当前变电站二次设备故障数据;对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质,所述计算机可读指令在由计算机处理器执行时用于执行一种二次设备故障数据生成方法,该方法包括:获取当前变电站二次设备故障数据;对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的二次设备故障数据生成方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述二次设备故障数据生成装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种二次设备故障数据生成方法,其特征在于,包括:
获取当前变电站二次设备故障数据;
对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;
预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的变电站二次设备故障生成数据;
将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
2.根据权利要求1所述的方法,其特征在于,在所述获取当前变电站二次设备故障数据之前,还包括:
获取历史变电站二次设备故障数据,并对所述历史变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出历史变电站二次设备故障数据特征集合;
将所述历史变电站二次设备故障数据特征集合输入至初始变电站二次故障数据生成工具进行参数优化,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;
其中,所述初始变电站二次故障数据生成工具包括生成器网络和判别器网络。
3.根据权利要求2所述的方法,其特征在于,所述将所述历史变电站二次设备故障数据特征集合输入至初始变电站二次故障数据生成工具进行参数优化,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具,包括:
将所述随机噪声数据输入至所述生成器网络中,得到随机噪声生成数据;
其中,所述生成器网络对应的生成器网络损失函数Lg公式为:Lg=-Ez{D[G(z,α),β]};其中,Ez表示含有所述随机噪声的数学期望,z表示随机噪声数据,α表示生成器网络参数,β表示判别器网络参数,G(z,α)表示随机噪声输入生成器网络的输出,D表示判别器的输出;
将所述历史变电站二次设备故障数据特征集合和所述随机噪声生成数据输入至判别器网络中进行判别,直至满足目标生成对抗网络目标函数的要求时,确定构建完成变电站二次故障数据生成工具;
其中,判别器网络对应的判别器网络损失函数Ld为:Ld=-Et{D(t,β)+Ez{D[G(z,α),β]}};t表示历史变电站二次设备故障数据特征集合,Et表示含有所述历史变电站二次设备故障数据特征集合的数学期望;所述生成对抗网络目标函数f(G,D)为:
4.根据权利要求3所述的方法,其特征在于,所述对所述历史变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出历史变电站二次设备故障数据特征集合,包括:
对所述历史变电站二次设备故障数据进行数据解析,确定出第一类变电站二次设备、第二类变电站二次设备、与第一类变电站二次设备对应的第一类变电站二次设备故障数据描述信息和第一类变电站二次设备状态描述信息、以及与第二类变电站二次设备对应的第二类变电站二次设备故障数据描述信息和第二类变电站二次设备状态描述信息;
根据所述第一类变电站二次设备、第一类变电站二次设备故障数据描述信息、第二类变电站二次设备、以及第二类变电站二次设备故障数据描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据特征子集合;
获取与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,并根据所述第一类变电站二次设备状态描述信息和第二类变电站二次设备状态描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据定位子集合;
根据所述变电站二次设备故障数据特征子集合和所述变电站二次设备故障数据定位子集合,确定出历史变电站二次设备故障数据特征集合。
5.根据权利要求4所述的方法,其特征在于,所述第一类变电站二次设备包括:智能终端装置、变电站测控装置、以至少一个保护终端设备装置;
所述第二类变电站二次设备包括:至少一个交换机;
其中,所述交换机与各所述保护终端设备装置通过第一类数据链路进行历史变电站二次设备故障数据的收发;所述交换机与所述智能终端装置通过第二类数据链路进行历史变电站二次设备故障数据的收发;所述交换机与所述变电站测控装置通过第三类数据链路进行历史变电站二次设备故障数据的收发。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一类变电站二次设备、第一类变电站二次设备故障数据描述信息、第二类变电站二次设备、以及第二类变电站二次设备故障数据描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据特征子集合,包括:
按照预先构建的故障数据特征提取构建方法,构建得到与所述第一类变电站二次设备对应的第一故障数据矩阵,并根据所述第一类变电站二次设备故障数据描述信息,构建得到第二故障数据矩阵;
根据所述第一故障数据矩阵和所述第二故障数据矩阵,构建得到第一变电站二次设备故障数据特征子集合;
根据第二类变电站二次设备,构建得到第三故障数据矩阵,以及根据所述第二类变电站二次设备故障数据描述信息,构建得到第四故障数据矩阵;
根据所述第三故障数据矩阵和所述第四故障数据矩阵,构建得到第二变电站二次设备故障数据特征子集合;
通过预先设置的集合填充方法,构建得到与第一变电站二次设备故障数据特征子集合和第二变电站二次设备故障数据特征子集合对应的所述变电站二次设备故障数据特征子集合。
