CN120123852B - 一种电力设备运行状态分析方法、系统、设备及介质 - Google Patents

一种电力设备运行状态分析方法、系统、设备及介质

Info

Publication number
CN120123852B
CN120123852B CN202510608268.1A CN202510608268A CN120123852B CN 120123852 B CN120123852 B CN 120123852B CN 202510608268 A CN202510608268 A CN 202510608268A CN 120123852 B CN120123852 B CN 120123852B
Authority
CN
China
Prior art keywords
parameter
network
judgment
classification
analysis
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
Application number
CN202510608268.1A
Other languages
English (en)
Other versions
CN120123852A (zh
Inventor
顾振飞
庄友淳
张翼英
何清素
保承家
药炜
王奔
陆建华
王常明
陈灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiamusi Power Supply Co Ltd State Grid Heilongjiang Electric Power Co Ltd
Original Assignee
Nanjing Vocational College Of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Vocational College Of Information Technology filed Critical Nanjing Vocational College Of Information Technology
Priority to CN202510608268.1A priority Critical patent/CN120123852B/zh
Publication of CN120123852A publication Critical patent/CN120123852A/zh
Application granted granted Critical
Publication of CN120123852B publication Critical patent/CN120123852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/092—Reinforcement learning

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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力设备运行状态分析技术领域，公开了一种电力设备运行状态分析方法、系统、设备及介质，方法包括：获取目标电力设备的第一参数，并对第一参数进行第一分类，对第一分类后的第一参数进行第一预处理，得到第二参数，建立第一分析模型，根据第二参数对第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型，响应于目标电力设备实时数据输入第二分析模型，得到电力设备运行状态分析结果。该方法充分考虑了电力设备运行状态的复杂性和多样性，通过精细的参数分类和预处理，以及先进的四层网络架构分析模型，实现了对电力设备运行状态的准确分析和实时监控。

