CN118070199A - 一种电力设备检测方法及检测*** - Google Patents

Abstract

本发明公开了一种电力设备检测方法及检测***，涉及电力设备检测技术领域，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数；使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；获取相应的维护特征，从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对维护方案做出筛选。在对电力设备做检测时，通过知识图谱直接给出检测方案做参考，相当于人工给出检测方案，检测错误率更低。

Description

一种电力设备检测方法及检测***

技术领域

本发明涉及电力设备检测技术领域，具体为一种电力设备检测方法及检测***。

背景技术

电力设备检测为电力运行的安全性、可靠性提供可靠保障，电力设备状态检测的目的是采用有效的检测手段和分析诊断技术，及时、准确的掌握设备运行状态，保证设备的安全、可靠和经济运行。电力设备状态监测的传统方法是经常性的人工巡视与定期预防性检修、试验。

在申请公布号为CN114285871A的中国发明中，公开了电力物联网电力设备的安全性检测方法，包括：将泛在电力物联网电力设备接入标准工况源，在工控机中输入电力物联网电力设备的额定参数，根据电力物联网设备的感知层功能，在工控机中制定工况类型；传感器采集数据并经传感器网络上传数据；工况参数采集单元与电力物联网设备传感器同步采集标准工况输出终端输出数据汇集节点终端汇集泛在电力物联网电力设备传感器网络端的上传数据，传输至工控机，将检测数据传输至数据节点汇聚终端，接着由数据节点汇聚终端上传至工控机。本发明用于电力物联网电力设备的安全性检测。

结合以上申请及现有技术，在对电力设备进行检测前，现有的检测方法通常对电力设备当前的工作状态存在一定的忽略，只在已经发生故障时或在固定的时间节点上对电力设备进行检测，这种检测方式容易安排但不够合理，由于对电力设备的工作状态不够了解，这就导致实际检测时，准备的方案和电力设备的实际运行状态间存在不对应性，例如，在电力设备处于震动频率较高，运行过载频率较高的运行条件下时，其可能会产生故障和其他的运行条件下的会存在明显的区别，而现有的电力设备检测方法并未将此类情况考虑在内，这就容易导致在进行检测前，难以针对性的给出检测方案。

为此，本发明提供了一种电力设备检测方法及检测***。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种电力设备检测方法及检测***，通过使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；获取相应的维护特征，从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对维护方案做出筛选。在对电力设备做检测时，通过知识图谱直接给出检测方案做参考，相当于人工给出检测方案，从而解决了背景技术中提出的技术问题。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种电力设备检测方法，包括如下步骤：

周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数/>超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值/>的变化，选择对应的节点发出评估指令；

接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数/>与评估阈值的关系，在对应节点上发出预测指令；

在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数/>对维护方案做出筛选。

优选的，于监测周期内对电力设备的运行状态进行监测，在监测周期内对电力设备产生的运行过载次数及机械震动次数进行监测，分别计算获取各个监测周期内电力设备的过载频率Gp及震动频率Zp；在经过连续若干个监测周期后，将监测数据汇总构建设备监测数据集合；由设备监测数据集合生成运行条件系数，预先设置警戒阈值，将运行条件系数/>超过对应阈值的时间节点确定为异常节点；

优选的，运行条件系数的获取方式如下：依据监测数据的生成节点沿着时间轴排列，选取最近的N个监测周期内过载频率Gp及震动频率Zp做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：

;

其中，i为监测周期的序号，,N为监测周期的个数，/>为过载频率的合格参考值，/>为震动频率的合格参考值；权重系数：/>,/>，且；/>为过载频率在第i个监测周期的值；/>为震动频率在第i个监测周期的值；

优选的，依照如下方式构建评估阈值，其具体方式如下：

;

其中，n为运行状态系数的个数，/>为运行状态系数的均值，/>为第i个运行状态系数；

优选的，依据评估节奏在时间轴上设置若干个等距离的评估节点，将获取的异常节点在所述时间轴上标记，计算异常节点与评估节点的距离值，其具体方式如下：

;

其中，为异常节点在时间轴上的位置，为评估节点在时间轴上的位置；、为权重，，，且；n为异常节点及评 估节点的个数；

若当前的距离值较其前一个值减小，则在当前的异常节点发出评估指令，若未减小，则在预设的评估节点上发出评估指令。

优选的，在获取到评估指令后，监测电力设备的运行状态数据，其具体方式如下：设置运行周期且所述运行周期内存在若干个等间隔的监测节点，于监测节点处获取电力设备运行时的功率因数Gv、电压Ug及电流Ua，将若干个监测节点上的数据汇总，构建运行状态集合；

