基于深度学习的电力资产全生命周期风险智能评估方法与流程

摘要: 本发明涉及电力资产风险评估领域,具体是涉及一种基于深度学习的电力资产全生命周期风险智能评估方法。背景技术:1、电力资产是电网安全稳定运行的核心载体,其运行状态直...
基于深度学习的电力资产全生命周期风险智能评估方法与流程

本发明涉及电力资产风险评估领域,具体是涉及一种基于深度学习的电力资产全生命周期风险智能评估方法。

背景技术:

1、电力资产是电网安全稳定运行的核心载体,其运行状态直接关系供电可靠性、电网运营效率与社会用电安全。随着智能电网全面建设,变电站、输电线路、配电设备等电力资产呈现规模化、网络化、高电压等级发展趋势,设备运行环境复杂、服役周期长、状态演化具有强时序性与耦合关联性。在线监测、物联网传感、云计算与深度学习技术的快速普及,为电力资产状态感知与风险管控提供了数据基础与技术支撑,推动传统定期检修向状态检修、预测性运维升级。开展电力资产全生命周期风险智能评估研究,实现从单点状态监测到全局风险研判、从事后处置到事前预警、从人工经验判断到智能决策输出的转变,具有重要工程价值与现实意义。基于时序监测数据与图网络拓扑分析的风险评估方法,能够精准刻画设备退化规律与风险级联效应,为电网调度、运维检修、资源配置提供科学依据,有助于降低故障发生率、减少停电损失、延长设备服役寿命,提升电网智能化运维水平与安全保障能力,支撑新型电力系统高质量发展。

2、常规的电力资产风险评估方法无法对资产运行风险进行精准量化与长期演化预测,模型仅依赖单一设备监测数据与人工经验判断,不够精确和客观,容易受到运行工况、环境波动以及数据噪声等因素的影响,在评估设备健康状态时无法准确反映其真实退化趋势与潜在故障风险;其次,风险评估过程智能化程度低,需要技术人员对海量监测数据逐一筛选、手动分析与经验判定,这一过程通常需要多次核对与反复计算,以确定设备风险等级,每一步分析都需要人工提取特征、比对阈值、记录状态,过程较为繁琐,耗时耗力;最后,常规的电力资产风险评估面对复杂电网场景,如多设备级联运行、拓扑结构复杂、新增故障模式不断出现的情况,无法有效感知风险传导效应与群体设备关联特性,导致传统方法难以实现全生命周期、自适应、可视化的智能风险评估,无法满足现代电网高效运维与安全预警需求。

技术实现思路

1、为解决上述技术问题,提供一种基于深度学习的电力资产全生命周期风险智能评估方法,本技术方案解决了上述背景技术中提出的模型仅依赖单一设备监测数据与人工经验判断,风险评估过程智能化程度低,需要技术人员对海量监测数据逐一筛选,以及常规的电力资产风险评估面对复杂电网场景,无法有效感知风险传导效应与群体设备关联特性问题。

2、为达到以上目的,本发明采用的技术方案为:

3、一种基于深度学习的电力资产全生命周期风险智能评估方法,包括:

4、将电力资产划分为若干个资产群组,从各资产群组的在线监测系统中采集多源状态数据,并将采集的数据按照时间轴生成时序样本序列;

5、构建深度时序预测模型,基于时序样本序列,输出每个时间步的风险强度预测值,生成各资产群组在未来时间窗口内的风险演化轨迹序列;

6、获取资产群组内同类设备的历史状态评估记录,提取历史评估记录中的隐状态向量集合,计算隐状态向量的统计分布特征;

7、构建电力资产图网络,以风险演化轨迹序列作为节点的初始特征,计算每个节点在考虑邻接节点影响后的综合风险态势值;

8、设置风险确认终端,基于综合风险态势值,生成包含风险态势分布图、高风险设备清单和分级处置建议的风险评估报告单;

9、汇集风险评估报告单及实际故障记录,构建评估与反馈数据集,采用增量学习算法对深度时序预测模型参数和电力资产图网络参数进行更新。

10、优选的,所述将电力资产划分为若干个资产群组,从各资产群组的在线监测系统中采集多源状态数据,并将采集的数据按照时间轴生成时序样本序列包括:

11、根据电力资产的设备类型、电压等级和投运年限区间,将具有相同运行特征的资产归类为同一资产群组;

12、从各资产群组部署的在线监测系统中采集多源状态数据,并对采集到的原始数据进行缺失值填充、异常值剔除和数据归一化处理;

13、将处理后的数据按照采样时间戳排序,以固定时间窗口长度滑动截取,形成时序样本序列。

14、优选的,所述输出每个时间步的风险强度预测值,生成各资产群组在未来时间窗口内的风险演化轨迹序列包括:

15、构建深度时序预测模型,所述深度时序预测模型采用编码器与预测器双阶段架构,编码器与预测器共享底层长短期记忆网络的参数;

