一种基于神经网络的高压电器运行质量评估方法及系统技术方案

本发明专利技术公开了一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；步骤4、根据已构建并训练完成的神经网络模型各权重值的分布对现有数据进行分析预测，获取高压电器运行质量的评估结果。本发明专利技术还公开了一种基于神经网络的高压电器运行质量评估系统。本发明专利技术在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能结果，为巡检计划的制定和安排提供科学且实用的依据。

【技术实现步骤摘要】
一种基于神经网络的高压电器运行质量评估方法及系统
本专利技术涉及专利涉及高压电器质量评估
，具体涉及变电站如断路器、隔离开关及接地开关等压电器设备的运行质量评估及巡检计划制定方法。
技术介绍
断路器、隔离开关等高压电器是变电站中使用最多的电力设备，主要实现关合、开断、保护、控制、调节等功能。由于使用量大，操作频繁，工作可靠性要求高，对变电所、电厂的设计、建立和安全运行的影响均较大。目前，变电站中使用的高压电器种类繁多，性能标准参差不齐，以致运行生产维护中无法合理且具针对性的进行巡检计划安排。随着智能电网的建设，高压电器的运行维护数据逐步在统一的信息平台上的集成共享。这部分数据的积累和沉淀，为高压电器综合状态评估提供了重要的数据基础。因此以高压电器的运行维护数据为基础，采用现代数学方法和模型，推动高压电器从人工批量制定巡检计划向基于全景状态描述的数据处理和故障分析方向发展，有效地通过数据分析算法及模型，根据不同厂商生产的高压电器在变电站的性能表现及缺陷分布情况进行智能分类，将是推进巡检计划科学合理安排的重要支撑。
技术实现思路
针对上述不足，本专利技术的目的之一在于提供一种基于神经网络的高压电器运行质量评估方法，其在全面反映高压电器运行状态的基础上，通过神经网络模型(ArtificialNeuralNetworks)的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。为实现以上目的，本专利技术采取的技术方案是：一种基于神经网络的高压电器运行质量评估方法，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；所述步骤3包括：步骤31、将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：A0＝P1＝{p1,p2,pj,pn}其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：V＝C1＝{c1,c2,c3}其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；步骤33、对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：其中，为初始神经元节点集合A0的第j个元素，步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learningrate三个参数进行调整和修改，以提高该神经网络模型的准确率。所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learningrate进行修改及比对。本专利技术的另一目的在于提供一种基于神经网络的高压电器运行质量评估状态，其在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中，挖掘数据发展规律，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。为实现以上目的，本专利技术采取的技术方案是：一种基于神经网络的高压电器运行质量评估系统，其包括：数据收集单元，用于收集各厂家生产的高压电器设备的原始缺陷数据；数据整理单元，用于对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；构建及训练单元，用于根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；所述构建及训练单元包括：初始神经元节点集合赋值单元，用于将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：A0＝P1＝{p1,p2,pj,pn}其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；目标集合赋值单元，用于将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：V＝C1＝{c1,c2,c3}其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；训练模型单元，用于对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：其中，为初始神经元节点集合A0的第j个元素，质量评估单元，用于根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。所述构建及训练单元还包括参数调整单元，用于对训练完成的神经网络模型中的Epoch、Momentum和learningrate三个参数进行调整和修改，以提高该神经网络模型的准确率。所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learningrate进行修改及比对。与现有技术相比，本专利技术的有益效果在于：本专利技术在全面反映高压电器运行状态的基础上，通过神经网络模型的构建和训练，从各零散点中挖掘数据发展规律，得到高压电器运行性能评估结果，为巡检计划的制定和安排提供科学且实用的依据，从而提升巡检工作的合理性和有效性。附图说明图1为本专利技术一种基于神经网络的高压电器运行质量评估方法的流程示意图；图2为构建的神经网络模型示意图。具体实施方式下面结合附图和具体实施方式对本专利技术的内容做进一步详细说明。实施例本专利技术以隔离开关为例，对基于神经网络的高压电器运行质量评估和巡检计划制定方法进行说明，请参照图1所示，基于神经网络的隔离开关巡检判定方本文档来自技高网...

【技术保护点】
一种基于神经网络的高压电器运行质量评估方法，其特征在于，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；所述步骤3包括：步骤31、将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：A0＝P1＝{p1,p2,…pj,…pn}其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：V＝C1＝{c1,c2,c3}其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；步骤33、对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：f(aj0|aji)=11+exp(-aj0|-aji)]]>其中，为初始神经元节点集合A0的第j个元素，步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。...

【技术特征摘要】
1.一种基于神经网络的高压电器运行质量评估方法，其特征在于，其包括以下步骤：步骤1、收集各厂家生产的高压电器设备的原始缺陷数据；步骤2、对所述原始缺陷数据进行赋值转换和清理，以获取二次缺陷数据，所述二次缺陷数据包括高压电器设备生产厂家数据集合P1、高压电器设备投运时间T1、高压电器设备缺陷等级C1；步骤3、根据二次缺陷数据建立神经网络模型并对该神经网络模型进行训练；所述步骤3包括：步骤31、将神经网络模型的初始神经元节点集合A0初始赋值为高压电器设备生产厂家数据集合P1：A0＝P1＝{p1,p2,…pj,…pn}其中：pj为第j个高压电器设备生产厂家，n为高压电器设备生产厂家的总数，1≤j≤n；步骤32、将神经网络模型的目标集合V赋值为高压电器设备缺陷等级C1：V＝C1＝{c1,c2,c3}其中：c1为一般缺陷，c2为重大缺陷，c3为紧急缺陷；步骤33、对神经网络模型进行训练时，当初始神经元节点集合A0中的元素pj对应的阀值bk达到一定数值后，隐蔽层的自动构建工作便被启动，自动生成的第i个中间层标记为隐蔽层Ai，所述隐蔽层Ai中包含的第j个隐蔽神经元节点标记为其中i≥1，每个隐蔽神经元节点的状态均包含默认状态0和触发状态1，当该隐蔽神经元节点的状态触发其对应的阈值bk达到一定数值，形成触发条件时，神经元节点状态激励函数生效：其中，为初始神经元节点集合A0的第j个元素，步骤4、根据已构建并训练完成的神经网络模型，通过多次迭代的数学演算后，得出初始神经元节点和隐蔽层神经元节点的权重值分布，以此为基础对现有数据进行分析预测，获取高压电器运行质量的评估结果，所述评估结果为高压电器设备缺陷等级。2.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述原始缺陷数据包括缺陷年份、严重等级、设备名称、部件名称、缺陷描述、缺陷类别和生产厂家。3.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤2中，对所述原始缺陷数据进行赋值转换和清理通过ETL工具实现，所述ETL工具为SAS软件。4.根据权利要求1所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述步骤3中，还包括步骤34、对训练完成的神经网络模型中的Epoch、Momentum和learningrate三个参数进行调整和修改，以提高该神经网络模型的准确率。5.根据权利要求4所述的基于神经网络的高压电器运行质量评估方法，其特征在于，所述调整和修改的方法是通过提升迭代次数、增加波动阻尼和控制学习速率分别对参数Epoch、Momentum和learningrate进行修改及比对。6.一种基于神经网络的高压电器运行质量评估...

【专利技术属性】
技术研发人员：张长虹，李洁珊，周海滨，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司检修试验中心，
类型：发明
国别省市：广东;44