Description

一种电力设备运行状态分析方法、系统、设备及介质
技术领域
本发明涉及电力设备运行状态分析技术领域，尤其涉及一种电力设备运行状态分析方法、系统、设备及介质。
背景技术
随着现代电力系统的规模和复杂性的不断增加，对电力设备运行状态进行准确分析和实时监控的需求日益增长。传统的电力设备监测方法主要依赖于定期维护和人工检查，这种方法不仅效率低下，而且难以及时发现潜在问题，可能导致设备故障或停电事故的发生。此外，电力设备的运行状态受到多种因素的影响，包括但不限于内部参数（如温度、电压等）以及外部环境参数（如天气条件、地理因素等），这些参数之间复杂的相互作用使得对电力设备状态的准确评估变得更加困难。
近年来，随着人工智能和机器学习技术的发展，利用数据驱动的方法来分析电力设备的运行状态逐渐成为研究热点。通过收集和分析大量的历史数据，可以建立有效的模型预测电力设备可能出现的问题，从而实现预防性维护。然而，现有的模型往往未能充分考虑动态参数与静态参数之间的差异及其对电力设备运行状态的不同影响，导致预测结果不够精确。
发明内容
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种电力设备运行状态分析方法、系统、设备及介质，能够解决现有技术中电力设备运行状态分析不准确的问题，特别是未能充分考虑动态参数与静态参数差异的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明提供了一种电力设备运行状态分析方法，包括：
获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述对所述第一参数进行第一分类包括：
所述第一参数包括第一内部参数以及第二外部参数；
所述第一分类包括：
预设第一参数分类库以及第二参数分类判断逻辑；
根据所述第一参数分类库获取所述第一内部参数以及第二外部参数中的已分类参数以及未分类参数；
根据所述第二参数分类判断逻辑对所述未分类参数进行分类判断，得到分类判断结果；
根据所述已分类参数以及分类判断结果获取第一动态参数以及第一静态参数。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述第一分类还包括：
初始的第一参数分类库为空白库；
初始的第一分类仅通过第二参数分类判断逻辑进行初始的分类判断，初始的第一分类根据所述第二参数分类判断逻辑对初始的第一参数进行分类判断；
根据初始的分类判断结果中的参数，建立非空白第一参数分类库。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述第一分析模型还包括：
所述两个输入端分别为第一特征判断网络架构以及第二特征判断网络架构的输入端；
所述第一特征判断网络架构以及第二特征判断网络架构中一个用于处理第二参数中的第二动态数据，另外一个用于处理第二参数中的第二静态数据；
所述第一特征判断网络架构的输出为第一状态分析结果；
所述第二特征判断网络架构的输出为第二状态分析结果；
所述第一状态分析结果以及第二状态分析结果为所述第三状态分析网络结构的输入。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述第一分析模型还包括：
所述第三状态分析网络结构用于针对所述第一状态分析结果以及第二状态分析结果进行第三状态分析；
预设第三状态分析逻辑，所述第三状态分析网络结构根据所述第三状态分析逻辑建立；
所述第三状态分析的结果为目标电力设备最终分析状态；
将所述最终分析状态作为输入，输入至所述第四决策网络结构。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述第一分析模型还包括：
所述第四决策网络结构用于根据所述最终分析状态决策状态处理策略；
所述状态处理策略包括若干个针对不同目标电力设备运行状态的处理策略。
作为本发明所述的电力设备运行状态分析方法的一种优选方案，其中：所述四层网络架构均包括不同的网络目标函数以及网络约束条件。
第二方面，本发明提供了一种电力设备运行状态分析系统，包括：
数据获取与分类模块，用于获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
预处理模块，用于对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
模型建立模块，用于建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
模型训练模块，用于根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
分析模块，用于响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
与现有技术相比，本发明的有益效果为：本发明提出一种电力设备运行状态分析方法、系统、设备及介质，获取目标电力设备的第一参数，并对所述第一参数进行第一分类；对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。该方法充分考虑了电力设备运行状态的复杂性和多样性，通过精细的参数分类和预处理，以及先进的四层网络架构分析模型，实现了对电力设备运行状态的准确分析和实时监控。与传统的电力设备监测方法相比，本发明的方法不仅提高了分析效率，而且能够及时发现潜在问题，避免了因设备故障或停电事故导致的经济损失和社会影响。此外，该方法还能够根据电力设备的历史数据和实时数据，动态调整分析模型，提高了分析的准确性和可靠性。因此，本发明在电力设备运行状态分析技术领域具有广泛的应用前景和重要的实际意义。
具体的，首先，获取目标电力设备的第一参数并进行分类，有助于区分不同性质的参数，为后续处理提供基础。接着，对分类后的参数进行预处理，可以进一步提纯和规范化数据，提高数据质量。然后，建立包含两个输入端、四层网络架构和一个输出端的第一分析模型，能够充分利用数据的动态和静态特性，提高分析的准确性。通过根据第二参数对第一分析模型进行训练，得到训练完成后的第二分析模型，可以确保模型能够适应实际电力设备运行状态的变化。最后，响应于目标电力设备实时数据输入第二分析模型，得到电力设备运行状态分析结果，可以实现对电力设备运行状态的实时监控和准确评估。每一步都为最终的准确分析和实时监控提供了关键支持，确保了整个方法的有效性和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一个实施例提供的一种电力设备运行状态分析方法的方法流程图。
图2为本发明一个实施例提供的一种电力设备运行状态分析方法的第一分类逻辑示意图。
图3为本发明一个实施例提供的一种电力设备运行状态分析方法的第四决策网络结构图。
图4为本发明一个实施例提供的一种电力设备运行状态分析方法的第一分析模型结构图。
图5为本发明一个实施例提供的一种电力设备运行状态分析方法的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
实施例1，参照图1-图5，为本发明的第一个实施例，该实施例提供了一种电力设备运行状态分析方法，包括：
在详细介绍本申请的实施例之前，为了清楚起见，首先对一些相关的概念进行解释。
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，特别适用于处理具有网格结构的数据，如图像。它通过一系列的层来自动提取输入数据中的特征表示：
卷积层：使用滤波器扫描输入数据，以识别局部区域内的模式或特征。
激活函数：通常采用ReLU等非线性函数，增加模型的表达能力。
池化层：减少数据的空间尺寸，降低计算复杂度，并提高对输入变换的不变性。
全连接层：将前面得到的特征映射转换为具体的输出，例如分类结果。
CNN通过共享权重和局部感知野的方式，能够有效地捕捉输入数据的空间层次结构。