由各个运行周期内的电力设备的运行状态集合内数据计算获取功率因数稳定度、电压稳定度/>及电流稳定度/>，将连续若干个运行周期内的稳定度数据汇总，构建稳定度数据集合；

优选的，由稳定度数据集合内最近个运行周期内稳定度数据生成电力设备的当前时间节点上运行状态系数/>若运行状态系数/>未超出评估阈值/>，继续保持电力设备的运行，并依据预先设置的预测节奏向外部发出预测指令，若其超出评估阈值，则向外部发出预测指令；

优选的，运行状态系数的获取方式如下将稳定度数据依据其产生的时间节点排列，获取相应的数据列，从数据列内获取最近若干组的稳定度数据，将功率因数稳定度、电压稳定度/>及电流稳定度/>做线性归一化处理，将相应的数据值映射至区间内，再依据如下公式：

;

其中，为功率因数稳定度合格参考值，/>为电压稳定度的合格参考值，/>为电流稳定度的合格参考值，权重系数：/>,/>,/>，且,/>,/>为运行周期的个数；/>为功率因数稳定度在第i个运行周期上的值，/>为电压稳定度在第i个运行周期上的值，/>为电流稳定度在第i个运行周期上的值。

优选的，训练获取电力设备运行模型，以电力设备保持当前的过载频率Gp及震动频率Zp为约束条件，在约束条件下，以训练后的电力设备运行模型对电力设备的运行进行预测，并获取相应的预测数据，将预测数据汇总构建预测数据集合；

依据对电力设备的管理需求，预先设置异常标准，对预测数据集合内的数据进行特征识别，依据异常标准识别出其中的故障特征，并将产生异常特征的位置确定为待检测区域，对待检测区域进行标记；

优选的，采集数据并汇总后生成图谱数据集；从图谱数据集中抽取部分数据作为样本数据，基于机器学习训练获取语义网络模型；

使用语义网络模型从图谱数据集中选择数据进行融合处理，完成知识图谱的构建，并将构建的知识图谱作为设备检测知识图谱；依据电力设备的异常特征及待检测区域与检测方案的对应性，从设备检测知识图谱中匹配出检测方案；

优选的，依据各个待检测区域在电力设备的位置，获取计算待检测区域的接近中心度Cu，以各个待检测区域内的异常特征超出异常标准的程度，获取待检测区域的异常度Du；

将接近中心度Cu及异常度Du做线性归一化处理，将相应的数据值映射至区间内，再依据如下公式计算出各个待检测区域的检修优先级/>：

;

权重系数：,/>可以由层次分析法获取，其中，i为待检测区域的序号，/>；/>为若干个接近中心度的均值，/>为若干个异常度的均值；其中，/>为第i个待检测区域的接近中心度，/>为第i个待检测区域的异常度；

依据检修优先级在电力设备上依次对各个待检测区域做检测，并获取相应的检修数据，将检测数据汇总后，构建检测数据集合。

优选的，预先构建维护方案库，对检测数据集合内数据进行识别，获取相应的维护特征；依据维护特征和维护方案的对应性，为电力设备从维护方案库中匹配出若干个维护方案；以维护方案作为输入，使用训练后的电力设备运行模型对维护方案做出分析后，获取分析结果，设置若干个等间隔的预测节点后，于各个预测节点处输出运行状态系数，并进而生成优化系数/>，以优化系数/>最高的维护方案作为对电子设备维护的参考方案，其次的作为备用方案；

优选的，依据生成运行状态系数的时间节点及其顺序，将维护前后的运行状态系数/>对齐，并依照如下方式：

;

其中，为运行状态系数中间值，/>为其均值，i为时间节点的序号， n为时间节点的个数，/>及/>分别为调整前后第i个时间节点上的运行状态系数，/>及/>为相应的均值；

一种电力设备检测***，包括，

监测单元，周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值的变化，选择对应的节点发出评估指令；

评估单元，接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数与评估阈值的关系，在对应节点上发出预测指令；

预测单元，在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

检测单元，预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

维护单元，通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数对维护方案做出筛选。

（三）有益效果

本发明提供了一种电力设备检测方法及检测***，具备以下有益效果：

1、若是异常的频率存在降低的情形，依照预先设定的评估节点发出评估指令，反之，则立即发出；从而在固定评估及突发评估之间做出平衡和共存，从而在电力设备存在异常时，能够及时的进行处理，若该异常不是十分严重时，则对其做出忽略，减少无效的报警次数。

2、依据运行状态系数与评估阈值/>间的关系，能够对电力设备当前的是否存在异常进行判断，依据固定周期性检测和突发性检测相配合，能够使电力设备在产生异常时能够及时被处理，减少故障被忽视的风险，由于使评估阈值/>一直处于变动状态，能够使评估阈值/>与电力设备的运行间存在更高的适应性，且在电力设备向上突破评估阈值/>时，发出预测指令更具明显性。

3、以电力设备运行模型对电力设备的运行状态进行模拟，通过对模拟数据进行识别后，能够获取到待检测设备当前已经存在的异常位置及即将存在的异常位置，从而在后续的检测过程中，避免对电力设备做全面检测，减少电力设备检测的时间成本和人力成本；而且，通过构建电力设备运行模型对电力设备的运行状态进行预测，能够对电力设备的运行故障进行提前感知，便于及时地对电力设备的运行进行调整，较大程度上可以避免运行故障的产生。

4、由电力设备运行模型筛选出待检测设备当前已经存在的异常位置及即将存在的异常位置后，通过训练获取的设备检测知识图谱，能为各个待检测区域给出检测方案，从而在对电力设备进行检测时更具有针对性；由于电力设备上不同位置上的故障及其原因可能存在较大的差异，相对于给出整体性的检测方案，在对电力设备做检测时，针对性和可靠性都更充分；同时，通过知识图谱直接给出检测方案做参考，相对于人工给出检测方案，检测错误率更低，效率也更高，能起到指导作用。

5、依据检测优先级依次对各个待检测区域进行检测，通过优先对各个重要区域进行检测，优先排除重要区域存在或者可能存在故障，能够在有限的时间内解决重要故障，能够保障电力设备的快速正常运行，避免由电力故障带来的运行风险。依据维护特征和维护方案之间的对应性，能够快速地为电力设备提供维护方案，此时，以维护方案作为参考，在对电力设备做出实际维护时，提高维护效率。

6、使用训练后的电力设备运行模型对维护方案的可行性做出分析，由此能够对维护方案的可靠性做出判断；由若干个运行状态系数构建相应的优化系数/>，依据优化系数/>对若干个维护方案进行筛选，能够获取其中维护效果最好的部分，将此用于对电力设备的维护，提高维护效果，能够对电力设备的运行提供充分的保障。

附图说明

图1为本发明电力设备检测方法流程示意图；

图2为本发明电力设备检测***结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种电力设备检测方法，包括：

步骤一、周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数/>超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值/>的变化，选择对应的节点发出评估指令；

所述步骤一包括如下内容：

步骤101、在电力设备处于持续运行状态时，设置若干个监测周期，于监测周期内对电力设备的运行状态进行监测，具体如下：在监测周期内对电力设备产生的运行过载次数及机械震动次数进行监测，分别计算获取各个监测周期内电力设备的过载频率Gp及震动频率Zp；在经过连续若干个监测周期后，将监测数据汇总构建设备监测数据集合；

需要补充说明是：电力设备过载频率的计算方法通常基于实时监测数据或历史数据，并结合设备的额定容量和过载判定标准来确定。以下是一种常用的计算方法：

数据收集：首先，通过传感器、智能电表或能源管理***等工具，实时或定期收集电力设备的运行数据，包括电流、电压、功率等关键参数。

设定过载判定标准：根据电力设备的规格书、设计手册或行业标准，确定设备的额定容量和允许的最大负载。通常，过载是指设备的实际负载超过其额定容量的某个百分比（如10%、20%等）。

数据筛选与判定：将收集到的数据与设定的过载判定标准进行比较。对于实时数据，可以通过编程或算法实现自动判定；对于历史数据，则需要进行手动或自动的筛选和判定。

过载事件计数：每当设备的实际负载超过设定的过载判定标准时，即记录为一个过载事件。通过计数这些事件，可以得到在一定时间范围内（如一天、一周、一个月等）设备发生过载的次数。

计算过载频率：将过载事件的总数除以监测的总时间（通常以小时、天或月为单位），即可得到设备的过载频率。过载频率通常以“次/小时”、“次/天”或“次/月”等形式表示。

例如，如果在一周内监测到设备发生过载10次，而监测的总时间为7天×24小时=168小时，那么设备的过载频率就是10次/168小时≈0.06次/小时。

其中，震动频率是描述物体每秒钟内振动循环的次数，单位通常是赫兹（Hz），计算方法较为常规，可以参考以上内容。

步骤102、由设备监测数据集合生成运行条件系数，其具体方式如下：依据监测数据的生成节点沿着时间轴排列，选取最近的N个监测周期内过载频率Gp及震动频率Zp做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：

;

其中，i为监测周期的序号，,N为监测周期的个数，/>为过载频率的合格参考值，/>为震动频率的合格参考值；权重系数：/>,/>，且；权重系数参考层次分析法确定；/>为过载频率在第i个监测周期的值；/>为震动频率在第i个监测周期的值；

依据电力设备的运行的历史数据及对电力设备的管理预期，预先设置警戒阈值，将运行条件系数超过对应阈值的时间节点确定为异常节点；

使用时，通过对电力设备的运行状态进行监控，并以电力设备的运行过载及机械震动作为代表性参数，并由此生成电力设备的运行条件系数，依据运行条件系数能够对电力设备当前的运行条件进行判断，若是当前的运行条件较差甚至产生异常，则需要及时地对电力设备进行调整及检测，以维持电力设备运行的稳定性。

需要说明的是：电力设备在某些特定条件下更容易产生运行故障，理解这些条件可以帮助预防故障的发生和及时采取维护措施。以下是一些可能导致电力设备发生故障的常见条件：过载：当电力设备承受超过其设计容量的负荷时，可能会发热、损坏或者触发保护装置。湿度和水分：高湿度或水分侵入可能导致电力设备的绝缘材料降解，增加短路和漏电的风险。温度极端：极高或极低的环境温度可能影响电力设备的性能，导致材料老化、热膨胀或收缩问题。污染和腐蚀：灰尘、污垢和化学物质可能导致电气接触不良、绝缘性能下降和金属部件腐蚀。机械振动：设备的机械振动可能会导致连接松动，引起间歇性失效或损坏。

步骤103、依据评估节奏，在时间轴上设置若干个等距离的评估节点，将获取的异常节点在所述时间轴上标记，计算异常节点与评估节点的距离值，其具体方式如下：

;

其中，为异常节点在时间轴上的位置，/>为评估节点在时间轴上的位置；为权重，/>，/>，且/>，具体值由用户调整设置；n为异常节点及评估节点的个数；

若当前的距离值较其前一个值减小，则在当前的异常节点发出评估指令，若未减小，则在预设的评估节点上发出评估指令。

使用时，结合步骤101至103中的内容：

在已经判断出电力设备当前的运行存在异常时，对该异常的频率变动进行判断，若当前的距离值较其前一个值增加，产生异常的频率存在降低的情形，则依照预先设定的评估节点发出评估指令，反之，则立即发出；从而在固定评估及突发评估之间做出平衡和共存，从而在电力设备存在异常时，能够及时的进行处理，若该异常不是十分严重时，则对其做出忽略，减少无效的报警次数。

步骤二、接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数/>与评估阈值的关系，在对应节点上发出预测指令；

所述步骤二包括如下内容：

步骤201、在获取到评估指令后，监测电力设备的运行状态数据，其具体方式如下：

在电力设备处于运行状态下时，设置运行周期，且所述运行周期内存在若干个等间隔的监测节点，于监测节点处获取电力设备运行时的功率因数Gv、电压Ug及电流Ua，将若干个监测节点上的数据汇总，构建运行状态集合；

步骤202、由各个运行周期内的电力设备的运行状态集合，依据如下方式计算功率因数稳定度；

;

其中，为运行周期内各个监测节点的功率因数，/>为功率因数的均值，n为监测节点的数量；依据如下方式计算电压稳定度/>：

;

其中，为运行周期内各个监测节点的电压，/>为电压的均值，n为监测节点的数量；依据如下方式计算电流稳定度/>：

;

其中，为运行周期内各个监测节点的电流，/>为电流的均值，n为监测节点的数量；将连续若干个运行周期内的稳定度数据汇总，构建稳定度数据集合；

使用时，通过在各个监测节点上采集数据，并计算各项数据的稳定度，依据功率因数、电压及电流的稳定度，能够对电力设备当前的运行稳定性进行判断，若是存在某些数据稳定性较低，则说明电力设备当前运行存在一定的瑕疵或者故障。

步骤203、由稳定度数据集合内最近M个运行周期内稳定度数据生成电力设备的当前时间节点上运行状态系数，其具体方式如下：

将稳定度数据依据其产生的时间节点排列，获取相应的数据列，从数据列内获取最近若干组的稳定度数据，将功率因数稳定度、电压稳定度/>及电流稳定度/>做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：

;

其中，为功率因数稳定度合格参考值，/>为电压稳定度的合格参考值，/>为电流稳定度的合格参考值，权重系数：/> ，/>，/>，且，其中，权重系数可以参考层次分析法获取；