7.根据权利要求6所述的方法,其特征在于,所述获取与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,并根据所述第一类变电站二次设备状态描述信息和第二类变电站二次设备状态描述信息,按照预先构建的故障数据特征提取构建方法进行特征构建,得到变电站二次设备故障数据定位子集合,包括:
通过预先构建的故障数据特征提取构建方法,根据所述第一类变电站二次设备状态描述信息,来构建得到第一变电站二次设备故障数据定位矩阵;
根据所述第二类变电站二次设备状态描述信息,来构建得到第二变电站二次设备故障数据定位矩阵;
获取并根据与所述历史变电站二次设备故障数据对应的数据链路状态描述信息,来构建得到第三变电站二次设备故障数据定位矩阵;
其中,所述数据链路包括第一类数据链路、第二类数据链路和第三类数据链路;
根据所述第一变电站二次设备故障数据定位矩阵、所述第二变电站二次设备故障数据定位矩阵和所述第三变电站二次设备故障数据定位矩阵,来构建得到变电站二次设备故障数据定位子集合。
8.一种二次设备故障数据生成装置,其特征在于,包括:
当前变电站二次设备故障数据获取模块,用于获取当前变电站二次设备故障数据;
当前变电站二次设备故障数据特征集合确定模块,用于对所述当前变电站二次设备故障数据按照预先构建的故障数据特征提取构建方法进行特征构建,确定出与所述当前变电站二次设备故障数据对应的当前变电站二次设备故障数据特征集合;
历史变电站二次设备故障生成数据确定模块,用于预先设置随机噪声数据,并根据所述当前变电站二次设备故障数据特征集合,通过预先构建的变电站二次故障数据生成工具进行数据样本生成处理,得到与所述当前变电站二次设备故障数据对应的历史变电站二次设备故障生成数据;
变电站二次设备故障生成数据存储模块,用于将所述变电站二次设备故障生成数据存储于故障数据库中,以实现根据所述变电站二次设备故障生成数据来进行变电站二次设备故障模型训练。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的二次设备故障数据生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现如权利要求1-7中任一项所述的二次设备故障数据生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953766.0A CN116933088A (zh) | 2023-07-31 | 2023-07-31 | 一种二次设备故障数据生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310953766.0A CN116933088A (zh) | 2023-07-31 | 2023-07-31 | 一种二次设备故障数据生成方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933088A true CN116933088A (zh) | 2023-10-24 |
Family
ID=88394037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310953766.0A Pending CN116933088A (zh) | 2023-07-31 | 2023-07-31 | 一种二次设备故障数据生成方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933088A (zh) |
-
2023
- 2023-07-31 CN CN202310953766.0A patent/CN116933088A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN116933088A (zh) | 一种二次设备故障数据生成方法、装置、电子设备及介质 | |
CN115034192A (zh) | 数据表格的生成校验方法、装置、设备及介质 | |
CN114938385B (zh) | 一种电力物理网安全态势感知方法、装置、设备及介质 | |
CN114816758B (zh) | 资源分配方法和装置 | |
CN117331924A (zh) | 一种数据模型匹配度核查方法、装置、设备及存储介质 | |
CN116911466A (zh) | 园区建设程度的确定方法、装置、设备及介质 | |
CN116915588A (zh) | 一种二次设备故障定位方法、装置、电子设备及存储介质 | |
CN117749614A (zh) | 一种协议规则确定方法、装置、电子设备及存储介质 | |
CN117763091A (zh) | 一种基于权重修正的设备故障检测方法及相关组件 | |
CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
CN115361308A (zh) | 一种工控网络数据风险确定方法、装置、设备及存储介质 | |
CN114936379A (zh) | 文件扫描方法、装置、电子设备及存储介质 | |
CN116796225A (zh) | 一种异常用户识别方法、装置、设备及存储介质 | |
CN116842837A (zh) | 一种变压器故障诊断方法、装置、电子设备及存储介质 | |
CN115495380A (zh) | 测试用例生成方法、装置、电子设备及存储介质 | |
CN118152465A (zh) | 一种数据转换方法、装置、设备以及存储介质 | |
CN117033148A (zh) | 风险业务接口的告警方法、装置、电子设备和介质 | |
CN115208871A (zh) | 一种制氢设备监控系统、方法及存储介质 | |
CN115309578A (zh) | 微服务链路的异常定位方法、装置、设备及存储介质 | |
CN116973668A (zh) | 一种电网线路故障诊断方法、装置、电子设备和存储介质 | |
CN115391376A (zh) | 一种电力故障的查询方法、装置、电子设备及存储介质 |
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 |