强化学习（Reinforcement Learning，RL）是机器学习的一个分支，关注如何基于环境行为与环境互动，通过试错的方式来学习最佳的行为策略。其核心概念包括：
主体（Agent）：执行动作并与环境交互的学习者。
环境（Environment）：主体所处的世界，它根据主体的动作给出反馈。
奖励（Reward）：环境提供给主体的数值反馈，指导主体学习最优策略。
策略（Policy）：主体根据当前状态选择行动的方法。
值函数（Value Function）：评估某一状态下采取特定策略的好坏程度。
强化学习的目标是找到一个策略，使得主体在长期运行中获得最大的累积奖励。
网络架构（Network Architecture）指的是构建人工神经网络或其他类型计算模型的具体结构安排。这包括但不限于：
层数及每层的类型：如输入层、隐藏层（可以是卷积层、循环层等）、输出层。
每层神经元的数量：决定了该层的宽度，影响模型的容量和复杂度。
各层之间的连接方式：例如全连接、卷积连接、递归连接等。
激活函数的选择：决定每个神经元如何转换其输入为输出。
前向传播和反向传播算法的设计：用于计算预测误差并调整网络权重。
在现有相关技术中，存在一些问题，例如，传统的电力设备监测方法往往依赖于人工巡检和经验判断，不仅效率低下，而且难以准确捕捉设备的潜在故障。此外，一些现有的自动化监测方法虽然能够实时收集设备数据，但在数据处理和分析方面存在不足，导致分析结果不够准确，无法为设备的维护和管理提供有力支持。
本申请提供了可以有效解决上述提到的问题的方法，接下来将结合多个实施例来详细阐述如何实现该电力设备运行状态分析方法；
图1示出了一种电力设备运行状态分析方法的方法流程图，包括：
S101，获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
应说明的是，本申请中的目标电力设备可以包括变压器、发电机、断路器等。这些电力设备在运行过程中会产生大量的数据，包括电流、电压、温度等参数，这些数据是分析电力设备运行状态的重要依据。第一分类的目的是将这些参数按照其性质和特点进行分类，为后续的处理和分析提供基础。
在本申请实施例中，所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数。
应说明的是，现阶段电力系统的复杂性往往通过单独的动态或者静态参数难以全面反映。因此，本申请通过第一分类，将第一参数细分为第一动态参数和第一静态参数，以便更准确地捕捉电力设备的运行状态。
还应说明的是，传统意义上的动态参数通常指的是随时间变化的参数，如电流、电压的瞬时值等，它们能够反映电力设备的实时运行状况。而静态参数则是指相对稳定的参数，如设备的温度、电阻值等，它们更多地反映了电力设备的长期运行状况和性能。但是这种传统分类并不能适配大部分的电力设备，因此本申请提出一种可以进行详细且准确分类的方法。
在本申请实施例中，所述对所述第一参数进行第一分类包括：
所述第一参数包括第一内部参数以及第二外部参数；
具体的，当电力设备为变压器时，第一内部参数包括以下至少一种：
油温、绕组温度、油位、绕组电流、绕组电压、功率、频率偏移、额定电压、额定功率以及额定容量等；
第二外部参数包括以下至少一种：环境温度、湿度、负荷变化、运行环境、海拔以及噪声水平等。
当电力设备为发电机时，第一内部参数包括以下至少一种：定子电流、定子电压、转子电流、转子电压、功率因数、频率、有功功率、无功功率、温度以及振动等；
第二外部参数包括以下至少一种：环境温度、湿度、冷却介质流量、冷却介质温度、海拔以及负荷变化等。
当电力设备为断路器时，第一内部参数包括以下至少一种：操作次数、分合闸时间、触头磨损情况、绝缘电阻、泄漏电流以及气体压力等；
第二外部参数包括以下至少一种：环境温度、湿度、安装位置、操作频率以及外部电场或磁场干扰等。
应说明的是，针对其他不同的电力设备可以设定不同的第一内部参数和第二外部参数，具体参数的选择和设定取决于电力设备的类型、结构以及运行特性。通过对第一参数进行详细的分类，可以更加深入地了解电力设备的运行状态，为后续的分析和处理提供更为准确和全面的数据支持，本申请不做限定。
需要着重注意的是，实际操作中的有些静态参数是需要根据实时数据计算或者直接通过传感器获取得到的，这些在本申请中属于前期操作步骤，例如，噪声水平可以通过麦克风等传感器实时采集并计算得到，环境温度和湿度可以通过温湿度传感器获取，负荷变化则可以通过电流和电压传感器监测并计算得出。这些静态参数的实时获取和监测，有助于更全面地反映电力设备的运行状态，提高分析的准确性。
应说明的是，这样分为第一内部参数以及第二外部参数的好处是可以更加细致地反映电力设备的运行状态，同时考虑到了设备内部和外部的各种影响因素。第一内部参数主要反映了电力设备自身的运行状况，如油温、绕组温度等，这些参数对于判断设备的健康状态至关重要。而第二外部参数则考虑了设备所处的环境条件，如环境温度、湿度等，这些参数虽然不直接反映设备的内部状态，但同样会对设备的运行产生影响。通过对这两类参数的综合考虑，可以更加全面地评估电力设备的运行状态，提高分析的准确性。
还应说明的是，为了避免篇幅过长，本申请后续内容仅针对“变压器”作为示例性的电子设备进行说明。
如图2所示，在本申请实施例中，所述第一分类包括：
预设第一参数分类库以及第二参数分类判断逻辑；
根据所述第一参数分类库获取所述第一内部参数以及第二外部参数中的已分类参数以及未分类参数；
根据所述第二参数分类判断逻辑对所述未分类参数进行分类判断，得到分类判断结果；
根据所述已分类参数以及分类判断结果获取第一动态参数以及第一静态参数。
示例性的，例如，当电力设备为变压器时，且第一分类库中动态参数为：“功率、频率偏移”，静态参数为：“额定电压、额定功率以及额定容量”，那么所述第一内部参数以及第二外部参数中的已分类参数即为“功率、频率偏移、额定电压、额定功率以及额定容量”中的若干种；未分类参数即为所述第一内部参数以及第二外部参数中除去“功率、频率偏移、额定电压、额定功率以及额定容量”的参数；
更进一步的，对未分类参数进行第二参数分类判断逻辑判断（即是否存在针对未分类参数的判断逻辑），将满足判断逻辑的进行分类判断，对不满足的参数进行重要性判断；
若是重要性不足，则不考虑该不满足的参数；
若是重要性充足，则结合该不满足的参数的特性重新生成第二参数分类判断逻辑；
例如，若是该不满足的参数为油温变化趋势，其重要性充足，因为它能够反映变压器的散热情况和内部温度变化，对于判断变压器是否过热具有重要意义。因此，结合油温变化趋势的特性，可以重新生成第二参数分类判断逻辑，将其归类为动态参数，且单独生成该油温变化趋势的判断准则，并将判断准则并入所述第二参数分类判断逻辑完成更新。
应说明的是，重要性判断标准可以通过历史数据进行实验来获取阈值，通过阈值判断，又或者可以通过专家经验来建立重要性判断库进行判断，还有其他很多方式进行判断，本申请不做限制。
在本申请实施例中，所述第一分类还包括：
初始的第一参数分类库为空白库；
初始的第一分类仅通过第二参数分类判断逻辑进行初始的分类判断，初始的第一分类根据所述第二参数分类判断逻辑对初始的第一参数进行分类判断；
根据初始的分类判断结果中的参数，建立非空白第一参数分类库。
示例性的，设初始状态下，例子中有一个目标电力设备(例如变压器)，其第一参数集合P={p1，p2，…，pn}包含n个不同的参数(如电压、电流、温度等)。
初始时，第一参数分类库中的动态参数集合D={}为空集，静态参数集合S={}为空集。
第二参数分类判断逻辑会根据预设的时间变化模式或者其他特征对P中的每个参数pi进行评估和分类。
假设经过初次分类后，得到的结果如下：
动态参数集合D’={p1，p3，p5}，满足第二参数分类判断逻辑中的动态参数判断。
静态参数集合S’={p2，p4，p6}，满足第二参数分类判断逻辑中的静态参数判断。
基于上述初次分类的结果，例子中可以建立非空的第一参数分类库中：
更新后的动态参数集合D=D’。
更新后的静态参数集合S=S’。
