CN113657622A - 电力设备多维状态数据融合方法、装置、终端及存储介质 - Google Patents

Abstract

本发明涉及电力设备状态诊断技术领域，尤其涉及一种电力设备多维状态数据融合方法、装置、终端及存储介质，本发明方法基于状态监测量与故障类型的对应关系，提出趋势因子对电力设备状态监测量进行预处理。趋势因子主要由三个部分组成，状态量权重反映的是监测量数据异常的严重性。重复因子反映状态监测量数据异常的持续性。衰减因子反映状态监测量数据异常的恢复性。为了将经过趋势因子处理后的变压器监测数据自适应地调整并融合为相对应的变压器故障关键变量，采用自编码器对经过趋势因子处理后的多维状态数据进行融合。融合后的数据能够自动提取特征，有效降低了传统手动提取特征的不足，利用融合后的数据进行状态评估，准确度高。

Description

电力设备多维状态数据融合方法、装置、终端及存储介质

技术领域

本发明涉及电力设备数据处理技术领域，尤其涉及一种电力设备多维状态数据融合方法、装置、终端及存储介质。

背景技术

电力设备是电力输变电***中造价最昂贵、重要性最强、维护最复杂的设备之一，反映电力设备状态的监测参量多种多样，包含电量与非电量参量如局部放电、介损、油温、油中溶解气体等。针对电力设备的多维状态参量进行监测并据此对电力设备的状态进行诊断对于电力输变电***的可靠运行具有重要的意义。

然而，目前针对电力设备的状态诊断大多通过行业标准，但该方式判断电力设备绝缘故障通常具有滞后性，且多状态量不利于运维人员进行判断，实际操作中往往顾此失彼，因此需要对故障相关的状态量进行特征提取。

当前的状态诊断大多是通过监测量与导则阈值之间的大小关系直接进行故障评判，这样的直接评判忽略了监测量在时间序列上的关联性，多数时候，电力设备出现异常的阶段与电力设备故障间有很大的联系。

