CN117992776B - 基于人工智能的电网设备健康状态实时预测方法 - Google Patents

Abstract

本发明公开了基于人工智能的电网设备健康状态实时预测方法，涉及电力技术领域。该基于人工智能的电网设备健康状态实时预测方法，获取进行健康状态分类后的测试电网设备的历史运行数据，并进行健康状态分类；基于建立的健康状态预测模型将进行健康状态分类后的历史运行数据与标准运行数据进行对比，获得测试对比系数，获取健康状态系数区间；将实际运行的相关电网设备的实时运行数据输入建立的健康状态预测模型中，与标准运行数据进行对比，获得实时对比系数；将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态，对获取健康状态后的电网设备继续监测，解决了对电网设备健康状态的实时监测和预测不够准确的问题。

Description

基于人工智能的电网设备健康状态实时预测方法

技术领域

本发明涉及电力技术领域，具体为基于人工智能的电网设备健康状态实时预测方法。

背景技术

电力设备(powersystem)主要包括发电设备和供电设备两大类，发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等，供电设备主要是各种电压等级的输电线路、互感器、接触器等。电力***中的电力设备很多，根据它们在运行中所起的作用不同，通常将它们分为电气一次设备和电气二次设备。

随着人们的用电量增大以及电力设备***的扩大，电力设备***更加复杂化，电力设备***通常会出现各种各样的故障。当电力设备***中负荷过大或者出现异常故障时，如果不能及时地对其进行诊断处理，会给人民的生活带来影响，从而造成经济上的损失。

公开号为CN115587331A的中国专利申请公开了一种电网设备的运行状态诊断预测方法及***，包括以下步骤：S1.获取电网设备的历史运行状态数据；S2.对电网设备的历史运行状态数据进行分析处理，选取电网设备运行状态相关的特征数据，生成数据集并分为训练集和测试集；S3.利用训练集对预测模型进行训练，将测试集输入预测模型对电网设备运行状态进行预测，获得电网设备运行状态的预测数据；S4.将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较，根据两者的比较结果对电网设备运行状态进行判定。本发明通过对电网设备运行状态的精准预测，提高了电网设备运行诊断的水平，能够及时地对电网设备在运行过程中产生的故障及异常进行处理，降低经济损失，为人民的正常生活提供了稳定。

由于电网设备数据量庞大、复杂多样，而现有技术不便对获取的数据进行分类，对不同类别的数据进行分析，电网设备健康状态的规律和特征难以进行准确分析，导致了对电网设备健康状态的实时监测和预测不够准确的问题。

发明内容

针对现有技术的不足，本发明提供了基于人工智能的电网设备健康状态实时预测方法，解决了对电网设备健康状态的实时监测和预测不够准确的问题。

为实现以上目的，本发明通过以下技术方案予以实现：基于人工智能的电网设备健康状态实时预测方法，包括以下步骤：获取并基于测试电网设备的测试数据对测试电网设备的健康状态进行分类；获取进行健康状态分类后的测试电网设备的历史运行数据，并基于测试电网设备的健康状态对相应的历史运行数据进行健康状态分类；基于建立的健康状态预测模型将进行健康状态分类后的历史运行数据与标准运行数据进行对比，获得测试对比系数，并基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间；将实际运行的相关电网设备的实时运行数据输入建立的健康状态预测模型中，与标准运行数据进行对比，获得实时对比系数；将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态，并对获取健康状态后的相关电网设备继续进行监测。

进一步地，所述测试电网设备的测试数据包括电压测试数据和电流测试数据，基于测试电网设备的测试数据对测试电网设备的健康状态进行分类的过程如下：对测试数据进行频域特征分析，获得测试数据的频域特征数据集，所述测试数据的频域特征数据集包括电压特征数据集和电流特征数据集；将测试数据的频域特征数据集与标准数据的频域特征数据集进行对比分析，获得分类指数，所述标准数据的频域特征数据集包括标准电压特征数据集和标准电流特征数据集；判断分类指数是否大于设定的第一分割阈值，若否则将测试电网设备的健康状态标记为健康，若是则判断分类指数是否大于设定的第二分割阈值；若判断分类指数小于设定的第二分割阈值，则将测试电网设备的健康状态标记为亚健康，若判断分类指数大于设定的第二分割阈值，则将测试电网设备的健康状态标记为非健康。

进一步地，所述分类指数的计算公式如下：;式中，为分类指数，为电压特征数据集，为标准电压特征数据集，为电流特征数据集，为标准电流特征数据集，为电压特征数据集与标准电压特征数据集的匹配函数，为电流特征数据集与标准电流特征数据集的匹配函数，为电压特征数据集与标准电压特征数据集的匹配函数值的权重因子，为电流特征数据集与标准电流特征数据集的匹配函数值的权重因子，且。