因此，在完成初次分类后，第一参数分类库不再是空白的，而是包含了具体的动态参数集合D和静态参数集合S。这个分类库可以根据后续的数据和分析进一步更新和完善，以适应不同类型或型号的电力设备。对于同类型的电力设备，可以直接应用已生成的分类库；而对于不同型号的设备，则需要重新生成相应的分类库。
在一个可选的实施例中，第二参数分类判断逻辑包括：
预设第一周期阈值以及第二波动阈值；
若未分类参数中存在第一周期阈值内产生的波动（即数据变化）大于第二波动阈值的参数，则该参数为记作动态采参数，否则为静态参数；
示例性的，假设正在评估某变压器的油温作为一未分类参数，并且设定了第一周期阈值为一天（24小时），第二波动阈值为5摄氏度。如果在连续24小时内，油温变化超过了5摄氏度，则根据上述逻辑，油温将被分类为动态参数；如果没有超过这个波动阈值，那么油温将被视为静态参数。
应说明的是，第一周期阈值为根据相关技术人员需求可进行调整的数值，第二波动阈值在初始时为一个经验数值，这个经验数值根据之前的历史数据得出的，在初始判断之后，第二波动阈值根据设定的第一周期阈值中的周期进行更新，即等到进入下一个周期后，根据本周期得到的数据以及之前的历史数据重新获取第二波动阈值的数值。
还应说明的是，第二波动阈值包含若干个不同的分支阈值，分支阈值的个数根据历史数据得到的动态参数或者静态参数的个数确定，例如，历史数据中得到的动态参数有5个，静态参数有3个，那么分支阈值的个数即为5+3=8个。这些分支阈值分别对应于不同类型的参数，以更精细地控制分类过程。在实际应用中，当未分类参数的波动超过与其对应的分支阈值时，该参数即被归类为动态参数；反之，则被视为静态参数。
通过这种方式，可以进一步提高参数分类的准确性和灵活性，从而更好地支持电力设备运行状态的分析和监测，且会避免因为传统选择动态数据或者静态数据而导致的片面性。
将上述已分类参数中的动态参数以及分类判断结果中的动态参数组合记作第一动态参数，将上述已分类参数中的静态参数以及分类判断结果中的静态参数组合记作第二静态参数。
应说明的是，随着电力设备的不断更新和升级，其产生的数据类型和特性也会发生变化，传统的分类方法可能无法适应这些变化。本申请的第一参数分类库以及第二参数分类判断逻辑均可更新，这样的好处是能够适应不同类型的电力设备以及不同的运行环境，提高分类的准确性和灵活性。
还应说明的是，获取目标电力设备的第一参数，并对所述第一参数进行第一分类可以为后续的分析和处理提供更为准确和全面的数据支持。通过对第一参数进行详细且准确的分类，本申请能够更深入地了解电力设备的运行状态，捕捉设备的动态和静态特性，从而为设备的健康监测、故障预测以及维护决策等提供科学依据。此外，这种分类方法还有助于提高数据分析的效率，减少不必要的数据冗余，使分析结果更加直观和易于理解。在接下来的步骤中，本申请将基于这些分类后的参数，进一步构建电力设备运行状态分析模型，以实现对电力设备运行状态的实时监测和精准分析。
S102，对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
在一个可选的实施例中，第一预处理可以包括但不限于数据清洗、数据归一化、数据平滑等操作。数据清洗旨在去除异常值、缺失值或重复数据，确保分析所用数据的准确性和可靠性。数据归一化则是将数据按比例缩放至一个小的特定区间，如0到1之间，以便不同量纲或量级的参数能在同一标准下进行比较和分析。数据平滑则用于减少数据中的噪声，提高数据的平滑度和连续性，从而更真实地反映电力设备的运行状态。
应说明的是，直接使用传统的预处理步骤无法满足对电力设备运行状态分析的准确性和时效性要求。传统的预处理步骤往往只针对单一类型的数据进行处理，没有考虑到电力设备运行状态数据的复杂性和多样性。因此，在本申请实施例中，提出了针对第一分类后的第一参数进行定制化的第一预处理步骤。
在本申请实施例中，对于第一动态参数和第一静态参数，根据其特性和分析需求，选择不同的预处理方法和策略。例如，对于随时间快速变化的动态参数，可能需要采用更精细的时间序列分析方法来进行预处理。而对于相对稳定的静态参数，则可能更注重数据的完整性和准确性，预处理过程可能相对简单。通过这样的预处理步骤，可以为后续的分析和建模提供更高质量的数据基础。
具体的，动态参数的预处理包括：
对于随时间快速变化的第一动态参数（如功率、频率偏移等），其主要特性是具有显著的时间依赖性，因此在预处理过程中需特别关注数据的时间序列特性。
异常值检测与处理：使用统计学方法或机器学习算法识别并处理异常值，例如基于3σ原则剔除极端值。
缺失值填补：采用插值法（线性插值、样条插值）或基于模型预测的方法来填补缺失的数据点。
平滑处理：应用移动平均、指数平滑等技术减少噪声干扰，突出趋势特征。
分解分析：利用季节性分解（如STL分解）分离出长期趋势、周期成分及随机波动部分。
特征提取：从时间序列中提取有用的特征，比如最大值、最小值、均值、方差、斜率变化率等；也可以计算自相关系数、互相关系数等用于捕捉参数间的关系。
标准化/归一化：将不同量纲的数据转换到相同的尺度上，便于后续建模。
更新分类库：基于最新的数据分析结果，调整动态参数的分类逻辑，并更新至参数分类库中。
静态参数的预处理包括：
相对稳定的静态参数（如额定电压、额定功率等），重点在于确保数据的完整性和准确性，预处理过程可能相对简单一些。
一致性检查：确保所有记录的一致性，避免重复录入或错误输入的情况发生。
验证数据完整性：检查是否存在遗漏的关键信息，必要时通过补充调查或其他方式补全数据。
格式统一：确保所有数据以一致的格式存储，方便后续处理。
单位转换：如果存在不同单位的数据，需将其统一转换为标准单位。
准确度校验：通过与其他可靠来源的数据对比，检验数据的准确性。
可靠性评估：评估数据源的可靠性，确定是否需要额外的数据支持或修正。
归档管理：妥善保存经过清理和转换后的静态参数，建立可靠的数据库或档案系统，便于长期管理和查询。
示例性的，分析一台电力变压器的运行状态，当动态参数为油温时：
对于油温使用3σ原则（即数据点超出平均值±3倍标准差范围视为异常）来识别并剔除异常值。采用线性插值法填补缺失的油温数据点。应用移动平均滤波器（例如窗口大小为5小时），以减少短期波动的影响，更好地展示长期趋势。利用STL分解方法将油温数据分为趋势成分、季节性成分和残差成分，以便于后续特征提取。计算每小时油温变化率（即当前时刻油温减去前一小时油温），以及每日最高温和最低温差。将所有油温数据缩放到[0，1]区间内，确保不同量纲的数据能够被模型有效处理。根据最新的数据分析结果，调整动态参数的分类逻辑，并更新至参数分类库中。例如，如果发现油温变化率在特定时间段内表现出显著波动，则将其重新定义为一个重要的动态特征，并加入分类库（此步骤是为了方便上述第二参数分类判断逻辑的更新所设定的，第二参数分类判断逻辑的更新所使用到的参数可以直接调取这个参数分类库中的数据）。
应说明的是，对所述第一分类后的第一参数进行第一预处理，得到第二参数可以显著提高后续分析和建模的准确性和效率。预处理后的第二参数，无论是第二动态参数还是第二静态参数，都更加贴近实际电力设备的运行状态，减少了噪声和异常值的干扰。这样的数据基础为构建精确的分析模型提供了有力保障。此外，预处理步骤还考虑到了动态参数和静态参数的不同特性，采用了针对性的处理策略，这使得数据预处理的结果更加符合电力设备运行状态分析的实际需求。因此，在后续的步骤中，无论是进行特征提取、模型训练还是状态预测，都可以更加依赖预处理后的数据，从而提高整个分析流程的可靠性和实用性。
S103，建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
在本申请实施例中，所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构，如图4所示。
在本申请实施例中，所述第一分析模型还包括：
所述两个输入端分别为第一特征判断网络架构以及第二特征判断网络架构的输入端；
所述第一特征判断网络架构以及第二特征判断网络架构中一个用于处理第二参数中的第二动态数据，另外一个用于处理第二参数中的第二静态数据；