综上，电力设备的多维状态信息冗余，有效状态监测信息难以提取以及缺乏对多维状态信息进行融合的现状阻碍了该领域的技术进步。

基于此，亟需获得一种对电力设备多维状态数据进行融合与状态评估的方法。

发明内容

本发明实施方式提供了一种电力设备多维状态数据融合方法、装置、终端及存储介质，用于解决电力设备状态数据关联性不足的问题。

第一方面，本发明实施方式提供了一种电力设备多维状态数据融合方法，包括：

获取状态监测量以及与所述状态监测量相对应的故障类型数据库；

根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性；

根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度；

将所述多维状态数据输入自编码器，获得多维状态融合数据。

在一种可能实现的方式中，所述将所述多维状态数据输入自编码器，获得多维状态融合数据之后，所述方法还包括：

根据所述多维状态融合数据与所述故障类型数据库进行大小比较，获得电力设备的状态。

在一种可能实现的方式中，所述根据所述状态监测量以及所述故障类型数据库获得趋势因子，包括：

根据所述状态监测量以及所述故障类型数据库获得状态量权重、重复因子以及衰减因子；

根据所述状态量权重、所述重复因子、所述衰减因子以及第一公式获得所述趋势因子，所述第一公式：

趋势因子＝状态量权重*重复因子(1-衰减因子)。

在一种可能实现的方式中，所述获取状态监测量以及与所述状态监测量相对应的故障类型数据库，包括：

获取电力设备监测数据；

按照电力设备监测数据能够导致的电力设备故障类型对所述电力设备监测数据进行分组，获得所述状态监测量以及与所述状态检测量相对应的所述故障类型数据库。

在一种可能实现的方式中，所述根据所述趋势因子以及所述状态监测量计算获得多维状态数据，包括：

将所述状态监测量与所述趋势因子相乘获得所述多维状态数据。

在一种可能实现的方式中，所述将所述多维状态数据输入自编码器，获得多维状态融合数据，包括：

自编码器训练步骤：将所述多维状态数据输入所述自编码器，对所述自编码器进行训练，所述自编码器输入以及预设输出均为多维状态数据；

根据所述自编码器输入、所述自编码器实际输出以及第二公式确定计算平方损失函数值，所述第二公式：

L＝(y-f(x))²

其中，L为平方损失函数值，y为所述自编码器输入，f(x)为所述自编码器实际输出；

若所述平方损失函数值在接收的范围内，将所述自编码器隐含层的输出作为所述多维状态融合数据；

若所述平方损失函数值不在接收的范围内，跳转至所述自编码器训练步骤。

第二方面，本发明实施方式提供了一种电力设备多维状态数据融合装置，包括：数据获取模块，用于获取状态监测量以及与所述状态监测量相对应的故障类型数据库；

趋势因子计算模块，用于根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性；

多维状态数据计算模块，用于根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度；以及，

多维状态融合数据输出模块，用于将所述多维状态数据输入自编码器，获得多维状态融合数据。

在一种可能实现的方式中，还包括：电力设备状态评估模块，用于根据所述多维状态融合数据与所述故障类型数据库进行大小比较获得电力设备的状态。

第三方面，本发明实施方式提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

第四方面，本发明实施方式提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

本发明实施方式与现有技术相比存在的有益效果是：

本发明实施方式公开了的一种电力设备多维状态数据融合方法，基于趋势因子和自编码器结合，可以表征电力设备偏离正常值的异常度，同时反映状态监测量异常产生的损伤累积效应，从而反映数据在时间维度上的前后依赖性，采用自编码器对经过趋势因子处理后的多维状态数据进行融合。融合后的数据能够自动提取特征，有效降低了传统手动提取特征的不足，利用融合后的数据进行状态评估，准确度高。

附图说明

为了更清楚地说明本发明实施方式中的技术方案，下面将对实施方式或现有技术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方式，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他的附图。

图1是本发明实施方式提供的电力设备多维状态数据融合方法的流程图；

图2是本发明实施方式提供的多维状态数据计算方法流程图；

图3是本发明实施方式提供的自编码器对多维状态数据进行融合流程图；

图4是本发明实施方式提供的自编码器结构图；

图5是本发明实施方式提供的电力设备多维状态数据融合装置的功能框图；

图6是本发明实施方式提供的终端功能框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施方式。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中，省略对众所周知的***、装置以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施方式来进行说明。

下面对本发明的实施例作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

图1为本发明实施方式提供的电力设备多维状态数据融合方法的流程图。

如图1所示，本发明实施方式提供的电力设备多维状态数据融合方法的实现流程可以包括步骤101至步骤104。

在步骤101中，获取状态监测量以及与所述状态监测量相对应的故障类型数据库。

在一些实施方式中，步骤101可以包括：

获取电力设备监测数据；

按照电力设备监测数据能够导致的电力设备故障类型对所述电力设备监测数据进行分组，获得所述状态监测量以及与所述状态检测量相对应的所述故障类型数据库。

在步骤102中，根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性。

在一些实施方式中，步骤102可以包括：

根据所述状态监测量以及所述故障类型数据库获得状态量权重、重复因子以及衰减因子；

根据所述状态量权重、所述重复因子、所述衰减因子以及第一公式获得趋势因子，所述第一公式：

趋势因子＝状态量权重*重复因子(1-衰减因子)。

示例性的，为了将多种状态监测量更好的融合，利用多种状态监测量相互之间的关联性，并与预设的电力设备故障产生作用关系，对状态监测量进行数据预处理。一种可以实施的预处理方式为，根据状态监测量数值的大小和发生的频次确定状态监测量的权重。

因此，为了体现状态监测量的严重程度以及时间上的关联性，基于状态监测量与故障类型的对应关系，提出趋势因子概念。

趋势因子主要由三个部分组成，分别为状态量权重、重复因子和衰减因子，趋势因子与状态量权重、重复因子和衰减因子之间满足如下关系：

趋势因子＝状态量权重*重复因子*(1-衰减因子)

状态量权重用于反映状态监测量数据异常的严重性，表现检测的状态监测量的严重程度。在超过故障限值的基础上通过区段划分，在不同的状态数值区间内给予不同的状态量权重，偏离正常值越多，则状态量权重越大，状态监测量数据的异常情况就越严重。

以局部放电的放电量为例，对状态量权重进行说明。当局部放电量小于50pC限定值时，状态量权重设为1；局部放电量在50pC至100pC之间时，状态量权重设为1.5，以此类推。局部放电量超过50pC限定值后，放电量越大权重设定值越高。