进一步地，所述历史运行数据包括历史运行电性数据集和历史运行温湿度数据集，所述标准运行数据包括标准运行电性数据集和标准运行温湿度数据集，基于历史运行数据与标准运行数据进行对比，获得测试对比系数的过程如下：对历史运行电性数据集和标准运行电性数据集分别进行频域特征分析，分别获得历史运行电性特征数据集和标准运行电性特征数据集；对历史运行温湿度数据集和标准运行温湿度数据集进行时域特征分析，分别获得历史运行温湿度特征数据集和标准运行温湿度特征数据集；基于历史运行电性特征数据集和标准运行电性特征数据集获得运行电性分析系数；基于历史运行温湿度特征数据集和标准运行温湿度特征数据集获得运行温湿度分析系数；对运行电性分析系数和运行温湿度分析系数进行融合，获得测试对比系数。

进一步地，所述历史运行电性特征数据集包括历史运行电阻特征数据集和历史运行电容特征数据集，所述标准运行电性特征数据集包括标准运行电阻特征数据集和标准运行电容特征数据集；所述历史运行温湿度特征数据集包括历史温度特征数据集和历史湿度特征数据集，所述标准运行温湿度特征数据集包括标准温度特征数据集和标准湿度特征数据集。

进一步地，所述测试对比系数的计算公式为：；式中，为测试对比系数，为历史运行电性特征数据集，为标准运行电性特征数据集，为运行电性分析系数的计算函数，为历史运行温湿度特征数据集，为标准运行温湿度特征数据集，为温湿度分析系数的计算函数，为运行电性分析系数的权重因子，为运行温湿度分析系数的权重因子，且，为自然常数。

进一步地，基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间的过程如下：获取进行健康状态分类后的测试电网设备的测试对比系数，基于测试电网设备的健康状态对测试对比系数进行分类并标记；获取相同健康状态下的测试对比系数的最大值和最小值，并基于相同健康状态下的测试对比系数的最大值和最小值建立健康状态系数区间，所述健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间。

进一步地，所述健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间，将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态的过程如下：将实时对比系数分别与健康状态区间的区间端点值、亚健康状态区间的区间端点值和非健康状态区间的区间端点值进行对比；根据实时对比系数落入的健康状态系数区间的情况确定实际运行的相关电网设备的健康状态，所述实际运行的相关电网设备的健康状态包括健康、亚健康和非健康。

进一步地，对获取健康状态后的相关电网设备继续进行监测的过程如下：若实际运行的相关电网设备的健康状态为健康，则实时获取健康状态为健康的实际运行的相关电网设备的实时对比系数，判断实际运行的相关电网设备的健康状态；若实际运行的相关电网设备的健康状态为亚健康，则获取健康状态为亚健康的实际运行的相关电网设备的运行辐磁数据和运行震动数据，并基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测；若实际运行的相关电网设备的健康状态为非健康，则基于设定的报警机制进行报警。

进一步地，基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测的过程为：对运行辐磁数据和标准辐磁数据分别进行波形特征分析，获得运行辐磁特征数据集和标准辐磁特征数据集；对运行震动数据和标准震动数据分别进行频域特征分析，获得运行震动特征数据集和标准震动特征数据集；对运行辐磁特征数据集和标准辐磁特征数据集进行融合处理获得运行辐磁评估指数，若运行辐磁评估指数大于设定的运行辐磁评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在辐磁异常；对运行震动特征数据集和标准震动特征数据集进行融合处理获得运行震动评估指数，若运行震动评估指数小于设定的运行震动评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在震动异常。

本发明具有以下有益效果：

该基于人工智能的电网设备健康状态实时预测方法，综合考虑了电网设备的电性特征、温湿度特征、辐磁特征和震动特征等多个方面的数据，通过实时监测和预测，通过建立各种评估指标和计算公式，将设备状态的评估量化，使得评估结果更具客观性和可操作性，从不同角度全面评估设备的健康状态，提高了预测的全面性和准确性，实现对设备状态的精准监测和预测，可以有效优化维护资源的利用，减少不必要的维修和更换，降低维护成本，提高资源利用效率。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

图1为本发明基于人工智能的电网设备健康状态实时预测方法流程图。

具体实施方式

本申请实施例通过基于人工智能的电网设备健康状态实时预测方法，解决了现有技术对电网设备健康状态的实时监测和预测不够准确的问题。

本申请实施例中的问题，总体思路如下：

获取测试电网设备的测试数据，对其进行分类，以了解不同状态下的数据特征，并根据监控状态对其进行分类，形成不同状态下的数据集。基于分类后的历史运行数据建立健康状态预测模型，采用人工智能技术如机器学习或深度学习方法进行模型训练，模型训练过程中，能够学习不同健康状态下的数据模式和规律。