所述第一特征判断网络架构的输出为第一状态分析结果；
所述第二特征判断网络架构的输出为第二状态分析结果；
所述第一状态分析结果以及第二状态分析结果为所述第三状态分析网络结构的输入。
在本申请实施例中，所述第一分析模型还包括：
所述第三状态分析网络结构用于针对所述第一状态分析结果以及第二状态分析结果进行第三状态分析；
预设第三状态分析逻辑，所述第三状态分析网络结构根据所述第三状态分析逻辑建立；
所述第三状态分析的结果为目标电力设备最终分析状态；
将所述最终分析状态作为输入，输入至所述第四决策网络结构。
在本申请实施例中，所述第一分析模型还包括：
所述第四决策网络结构用于根据所述最终分析状态决策状态处理策略；
所述状态处理策略包括若干个针对不同目标电力设备运行状态的处理策略。
在本申请实施例中，所述四层网络架构均包括不同的网络目标函数以及网络约束条件。
在一个可选的实施例中，第一分析模型可以采用深度学习网络架构，如卷积神经网络（CNN）或循环神经网络（RNN）及其变体，如长短时记忆网络（LSTM）或门控循环单元（GRU），以适应不同复杂度的电力设备运行状态分析需求。CNN在处理具有空间结构的数据（如图像数据）时表现出色，可以提取局部特征并进行高效分类。而RNN及其变体则擅长处理时间序列数据，能够捕捉参数随时间的变化趋势和周期性特征，这对于动态参数的分析尤为重要。根据目标电力设备的特性和分析需求，选择合适的深度学习网络架构，可以更好地挖掘数据中的潜在信息，提高分析的准确性和效率。
在一个可选的实施例中，第一分析模型还可以采用集成学习方法，如随机森林、梯度提升树（GBDT）或XGBoost等。集成学习方法通过结合多个弱学习器的预测结果，能够显著提高模型的泛化能力和鲁棒性。这些方法在处理高维数据、非线性关系以及复杂特征交互时表现出色，适用于电力设备运行状态分析中多参数、多特征的综合判断。通过训练多个基学习器并整合其预测结果，集成学习模型能够更全面地捕捉电力设备的运行状态特征，提高分析的准确性和可靠性。
应说明的是，上述方法建立的模型无法直接关联后续针对电力设备状态分析后的处理操作，这样就会导致模型的应用效果受到限制。为了解决这个问题，本申请提出了一种创新的策略，即在设计第一分析模型时，就预先嵌入与后续处理操作相关联的决策逻辑。
还应说明的是，本申请在建立第一分析模型时采用的是卷积神经网络进行设计，结合了强化学习进行改进，这样的设计使得模型在处理电力设备运行状态数据时能够具备更强的特征提取能力和状态分析能力。卷积神经网络（CNN）以其强大的特征学习能力在处理图像数据方面取得了显著成效，而将其应用于电力设备运行状态数据的分析，则能够自动提取出数据中的关键特征，避免了传统方法中需要人工设计特征的繁琐过程。同时，结合强化学习（RL）的改进，使得模型能够在不断的学习过程中优化其决策能力，从而更加准确地根据电力设备的运行状态制定出相应的处理策略。
具体的，本申请中四个网络的具体网络目标函数以及网络约束条件可以如下（选取第一特征判断网络架构的输入为第二动态参数）：
第一特征判断网络架构通过卷积神经网络进行改进设计，其目标为通过动态参数判断目标电力设备的状态，得到第一状态分析结果；
第二特征判断网络架构通过卷积神经网络进行改进设计，其目标为通过静态参数判断目标电力设备的状态，得到第二状态分析结果；
第三状态分析网络结构通过卷积神经网络进行改进设计，其目标为根据第一状态分析结果以及第二状态分析结果进行最终目标设备的运行状态分析，得到最终的运行状态种类，并为后续的第四决策网络结构提供一个准确的输入；
第四决策网络结构通过强化学习进行改进设计，其目标为根据最终的运行状态种类判断实行何种策略。
示例性的，本申请所使用到的具体网络目标函数以及网络约束条件可以如下：
第一特征判断网络(动态参数处理)的网络目标函数如下，该网络的目标是通过第二动态参数(如电压、电流、温度等随时间变化的参数且经过第一预处理后的参数)提取设备运行状态的动态特征，并输出来第一状态分析结果。
目标函数(损失函数)：
，
其中：LCE 表示交叉熵损失函数，衡量预测状态与真实状态的差异。为正则化项(如 L2 正则化)，防止过拟合。为正则化系数。为网络权重参数。N1表示第二动态参数中训练样本数量。
网络约束条件如下：
输入约束：输入为动态参数张量，其中T为时间步长，D1为动态参数特征维度(如本申请中电压、电流等参数数量)。
输出约束：输出为状态概率分布，其中C为状态类别数(如本申请中选取正常、过载、故障等)。
激活函数约束：卷积层使用ReLU激活函数，全连接层使用Softmax激活函数。
梯度约束：使用梯度裁剪(如本申请中梯度范数限制为)防止梯度爆炸。
应说明的是，第一特征判断网络用于处理动态参数（如时间序列数据），采用1D卷积神经网络（CNN）结构，结合时间序列特征提取。
第二特征判断网络（静态参数处理）网络目标函数如下，该网络的目标是通过静态参数（如额定功率、环境温度等不随时间快速变化的参数）提取设备的静态特征，并输出第二状态分析结果。
目标函数（损失函数）：
，
其中，LCE为交叉熵损失函数，衡量预测状态与真实状态的差异。为正则化项(如L1正则化)，防止过拟合。为正则化系数。为网络权重参数，N2表示第二静态参数中训练样本数量。
网络约束条件如下：
输入约束：输入为静态参数向量，其中D2为静态参数特征维度（如额定电压、环境湿度等参数数量）。
输出约束：输出为状态概率分布，其中C为状态类别数(如本申请中选取正常、过载、故障等)。
激活函数约束：全连接层使用ReLU激活函数，输出层使用Softmax。
数据归一化约束：输入数据需经过标准化处理（如均值为0，方差为1）。
应说明的是，第二特征判断网络处理静态参数（如标量特征），采用全连接神经网络（FCNN），无卷积层。
第三状态分析网络的网络目标函数如下，该网络的目标是融合动态和静态特征的分析结果，输出最终设备状态。
目标函数（损失函数）：
，
其中，为真实最终状态标签，为预测最终状态概率分布，为正则化项(如L2正则化)，防止过拟合。为正则化系数。为网络权重参数，N3表示输出的第一状态分析结果以及第二状态分析结果中的训练样本数量。
网络约束条件如下：
输入约束：输入为前两网络的输出拼接结果。
融合约束：使用加权平均或全连接层融合动态和静态特征：
，
其中，为可学习参数。
输出约束：输出最终状态。
应说明的是，第三状态分析网络融合前两个网络的输出，必须包括全连接层与注意力机制。
所述第四决策网络结构中的网络目标函数为根据最终的运行状态种类判断实行何种策略，可以转化为智能体的最大化期望的折扣累积奖励，具体如下：
智能体的目标是最大化期望的折扣累积奖励：
，
其中，表示轨迹(轨迹由策略生成)。表示折扣因子 (如)，控制长期奖励的权重。T表示轨迹的终止时间(如设备故障或维护完成)。
其中，每个时间步t的即时奖励rt由以下项组成为
，
其中，表示任务完成奖励，为惩罚成本，为探索奖励，为约束惩罚。
本申请中强化学习的结构中环境为电力设备运行系统，提供状态和奖励。智能体为基于PPO/SAC的策略网络（PPO（Proximal Policy Optimization）：适合离散动作空间，训练稳定；SAC（Soft Actor-Critic）：适合连续动作空间，自动平衡探索与利用），选择维护动作。状态为融合动态、静态特征的向量，包含历史依赖。动作为离散或连续的维护策略（如停机、报警）。奖励为量化动作效果，驱动智能体学习最优策略。具体如图3所示，环境：提供当前的状态给智能体，并在智能体采取行动后根据行动结果给出奖励。智能体：接收来自环境的状态信息，通过其内部算法（如PPO或SAC）决定采取什么动作，并将这个动作反馈给环境。状态：从环境中获取的数据，包含关于电力设备运行情况的信息，这些信息被输入到智能体中以帮助决策。动作：智能体根据当前状态选择的一个操作（例如停机、报警等），该操作作用于环境。奖励：环境根据智能体所采取的动作给予相应的奖励或惩罚，用于指导智能体学习最优策略。
