一种融合用户行为画像的电网设备状态预测方法及装置与流程

本发明涉及电网设备状态预测，特别涉及一种融合用户行为画像的电网设备状态预测方法及装置。

背景技术：

1、现有的电网设备状态预测方法通常基于设备自身传感器采集的运行参数进行时序建模，例如利用温度、电流、振动等数据构建时间序列预测模型，通过分析设备历史运行数据的变化趋势来预测未来状态。同时，部分方法引入电网拓扑结构信息，将设备间的物理连接关系建模为静态图，利用图神经网络聚合邻居设备的状态信息，以捕捉故障在拓扑结构中的传导效应。此外，在用户侧数据处理方面，现有技术通过用户画像构建方法对用户的用电行为、交互行为等信息进行特征提取和编码，生成用户特征表示，但此类用户画像技术主要用于用电服务推荐或需求响应场景，独立于设备状态监测任务运行。

2、设备状态预测所依赖的传感器数据仅反映设备自身工况，用户画像技术所提取的用户行为特征仅服务于营销或服务场景，两者相互独立。这就会出现设备状态预测模型无法感知用户侧的异常用电行为对设备造成的潜在影响，例如用户负荷的冲击性波动、长期超容用电等行为可能加速设备老化或诱发故障，模型因缺乏用户行为维度的输入而无法捕捉此类故障诱因，容易造成设备状态感知的精度不足和故障预警的滞后的问题。

技术实现思路

1、本发明提供了一种融合用户行为画像的电网设备状态预测方法及装置，用于解决造成设备状态感知的精度不足和故障预警的滞后的问题。

2、本发明第一方面提供了一种融合用户行为画像的电网设备状态预测方法，包括：

3、对获取到的目标设备关联的用户基础信息和交互行为信息进行特征提取，生成用户行为特征向量；

4、将电网设备抽象为节点，为节点配置融合设备静态属性、运行参数及所述用户行为特征向量的初始特征，得到节点初始特征向量；将连接线路抽象为边并分配电气参数作为边特征向量，构建基础设备关系图；

5、基于所述节点初始特征向量和边特征向量计算动态边权重，形成动态权重设备关系图；

6、在所述动态权重设备关系图中，采用拓扑通道以所述动态边权重聚合邻居节点特征向量，得到拓扑通道输出特征向量；采用属性通道计算属性注意力并聚合邻居节点特征向量，得到属性通道输出特征向量；根据网络特性自适应融合所述拓扑通道输出特征向量和属性通道输出特征向量，得到节点综合特征向量；