将测试数据与标准运行数据进行比对，得到测试对比系数，用于表示测试电网设备的历史运行数据与标准运行数据的相似度。基于历史运行数据的健康状态，将测试对比系数进行分类，获得健康状态系数区间，用于表示设备的健康状态。实时输入实际运行的相关电网设备的数据至建立的健康状态预测模型中，进行实时的健康状态预测，通过比对实时对比系数与健康状态系数区间，判断实际运行设备的健康状态，实现实时监测与预测。

对预测结果进行持续监测，实时发现设备状态的变化和异常情况，根据预测结果，采取相应的维护和管理措施，优化电网设备的运行状态，提高设备的可靠性和稳定性。

通过利用人工智能技术对电网设备的历史运行数据进行分析和预测，实现了对电网设备健康状态的实时监测与预测，从而提高了电网设备的可靠性、安全性和运行效率。

请参阅图1，本发明实施例提供一种技术方案：基于人工智能的电网设备健康状态实时预测方法，包括以下步骤：基于人工智能的电网设备健康状态实时预测方法，包括以下步骤：获取并基于测试电网设备的测试数据对测试电网设备的健康状态进行分类；获取进行健康状态分类后的测试电网设备的历史运行数据，并基于测试电网设备的健康状态对相应的历史运行数据进行健康状态分类；基于建立的健康状态预测模型将进行健康状态分类后的历史运行数据与标准运行数据进行对比，获得测试对比系数，并基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间，其中测试对比系数用于表示测试电网设备的历史运行数据与标准运行数据的相似度，相似度越小，则表示测试电网设备的运行状态越贴合与标准运行状态，也即其健康状态越好；将实际运行的相关电网设备的实时运行数据输入建立的健康状态预测模型中，与标准运行数据进行对比，获得实时对比系数，同样的实时对比系数用于表征实时运行的相关电网设备的健康状态；将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态，并对获取健康状态后的相关电网设备继续进行监测。

具体地，测试电网设备的测试数据包括电压测试数据和电流测试数据，基于测试电网设备的测试数据对测试电网设备的健康状态进行分类的过程如下：对测试数据进行频域特征分析，获得测试数据的频域特征数据集，测试数据的频域特征数据集包括电压特征数据集和电流特征数据集；将测试数据的频域特征数据集与标准数据的频域特征数据集进行对比分析，获得分类指数，标准数据的频域特征数据集包括标准电压特征数据集和标准电流特征数据集；判断分类指数是否大于设定的第一分割阈值，若否则将测试电网设备的健康状态标记为健康，若是则判断分类指数是否大于设定的第二分割阈值；若判断分类指数小于设定的第二分割阈值，则将测试电网设备的健康状态标记为亚健康，若判断分类指数大于设定的第二分割阈值，则将测试电网设备的健康状态标记为非健康。

本实施方案中，首先对测试数据进行频域特征分析，将电压和电流的特征提取出来，形成频域特征数据集，将测试数据的频域特征数据集与标准数据的频域特征数据集进行对比分析，计算分类指数，这一步是通过比较测试数据与标准数据的差异程度，来评估设备的健康状态。

根据设定的第一分割阈值和第二分割阈值，对分类指数进行判断。若分类指数小于第一分割阈值，则将设备标记为健康；若分类指数大于第一分割阈值但小于第二分割阈值，则标记为亚健康；若分类指数大于第二分割阈值，则标记为非健康。

通过对电网设备的测试数据进行频域特征分析，综合考虑了电压和电流的特征，更全面地评估了设备的状态，将测试数据与标准数据进行对比分析，以获得分类指数，这有助于准确地判断设备的健康状态，避免了单一特征分析可能存在的误判，将健康状态分为健康、亚健康和非健康三个级别，使得对设备状态的评估更为细致和全面，有利于后续的维护和管理。

具体地，电压特征数据集包括电压频谱中心频率、电压各频率分量的能量值以及电压频谱峰值幅值，电流特征数据集包括电流各频率分量的振幅大小、电流频谱峰值频率和电流频谱中心频率，标准电压特征数据集包括标准电压频谱中心频率、标准电压各频率分量的能量值以及标准电压频谱峰值幅值，标准电流特征数据集包括标准电流各频率分量的振幅大小、标准电流频谱峰值频率和标准电流频谱中心频率，分类指数的获取也可以通过电压和电流分析设备进行分析获得，也可以通过如下的计算公式获得。

分类指数的计算公式如下：;式中，为分类指数，为电压特征数据集，为标准电压特征数据集，为电流特征数据集，为标准电流特征数据集，为电压特征数据集与标准电压特征数据集的匹配函数，为电流特征数据集与标准电流特征数据集的匹配函数，为电压特征数据集与标准电压特征数据集的匹配函数值的权重因子，为电流特征数据集与标准电流特征数据集的匹配函数值的权重因子，且。

首先从电压和电流的频域特征中提取出相应的特征数据集，将测试数据的特征数据集与标准数据的特征数据集进行对比分析，通过匹配函数F计算出电压和电流特征数据集的匹配程度，根据分类指数的计算公式，综合考虑电压和电流特征数据集的匹配程度，并根据权重因子，计算出最终的分类指数，根据分类指数的大小，判断电网设备的健康状态，从而指导后续的维护和管理工作。

电压特征数据集和电流特征数据集包括了频谱中心频率、能量值、峰值幅值多方面的特征，能够全面地反映电网设备的运行状态，通过与标准电压特征数据集和标准电流特征数据集进行对比分析，可以更准确地评估电网设备的健康状态，提高了预测的准确性。

其中的计算可以使用相似度计算，即余弦相似度等，也可以通过如下的计算公式获得，,式中，为电压频谱中心频率，为标准电压频谱中心频率，为电压各频率分量的编号，，为电压频率分量的总数量，为第个电压频率分量的能量值，为第个标准电压频率分量的能量值，为电压频谱峰值幅值，为标准电压频谱峰值幅值，为电压频谱中心频率权重因子，为电压频率分量的能量值权重因子，为电压频谱峰值幅值权重因子。

使用计算公式，通过计算电压特征数据集与标准电压特征数据集之间的差异，得到电压特征数据集的匹配程度，计算公式中考虑了电压频谱中心频率、能量值和峰值幅值等多个因素，通过加权求和得到最终的匹配程度，综合考虑了电压特征的多个方面，根据实际情况调整权重因子，以便根据不同特征的重要程度对匹配程度进行调整，提高了方法的适用性和准确性。

的计算可以使用相似度计算，即余弦相似度等，也可以通过如下的计算公式获得，,式中，为电流频谱中心频率，为标准电流频谱中心频率，为电流各频率分量的编号，，其中为电流频率分量的总数量，为第个电流频率分量的振幅值，为第个标准电流频率分量的振幅值，为电流频谱峰值频率，为标准电流频谱峰值频率，为电流频谱中心频率权重因子，为电流频率分量的振幅值权重因子，为电流频谱峰值频率权重因子。

使用计算公式，通过计算电流特征数据集与标准电流特征数据集之间的差异，得到电流特征数据集的匹配程度，计算公式中考虑了电流频谱中心频率、振幅值等多个因素，通过加权求和得到最终的匹配程度，综合考虑了电流特征的多个方面，根据实际情况调整权重因子，以便根据不同特征的重要程度对匹配程度进行调整，提高了方法的适用性和准确性。

具体地，历史运行数据包括历史运行电性数据集和历史运行温湿度数据集，标准运行数据包括标准运行电性数据集和标准运行温湿度数据集，基于历史运行数据与标准运行数据进行对比，获得测试对比系数的过程如下：对历史运行电性数据集和标准运行电性数据集分别进行频域特征分析，分别获得历史运行电性特征数据集和标准运行电性特征数据集；对历史运行温湿度数据集和标准运行温湿度数据集进行时域特征分析，分别获得历史运行温湿度特征数据集和标准运行温湿度特征数据集；基于历史运行电性特征数据集和标准运行电性特征数据集获得运行电性分析系数；基于历史运行温湿度特征数据集和标准运行温湿度特征数据集获得运行温湿度分析系数；对运行电性分析系数和运行温湿度分析系数进行融合，获得测试对比系数。

本实施方案中，首先对历史运行电性数据集和标准运行电性数据集进行频域特征分析，提取出电性特征数据集；对历史运行温湿度数据集和标准运行温湿度数据集进行时域特征分析，提取出温湿度特征数据集，基于历史运行电性特征数据集和标准运行电性特征数据集，计算出运行电性分析系数，用于表示电性数据集之间的匹配程度，基于历史运行温湿度特征数据集和标准运行温湿度特征数据集，计算出运行温湿度分析系数，用于表示温湿度数据集之间的匹配程度。

将运行电性分析系数和运行温湿度分析系数进行融合，例如可以采用加权求和的方式，得到综合的测试对比系数，用于综合评估历史运行数据与标准运行数据之间的整体差异。

通过综合考虑电性数据集和温湿度数据集的特征，以及将不同特征的分析系数进行融合，能够更全面、综合地评估历史运行数据与标准运行数据之间的差异，为后续的健康状态预测提供了重要依据。

具体地，历史运行电性特征数据集包括历史运行电阻特征数据集和历史运行电容特征数据集，标准运行电性特征数据集包括标准运行电阻特征数据集和标准运行电容特征数据集；历史运行温湿度特征数据集包括历史温度特征数据集和历史湿度特征数据集，标准运行温湿度特征数据集包括标准温度特征数据集和标准湿度特征数据集。测试对比系数可以通过分析历史运行数据和标准运行数据的相似度获得，也可以通过如下的计算公式获得。

测试对比系数的计算公式为：；式中，为测试对比系数，为历史运行电性特征数据集，为标准运行电性特征数据集，为运行电性分析系数的计算函数，为历史运行温湿度特征数据集，为标准运行温湿度特征数据集，为温湿度分析系数的计算函数，为运行电性分析系数的权重因子，为运行温湿度分析系数的权重因子，且，为自然常数。

对历史运行电性特征数据集和标准运行电性特征数据集进行特征分析，提取出电性特征数据；对历史运行温湿度特征数据集和标准运行温湿度特征数据集进行特征分析，提取出温湿度特征数据，基于历史运行电性特征数据集和标准运行电性特征数据集，计算出电性特征数据之间的运行电性分析系数，用于表示电性数据集之间的相似度，基于历史运行温湿度特征数据集和标准运行温湿度特征数据集，计算出温湿度特征数据之间的温湿度分析系数，用于表示温湿度数据集之间的相似度。

根据计算公式，将运行电性分析系数和温湿度分析系数进行加权融合，得到测试对比系数，用于综合评估历史运行数据与标准运行数据之间的相似度。

引入了权重因子，能够根据实际情况调整电性特征和温湿度特征对测试对比系数的影响程度，提高了方法的灵活性和适用性，通过对测试对比系数的指数化处理，能够更直观地表示历史运行数据与标准运行数据之间的相似度，方便后续的健康状态预测和判断。

历史运行电阻特征数据集包括历史运行电阻阻抗模值和历史运行电阻阻抗谱斜率，历史运行电容特征数据集包括历史运行电容模值和历史运行电容谱斜率，标准运行电阻特征数据集包括标准运行电阻阻抗模值和标准运行电阻阻抗谱斜率，标准运行电容特征数据集包括标准运行电容模值和标准运行电容谱斜率，借助相关专业设备可以对历史运行电性特征数据集和标准运行电性特征数据集综合分析获得运行电性分析系数，也可以通过如下的公式获得，，式中，为历史运行电阻阻抗模值，为历史运行电阻阻抗谱斜率，为标准运行电阻阻抗模值，为标准运行电阻阻抗谱斜率，为电阻特征权重因子，为历史运行电容模值，为历史运行电容谱斜率，为标准运行电容模值，为标准运行电容谱斜率，为电容特征权重因子，为自然常数。

对历史运行电阻特征数据集和标准运行电阻特征数据集进行特征分析，提取出阻抗模值和阻抗谱斜率；对历史运行电容特征数据集和标准运行电容特征数据集进行特征分析，提取出电容模值和电容谱斜率，基于历史运行电阻特征数据集和标准运行电阻特征数据集，计算出电阻特征之间的运行电性分析系数；基于历史运行电容特征数据集和标准运行电容特征数据集，计算出电容特征之间的运行电性分析系数，将电阻特征数据集和电容特征数据集的分析系数进行加权融合，得到综合的运行电性分析系数，用于综合评估历史运行数据与标准运行数据之间的相似度。

考虑了电阻特征数据集和电容特征数据集的多个方面特征，包括阻抗模值、阻抗谱斜率、电容模值和电容谱斜率，能够更全面地评估电性特征之间的差异，引入了电阻特征权重因子和电容特征权重因子，可以根据实际情况调整不同特征对运行电性分析系数的影响程度，提高了方法的灵活性和适用性。

历史温度特征数据集包括历史平均温度和历史温度变化率，历史湿度特征数据集包括历史平均湿度和历史湿度变化范围，标准温度特征数据集包括标准平均温度和标准温度变化率，标准湿度特征数据集包括标准平均湿度和标准湿度变化范围，借助相关专业设备可以对历史运行温湿度特征数据集和标准运行温湿度特征数据集分析获得温湿度分析系数，，式中，为历史平均温度，为历史温度变化率，为标准平均温度，为标准温度变化率，为温度特征权重因子，为历史平均湿度，为历史湿度变化范围，为标准平均湿度，为标准湿度变化范围，为湿度特征权重因子，为自然常数。

对历史运行温度特征数据集和标准运行温度特征数据集进行特征分析，提取出平均温度和温度变化率；对历史运行湿度特征数据集和标准运行湿度特征数据集进行特征分析，提取出平均湿度和湿度变化范围，基于历史运行温度特征数据集和标准运行温度特征数据集，计算出温度特征之间的温湿度分析系数；基于历史运行湿度特征数据集和标准运行湿度特征数据集，计算出湿度特征之间的温湿度分析系数，将温度特征数据集和湿度特征数据集的分析系数进行加权融合，得到综合的温湿度分析系数，用于综合评估历史运行数据与标准运行数据之间的相似度。

通过综合考虑温度和湿度特征数据集的相似度，并结合权重因子的调整和指数化处理，能够更全面、直观地评估历史运行数据与标准运行数据之间的相似度，为后续的健康状态预测提供了重要依据。

具体地，基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间的过程如下：获取进行健康状态分类后的测试电网设备的测试对比系数，基于测试电网设备的健康状态对测试对比系数进行分类并标记；获取相同健康状态下的测试对比系数的最大值和最小值，并基于相同健康状态下的测试对比系数的最大值和最小值建立健康状态系数区间，健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间。

健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间，将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态的过程如下：将实时对比系数分别与健康状态区间的区间端点值、亚健康状态区间的区间端点值和非健康状态区间的区间端点值进行对比；根据实时对比系数落入的健康状态系数区间的情况确定实际运行的相关电网设备的健康状态，实际运行的相关电网设备的健康状态包括健康、亚健康和非健康。

实时对比系数的计算方式与测试对比系数的计算方式相同，不同的是需要将历史运行电性特征数据集的历史运行电阻特征数据集和历史运行电容特征数据集更换为实时运行电阻特征数据集和实时运行电容特征数据集，其中实时运行电阻特征数据集包括实时运行电阻阻抗模值和实时运行电阻阻抗谱斜率，实时运行电容特征数据集包括实时运行电容模值和实时运行电容谱斜率。

本实施方案中，首先，根据历史运行数据的健康状态，对测试对比系数进行分类并标记，即将测试对比系数与健康状态关联起来，接着，针对每个健康状态，获取相同健康状态下的测试对比系数的最大值和最小值。然后，基于这些最大值和最小值，建立健康状态系数区间，包括健康状态区间、亚健康状态区间和非健康状态区间，当获取到实时对比系数时，将其与健康状态系数区间进行比对，根据实时对比系数与健康状态系数区间的比对结果，确定实际运行的相关电网设备的健康状态。若实时对比系数落入某个健康状态区间内，则判定相应的健康状态，包括健康、亚健康和非健康状态。

将测试对比系数与健康状态关联，并建立健康状态系数区间，提供了一种量化的评估方法，使健康状态更具可操作性和可理解性，可根据实时的对比系数动态监测电网设备的健康状态，及时发现潜在问题，基于历史运行数据建立的健康状态系数区间可以根据具体情况动态调整，使监测***更加适应不同设备和环境。

具体地，对获取健康状态后的相关电网设备继续进行监测的过程如下：若实际运行的相关电网设备的健康状态为健康，则实时获取健康状态为健康的实际运行的相关电网设备的实时对比系数，判断实际运行的相关电网设备的健康状态；若实际运行的相关电网设备的健康状态为亚健康，则获取健康状态为亚健康的实际运行的相关电网设备的运行辐磁数据和运行震动数据，并基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测；若实际运行的相关电网设备的健康状态为非健康，则基于设定的报警机制进行报警。

基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测的过程为：对运行辐磁数据和标准辐磁数据分别进行波形特征分析，获得运行辐磁特征数据集和标准辐磁特征数据集；对运行震动数据和标准震动数据分别进行频域特征分析，获得运行震动特征数据集和标准震动特征数据集；对运行辐磁特征数据集和标准辐磁特征数据集进行融合处理获得运行辐磁评估指数，若运行辐磁评估指数大于设定的运行辐磁评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在辐磁异常。

运行辐磁特征数据集包括辐射特征数据集和电磁特征数据集，其中辐射特征数据集包括辐射峰值振幅和辐射峰峰值振幅，电磁特征数据集包括电磁谷值振幅和电磁峰峰值振幅，标准辐磁特征数据集包括标准辐射特征数据集和标准电磁特征数据集，其中标准辐射特征数据集包括标准辐射峰值振幅和标准辐射峰峰值振幅，标准电磁特征数据集包括标准电磁谷值振幅和标准电磁峰峰值振幅，通过专业辐射监测设备和电磁监测设备可以获得辐磁评估指数，也可以通过如下的计算公式获得，辐磁评估指数的计算公式为：，式中，为辐磁评估指数，为辐射峰值振幅，为辐射峰峰值振幅，为标准辐射峰值振幅，为标准辐射峰峰值振幅，为电磁谷值振幅，为电磁峰峰值振幅，为标准电磁谷值振幅，为标准电磁峰峰值振幅。

对运行辐磁数据和标准辐磁数据进行波形特征分析，提取辐射特征数据集（如辐射峰值振幅和辐射峰峰值振幅）和电磁特征数据集（如电磁谷值振幅和电磁峰峰值振幅），对运行震动数据和标准震动数据进行频域特征分析，获得运行震动特征数据集，将运行辐磁特征数据集和标准辐磁特征数据集进行融合处理，获得运行辐磁评估指数。评估指数的计算包括对辐射和电磁特征的比对，以及对差异的平方求和。评估指数的计算结果反映了运行数据与标准数据之间的差异程度，若运行辐磁评估指数大于设定的运行辐磁评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在辐磁异常。

辐磁评估指数提供了定量化的评估指标，使得对电网设备状态异常的判断更加客观、准确，综合考虑了辐射和电磁特征数据，提高了对电网设备状态的全面评估能力，基于波形和频域特征分析，以及辐磁评估指数的计算，构建了一种科学的电网设备健康状态监测方法，为电力***的可靠性和稳定性提供了有力支持。

对运行震动特征数据集和标准震动特征数据集进行融合处理获得运行震动评估指数，若运行震动评估指数小于设定的运行震动评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在震动异常。

运行震动特征数据集包括震动波形峰度和震动波形偏度，标准震动特征数据集包括标准震动波形峰度和标准震动波形偏度，通过专业的震动监测设备可以获得运行震动评估指数，也可以通过如下的计算公式获得，运行震动评估指数的计算公式为：，式中，为运行震动评估指数，为震动波形峰度，为震动波形偏度，为标准震动波形峰度，为标准震动波形偏度。

对运行震动特征数据集和标准震动特征数据集进行融合处理，得到运行震动评估指数，运行震动评估指数可以综合考虑运行震动数据与标准震动数据之间的差异，从而评估设备的震动状态。运行震动评估指数的计算主要是基于震动波形峰度和震动波形偏度的比对。通过比较运行数据和标准数据之间的差异，计算出评估指数，反映设备震动状态的异常程度。若运行震动评估指数小于设定的运行震动评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在震动异常。这表示设备的震动状况偏离了正常范围，可能存在潜在的问题需要关注和处理。

通过融合处理运行震动特征数据集和标准震动特征数据集，可以综合考虑设备运行状态与标准状态之间的差异，更全面地评估设备的震动状况。

一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于人工智能的电网设备健康状态实时预测方法。

一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现如上所述的基于人工智能的电网设备健康状态实时预测方法。

综上，本申请至少具有以下效果：

综合考虑了电网设备的电性特征、温湿度特征、辐磁特征和震动特征等多个方面的数据，通过实时监测和预测，通过建立各种评估指标和计算公式，将设备状态的评估量化，使得评估结果更具客观性和可操作性，从不同角度全面评估设备的健康状态，提高了预测的全面性和准确性，实现对设备状态的精准监测和预测，可以有效优化维护资源的利用，减少不必要的维修和更换，降低维护成本，提高资源利用效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的***、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.基于人工智能的电网设备健康状态实时预测方法，其特征在于，包括以下步骤：

基于测试电网设备的测试数据对测试电网设备的健康状态进行分类；

获取进行健康状态分类后的测试电网设备的历史运行数据，并基于测试电网设备的健康状态对相应的历史运行数据进行健康状态分类；

基于建立的健康状态预测模型将进行健康状态分类后的历史运行数据与标准运行数据进行对比，获得测试对比系数，并基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间；

将实际运行的相关电网设备的实时运行数据输入建立的健康状态预测模型中，与标准运行数据进行对比，获得实时对比系数；

将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态，并对获取健康状态后的相关电网设备继续进行监测;

所述测试对比系数的计算公式为：

；

式中，为测试对比系数，为历史运行电性特征数据集，为标准运行电性特征数据集，为运行电性分析系数的计算函数，为历史运行温湿度特征数据集，为标准运行温湿度特征数据集，为温湿度分析系数的计算函数，为运行电性分析系数的权重因子，为运行温湿度分析系数的权重因子，且，为自然常数。

2.根据权利要求1所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，所述测试电网设备的测试数据包括电压测试数据和电流测试数据，基于测试电网设备的测试数据对测试电网设备的健康状态进行分类的过程如下：