数据流向为：环境向智能体提供状态（状态流），智能体基于接收到的状态决定并执行动作（动作流），动作被执行后，环境根据动作的效果给予智能体奖励（奖励流），智能体利用奖励来更新其策略模型，以便在未来做出更好的决策。
具体的，本申请中用于奖励智能体完成关键任务（如避免故障）。
。
本申请中用于惩罚不必要的维护动作（如频繁停机导致成本增加）。
。
本申请中用于鼓励智能体探索新动作（如尝试未执行过的策略）。
，
其中，表示探索系数(如0.1)，Na表示动作a的历史执行次数。
本申请中用于确保动作符合物理约束（如负载不能超过额定功率）。
，
其中，为约束惩罚系数(在本申请中取50)。
应说明的是，本申请中的奖励函数还可以进一步更新，通过考虑稀疏化影响，关键事件（故障、维护）获得高幅奖励，避免稀疏奖励导致的学习困难。还可以通过前期（探索阶段）加大探索奖励和密集奖励权重，鼓励智能体尝试多种动作，后期（收敛阶段）强化任务奖励，稀疏化非关键奖励。
还应说明的是，本申请中的第四决策网络结构通过最大化折扣累积奖励，智能体将学习到在设备状态（如过载、故障前兆）下采取最优维护策略（如停机、报警），同时避免过度维护带来的成本损失。
应说明的是，建立第一分析模型能够充分利用深度学习技术的优势，对电力设备的运行状态进行全面、精准的分析。通过选择合适的深度学习网络架构，如RNN及其变体、卷积神经网络以及结合强化学习的改进设计，不仅提高了分析的准确性和效率，还增强了模型的泛化能力和鲁棒性。此外，通过在设计模型时就预先嵌入与后续处理操作相关联的决策逻辑，使得模型能够直接指导实际应用，避免了模型应用效果受限的问题。这种创新的电力设备运行状态分析系统，将为电力系统的安全稳定运行提供有力保障。
S104，根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
应说明的是，根据第二参数对已经建立的第一分析模型进行训练，可以进一步优化模型的性能，使其更加适应实际的电力设备运行状态分析需求。将第二参数划分为训练集、验证集和测试集。训练集用于模型训练，验证集用于调整超参数和防止过拟合，而测试集则用于评估最终模型性能。
在本申请实施例中，根据上述建立的目标函数以及约束条件，结合第二参数对第一分析模型进行整体训练，当模型训练完成（记作第二分析模型）后，使用独立的测试集对其进行评估，检查模型在未见过的数据上的泛化能力。一旦第二分析模型通过测试，就可以将其部署到实际应用中，用于实时分析目标电力设备的运行状态。这个过程不仅提高了模型的准确性和鲁棒性，还确保了它可以适应不同的电力设备和运行环境，从而为电力系统的安全稳定运行提供有力保障。
S105，响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
应说明的是，需要从目标电力设备中实时收集数据。这些数据包括但不限于电压、电流、功率、温度等动态参数，以及额定功率、额定电压等静态参数。并且将对应的数据进行第一分类以及第一预处理，将第一分类以及第一预处理后的数据输入至第二分析模型中。第二分析模型将基于这些数据，通过其内部的第一特征判断网络架构、第二特征判断网络架构、第三状态分析网络结构以及第四决策网络结构，对目标电力设备的运行状态进行全面分析。具体来说，第一特征判断网络架构将处理动态参数，提取设备运行状态的动态特征；第二特征判断网络架构将处理静态参数，提取设备的静态特征；第三状态分析网络结构将融合动态和静态特征的分析结果，输出最终设备状态；而第四决策网络结构则根据最终的运行状态种类判断实行何种策略。这一过程将实时进行，确保能够迅速准确地反映目标电力设备的实际运行状态，为电力系统的安全稳定运行提供有力支持。
综上所述，本发明提出一种电力设备运行状态分析方法，通过获取目标电力设备的第一参数，并对所述第一参数进行第一分类；对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。该方法充分考虑了电力设备运行状态的复杂性和多样性，通过精细的参数分类和预处理，以及先进的四层网络架构分析模型，实现了对电力设备运行状态的准确分析和实时监控。与传统的电力设备监测方法相比，本发明的方法不仅提高了分析效率，而且能够及时发现潜在问题，避免了因设备故障或停电事故导致的经济损失和社会影响。此外，该方法还能够根据电力设备的历史数据和实时数据，动态调整分析模型，提高了分析的准确性和可靠性。因此，本发明在电力设备运行状态分析技术领域具有广泛的应用前景和重要的实际意义。
实施例2，本实施例中还提供一种电力设备运行状态分析系统，包括：
数据获取与分类模块，用于获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
预处理模块，用于对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
模型建立模块，用于建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
模型训练模块，用于根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
分析模块，用于响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本实施例还提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力设备运行状态分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种电力设备运行状态分析方法，其特征在于，包括：
获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述对所述第一参数进行第一分类包括：
所述第一参数包括第一内部参数以及第二外部参数；
所述第一分类包括：
预设第一参数分类库以及第二参数分类判断逻辑；
根据所述第一参数分类库获取所述第一内部参数以及第二外部参数中的已分类参数以及未分类参数；
根据所述第二参数分类判断逻辑对所述未分类参数进行分类判断，若存在对所述未分类参数的判断逻辑，则得到分类判断结果；
若不存在，则进行重要性判断；
预设重要性判断标准，若满足重要性判断标准，则重新生成第二参数分类判断逻辑；
若不满足重要性判断标准，则不考虑对应的未分类参数；
第二参数分类判断逻辑包括：
预设第一周期阈值以及第二波动阈值；
若未分类参数中存在第一周期阈值内产生的数据变化大于第二波动阈值的参数，则该参数为动态参数，否则为静态参数；
第一周期阈值为根据相关技术人员需求进行调整的数值，第二波动阈值在初始时为一个经验数值，在初始判断之后，第二波动阈值根据设定的第一周期阈值中的周期进行更新；
第二波动阈值包含若干个不同的分支阈值，分支阈值的个数根据历史数据得到的动态参数或者静态参数的个数确定；
根据所述已分类参数以及分类判断结果获取第一动态参数以及第一静态参数；
所述第一分类还包括：
初始的第一参数分类库为空白库；
初始的第一分类仅通过第二参数分类判断逻辑进行初始的分类判断，初始的第一分类根据所述第二参数分类判断逻辑对初始的第一参数进行分类判断；
根据初始的分类判断结果中的参数，建立非空白第一参数分类库；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
所述四层网络架构均包括不同的网络目标函数以及网络约束条件，四层网络架构的不同的网络目标函数以及网络约束条件如下：
第一特征判断网络用于处理动态参数，第一特征判断网络目标函数的目标是通过第二动态参数提取设备运行状态的动态特征，并输出第一状态分析结果，采用1D 卷积神经网络结构，结合时间序列进行动态特征提取；
第一特征判断网络约束条件包括基于第一特征判断网络的输入约束、基于第一特征判断网络的输出约束、基于第一特征判断网络的激活函数约束、基于第一特征判断网络的梯度约束；
第二特征判断网络用于处理静态参数，第二特征判断网络目标函数的目标是通过静态参数提取设备的静态特征，并输出第二状态分析结果，采用全连接神经网络，且神经网络不包含卷积层；
