CN117251789A - 电力设备健康状态的评估方法及其*** - Google Patents
电力设备健康状态的评估方法及其*** Download PDFInfo
- Publication number
- CN117251789A CN117251789A CN202311296282.XA CN202311296282A CN117251789A CN 117251789 A CN117251789 A CN 117251789A CN 202311296282 A CN202311296282 A CN 202311296282A CN 117251789 A CN117251789 A CN 117251789A
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- vector
- evaluated
- power equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 187
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000003862 health status Effects 0.000 claims description 28
- 238000006073 displacement reaction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 20
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
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***,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。
Description
技术领域
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***。
背景技术
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。
因此,期望一种电力设备健康状态的评估方法及其***,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。
发明内容
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***,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。
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:
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。
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。
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。
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***,其包括:
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;
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;
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;
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;
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;
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;
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。
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***,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
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。
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流程图。
图2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***架构的示意图。
图3图示了根据本申请实施例的电力设备健康状态的评估***的示意性框图。
图4图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性方法
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流程图。图2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***架构的示意图。如图1和图2所示,根据本申请实施例的电力设备健康状态的评估方法,包括:S110,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;S120,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;S130,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;S140,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;S150,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;S160,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;S170,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。
在步骤S110中,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。如上述背景技术所述,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。因此,期望一种电力设备健康状态的评估方法及其***,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。近年来,深度学***。深度学习以及神经网络的发展为电力设备健康状态的评估提供了新的解决思路和方案。
具体地,首先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。也就是,通过对比所述待评估电力设备的历史运行数据和所述待评估电力设备的运行监测数据来评估所述待评估电力设备的性能表现。通过分析所述待评估电力设备的运行监测数据的变化趋势,可以快速地判断待评估电力设备是否正常工作,并评估其性能是否满足要求。这样,如果待评估电力设备运行参数与历史数据相比有明显改善或恶化,就可以及时采取相应的措施。进一步地,考虑到所述历史运行数据和所述运行监测数据通过传统的人工监测很难做到实时监测,而且可能会出现误测、漏测的情况,基于此,通过使用多个传感器分别对该数据进行监测,这样就能够很好的解决这一问题。具体地,通过多个传感器分别获取所述历史运行数据和所述运行监测数据中的电流值、电压值、温度值、湿度值、压力值、电源频率和功率。
在步骤S120中,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。应可以理解,所述待评估电力设备的历史运行数据是一个由多组数据组成的数据集,考虑到所述多组数据中的各个数据可能存在内部的关联性或时序性,直接将它们组合在一起进行特征提取可能会丢失这种关联性。因此,首先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,然后将所述多个输入向量通过包含嵌入层的上下文编码器进行编码以得到多个参数特征向量。这样,就能够提取到所述多组数据中各个数据之间的关联分布特征。
