一种计量设备全生命周期退役评估与再利用方法及存储介质与流程

摘要: 本发明涉及电力设备检修,具体涉及一种计量设备全生命周期退役评估与再利用方法及存储介质。背景技术:1、电力系统的安全稳定运行依赖于海量计量设备的精准测量,这些设备...
一种计量设备全生命周期退役评估与再利用方法及存储介质与流程

本发明涉及电力设备检修,具体涉及一种计量设备全生命周期退役评估与再利用方法及存储介质。

背景技术:

1、电力系统的安全稳定运行依赖于海量计量设备的精准测量,这些设备承担着电能计量、用电监测、负荷分析等关键任务,直接影响着电网调度决策和电费结算公平性。随着智能电网建设的深入推进,计量设备的保有量已突破数亿台,每年产生的退役设备规模庞大,如何科学评估这些设备的剩余价值并实现高效再利用,已成为电力行业亟待破解的重要课题。

2、当前的设备退役管理主要依据设备运行年限或固定检定周期进行批量更换,这种方式忽视了不同运行环境对设备性能衰减的差异化影响。同一批次出厂的电能表,部署在沿海高湿环境与内陆干燥地区,其计量精度的衰减速度可能相差数倍,但现行方法无法识别这种差异。更为复杂的是,设备在全生命周期中经历采购入库、现场安装、周期检定、故障维修等多个阶段,每个阶段产生的性能数据、环境参数、维护记录分散存储在不同系统中,缺乏贯通全流程的追溯机制,导致退役时无法准确还原设备的真实健康状态。

3、这种状况引发了设备性能评估与实际运行工况之间的错配矛盾。设备的计量误差、绝缘强度、机械寿命等性能指标并非独立演变,而是相互耦合、动态关联的,例如长期过载运行会加速电子元件老化,进而影响计量精度和通信稳定性,但传统评估方法仅检测单项指标合格与否,无法捕捉这种性能指标间的关联退化规律。当一台电能表的计量误差接近限值但仍在合格范围内时,若其内部元器件已因环境应力出现隐性劣化,继续使用可能在短期内突发失准,而提前报废又造成资源浪费。因此,如何构建融合设备全生命周期多源异构数据的性能追溯体系,并准确识别不同性能指标间的耦合退化特征,进而制定兼顾安全性与经济性的差异化退役策略,成为提升计量资产管理效能的关键问题。

技术实现思路

1、本发明旨在解决现有的技术问题,提供一种计量设备全生命周期退役评估与再利用方法及存储介质,可以实现对计量设备退役时机进行科学预测和精准决策。

2、作为本发明的一方面,提供一种计量设备全生命周期退役评估与再利用方法,其包括如下步骤:

3、步骤s11,获取计量设备在生命周期内的多源异构运行数据,从所述多源异构运行数据中提取第一环境特征和第一性能特征,其中所述多源异构运行数据涵盖所述计量设备在不同运行阶段的监测记录;

4、步骤s12,采用随机森林算法对所述第一环境特征和所述第一性能特征进行特征融合处理,结合特征的总数量与对应的权重系数,得到融合特征集合;

5、步骤s13,根据所述融合特征集合构建多维特征矩阵,采用主成分分析法对所述多维特征矩阵进行降维处理,基于保留的主成分数量提取主要成分,获得目标特征向量;

6、步骤s14,通过长短期记忆网络模型处理所述目标特征向量,提取所述目标特征向量中的时序关联信息,捕捉时序数据中的退化规律,确定对应的耦合退化特征;

7、步骤s15,若所述耦合退化特征大于预设的退化阈值,判定所述计量设备处于第一健康状态,若所述耦合退化特征小于或等于预设的退化阈值,判定所述计量设备处于第二健康状态;

8、步骤s16,针对处于所述第一健康状态的计量设备,获取对应的第一运行工况,根据所述第一运行工况对所述耦合退化特征进行加权计算,获得第一退化评分;

9、步骤s17,若所述第一退化评分大于预设的评分阈值,生成第一退役指令,若所述第一退化评分小于或等于预设的评分阈值,生成第二退役指令;

10、步骤s18,针对处于所述第二健康状态的计量设备,获取对应的第二运行工况,根据所述第二运行工况对所述耦合退化特征进行加权计算,获得第二退化评分;

11、步骤s19,若所述第二退化评分大于预设的评分阈值,生成第三退役指令,若所述第二退化评分小于或等于预设的评分阈值,生成第四退役指令。

12、可选地,所述步骤s12进一步包括:

13、确定所述第一环境特征和所述第一性能特征的特征的总数量;

14、针对所述第一环境特征和所述第一性能特征中的每一个特征,确定对应的权重系数;