第二特征判断网络约束条件包括基于第二特征判断网络的输入约束、基于第二特征判断网络的输出约束、基于第二特征判断网络的激活函数约束、基于第二特征判断网络的数据归一化约束；
第三状态分析网络的网络目标函数的目标是融合动态和静态特征的分析结果，输出最终设备状态；
第三状态分析网络约束条件包括基于第一特征判断网络以及第二特征判断网络输出的输入约束、融合约束提及针对第三状态分析网络的输出约束，所述第三状态分析网络必须包括全连接层以及注意力机制；
第四决策网络结构中的网络目标函数为根据最终的运行状态种类判断实行何种策略；
第四决策网络结构包括将电力设备所在系统作为环境、将第三状态分析网络的输出作为状态、用于接收第三状态分析网络的输出并执行动作的智能体，所述执行动作包括若干种维护策略；所述环境根据执行动作生成对应奖励，并将奖励反馈于智能体，所述奖励包括任务完成奖励、惩罚成本、探索奖励以及约束惩罚；
根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
2.如权利要求1所述的一种电力设备运行状态分析方法，其特征在于，所述第一分析模型还包括：
所述两个输入端分别为第一特征判断网络架构以及第二特征判断网络架构的输入端；
所述第一特征判断网络架构以及第二特征判断网络架构中一个用于处理第二参数中的第二动态数据，另外一个用于处理第二参数中的第二静态数据；
所述第一特征判断网络架构的输出为第一状态分析结果；
所述第二特征判断网络架构的输出为第二状态分析结果；
所述第一状态分析结果以及第二状态分析结果为所述第三状态分析网络结构的输入。
3.如权利要求2所述的一种电力设备运行状态分析方法，其特征在于，所述第一分析模型还包括：
所述第三状态分析网络结构用于针对所述第一状态分析结果以及第二状态分析结果进行第三状态分析；
预设第三状态分析逻辑，所述第三状态分析网络结构根据所述第三状态分析逻辑建立；
所述第三状态分析的结果为目标电力设备最终分析状态；
将所述最终分析状态作为输入，输入至所述第四决策网络结构。
4.如权利要求3所述的一种电力设备运行状态分析方法，其特征在于，所述第一分析模型还包括：
所述第四决策网络结构用于根据所述最终分析状态决策状态处理策略；
所述状态处理策略包括若干个针对不同目标电力设备运行状态的处理策略。
5.一种应用如权利要求1所述方法的电力设备运行状态分析系统，其特征在于，包括：
数据获取与分类模块，用于获取目标电力设备的第一参数，并对所述第一参数进行第一分类；
所述对所述第一参数进行第一分类包括：
所述第一参数包括第一内部参数以及第二外部参数；
所述第一分类包括：
预设第一参数分类库以及第二参数分类判断逻辑；
根据所述第一参数分类库获取所述第一内部参数以及第二外部参数中的已分类参数以及未分类参数；
根据所述第二参数分类判断逻辑对所述未分类参数进行分类判断，若存在对所述未分类参数的判断逻辑，则得到分类判断结果；
若不存在，则进行重要性判断；
预设重要性判断标准，若满足重要性判断标准，则重新生成第二参数分类判断逻辑；
若不满足重要性判断标准，则不考虑对应的未分类参数；
第二参数分类判断逻辑包括：
预设第一周期阈值以及第二波动阈值；
若未分类参数中存在第一周期阈值内产生的数据变化大于第二波动阈值的参数，则该参数为动态参数，否则为静态参数；
第一周期阈值为根据相关技术人员需求进行调整的数值，第二波动阈值在初始时为一个经验数值，在初始判断之后，第二波动阈值根据设定的第一周期阈值中的周期进行更新；
第二波动阈值包含若干个不同的分支阈值，分支阈值的个数根据历史数据得到的动态参数或者静态参数的个数确定；
根据所述已分类参数以及分类判断结果获取第一动态参数以及第一静态参数；
所述第一分类还包括：
初始的第一参数分类库为空白库；
初始的第一分类仅通过第二参数分类判断逻辑进行初始的分类判断，初始的第一分类根据所述第二参数分类判断逻辑对初始的第一参数进行分类判断；
根据初始的分类判断结果中的参数，建立非空白第一参数分类库；
所述第一分类用于将所述第一参数分为第一动态参数以及第一静态参数；
预处理模块，用于对所述第一分类后的第一参数进行第一预处理，得到第二参数，所述第二参数包括第二动态参数以及第二静态参数；
模型建立模块，用于建立第一分析模型，所述第一分析模型包括两个输入端、四层网络架构以及一个输出端；
所述四层网络架构包括并联的第一特征判断网络架构以及第二特征判断网络架构，与所述第一特征判断网络架构以及第二特征判断网络架构串联的第三状态分析网络结构以及与第三状态分析网络结构串联的第四决策网络结构；
所述四层网络架构均包括不同的网络目标函数以及网络约束条件，四层网络架构的不同的网络目标函数以及网络约束条件如下：
第一特征判断网络用于处理动态参数，第一特征判断网络目标函数的目标是通过第二动态参数提取设备运行状态的动态特征，并输出第一状态分析结果，采用1D 卷积神经网络结构，结合时间序列进行动态特征提取；
第一特征判断网络约束条件包括基于第一特征判断网络的输入约束、基于第一特征判断网络的输出约束、基于第一特征判断网络的激活函数约束、基于第一特征判断网络的梯度约束；
第二特征判断网络用于处理静态参数，第二特征判断网络目标函数的目标是通过静态参数提取设备的静态特征，并输出第二状态分析结果，采用全连接神经网络，且神经网络不包含卷积层；
第二特征判断网络约束条件包括基于第二特征判断网络的输入约束、基于第二特征判断网络的输出约束、基于第二特征判断网络的激活函数约束、基于第二特征判断网络的数据归一化约束；
第三状态分析网络的网络目标函数的目标是融合动态和静态特征的分析结果，输出最终设备状态；
第三状态分析网络约束条件包括基于第一特征判断网络以及第二特征判断网络输出的输入约束、融合约束提及针对第三状态分析网络的输出约束，所述第三状态分析网络必须包括全连接层以及注意力机制；
第四决策网络结构中的网络目标函数为根据最终的运行状态种类判断实行何种策略；
第四决策网络结构包括将电力设备所在系统作为环境、将第三状态分析网络的输出作为状态、用于接收第三状态分析网络的输出并执行动作的智能体，所述执行动作包括若干种维护策略；所述环境根据执行动作生成对应奖励，并将奖励反馈于智能体，所述奖励包括任务完成奖励、惩罚成本、探索奖励以及约束惩罚；
模型训练模块，用于根据所述第二参数对所述第一分析模型进行训练，得到训练完成后的第一分析模型，记作第二分析模型；
分析模块，用于响应于目标电力设备实时数据输入所述第二分析模型，得到电力设备运行状态分析结果。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1~4中任一项所述的一种电力设备运行状态分析方法的步骤。
7.一种计算机可读存储介质，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权利要求1~4中任一项所述的一种电力设备运行状态分析方法的步骤。
CN202510608268.1A 2025-05-13 2025-05-13 一种电力设备运行状态分析方法、系统、设备及介质 Active CN120123852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510608268.1A CN120123852B (zh) 2025-05-13 2025-05-13 一种电力设备运行状态分析方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510608268.1A CN120123852B (zh) 2025-05-13 2025-05-13 一种电力设备运行状态分析方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN120123852A CN120123852A (zh) 2025-06-10
CN120123852B true CN120123852B (zh) 2025-09-02