需要说明的是：,/>为运行周期的个数，/>为功率因数稳定度在第i个运行周期上的值，/>为电压稳定度在第i个运行周期上的值，/>为电流稳定度在第i个运行周期上的值；

使用时，以功率因数、电压及电流作为代表性参数生成运行状态系数，能够以运行状态系数/>对电力设备当前的实际状态形成评估。

步骤204、依照如下方式构建评估阈值，其具体方式如下：

;

其中， n为运行状态系数的个数，/>为运行状态系数的均值；/>为第i个运行状态系数；/>未超出评估阈值/>，则当前说明电力设备当前的运行状态正常，继续保持电力设备的运行，并依据预先设置的预测节奏向外部发出预测指令，若其超出评估阈值

若运行状态系数，则立即向外部发出预测指令；

使用时，结合步骤201至204中的内容：

在连续获取到若干个运行状态系数后，依据运行状态系数/>的值构建评估阈值/>，此时，依据运行状态系数/>与评估阈值/>间的关系，能够对电力设备当前的是否存在异常进行判断，同时，依据固定周期性检测和突发性检测相配合，能够使电力设备在产生异常时能够及时被处理，减少故障被忽视的风险，同时，由于使评估阈值/>一直处于变动状态，能够使评估阈值/>与电力设备的运行间存在更高的适应性，且在电力设备向上突破评估阈值/>时，发出预测指令更具明显性。

步骤三、在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

所述步骤三包括如下步骤：

步骤301、接收到预测指令后，采集电力设备数据，例如：电力设备的运行状态数据，例如，运行温度、电压及电流数据等；规格性能数据，例如，尺寸结构、能耗及噪音数据等；及所处环境数据，例如，环境温度、湿度等；将以上数据汇总后，生成电力设备数据集合；使用Bp神经网络搭建初始模型，从电力设备数据集合内抽取部分数据作为样本数据，以样本数据对初始模型进行训练和测试，将训练后的初始模型作为电力设备运行模型；

步骤302、以电力设备保持当前的过载频率Gp及震动频率Zp为约束条件，在约束条件下，以训练后的电力设备运行模型对电力设备的运行进行预测，并获取相应的预测数据，将预测数据汇总构建预测数据集合；

步骤303、依据对电力设备的管理需求，预先设置异常标准，对预测数据集合内的数据进行特征识别，依据异常标准识别出其中的故障特征，并将产生异常特征的位置确定为待检测区域，对待检测区域进行标记；

使用时，结合步骤301至303中的内容：

在接收到预测指令后，说明电力设备当前可能存在一定的故障或异常，为了降低无效检测的风险，通过电力设备当前的运行数据，在训练后构建电力设备运行模型，以电力设备运行模型对电力设备的运行状态进行模拟，通过对模拟数据进行识别后，能够获取到待检测设备当前已经存在的异常位置及即将存在的异常位置，从而在后续的检测过程中，避免对电力设备做全面检测，减少电力设备检测的时间成本和人力成本；而且，通过构建电力设备运行模型对电力设备的运行状态进行预测，能够对电力设备的运行故障进行提前感知，便于及时地对电力设备的运行进行调整，较大程度上可以避免运行故障的产生。

步骤四、预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

所述步骤四包括如下内容：

步骤401、基于网络表示学习算法建立表示学习模型，在选择数据样本并在经过训练和测试后，将构建成的网络表示学习模型输出，依据网络表示学习模型，以电力设备检测及其相关词作为检索词，采用深度优先搜索从公开渠道检索并采集数据，采集的数据至少包括电力设备的运行数据、维护数据及故障数据等，汇总后生成图谱数据集；使用BP神经网络构建初始模型，从图谱数据集中抽取部分数据作为样本数据，对初始模型经过训练和测试后，完成基于机器学习的语义网络模型的构建；

步骤402、通过基于机器学习的语义网络模型从图谱数据集中选择数据进行融合处理，完成知识图谱的构建，并将构建的知识图谱作为设备检测知识图谱；

依据电力设备的异常特征及待检测区域与检测方案的对应性，使用训练后的匹配模型从设备检测知识图谱中匹配出检测方案；

使用时，在对电力设备进行检测前，由电力设备运行模型筛选出待检测设备当前已经存在的异常位置及即将存在的异常位置后，通过训练获取的设备检测知识图谱，能为各个待检测区域给出检测方案，从而在对电力设备进行检测时更具有针对性；由于电力设备上不同位置上的故障及其原因可能存在较大的差异，相对于给出整体性的检测方案，在对电力设备做检测时，针对性和可靠性都更充分；同时，通过知识图谱直接给出检测方案做参考，相对于人工给出检测方案，检测错误率更低，效率也更高，能起到指导作用。