具体地,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。
在步骤S130中,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。考虑到所述待评估电力设备的历史运行数据是时间序列数据,也就是,所述多个参数特征向量是时间序列向量。为了方便对所述时间序列向量进行分析、处理和可视化,可以将所述多个参数特征向量按照时间维度进行二维排列以得到特征矩阵。这样,将时间序列数据转化为特征矩阵后,可以更直观地展示所述待评估电力设备的历史运行数据的变化和趋势。另外,考虑到待评估电力设备的历史运行数据通常具有局部关联性,也就是,电流、电压、温度、湿度、压力、电源频率和功率这些参数之间可能存在空间或时间上的相关性,例如,电力设备的功率消耗通常会导致设备发热,进而影响设备的温度。因此,为了提取所述待评估电力设备的历史运行数据之间的在空间或时间上的局部关联特征,将所述特征矩阵通过作为特征提取器的第一卷积神经网络进行卷积编码以得到历史特征矩阵。其中,所述作为特征提取器的第一卷积神经网络能够通过卷积操作捕捉到所述特征矩阵的局部关联特征,也就是,通过在所述特征矩阵上进行滑动窗口的卷积操作,能够提取到所述待评估电力设备的历史运行数据的局部特征并保留其空间或时间上的关联性。
具体地,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。
在步骤S140中,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。应可以理解,所述待评估电力设备的运行监测数据可能包含大量的原始数据点,其中可能存在噪声和冗余信息,而且所述待评估电力设备的运行监测数据的各个数据之间可能存在一定的特征关联,如果直接使用原始数据进行评估和预测,可能会导致结果不准确。基于此,可以使用在序列特征提取领域具有优异表现的时序编码器对所述待评估电力设备的运行监测数据进行卷积编码。进一步地,为了提取出所述待评估电力设备的运行监测数据中的重要模式以及各个数据之间的关联性特征,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。其中,所述包含一维卷积层和全连接层的时序编码器可以自动学习和提取所述待评估电力设备的运行监测数据中的重要特征,如频率成分、温度变化等。这样,在后续的评估任务中,根据这些重要特征就能够实现对电力设备的健康状态的更为准确的评估。
具体地,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。
在步骤S150中,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。应可以理解,所述历史特征矩阵包含了待评估电力设备过去一段时间内的运行状态和变化趋势,可以提供对设备的历史行为进行建模的能力。通过将历史特征矩阵与电力设备特征向量进行融合,可以综合考虑设备的当前状态和过去的历史信息,从而更全面地描述设备的特征。这样,就能够准确的评估待评估电力设备的健康状态。
具体地,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。
在步骤S160中,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。应可以理解,在本申请的技术方案中,首先将所述分类特征向量进行向量切分以得到多个分类特征局部展开特征向量。也就是,所述分类特征向量本质上是多个分类特征局部展开特征向量的集合。这里,在所述分类特征向量的局部特征向量的集合中,所述多个分类特征局部展开特征向量之间存在相对顺序信息,且所述多个分类特征局部展开特征向量对于最终分类判断的贡献度不同,基于此,在本申请的技术方案中,对所述分类特征向量的特征向量集合进行基于秩序化的位移先验优化,以利用所述分类特征向量中各个分类特征局部展开特征向量之间存在相对顺序信息和类概率域的显著性差异来增强其分类性能。
具体地,在将所述分类特征向量进行向量切分以得到所述多个分类特征局部展开特征向量后,将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量。也就是,利用所述转换器的自注意力编码机制来捕捉所述各个分类特征局部展开特征向量之间的上下文语义关联信息以强化所述各个分类特征局部展开特征向量的信息表达的丰富度和关联度。接着,将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值,也就是,利用所述基于Softmax函数的分类域秩序值转换器来确定所述多个上下文分类特征局部展开特征向量在类概率域的贡献度,即所述多个分类域秩序特征值。并基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列,也就是,基于所述多个分类域秩序特征值的数值大小来对所述多个分类特征局部展开特征向量进行序列化以使得相对更为显著的特征向量能够具有先发优势。同时,将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量,并以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列。也就是,利用一维卷积编码和非线性激活来捕捉所述多个分类特征局部展开特征向量在类概率域的高维隐含关联信息,以强化所述多个分类特征局部展开特征向量在类概率域的显著性。最终,将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
在步骤S170中,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。应可以理解,分类器通过学习所述分类特征向量的特征和模式,将其分配到预定义的类别中的一个或多个类别。这样,就能够实现对所述待评估电力设备的运行监测数据的准确分类,从而判断出所述待评估电力设备是否处于健康状态。
具体地,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,用于:使用所述分类器以如下分类公式对所述优化分类特征向量进行处理以得到所述分类结果;其中,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量,softmax表示归一化指数函数,O表示所述分类结果。
综上,根据本申请实施例的所述电力设备健康状态的评估方法被阐明,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。
示例性***
图3图示了根据本申请实施例的电力设备健康状态的评估***的示意性框图。如图3所示,根据本申请实施例的所述电力设备健康状态的评估***100,包括:数据采集单元110,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;上下文编码单元120,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;卷积编码单元130,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;时序编码单元140,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;特征融合单元150,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;特征优化单元160,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;结果生成单元170,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。
如上所述,根据本申请实施例的电力设备健康状态的评估***100可以实现在各种无线终端中,例如用于电力设备健康状态的评估的服务器等。在一个示例中,根据本申请实施例的电力设备健康状态的评估***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该电力设备健康状态的评估***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该电力设备健康状态的评估***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该电力设备健康状态的评估***100与该无线终端也可以是分立的设备,并且电力设备健康状态的评估***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
