电力设备健康状态的评估方法及其系统技术方案

本申请涉及电力设备智能管理领域，其具体地公开了一种电力设备健康状态的评估方法及其系统，其通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值

【技术实现步骤摘要】
电力设备健康状态的评估方法及其系统


[0001]本申请涉及电力设备智能管理领域，且更为具体地，涉及一种电力设备健康状态的评估方法及其系统
。

技术介绍

[0002]传统的电力设备故障评估方法依赖于运维人员的经验和直觉判断，存在一定的主观性和不确定性，可能会导致故障的漏检或误判
。
另外，这种方法需要工人定期巡检或进行离线数据分析，无法做到实时监测设备的状态变化，这样一来，如果设备在巡检期间发生故障，可能会导致延误故障的发现和处理
。
[0003]因此，期望一种电力设备健康状态的评估方法及其系统，以基于对待评估电力设备的运行参数进行实时监测，以此来对该电力设备的健康状态进行评估并及时向运维人员发出预警
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种电力设备健康状态的评估方法及其系统，其通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值
、
电压值
、
温度值
、
湿度值
、
压力值
、
电源频率和功率，然后通过卷积神经网络模型分别对其进行特征提取和对比分析以得到用于表示待评估电力设备是否处于健康状态的分类结果
。
这样，能够对待评估电力设备的运行参数进行实时监测，以此来对该电力设备的健康状态进行评估并及时向运维人员发出预警
。
[0005]根据本申请的第一方面，提供了一种电力设备健康状态的评估方法，其包括：
[0006]通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值
、
电压值
、
温度值
、
湿度值
、
压力值
、
电源频率和功率；
[0007]将所述待评估电力设备的历史运行数据排列成多个输入向量后通过包含嵌入层的上下文编码器以得到多个参数特征向量；
[0008]将所述多个参数特征向量按时间维度进行二维排列为特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史特征矩阵；
[0009]将所述待评估电力设备的运行监测数据通过包含一维卷积层和全连接层的时序编码器以得到电力设备特征向量；
[0010]将所述历史特征矩阵和所述电力设备特征向量进行融合以得到分类特征向量；
[0011]对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量；
[0012]将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估电力设备是否处于健康状态
。
[0013]结合本申请的第一方面，在本申请的第一方面的一种电力设备健康状态的评估方
法中，所述将所述待评估电力设备的历史运行数据排列成多个输入向量后通过包含嵌入层的上下文编码器以得到多个参数特征向量，包括：使用所述包含嵌入层的上下文编码器的基于转换器的
Bert
模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到所述待评估电力设备的健康状态的基于时序全局的所述多个参数特征向量
。
[0014]结合本申请的第一方面，在本申请的第一方面的一种电力设备健康状态的评估方法中，所述将所述多个参数特征向量按时间维度进行二维排列为特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史特征矩阵，用于：使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述作为特征提取器的第一卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述作为特征提取器的第一卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及使用所述作为特征提取器的第一卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述历史特征矩阵
。
[0015]根据本申请的第二方面，提供了一种电力设备健康状态的评估系统，其包括：
[0016]数据采集单元，用于通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值
、
电压值
、
温度值
、
湿度值
、
压力值
、
电源频率和功率；
[0017]上下文编码单元，用于将所述待评估电力设备的历史运行数据排列成多个输入向量后通过包含嵌入层的上下文编码器以得到多个参数特征向量；
[0018]卷积编码单元，用于将所述多个参数特征向量按时间维度进行二维排列为特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史特征矩阵；
[0019]时序编码单元，用于将所述待评估电力设备的运行监测数据通过包含一维卷积层和全连接层的时序编码器以得到电力设备特征向量；
[0020]特征融合单元，用于将所述历史特征矩阵和所述电力设备特征向量进行融合以得到分类特征向量；
[0021]特征优化单元，用于对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量；
[0022]结果生成单元，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估电力设备是否处于健康状态
。
[0023]与现有技术相比，本申请提供的一种电力设备健康状态的评估方法及其系统，其通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值
、
电压值
、
温度值
、
湿度值
、
压力值
、
电源频率和功率，然后通过卷积神经网络模型分别对其进行特征提取和对比分析以得到用于表示待评估电力设备是否处于健康状态的分类结果
。
这样，能够对待评估电力设备的运行参数进行实时监测，以此来对该电力设备的健康状态进行评估并及时向运维人员发出预警
。
附图说明
[0024]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的
、
特征和优势将变得更加明显
。
附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制
。
在附图中，相同的参考标号通常代表相同部件或步骤
。
[0025]图1图示了根据本申请实施例的电力设备健康状态的评估方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力设备健康状态的评估方法，其特征在于，包括：通过多个传感器分别获取待评估电力设备的历史运行数据以及待评估电力设备的运行监测数据，其中，所述历史运行数据和所述运行监测数据均包括：电流值
、
电压值
、
温度值
、
湿度值
、
压力值
、
电源频率和功率；将所述待评估电力设备的历史运行数据排列成多个输入向量后通过包含嵌入层的上下文编码器以得到多个参数特征向量；将所述多个参数特征向量按时间维度进行二维排列为特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史特征矩阵；将所述待评估电力设备的运行监测数据通过包含一维卷积层和全连接层的时序编码器以得到电力设备特征向量；将所述历史特征矩阵和所述电力设备特征向量进行融合以得到分类特征向量；对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量；将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待评估电力设备是否处于健康状态
。2.
根据权利要求1所述的电力设备健康状态的评估方法，其特征在于，将所述待评估电力设备的历史运行数据排列成多个输入向量后通过包含嵌入层的上下文编码器以得到多个参数特征向量，包括：使用所述包含嵌入层的上下文编码器的基于转换器的
Bert
模型对所述多个输入向量中各个输入向量进行基于时序全局的上下文语义编码以得到所述待评估电力设备的健康状态的基于时序全局的所述多个参数特征向量
。3.
根据权利要求2所述的电力设备健康状态的评估方法，其特征在于，将所述多个参数特征向量按时间维度进行二维排列为特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史特征矩阵，用于：使用所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述作为特征提取器的第一卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述作为特征提取器的第一卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图；以及使用所述作为特征提取器的第一卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第一卷积神经网络的最后一层的输出为所述历史特征矩阵
。4.
根据权利要求3所述的电力设备健康状态的评估方法，其特征在于，将所述待评估电力设备的运行监测数据通过包含一维卷积层和全连接层的时序编码器以得到电力设备特征向量，包括：将所述待评估电力设备的运行监测数据排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中
X
是所述输入向量，
Y
是输出向量，
W
是权重矩阵，
B
是偏置向量，表示矩阵乘法；以及
使用序列编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：其中，
a
为第一卷积核在
x
方向上的宽度
、F(a)
为第一卷积核参数向量
、G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
表示所述输入向量，
Cov(X)
表示对所述输入向量进行一维卷积编码
。5.
根据权利要求4所述的电力设备健康状态的评估方法，其特征在于，将所述历史特征矩阵和所述电力设备特征向量进行融合以得到分类特征向量，用于：计算所述历史特征矩阵和所述电力设备特征向量的乘积以得到所述分类特征向量
。6.
根据权利要求5所述的电力设备健康状态的评估方法，其特征在于，对所述分类特征向量进行基于秩序化的位移先验优化以得到优化分类特征向量，包括：将所述分类特征向量进行向量切分以得到多个分...

【专利技术属性】
技术研发人员：万鹤，于怀金，
申请(专利权)人：万思信息技术有限公司，
类型：发明
国别省市：