16、编码器阶段负责将历史观测序列映射到隐状态空间,其核心计算单元为第一长短期记忆网络l1;

17、对编码器的初始隐状态和初始记忆单元状态进行初始化赋值,其中,初始隐状态将设备的威布尔分布值作为隐状态的初始化值,初始记忆单元状态设为0;

18、编码器按照时间顺序依次处理时序样本序列中的每个时间步,每个时间步的输入为当前时间步的监测数据,获取当前时刻的隐状态和记忆单元状态;

19、预测器阶段负责从当前隐状态向前预测未来风险演化,其核心计算单元为第二长短期记忆网络l2,所述l1与l2共享权重参数矩阵;

20、预测器的初始化状态为编码器输出的当前时刻的隐状态和记忆单元状态;

21、预测器的输入是上一时间步输出的风险强度预测值经过嵌入变换后的向量;

22、预测器的输出层通过一个全连接输出层将隐状态映射为风险强度预测值;

23、将预测器连续递归k步得到的风险强度预测值按时间顺序排列,得到风险演化轨迹序列;

24、根据风险演化轨迹序列,计算线性趋势斜率,若斜率大于预设的上升趋势阈值,则标记为风险上升趋势;

25、计算序列中首次超过预警阈值的时间步索引,若存在则记录为预计达到高风险的时间。

26、优选的,所述获取资产群组内同类设备的历史状态评估记录,提取历史评估记录中的隐状态向量集合,计算隐状态向量的统计分布特征包括:

27、从云端数据库中检索与当前设备属于同一资产群组的所有同类设备,读取这些设备在相同投运年限时的历史状态评估记录;

28、从每条历史状态评估记录中提取该设备在对应时刻的隐状态向量,将提取到的所有隐状态向量组成集合;

29、计算该集合的均值向量和方差向量,将均值向量作为隐状态初始化值,将方差向量作为隐状态各维度的不确定性度量。

30、优选的,所述构建电力资产图网络,以风险演化轨迹序列作为节点的初始特征,计算每个节点在考虑邻接节点影响后的综合风险态势值包括:

31、以被评估区域内所有电力资产为节点,以设备间的电气连接关系和空间邻近关系为边,构建电力资产图网络;

32、将各设备的风险演化轨迹序列、当前风险强度值和设备属性编码拼接后作为各节点的初始特征向量;

33、采用图注意力网络作为消息传递机制,每个节点通过注意力机制聚合邻居节点的特征信息;

34、经过多层传播后,将每个节点的最终特征向量输入全连接输出层,得到该节点的综合风险态势值。

35、优选的,所述设置风险确认终端,基于综合风险态势值,生成包含风险态势分布图、高风险设备清单和分级处置建议的风险评估报告单包括:

36、在变电站主控室、运维班组驻地和调度中心设置风险确认终端,每个终端通过应用程序接口从云端服务器拉取所有设备的综合风险态势值;

37、在电网地理接线图底图上按照设备综合风险态势值的高低填充相应颜色生成风险态势分布图;

38、按照综合风险态势值从高到低排序截取前若干名设备生成高风险设备清单;

39、依据设备风险等级和主导风险因素类型从处置规则库中匹配对应的处置建议文本生成分级处置建议。

40、优选的,所述汇集风险评估报告单及实际故障记录,构建评估与反馈数据集,采用增量学习算法对深度时序预测模型参数和电力资产图网络参数进行更新包括:

41、云端服务器持续接收各风险确认终端上传的风险评估报告单,同时接入电力企业的故障处理系统获取实际故障记录;

42、将每个风险评估报告单与其后一段时间内发生的实际故障记录进行关联匹配,构建包含评估输入、评估输出和实际结果三元组的评估与反馈数据集;

43、以固定周期触发增量训练任务,采用弹性权重巩固算法对深度时序预测模型参数和图注意力网络参数进行微调更新。

44、与现有技术相比,本发明的有益效果在于:

45、本方案能够对电力资产全生命周期风险进行精准量化与长期演化轨迹预测,通过融合物理退化规律与同类设备群体运行经验,大幅提升评估结果的精确性与客观性,不受数据波动、工况变化及个体差异干扰,可真实反映设备退化趋势与潜在故障风险;其次,本方案实现风险评估全程智能化自动化,无需人工筛选数据、反复比对阈值与手动计算,自动完成时序建模、风险预测、图网络聚合与决策输出,有效简化流程、缩短评估耗时,提升电网运维效率;最后,本方案可适应复杂电网拓扑与多设备关联运行场景,有效感知风险级联传导效应,支持意识不清、语言障碍等特殊场景下的无干预自动评估,同时具备增量学习与持续迭代优化能力,能够适配新故障模式与设备老化特性,为电网提供可靠、高效、全覆盖的全生命周期风险智能评估支撑。