这里,本领域技术人员可以理解,上述电力设备健康状态的评估***中的各个步骤的具体功能和操作已经在上面参考图1的电力设备健康状态的评估方法的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图4来描述根据本申请实施例的电子设备。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的电力设备健康状态的评估方法以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力设备健康状态的评估方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力设备健康状态的评估方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
应理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。并且,在本申请的各种实施例中,各过程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,而不应对本申请实施例的实施过程构成任何限定。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
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类特征局部展开特征向量;
将所述多个分类特征局部展开特征向量通过基于转换器的上下文语义关联编码器以得到多个上下文分类特征局部展开特征向量;
将所述多个上下文分类特征局部展开特征向量分别通过基于Softmax函数的分类域秩序值转换器以得到多个分类域秩序特征值;
基于所述多个分类域秩序特征值之间的排序,对所述多个分类特征局部展开特征向量进行排序以得到分类特征局部展开特征向量的序列;
将所述多个分类域秩序特征值通过包含一维卷积层和Sigmoid激活函数的秩序化位移先验特征提取器以得到秩序化位移先验特征向量;
以所述秩序化位移先验特征向量中各个位置的特征值作为权重,对所述分类特征局部展开特征向量的序列中的各个分类特征局部展开特征向量进行加权以得到加权后分类特征局部展开特征向量的序列;
将所述加权后分类特征局部展开特征向量的序列进行重构以得到所述优化分类特征向量。
7.根据权利要求6所述的电力设备健康状态的评估方法,其特征在于,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,用于:使用所述分类器以如下分类公式对所述优化分类特征向量进行处理以得到所述分类结果;
其中,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|X},其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为优化分类特征向量,Softmax表示归一化指数函数,O表示所述分类结果。
8.一种电力设备健康状态的评估***,其特征在于,包括:
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;
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;
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;
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;
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;
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;
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。
9.根据权利要求8所述的电力设备健康状态的评估***,其特征在于,所述上下文编码单元,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。
10.根据权利要求9所述的电力设备健康状态的评估***,其特征在于,所述卷积编码单元,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296282.XA CN117251789A (zh) | 2023-10-09 | 2023-10-09 | 电力设备健康状态的评估方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296282.XA CN117251789A (zh) | 2023-10-09 | 2023-10-09 | 电力设备健康状态的评估方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251789A true CN117251789A (zh) | 2023-12-19 |
Family
ID=89129110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311296282.XA Pending CN117251789A (zh) | 2023-10-09 | 2023-10-09 | 电力设备健康状态的评估方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251789A (zh) |
-
2023
- 2023-10-09 CN CN202311296282.XA patent/CN117251789A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN117269644A (zh) | 电流互感器的线路故障监测***及其方法 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
CN115935807A (zh) | 基于图马尔可夫神经网络的诊断模型的训练方法 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
JP2003044123A (ja) | プラント診断装置 | |
CN117231590A (zh) | 液压***的故障预测***及其方法 | |
CN117633592A (zh) | 一种新能源电站智能监盘*** | |
CN117792750A (zh) | 一种基于生成对抗网络的信息物理***异常检测方法 | |
CN117856442A (zh) | 一种基于大数据的电力设备远程监测***及方法 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及*** | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
CN116821831A (zh) | 电力智能巡检***及其方法 | |
Nagpal et al. | Neural network based transformer incipient fault detection | |
CN116958697A (zh) | 基于图像的电力安全巡检***及其方法 | |
Huang et al. | Data mining for oil‐insulated power transformers: an advanced literature survey | |
CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
CN116541689A (zh) | 多模态数据采集与标注方法、装置、计算机设备 | |
CN117251789A (zh) | 电力设备健康状态的评估方法及其*** | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
Yi et al. | Anomaly Detection for Asynchronous Multivariate Time Series of Nuclear Power Plants Using a Temporal-Spatial Transformer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |