一种基于时序融合和神经网络的设备缺陷预测方法及系统技术方案

本发明专利技术公开了一种基于时序融合和神经网络的设备缺陷预测方法及系统，本发明专利技术包括获取变电站设备的缺陷数据样本，缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果，对输入变量的数据进行归一化量化，然后将归一化量化后的输入变量的数据融合到统一的结构化数据中，建立带有时序特征的二维矩阵；建立结合注意力机制的循环神经网络，并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络。本发明专利技术能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据，且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测，能够有效提高变电站设备缺陷发生预测的精度。站设备缺陷发生预测的精度。站设备缺陷发生预测的精度。

【技术实现步骤摘要】
一种基于时序融合和神经网络的设备缺陷预测方法及系统


[0001]本专利技术涉及电网设备缺陷预测技术，具体涉及一种基于时序融合和神经网络的设备缺陷预测方法及系统。

技术介绍

[0002]随着国内电网的迅速发展，电网设备数量成倍增加，电网变电站设备发生缺陷的概率也在变大。同时，电网设备在运行的过程中也积累了大量的缺陷数据、设备台账数据、PMS(生产管理系统)数据、运行监测数据等。这些数据为研究历史缺陷信息分析设备缺陷发生规律有着重要作业。利用大数据建模，从生产厂家、型号、运行年限等角度多维度展开分析，梳理、发现设备缺陷出现规律(报缺频次、缺陷特征)，建立设备缺陷预测模型，预测设备在未来的一定时间内是否发生缺陷，这对变电站设备的管理和维护、以及提高变电站系统可靠性具有重要的意义。变电站设备缺陷的发生受很多因素的影响，并随时间不断变化。传统的设备缺陷预测停留在针对电网单一数据的推理和分析。这类报警信息大多不够完整，无法全面反应出电网当前的实际运行状态，需要运检人员结合较强的自身经验才能妥善处理，存在响应速度慢，分析效率低等相关的问题。本专利技术使用基于时序关系的序列模型，提高设备缺陷预测的准确率。序列模型的输入是设备的历史缺陷数据、设备本身的属性特征以及和设备运行监测的相关数据，能够更加精确的对设备缺陷做出预测。预测结果可以协助运检部门对可能发生缺陷的设备进行重点关注与维护。因此，如何融合多时序数据并构建注意力机制神经网络的变电站设备缺陷预测方法已经成为一个急需解决的技术问题。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于时序融合和神经网络的设备缺陷预测方法及系统，本专利技术能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据，且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测。由于设备缺陷发生的频率很低，导致用于预测的时间序列较长，会明显限制网络的性能，因此结合注意力机制的循环神经网络重点关注输入与输出序列中最相关的信息，提高变电站设备缺陷发生预测的精度。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种基于时序融合和神经网络的设备缺陷预测方法，包括：
[0006]S1，获取变电站设备的缺陷数据样本，所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果，其中所述输入数据样本包括与缺陷输出结果存在关联关系的多种输入变量，所述缺陷输出结果为是否发生指定类型的缺陷；
[0007]S2，对输入变量的数据进行归一化量化，然后将归一化量化后的输入变量的数据融合到统一的结构化数据中，建立带有时序特征的二维矩阵；
[0008]S3，建立结合注意力机制的循环神经网络，并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络，最终得到完成训练后的结合注意力机制的循环神经网
络以用于根据实际的获取变电站设备的缺陷数据中的输入数据获取对应的缺陷输出结果。
[0009]可选地，步骤S1中的多种输入变量包括设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、问题分类、运行监测数据以及缺陷发生时间。
[0010]可选地，步骤S2中对输入变量的数据进行归一化量化时，包括针对数值型的输入变量的数据进行归一化处理，以及针对文本型的输入变量的数据采用TF
‑
IDF表示法进行量化处理。
[0011]可选地，步骤S2中将归一化量化后的输入变量的数据融合到统一的结构化数据中时，所述统一的结构化数据包括同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果，且同一时刻的变电站设备的标识变量、输入数据样本中各个输入变量的数据为归一化量化后的数据，使得建立带有时序特征的二维矩阵中的每一行代表同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果，每一列代表一个输入变量的序列。