15、调用所述随机森林算法函数,输入所述第一环境特征、所述第一性能特征以及对应的权重系数;

16、结合对应的权重系数进行加权融合计算;

17、根据加权融合计算的结果生成综合的融合特征集合。

18、可选地,所述步骤s13进一步包括:

19、对所述融合特征集合中的特征进行排列组合处理,构建多维特征矩阵;

20、针对所述多维特征矩阵,计算对应的协方差矩阵;

21、提取所述协方差矩阵的特征值与对应的主成分向量;

22、按照所述特征值的大小进行排序,确定保留的主成分数量;

23、根据保留的主成分数量对应的所述主成分向量,对所述多维特征矩阵进行映射转换,获得目标特征向量。

24、可选地,所述步骤s14进一步包括:

25、输入所述目标特征向量至所述长短期记忆网络模型之中;

26、结合前一时刻的隐藏状态与当前时刻的输入,通过输入层权重矩阵与隐藏层权重矩阵进行矩阵乘法计算;

27、引入偏置项与激活函数处理矩阵乘法计算的结果,提取所述目标特征向量中的时序关联信息;

28、根据所述时序关联信息确定对应的耦合退化特征。

29、可选地,所述步骤s15进一步包括:

30、获取预设的退化阈值;

31、对所述耦合退化特征与所述预设的退化阈值进行数值大小比对;

32、在所述耦合退化特征大于所述预设的退化阈值的条件下,判定所述计量设备处于第一健康状态;

33、在所述耦合退化特征小于或等于所述预设的退化阈值的条件下,判定所述计量设备处于第二健康状态。

34、可选地,所述步骤s16进一步包括:

35、识别处于所述第一健康状态的计量设备;

36、采集处于所述第一健康状态的计量设备对应的第一运行工况;

37、提取所述第一运行工况中的工况参数;

38、根据所述工况参数设定对应的权重值;

39、采用所述权重值对所述耦合退化特征进行加权计算,获得第一退化评分。

40、可选地,所述步骤s17进一步包括:

41、获取预设的评分阈值;

42、对所述第一退化评分与所述预设的评分阈值进行数值比较;

43、在所述第一退化评分大于所述预设的评分阈值的条件下,生成第一退役指令;

44、在所述第一退化评分小于或等于所述预设的评分阈值的条件下,生成第二退役指令。

45、可选地,所述步骤s18进一步包括:

46、识别处于所述第二健康状态的计量设备;

47、采集处于所述第二健康状态的计量设备对应的第二运行工况;

48、提取所述第二运行工况中的工况参数;

49、根据所述第二运行工况中的工况参数设定对应的权重值;

50、采用所述第二运行工况对应的权重值对所述耦合退化特征进行加权计算,获得第二退化评分。

51、可选地,所述步骤s19进一步包括:

52、获取目标设备的初始运行数据;

53、通过数据清洗剔除所述初始运行数据中的异常值,得到标准运行数据;

54、根据所述标准运行数据,采用随机森林算法提取时间序列特征,获得设备衰减量;

55、计算所述设备衰减量与初始基准值的比值,确定设备损耗量;

56、根据所述设备损耗量进行分类划分,获得设备状态量;

57、采用支持向量机算法对所述设备状态量进行回归预测,得到初始退化评分;

58、对所述初始退化评分进行滑动平均处理,获得所述第二退化评分;

59、对所述第二退化评分与所述预设的评分阈值进行比较;

60、在所述第二退化评分大于所述预设的评分阈值的条件下,生成第三退役指令;

61、在所述第二退化评分小于或等于所述预设的评分阈值的条件下,生成第四退役指令。

62、相应地,作为本发明的另一方面,还提供一种计算机可读存储介质,其上存储有计算机程序,特征在于,所述计算机程序被处理器执行时实现如前述的方法的步骤。

63、实施本发明实施例,具有如下有益的效果:

64、本发明公开了一种计量设备全生命周期退役评估与再利用方法及存储介质,针对计量设备退役决策过程中存在的多源异构数据难以有效融合、退化状态评估不准确以及退役时机难以精确判定的核心问题,提出了一套完整的解决方案。本发明首先通过随机森林算法将设备运行过程中的环境特征与性能特征进行深度融合,再运用主成分分析法对融合后的多维特征矩阵进行降维处理,有效消除冗余信息并提取关键特征。随后利用长短期记忆网络模型捕获时序关联信息,精准识别设备的耦合退化特征,并结合设备实际运行工况进行差异化加权评分,最终根据不同健康状态和退化评分生成相应的退役指令。通过这种多层次特征提取与智能评估机制的有机结合,本发明实现了对计量设备退役时机的科学预测和精准决策,有效提高了设备全生命周期管理的智能化水平,为设备的合理退役与再利用提供了可靠的技术支撑。