【技术实现步骤摘要】
本专利技术涉及设备运行数据处理，具体涉及一种电力时间同步装置的健康检测方法、设备和介质。
技术介绍
1、电力时间同步装置为变电站和电力调度的站端监控系统、智能装置、调度系统以及各类数据管理应用系统提供精确统一的授时服务。时间统一是上述各种系统和装置有效工作的前提，如果这些系统和装置对时不准确，在电力系统发生故障时，将影响故障后事故的分析与处理，给电网的安全运行带来严重隐患。而时间同步装置常常因自身性能逐步下降而故障突然暴露，导致授时服务中断，影响被授时设备的正常工作，从而影响电网的安全稳定运行。
2、由于电力时间同步装置在运行过程中对其他设备的精确授时于电力系统安全稳定运行具有重要作用，因此在对其运行状态进行检测时，需要进行对故障设备的故障类型进行精确判断，辅助提升设备故障维修效率，降低因设备故障导致授时服务中断情况的发生，或减少授时服务中断时间。
3、现有的电力时间同步装置运行状态检测方法多采用基于数据驱动的预测方法，以采集的数据为基础，基于神经网络进行故障预测，但是电力时间同步装置的运行数据量大，神经网络在运算过程中耗时耗力，经过长时间的反复运行，导致数据处理精度下降，对故障类型的判断精确度不达标。
技术实现思路
1、本专利技术所要解决的技术问题是神经网络在运算过程中耗时耗力，经过长时间的反复运行，导致数据处理精度下降，对故障类型的判断精确度不达标，目的在于提供一种电力时间同步装置的健康检测方法、设备和介质，通过采用深度置信网络构建故障检测模型进行被测设
2、本专利技术通过下述技术方案实现：
3、本专利技术第一方面提供一种电力时间同步装置的健康检测方法，包括以下具体步骤：
4、获取被测设备运行数据，对设备数据进行预处理，得到样本数据；
5、基于深度置信网络构建故障检测模型，确定被测设备的异常指标数据；
6、对异常指标数据进行分类，提取异常指标数据特征；
7、构建特征矩阵，对异常指标数据赋予权重，根据权重确定被测设备状态。
8、本专利技术通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，深度置信网络具有抓取数据深层信息的强大能力，适于处理高维数据，将高维数据变换到低维空间时可以保留原始数据的大量信息。利用其优势，可以用于特征融合，构建出一个能够全面反映设备健康状态的特征指标，基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
9、进一步的，所述对设备数据进行预处理具体包括：
10、对设备运输数据进行周期性检测，获取每个周期的运行信息；
11、将相邻周期的信息进行对比，确定异常指标信号，作为样本数据。
12、进一步的，所述基于深度置信网络构建故障检测模型具体包括：
13、构建深度置信网络模型，对深度置信网络模型进行初始化；
14、采用样本数据中的训练集对深度置信网络模型进行训练，调整模型参数直至得到最优模型，确定深度置信网络构建故障检测模型。
15、进一步的，所述对深度置信网络模型进行训练具体包括：
16、采用对比散度法对深度置信网络模型中每一层的受限玻尔兹曼机rbm逐一进行训练，将每一层的特征映射到多种特征空间中，得到网络特征信息；
17、初始化深度置信网络参数，将多次训练得到的网络特征信息进行融合，直至误差小于设定阈值，得到最优模型。
18、进一步的，所述采用对比散度法进行训练具体包括：
19、获取数据集，对训练集进行归一化处理，结合隐藏层各神经元的条件概率，得到隐藏层神经元的激活概率；
20、根据隐藏层神经元的激活概率设置得到可视层神经元激活状态，计算所有可视层神经元的状态，得到重构可视层；
21、根据可视层的状态与重构可视层的状态的误差对rbm的参数进行调整。
22、进一步的，所述对异常指标数据进行分类具体包括：
23、获取设备工作状态基准参数，确定异常指标数据状态；
24、根据异常指标数据当前状态，查找异常指标数据对应的设备工作状态基准参数；
25、根据参数的类型和参数的差值，确定对应的故障信息确定异常指标数据类型。
26、进一步的，所述提取异常指标数据特征具体包括：
27、获取设备工作状态参数，结合异常指标数据类型构建数据连续性模型，在时序上定义参数连续性特征，得到异常指标数据特征。
28、进一步的，所述对异常指标数据赋予权重具体包括：
29、基于异常指标数据特征构建特征矩阵，获取特征值构建对角矩阵；
30、计算对角矩阵中的最大特征值，确定最大特征值对应的特征向量；
31、对特征向量进行归一化处理，得到异常指标数据的权重。
32、本专利技术第二方面提供一种电子设备，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，所述处理器执行所述程序时实现一种电力时间同步装置的健康检测方法。
33、本专利技术第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种电力时间同步装置的健康检测方法。
34、本专利技术与现有技术相比，具有如下的优点和有益效果：
35、通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，深度置信网络具有抓取数据深层信息的强大能力，适于处理高维数据，将高维数据变换到低维空间时可以保留原始数据的大量信息。利用其优势，可以用于特征融合，构建出一个能够全面反映设备健康状态的特征指标，基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
本文档来自技高网...【技术保护点】
1.一种电力时间同步装置的健康检测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述对设备数据进行预处理具体包括：
3.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述基于深度置信网络构建故障检测模型具体包括：
4.根据权利要求3所述的电力时间同步装置的健康检测方法，其特征在于，所述对深度置信网络模型进行训练具体包括：
5.根据权利要求4所述的电力时间同步装置的健康检测方法，其特征在于，所述采用对比散度法进行训练具体包括：
6.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述对异常指标数据进行分类具体包括：
7.根据权利要求6所述的电力时间同步装置的健康检测方法，其特征在于，所述提取异常指标数据特征具体包括：
8.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述对异常指标数据赋予权重具体包括：
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
10.一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，该程序被处理器执行时实现如权利要求1至8任一项所述的一种电力时间同步装置的健康检测方法。
...【技术特征摘要】
1.一种电力时间同步装置的健康检测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述对设备数据进行预处理具体包括：
3.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述基于深度置信网络构建故障检测模型具体包括：
4.根据权利要求3所述的电力时间同步装置的健康检测方法，其特征在于，所述对深度置信网络模型进行训练具体包括：
5.根据权利要求4所述的电力时间同步装置的健康检测方法，其特征在于，所述采用对比散度法进行训练具体包括：
6.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：王大兴，林波，常政威，唐勇，苏明虹，刘学文，张雨琦，严磊，杨康，郑永康，曾婷婷，
申请(专利权)人：四川蜀能电科能源技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。