对测试数据进行频域特征分析，获得测试数据的频域特征数据集，所述测试数据的频域特征数据集包括电压特征数据集和电流特征数据集；

将测试数据的频域特征数据集与标准数据的频域特征数据集进行对比分析，获得分类指数，所述标准数据的频域特征数据集包括标准电压特征数据集和标准电流特征数据集；

判断分类指数是否大于设定的第一分割阈值，若否则将测试电网设备的健康状态标记为健康，若是则判断分类指数是否大于设定的第二分割阈值；

若判断分类指数小于设定的第二分割阈值，则将测试电网设备的健康状态标记为亚健康，若判断分类指数大于设定的第二分割阈值，则将测试电网设备的健康状态标记为非健康。

3.根据权利要求2所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于：所述分类指数的计算公式如下：

;

式中，为分类指数，为电压特征数据集，为标准电压特征数据集，为电流特征数据集，为标准电流特征数据集，为电压特征数据集与标准电压特征数据集的匹配函数，为电流特征数据集与标准电流特征数据集的匹配函数，为电压特征数据集与标准电压特征数据集的匹配函数值的权重因子，为电流特征数据集与标准电流特征数据集的匹配函数值的权重因子，且。

4.根据权利要求1所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，所述历史运行数据包括历史运行电性数据集和历史运行温湿度数据集，所述标准运行数据包括标准运行电性数据集和标准运行温湿度数据集，基于历史运行数据与标准运行数据进行对比，获得测试对比系数的过程如下：

对历史运行电性数据集和标准运行电性数据集分别进行频域特征分析，分别获得历史运行电性特征数据集和标准运行电性特征数据集；

对历史运行温湿度数据集和标准运行温湿度数据集进行时域特征分析，分别获得历史运行温湿度特征数据集和标准运行温湿度特征数据集；

基于历史运行电性特征数据集和标准运行电性特征数据集获得运行电性分析系数；

基于历史运行温湿度特征数据集和标准运行温湿度特征数据集获得运行温湿度分析系数；

对运行电性分析系数和运行温湿度分析系数进行融合，获得测试对比系数。

5.根据权利要求4所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，所述历史运行电性特征数据集包括历史运行电阻特征数据集和历史运行电容特征数据集，所述标准运行电性特征数据集包括标准运行电阻特征数据集和标准运行电容特征数据集；

所述历史运行温湿度特征数据集包括历史温度特征数据集和历史湿度特征数据集，所述标准运行温湿度特征数据集包括标准温度特征数据集和标准湿度特征数据集。

6.根据权利要求1所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，基于历史运行数据的健康状态将测试对比系数进行分类，获取健康状态系数区间的过程如下：

获取进行健康状态分类后的测试电网设备的测试对比系数，基于测试电网设备的健康状态对测试对比系数进行分类并标记；

获取相同健康状态下的测试对比系数的最大值和最小值，并基于相同健康状态下的测试对比系数的最大值和最小值建立健康状态系数区间，所述健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间。

7.根据权利要求1所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，所述健康状态系数区间包括健康状态区间、亚健康状态区间和非健康状态区间，将实时对比系数与健康状态系数区间进行比对，获取实际运行的相关电网设备的健康状态的过程如下：

将实时对比系数分别与健康状态区间的区间端点值、亚健康状态区间的区间端点值和非健康状态区间的区间端点值进行对比；

根据实时对比系数落入的健康状态系数区间的情况确定实际运行的相关电网设备的健康状态，所述实际运行的相关电网设备的健康状态包括健康、亚健康和非健康。

8.根据权利要求7所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，对获取健康状态后的相关电网设备继续进行监测的过程如下：

若实际运行的相关电网设备的健康状态为健康，则实时获取健康状态为健康的实际运行的相关电网设备的实时对比系数，判断实际运行的相关电网设备的健康状态；

若实际运行的相关电网设备的健康状态为亚健康，则获取健康状态为亚健康的实际运行的相关电网设备的运行辐磁数据和运行震动数据，并基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测；

若实际运行的相关电网设备的健康状态为非健康，则基于设定的报警机制进行报警。

9.根据权利要求8所述的基于人工智能的电网设备健康状态实时预测方法，其特征在于，基于标准辐磁数据和标准震动数据对获取健康状态为亚健康的实际运行的相关电网设备的健康状态进一步预测的过程为：

对运行辐磁数据和标准辐磁数据分别进行波形特征分析，获得运行辐磁特征数据集和标准辐磁特征数据集；

对运行震动数据和标准震动数据分别进行频域特征分析，获得运行震动特征数据集和标准震动特征数据集；

对运行辐磁特征数据集和标准辐磁特征数据集进行融合处理获得运行辐磁评估指数，若运行辐磁评估指数大于设定的运行辐磁评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在辐磁异常；

对运行震动特征数据集和标准震动特征数据集进行融合处理获得运行震动评估指数，若运行震动评估指数小于设定的运行震动评估阈值，则判断健康状态为亚健康的实际运行的相关电网设备存在震动异常。