步骤403、依据各个待检测区域在电力设备的位置，获取计算待检测区域的接近中心度Cu，其中，时间中心度的计算方式如下：/>其中，k为电力设备的个数，是电力设备i与电力设备j的最近距离；

以各个待检测区域内的异常特征超出异常标准的程度，获取待检测区域的异常度Du；将接近中心度Cu及异常度Du做线性归一化处理，将相应的数据值映射至区间内，再依据如下公式计算出各个待检测区域的检修优先级/>：

;

权重系数：,/>，可以由层次分析法获取，其中，i为待检测区域的序号，/>；/>为若干个接近中心度的均值，/>为若干个异常度的均值；其中，/>为第i个待检测区域的接近中心度，/>为第i个待检测区域的异常度；

依据检修优先级在电力设备上依次对各个待检测区域做检测，并获取相应的电力设备检修数据，将电力设备检测数据汇总后构建检测数据集合，电力设备检测数据内包括：

基本运行参数：电压：监测设备在运行时的电压水平，以确保其符合设计要求和安全标准。电流：测量设备通过的电流大小，用于评估设备的负载情况和性能。功率因数：反映设备有效利用电能的程度，有助于优化能源利用。温度：监测设备的运行温度，以防止过热导致的设备损坏或故障。

设备状态与性能参数：设备状态监测：通过传感器和监控***，实时监测设备的运行状态，如开关的通断情况、UPS设备的输入输出状态等。性能参数分析：对设备的性能参数进行定期检测和分析，以评估设备的健康状况和性能衰减情况。

故障与异常检测：故障诊断：通过数据分析和模式识别，对设备的故障进行诊断和定位，以便及时修复。异常预警：对设备的异常运行状态进行监测和预警，防止潜在故障的发生。

环境与环境因素：环境温度与湿度：监测设备运行环境的温度和湿度，以确保其在适宜的条件下运行。电磁干扰：对设备周围的电磁环境进行检测，防止电磁干扰对设备正常运行造成影响。

使用时，结合步骤401至403中的内容：

在给出若干个待检测区域后，计算各个待检测区域内的检测优先级，依据检测优先级/>依次对各个待检测区域进行检测，通过优先对各个重要区域进行检测，优先排除重要区域存在或者可能存在故障，能够在有限的时间内解决重要故障，能够保障电力设备的快速正常运行，避免由电力故障带来的运行风险。

步骤五、通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数/>对维护方案做出筛选；

所述步骤五包括如下内容：

步骤501、依据线上的线性检索或者线下收集，在汇总若干个维护方案后，预先构建维护方案库，依据对电力设备的故障管理过程及历史数据，预先设置维护标准；对检测数据集合内数据进行识别，获取相应的维护特征，例如产生故障时的故障位置、故障类型及故障原因等；使用训练后的匹配模型，依据维护特征和维护方案的对应性，为电力设备从维护方案库中匹配出若干个维护方案；

使用时，在已经完成对电力设备的检测后，对相应的检测数据进行识别，从而依据维护特征和维护方案之间的对应性，能够快速地为电力设备提供维护方案，此时，以维护方案作为参考，在对电力设备做出实际维护时，提高维护效率。

步骤502、以维护方案作为输入，使用训练后的电力设备运行模型对维护方案做出分析后，获取分析结果，设置若干个等间隔的预测节点后，于各个预测节点处输出运行状态系数，依据如下方式生成优化系数/>，以优化系数/>最高的维护方案作为对电子设备维护的参考方案，其次的作为备用方案；/>

其中，依据生成运行状态系数的时间节点及其顺序，将维护前后的运行状态系数/>对齐，并依照如下方式：

;

其中，为运行状态系数中间值，/>为其均值，i为时间节点的序号， n为时间节点的个数，/>及/>分别为调整前后第i个时间节点上的运行状态系数，/>及/>为相应的均值；

使用时，结合步骤501至502中的内容：

在获取到若干个维护方案后，在对电力设备完成检测的基础上，能够快速地依据检测数据给出维护方案，使用训练后的电力设备运行模型对维护方案做出分析，对维护方案的可行性做出分析，由此能够对维护方案的可靠性做出判断；而作为进一步的内容，由若干个运行状态系数构建相应的优化系数/>，依据优化系数/>对若干个维护方案进行筛选，能够获取其中维护效果最好的部分，将此用于对电力设备的维护，提高维护效果，能够对电力设备的运行提供充分的保障。