重复因子用于反映状态监测量数据异常的持续性，表现的是在固定时长的短时检测周期里，状态监测量偏离正常值所占的比例大小。状态监测量偏离正常值的偏离次数越多，偏离时间越长，相对应的重复因子越大。因此，重复因子也可以从侧面反映异常状态监测量的严重性。重复因子根据状态监测量与限定值的差值确定，其差值越大，重复因子的值越大。

以局部放电的放电次数为例对重复因子进行说明。当一小时内局部放电次数少于设定的限定值时，重复因子为1；当一小时内局部放电次数高于限定值时，根据局部放电次数的多少设定相应的重复因子值(大于1)。如在一种实施方式中，一小时内局部放电次数少于3次时，重复因子为1，当一小时局部放电次数达到3次时，重复因子为2，当一小时局部放电次数达到4次时，重复因子为3，以此类推。

衰减因子用于反映状态监测量数据异常的恢复性，表现的是在较长时间的检测周期里，状态监测量偏离正常值这一事件所出现的频率，即相邻两次事件的时间间隔。两次事件之间的间隔越短，衰减因子越小，相应的(1-衰减因子)也就越大。同样，衰减因子可以从侧面反映异常状态监测量的严重性。

通过专家预设或遗传算法决定趋势因子中的状态量权重、重复因子和衰减因子的数值，计算趋势因子的值计算趋势因子的值。

在步骤103中，根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度。

在一些实施方式中，步骤103可以包括：

将所述状态监测量与所述趋势因子相乘获得所述多维状态数据。

示例性地，如图2所示，将状态监测量与趋势因子相乘，计算经过趋势因子处理后的多维状态数据。

通过趋势因子处理后，多维状态数据可以表征状态监测量偏离正常值的异常度，同时反映状态监测量异常产生的损伤累积效应，从而反映数据在时间维度上的前后依赖性。

电力设备监测量数据经过趋势因子处理后，需要将多监测量数据进行融合，得到可以表现电力设备不同故障类型的状态关键变量值。

某些故障类型只能通过一些固定的监测量来反映，而对其它监测量的变化并不敏感。同时，对于同一种故障类型，不同的监测量变化造成的影响程度也不相同。

在步骤104中，将所述多维状态数据输入自编码器，获得多维状态融合数据。

在一些实施方式中，步骤104可以包括：

自编码器训练步骤：将所述多维状态数据输入所述自编码器，对所述自编码器进行训练，所述自编码器输入以及预设输出均为多维状态数据；

根据所述自编码器输入、所述自编码器实际输出以及第二公式确定计算平方损失函数值，所述第二公式：

L＝(y-f(x))²

其中，L为平方损失函数值，y为所述自编码器输入，f(x)为所述自编码器实际输出；

若所述平方损失函数值在接收的范围内，将所述自编码器隐含层的输出作为所述多维状态融合数据；

若所述平方损失函数值不在接收的范围内，跳转至所述自编码器训练步骤。

示例性地，传统的数据预处理方法需要通过导则与工程实际情况，建立相对应的全连接网络系数矩阵。通过连接网络将监测的各监测量与电力设备的故障类型建立联系，并通过系数大小表征监测量对于故障的影响大小。此方法只能大致描述监测量与故障类型的联系，而无法十分精准的定量体现影响大小关系，同时也无法做到根据监测量的不同而进行自适应调整。

为了能够根据多维状态监测数据自适应地调整并融合为电力设备故障关键变量，采用自编码器对数据进行融合。

自编码器是人工智能网络之一，主要作用是进行数据的压缩与处理，自编码器具有两个部分：分别是负责数据压缩或进行特殊编码的编码器，和对编码之后的数据还原至原始输入的解码器，也可以称之为压缩和解压缩。按照自编码器输入等于输出这一限制，使网络通过输入数据进行自训练，不断修改和遗忘权重，构建最适合该功能的网络模型。

如图3所示，使用自编码器对多维状态数据进行融合的操作步骤如下：

(1)使用若干层全连接神经网络构建如图4所示的编码器与解码器，图中X为输入数据，H为隐含层输出数据，X’为预设输出数据，使用随机数初始化编码器和解码器的权重矩阵和偏置向量，将中间隐含层的神经元数量设置为1。