[0012]可选地，步骤S3中建立的结合注意力机制的循环神经网络包括循环神经网络和注意力机制模块，所述循环神经网络用于根据当前时刻t输入的带有时序特征的二维矩阵X
t
生成对应的语境向量C
t
和隐藏元h
t
，所述注意力机制模块用于根据初始时刻输入的带有时序特征的二维矩阵X1～当前时刻t输入的带有时序特征的二维矩阵X
t
生成权重矩阵W
c
，根据权重矩阵W
c
将语境向量C
t
和隐藏元h
t
加权求和生成注意力向量，并将注意力向量通过激活函数生成t时刻输出y
t
的概率分布。
[0013]可选地，所述生成注意力向量的函数表达式为：
[0014][0015]上式中，为注意力向量，W
c
为注意力机制模块输出的权重矩阵，C
t
为循环神经网络当前时刻t输出的语境向量，h
t
为循环神经网络当前时刻t输出的隐藏元。
[0016]可选地，所述生成t时刻输出y
t
的概率分布的函数表达式为：
[0017][0018]上式中，p(y
t
|y<t,x)表示基于t时刻之前的输入x及输出y的前提下，softmax表示softmax激活函数，W
s
为权重矩阵，为串联层组合输出。
[0019]此外，本实施例还提供一种基于时序融合和神经网络的设备缺陷预测系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
[0020]此外，本实施例还提供一种计算机可读存储介质，其中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于时序融合和神经网络的设备缺陷预测方法的步骤。
[0021]和现有技术相比，本专利技术主要具有下述优点：本专利技术基于时序融合和神经网络的设备缺陷预测方法能够解决现有技术中由于没有充分利用影响设备缺陷的多时间序列数据，且需要关注到影响设备缺陷的重要信息并进行后续设备缺陷的预测。由于设备缺陷发生的频率很低，导致用于预测的时间序列较长，会明显限制网络的性能，因此采用注意力机制重点关注输入与输出序列中最相关的信息，以此提高变电站设备缺陷发生预测的精度。
附图说明
[0022]图1为本专利技术实施例方法的基本流程示意图。
[0023]图2为本专利技术实施例中结合注意力机制的循环神经网络的结构示意图。
具体实施方式
[0024]下面对照附图，通过对实施例的描述，对本专利技术具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。
[0025]如图1所示，本实施例基于时序融合和神经网络的设备缺陷预测方法包括：
[0026]S1，获取变电站设备的缺陷数据样本，所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序融合和神经网络的设备缺陷预测方法，其特征在于，包括：S1，获取变电站设备的缺陷数据样本，所述缺陷数据样本包括变电站设备的标识变量、输入数据样本和缺陷输出结果，其中所述输入数据样本包括与缺陷输出结果存在关联关系的多种输入变量，所述缺陷输出结果为是否发生指定类型的缺陷；S2，对输入变量的数据进行归一化量化，然后将归一化量化后的输入变量的数据融合到统一的结构化数据中，建立带有时序特征的二维矩阵；S3，建立结合注意力机制的循环神经网络，并采用带有时序特征的二维矩阵来训练结合注意力机制的循环神经网络，最终得到完成训练后的结合注意力机制的循环神经网络以用于根据实际的获取变电站设备的缺陷数据中的输入数据获取对应的缺陷输出结果。2.根据权利要求1所述的基于时序融合和神经网络的设备缺陷预测方法，其特征在于，步骤S1中的多种输入变量包括设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、问题分类、运行监测数据以及缺陷发生时间。3.根据权利要求2所述的基于时序融合和神经网络的设备缺陷预测方法，其特征在于，步骤S2中对输入变量的数据进行归一化量化时，包括针对数值型的输入变量的数据进行归一化处理，以及针对文本型的输入变量的数据采用TF
‑
IDF表示法进行量化处理。4.根据权利要求3所述的基于时序融合和神经网络的设备缺陷预测方法，其特征在于，步骤S2中将归一化量化后的输入变量的数据融合到统一的结构化数据中时，所述统一的结构化数据包括同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果，且同一时刻的变电站设备的标识变量、输入数据样本中各个输入变量的数据为归一化量化后的数据，使得建立带有时序特征的二维矩阵中的每一行代表同一时刻的变电站设备的标识变量、输入数据样本和缺陷输出结果，每一列代表一个输入变量的序列。5.根据权利要求4所述的基于时序融合和神经网络的设备缺陷预测方法，其特征在于，步骤S3中建立的结合注意力机制的循环神经网络包括循环神经网络和注意力机制模块。6.根据权利要求5所述的基于时序融合和神经网络的设备...

【专利技术属性】
技术研发人员：瞿旭，伍艺佳，章健军，颜碧炎，刘卫东，夏建勋，谭庆科，肖萍，于艺盛，杨帅雄，周伟，张寒，漆展，
申请(专利权)人：国网湖南省电力有限公司超高压变电公司国家电网有限公司，
类型：发明
国别省市：