需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数；层次分析法的步骤如下：

明确问题：首先需要明确决策问题，确定决策的目标和备选方案；

建立层次结构模型：根据问题的性质和决策目标，将问题分解为不同的层次，通常包括目标层、准则层和方案层；目标层是决策问题的总目标，准则层是用于评估备选方案的准则，方案层是备选方案；

构造判断矩阵：通过两两比较同一层次中的元素相对于上一层中某一元素的重要性，构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值；

层次单排序：根据判断矩阵，计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序；

一致性检验：检验判断矩阵的一致性，即检验判断矩阵是否满足一致性条件。如果满足一致性条件，则认为层次单排序结果是合理的；

层次总排序：计算各层元素对***目标的合成权重，进行总排序，以确定递阶结构图中最底层各个元素的总排序权重；

通过层次分析法，决策者可以将复杂的决策问题分解为不同的层次，并基于定性和定量的分析进行决策；这种方法能够提高决策的准确性和有效性，特别适用于那些难以用定量方法解决的复杂问题。

作为进一步的内容，设备检测知识图谱的搭建也可以参考如下内容：

以电力设备检测作为目标词，收集相关物流领域的文献、专家知识、行业标准等信息，进行知识抽取，将相关知识从文本、数据等形式中提取出来；整理知识，建立知识库或知识图谱的初始结构；根据电力设备检测的特点和优化目标，设计知识图谱的模型和结构，定义电力设备检测领域的概念和关系，建立本体或图谱模式，利用语义网络、图数据库等技术，进行知识表示和存储；利用自然语言处理、信息抽取、数据挖掘等技术，自动或半自动地从新数据源中提取和补充知识；结合领域专家的经验和知识，进行人工的知识补充和修正；建立概念之间的关联和关系，通过链接不同概念，形成知识网络，运用推理机制，进行知识的推理和推断，发现隐藏的关联和规律，从而完成知识图谱的搭建。

请参阅图2，本发明提供一种电力设备检测测***，包括：

监测单元，周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值的变化，选择对应的节点发出评估指令；

评估单元，接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数与评估阈值的关系，在对应节点上发出预测指令；

预测单元，在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

检测单元，预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

维护单元，通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数对维护方案做出筛选。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。

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例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申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一些逻辑功能划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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例方案的目的。

另外，在本申请各个实施例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。

所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

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以所述权利要求的保护范围为准。

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。

Claims (10)

1.一种电力设备检测方法，其特征在于：包括，

周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数/>超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值/>的变化，选择对应的节点发出评估指令；其中，运行条件系数的获取方式如下：依据监测数据的生成节点沿着时间轴排列，选取最近的N个监测周期内过载频率Gp及震动频率Zp做线性归一化处理，将相应的数据值映射至区间/>内，再依据如下公式：/>其中，i为监测周期的序号，/>，/>为监测周期的个数，/>为过载频率的合格参考值，/>为震动频率的合格参考值；权重系数：/>，/>，且/>；/>为过载频率在第i个监测周期的值；/>为震动频率在第i个监测周期的值；

接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数/>与评估阈值的关系，在对应节点上发出预测指令；

在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数/>对维护方案做出筛选。

2.根据权利要求1所述的一种电力设备检测方法，其特征在于：

于监测周期内对电力设备的运行状态进行监测，在监测周期内对电力设备产生的运行过载次数及机械震动次数进行监测，分别计算获取各个监测周期内电力设备的过载频率Gp及震动频率Zp；在经过连续若干个监测周期后，将监测数据汇总构建设备监测数据集合；由设备监测数据集合生成运行条件系数，预先设置警戒阈值，将运行条件系数/>超过对应阈值的时间节点确定为异常节点。

3.根据权利要求2所述的一种电力设备检测方法，其特征在于：

依据评估节奏在时间轴上设置若干个等距离的评估节点，将获取的异常节点在所述时间轴上标记，计算异常节点与评估节点的距离值，其具体方式如下：

其中，/>为异常节点在时间轴上的位置，/>为评估节点在时间轴上的位置；/>为权重，/>，/>，且；其中，/>n为异常节点及评估节点的个数；

若当前的距离值较其前一个值减小，则在当前的异常节点发出评估指令，若未减小，则在预设的评估节点上发出评估指令。

4.根据权利要求1所述的一种电力设备检测方法，其特征在于：

在获取到评估指令后，监测电力设备的运行状态数据，其具体方式如下：设置运行周期且所述运行周期内存在若干个等间隔的监测节点，于监测节点处获取电力设备运行时的功率因数Gv、电压Ug及电流Ua，将若干个监测节点上的数据汇总，构建运行状态集合；