(2)将多维状态数据输入至自编码器，设置输入和预设输出相同，训练自编码器的编码器和解码器。

(3)对比实际解码器输出与预设输出即输入数据(预设输出就是需要和输入相同)，计算表征误差的平方损失函数值L：

L＝(y-f(x))²

其中：L为平方损失，y为预设输出值，f(x)为实际输出值。判断误差是否在预设的可接受范围，若是，将隐含层输出作为自编码器输出，代表融合后的反映电力设备状态的关键变量；若否，继续训练自编码器，重复步骤(2)。

一些实施例中，在步骤104之后，上述电力设备多维状态数据融合方法还可以包括步骤105，对电力设备状态进行评估。

在步骤105中，将所述多维状态融合数据与所述故障类型数据库进行大小比较，获得电力设备的状态。

示例性地，将训练好的自编码器用于电力设备状态评估。评估步骤为：

(1)将检测获得的电力设备监测数据通过趋势因子进行处理，表征状态监测量偏离正常值的异常度，同时反映状态监测量异常产生的损伤累积效应，从而反映数据在时间维度上的前后依赖性。

(2)使用训练好的自编码器对经过趋势因子处理后的多维状态数据进行融合，提取隐含层输出作为自编码器输出，根据隐含层输出数据与前述训练时使用的数据进行大小比较，对电力设备状态进行评估。

下面对本发明的实施方式作详细说明，本实例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

(1)本实施例对500kV电压等级变压器的局部放电多维监测数据进行整理，形成变压器局部放电平均幅值、放电时间间隔两种状态监测量。根据历史训练结果确定趋势因子计算时的参数。

(2)状态量权重计算：当局部放电平均幅值小于50pC限定值时，状态量权重设为1，局部放电平均幅值在50pC至100pC之间时，状态量权重设为1.5；当放电时间间隔平均值大于1分钟时，状态量权重设为1，当放电时间间隔平均值小于1分钟时，状态量权重设为1.5。

(3)重复因子计算：当一小时内局部放电平均幅值大于100pC的次数少于10次时，重复因子为1，高于10次时，重复因子值为1.5；当一小时内放电时间间隔平均值小于1分钟的次数少于10次时，重复因子为1，高于10次时，重复因子值为1.5。

(4)衰减因子计算：当一天内局部放电平均幅值大于100pC的出现时间长于2小时时，衰减因子为0.8，短于2小时时，衰减因子值为0.9；当一天内放电时间间隔平均值小于1分钟的出现时间长于2小时时，衰减因子为0.8，短于2小时时，衰减因子值为0.9。

(5)计算局部放电幅值和时间间隔通过衰减因子后的数据值，并将其输入自编码器。

(6)自编码器的编码器和解码器分别为两层全连接神经网络，隐含层神经元个数为1，输入和输出均设置为训部放电幅值和时间间隔通过衰减因子后的数据值，训练自编码器使得损失函数值小于10^-4。

(7)输出隐含层的数据，该数据为融合后的变压器放电特征状态量，该数据输出为0.8，通过对比数据库发现输出大于0.7时变压器具有放电故障，得出该变压器具有放电故障。

本发明电力设备多维状态数据融合方法实施方式基于趋势因子和自编码器结合，可以表征电力设备偏离正常值的异常度，同时反映状态监测量异常产生的损伤累积效应，从而反映数据在时间维度上的前后依赖性，采用自编码器对经过趋势因子处理后的多维状态数据进行融合。融合后的数据能够自动提取特征，有效降低了传统手动提取特征的不足，利用融合后的数据进行状态评估，准确度高。

应理解，上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施方式的实施过程构成任何限定。

以下为本发明的装置实施方式，对于其中未详尽描述的细节，可以参考上述对应的方法实施方式。

图5示出了本发明实施方式提供的电力设备多维状态数据融合装置的功能框图，为了便于说明，仅示出了与本发明实施方式相关的部分，详述如下：

一种电力设备多维状态数据融合装置，包括：数据获取模块51、趋势因子计算模块52、多维状态数据计算模块53以及多维状态融合数据输出模块54。

数据获取模块51，用于获取状态监测量以及与所述状态监测量相对应的故障类型数据库。

趋势因子计算模块52，用于根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性。

多维状态数据计算模块53，用于根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度。

多维状态融合数据输出模块54，用于将所述多维状态数据输入自编码器，获得多维状态融合数据。

在一些实施方式中，还包括：电力设备状态评估模块55，用于根据所述多维状态融合数据与所述故障类型数据库进行大小比较获得电力设备的状态。

图6是本发明实施方式提供的终端的功能框图。如图6所示，该实施方式的终端6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个电力设备多维状态数据融合方法及电力设备多维状态数据融合方法实施方式中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施方式中各模块/单元的功能，例如图5所示模块/单元51至55的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如，所述计算机程序62可以被分割成图5所示的模块/单元51至55。