Family

ID=95921265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510608268.1A Active CN120123852B (zh) 2025-05-13 2025-05-13 一种电力设备运行状态分析方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN120123852B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865238A (zh) * 2023-05-30 2023-10-10 中国电力科学研究院有限公司 一种大电网安全稳定智能评估器装置及评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117522628A (zh) * 2023-11-28 2024-02-06 深圳供电局有限公司 数据分析方法、装置、计算机设备、可读存储介质和产品

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865238A (zh) * 2023-05-30 2023-10-10 中国电力科学研究院有限公司 一种大电网安全稳定智能评估器装置及评估方法

Also Published As

Publication number Publication date
CN120123852A (zh) 2025-06-10

Similar Documents

Publication Publication Date Title
Zhao et al. A novel cap-LSTM model for remaining useful life prediction
CN119401452B (zh) 基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质
CN118657404A (zh) 一种基于多模态的电网健康评估与分析方法
CN118801394B (zh) 一种新型防护型变压器的变压方法及装置
CN120408301A (zh) 一种水轮机状态智能预测方法
CN119761781B (zh) 基于知识图谱与机理模型的火力发电设备健康管理方法
CN118209817A (zh) 基于环境特征的输电线路故障识别方法及系统
CN119378733A (zh) 一种基于深度强化学习的电力调度优化方法和系统
CN120335408A (zh) 基于人工智能的自动化计算机控制方法及系统
CN120511857B (zh) 基于多模态Transformer的配电网智能运维控制方法及系统
CN119623775A (zh) 基于参数指纹全息感知的任务链自愈传递预测方法及系统
CN121299316A (zh) 一种基于goose/sv闭环测试的智能变电站虚回路在线传动校验方法
CN121479500A (zh) 一种高压断路器故障检测模型的建立方法
CN120123852B (zh) 一种电力设备运行状态分析方法、系统、设备及介质
CN120498103A (zh) 一种基于机器视觉的配电柜备调控系统
CN121009484A (zh) 一种数据异常精准识别方法、系统、设备及介质
CN121232789B (zh) 一种机电耦合系统健康管理方法、系统、设备及介质
CN119944951B (zh) 基于人工智能算法的新能源电力传输状态监控方法及系统
CN121328865B (zh) 结合流向预测的能耗分级监测方法、系统、设备及介质
CN119917999B (zh) 一种用于可穿戴设备的控制方法及装置
CN120745949B (zh) 停电区域预测方法、停电敏感用户识别方法及系统
CN120996080B (zh) 电力知识图谱驱动的智能体对话系统及方法
CN121682403A (zh) 一种基于多源数据与监控频发告警的电力设备缺陷预警方法与系统
CN121507681A (zh) 配电网异常重构与负荷模态调节的运维方法及系统
CN121566783A (zh) 一种二次回路设备全周期健康维护方法、系统、设备及介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20251029

Address after: 154000 No. 151, Baowei Road, Qianjin District, Jiamusi City, Heilongjiang Province

Patentee after: JIAMUSI POWER SUPPLY COMPANY OF STATE GRID HEILONGJIANG ELECTRIC POWER CO.,LTD.

Country or region after: China

Address before: Road in Qixia District of Nanjing City, Jiangsu Province, No. 99 210023

Patentee before: Nanjing Vocational College of Information Technology

Country or region before: China