由各个运行周期内的电力设备的运行状态集合内数据计算获取功率因数稳定度、电压稳定度/>及电流稳定度/>，将连续若干个运行周期内的稳定度数据汇总，构建稳定度数据集合。

5.根据权利要求4所述的一种电力设备检测方法，其特征在于：

由稳定度数据集合内最近个运行周期内稳定度数据生成电力设备的当前时间节点上运行状态系数/>，若运行状态系数/>未超出评估阈值/>，继续保持电力设备的运行，并依据预先设置的预测节奏向外部发出预测指令，若其超出评估阈值/>，则向外部发出预测指令。

6.根据权利要求1所述的一种电力设备检测方法，其特征在于：

训练获取电力设备运行模型，以电力设备保持当前的过载频率Gp及震动频率Zp为约束条件，在约束条件下，以训练后的电力设备运行模型对电力设备的运行进行预测，并获取相应的预测数据，将预测数据汇总构建预测数据集合；对预测数据集合内的数据进行特征识别，依据预设的异常标准识别出其中的故障特征，并将产生异常特征的位置确定为待检测区域，对待检测区域进行标记。

7.根据权利要求1所述的一种电力设备检测方法，其特征在于：

采集电力设备的相关数据并汇总后生成图谱数据集，从图谱数据集中抽取部分数据作为样本数据，基于机器学习训练获取语义网络模型；使用语义网络模型从图谱数据集中选择数据进行融合处理，完成知识图谱的构建，并将构建的知识图谱作为设备检测知识图谱；依据电力设备的异常特征及待检测区域与检测方案的对应性，从设备检测知识图谱中匹配出检测方案。

8.根据权利要求1所述的一种电力设备检测方法，其特征在于：

依据各个待检测区域在电力设备的位置，获取计算待检测区域的接近中心度Cu，以各个待检测区域内的异常特征超出异常标准的程度，获取待检测区域的异常度Du；

将接近中心度Cu及异常度Du做线性归一化处理，将相应的数据值映射至区间内，再依据如下公式计算出各个待检测区域的检修优先级/>：

权重系数：/>，，其中，i为待检测区域的序号，/>；/>为若干个接近中心度的均值，/>为若干个异常度的均值；其中，/>为第i个待检测区域的接近中心度，/>为第i个待检测区域的异常度；

依据检修优先级在电力设备上依次对各个待检测区域做检测，并获取相应的电力设备检修数据，将电力设备检测数据汇总后构建检测数据集合。

9.根据权利要求8所述的一种电力设备检测方法，其特征在于：

预先构建维护方案库，对检测数据集合内数据进行识别，获取相应的维护特征；依据维护特征和维护方案的对应性，为电力设备从维护方案库中匹配出若干个维护方案；使用训练后的电力设备运行模型对维护方案做出分析后，获取分析结果，设置若干个等间隔的预测节点后，于各个预测节点处输出运行状态系数，并进而生成优化系数/>，以优化系数/>最高的维护方案作为对电子设备维护的参考方案，其次的作为备用方案。

10.一种电力设备检测***，其特征在于：包括，

监测单元，周期性监测电力设备的运行条件并构建监测数据集合，由设备监测数据集合生成运行条件系数，将运行条件系数超过对应阈值的时间节点确定为异常节点，依据异常节点与评估节点的距离值的变化，选择对应的节点发出评估指令；

评估单元，接收到评估指令后，监测获取电力设备的运行状态数据并进而构建稳定度数据集合，由稳定度数据集合生成电力设备的当前时间节点上运行状态系数，依据运行状态系数与评估阈值的关系，在对应节点上发出预测指令；

预测单元，在接收到预测指令后构建电力设备运行模型，在约束条件下，使用训练后的电力设备运行模型对电力设备的运行状态做出预测，并由获取的预测数据识别出电力设备的故障特征及待检测区域；

检测单元，预先搭建设备检测知识图谱，依据电力设备的异常特征及待检测区域与检测方案的对应性，由设备检测知识图谱输出检测方案；在计算出各个待检测区域的检修优先级后，依次执行检测方案；

维护单元，通过识别检测特征获取相应的维护特征，并以此从预先搭建的维护方案中匹配出若干个维护方案，使用训练后的电力设备运行模型对所述维护方案做预测，由预测数据构建优化系数，依据优化系数对维护方案做出筛选。