所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图5仅仅是终端6的示例，并不构成对终端6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述终端6的内部存储单元，例如终端6的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备，例如所述终端6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施方式中的对应过程，在此不再赘述。

在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述或记载的部分，可以参见其它实施方式的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施方式描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施方式中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施方式仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施方式方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个电力设备多维状态数据融合方法及电力设备多维状态数据融合装置实施方式的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力设备多维状态数据融合方法，其特征在于，包括：

获取状态监测量以及与所述状态监测量相对应的故障类型数据库；

根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性；

根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度；

将所述多维状态数据输入自编码器，获得多维状态融合数据。

2.根据权利要求1所述的电力设备多维状态数据融合方法，其特征在于，所述将所述多维状态数据输入自编码器，获得多维状态融合数据之后，所述方法还包括：

将所述多维状态融合数据与所述故障类型数据库进行大小比较，获得电力设备的状态。

3.根据权利要求1所述的电力设备多维状态数据融合方法，其特征在于，所述根据所述状态监测量以及所述故障类型数据库获得趋势因子，包括：

根据所述状态监测量以及所述故障类型数据库获得状态量权重、重复因子以及衰减因子；

根据所述状态量权重、所述重复因子、所述衰减因子以及第一公式获得所述趋势因子，所述第一公式：

趋势因子＝状态量权重*重复因子(1-衰减因子)。

4.根据权利要求1所述的电力设备多维状态数据融合方法，其特征在于，所述获取状态监测量以及与所述状态监测量相对应的故障类型数据库，包括：

获取电力设备监测数据；

按照所述电力设备监测数据能够导致的电力设备故障类型对所述电力设备监测数据进行分组，获得所述状态监测量以及与所述状态检测量相对应的所述故障类型数据库。

5.根据权利要求1所述的电力设备多维状态数据融合方法，其特征在于，所述根据所述趋势因子以及所述状态监测量计算获得多维状态数据，包括：

将所述状态监测量与所述趋势因子相乘获得所述多维状态数据。

6.根据权利要求1所述的电力设备多维状态数据融合方法，其特征在于，所述将所述多维状态数据输入自编码器，获得多维状态融合数据，包括：

自编码器训练步骤：将所述多维状态数据输入所述自编码器，对所述自编码器进行训练，所述自编码器输入以及预设输出均为多维状态数据；

根据所述自编码器输入、所述自编码器实际输出以及第二公式确定计算平方损失函数值，所述第二公式：

L＝(y-f(x))²

其中，L为平方损失函数值，y为所述自编码器输入，f(x)为所述自编码器实际输出；

若所述平方损失函数值在预设范围内，将所述自编码器隐含层的输出作为所述多维状态融合数据；

若所述平方损失函数值不在预设范围内，跳转至所述自编码器训练步骤。

7.一种电力设备多维状态数据融合装置，其特征在于，包括：

数据获取模块，用于获取状态监测量以及与所述状态监测量相对应的故障类型数据库；

趋势因子计算模块，用于根据所述状态监测量以及所述故障类型数据库获得趋势因子，所述趋势因子用于体现监测量的严重程度以及时间上的关联性；

多维状态数据计算模块，用于根据所述趋势因子以及所述状态监测量计算获得多维状态数据，所述多维状态数据用于表征所述状态监测量偏离正常值的异常度；以及，

多维状态融合数据输出模块，用于将所述多维状态数据输入自编码器，获得多维状态融合数据。

8.根据权利要求7所述的电力设备多维状态数据融合装置，其特征在于，还包括：

电力设备状态评估模块，用于根据所述多维状态融合数据与所述故障类型数据库进行大小比较获得电力设备的状态。

9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述方法的步骤。

Images