7、将所述节点综合特征向量输入训练后的故障预测模型，输出目标设备的故障预测结果。

8、可选的，所述对获取到的目标设备关联的用户基础信息和交互行为信息进行特征提取，生成用户行为特征向量，包括：

9、对用户基础信息中的用户类型进行独热编码，对用电容量和用电年限进行特征缩放，得到用户静态特征向量；

10、对交互行为信息中的历史负荷序列进行时序特征提取，得到负荷模式特征向量；

11、对交互行为信息中的设备操作记录进行计数编码，得到操作行为特征向量；

12、将所述用户静态特征向量、负荷模式特征向量和操作行为特征向量进行拼接，得到用户行为特征向量。

13、可选的，所述将电网设备抽象为节点，为节点配置融合设备静态属性、运行参数及所述用户行为特征向量的初始特征，得到节点初始特征向量，包括：

14、获取电网设备的设备静态属性和运行参数，所述设备静态属性包括设备类型和额定容量，所述运行参数包括温度数据和电流数据；

15、对所述设备类型进行独热编码，对所述额定容量进行特征缩放，得到设备静态特征向量；

16、对所述温度数据和电流数据进行归一化处理，得到设备运行特征向量；

17、将所述设备静态特征向量、设备运行特征向量和用户行为特征向量进行拼接，得到节点初始特征向量。

18、可选的，所述将连接线路抽象为边并分配电气参数作为边特征向量，构建基础设备关系图，包括：

19、获取连接线路的电气参数，所述电气参数包括线路长度、负载率和功率因数；

20、对所述线路长度进行特征缩放，对所述负载率和功率因数进行归一化处理，得到处理后的电气参数；

21、将处理后的电气参数进行拼接，得到边特征向量；

22、以所述电网设备对应的节点、所述节点初始特征向量、所述连接线路对应的边以及所述边特征向量，构建基础设备关系图。

23、可选的，所述基于所述节点初始特征向量和边特征向量计算动态边权重，形成动态权重设备关系图，包括：

24、基于所述边特征向量计算基础电气耦合权重，所述基础电气耦合权重表征连接线路的固有电气耦合强度；

25、基于所述节点初始特征向量计算设备间的动态注意力权重，所述动态注意力权重表征设备间实时状态的相关性；

26、基于所述节点初始特征向量和边特征向量，计算耦合依赖系数，并根据所述耦合依赖系数对所述基础电气耦合权重和动态注意力权重进行自适应加权融合，得到动态边权重；

27、将所述动态边权重赋值给所述基础设备关系图中对应的边，形成动态权重设备关系图。

28、可选的，所述采用拓扑通道以所述动态边权重聚合邻居节点特征向量，得到拓扑通道输出特征向量，包括：

29、针对目标节点，确定所述动态权重设备关系图中与所述目标节点相连的邻居节点集合；

30、获取所述邻居节点集合中各邻居节点的节点初始特征向量；

31、以所述动态边权重为聚合系数，对所述各邻居节点的节点初始特征向量进行加权求和，得到所述目标节点的拓扑通道输出特征向量。

32、可选的，所述采用属性通道计算属性注意力并聚合邻居节点特征向量，得到属性通道输出特征向量，包括：

33、针对目标节点，将所述目标节点的节点初始特征向量与邻居节点的节点初始特征向量进行拼接，得到属性关联向量；

34、对所述属性关联向量进行非线性映射，得到所述目标节点与邻居节点之间的属性相似性分数；

35、对所述属性相似性分数进行归一化处理，得到属性注意力权重；

36、以所述属性注意力权重为聚合系数，对邻居节点的节点初始特征向量进行加权求和，得到所述目标节点的属性通道输出特征向量。

37、可选的，所述根据网络特性自适应融合所述拓扑通道输出特征向量和属性通道输出特征向量，得到节点综合特征向量，包括：

38、统计所述目标节点的邻居节点集合中设备类型的分布情况，计算邻居属性熵，所述邻居属性熵用于表征局部拓扑的复杂程度；

39、基于所述邻居属性熵动态生成拓扑通道与属性通道的融合权重；

40、根据所述融合权重，对所述拓扑通道输出特征向量和属性通道输出特征向量进行加权求和，得到节点综合特征向量。

41、可选的，所述将所述节点综合特征向量输入训练后的故障预测模型，输出目标设备的故障预测结果，包括：

42、将所述节点综合特征向量输入故障预测模型的特征增强层，通过非线性变换提取故障敏感特征，得到增强特征向量；

43、将所述增强特征向量输入故障预测模型的预测层，映射为多维故障概率分布；

44、根据所述多维故障概率分布确定所述目标设备的故障预测结果，所述故障预测结果包括故障类型或正常状态。

45、本发明第二方面提供了一种融合用户行为画像的电网设备状态预测装置，包括：

46、用户行为特征向量生成模块，用于对获取到的目标设备关联的用户基础信息和交互行为信息进行特征提取，生成用户行为特征向量；

47、基础设备关系图构建模块，用于将电网设备抽象为节点，为节点配置融合设备静态属性、运行参数及所述用户行为特征向量的初始特征，得到节点初始特征向量；将连接线路抽象为边并分配电气参数作为边特征向量，构建基础设备关系图；

48、动态权重设备关系图确定模块，用于基于所述节点初始特征向量和边特征向量计算动态边权重，形成动态权重设备关系图；

49、节点综合特征向量确定模块，用于在所述动态权重设备关系图中，采用拓扑通道以所述动态边权重聚合邻居节点特征向量，得到拓扑通道输出特征向量；采用属性通道计算属性注意力并聚合邻居节点特征向量，得到属性通道输出特征向量；根据网络特性自适应融合所述拓扑通道输出特征向量和属性通道输出特征向量，得到节点综合特征向量；

50、故障预测结果输出模块，用于将所述节点综合特征向量输入训练后的故障预测模型，输出目标设备的故障预测结果。

51、从以上技术方案可以看出，本发明具有以下优点：

52、本发明通过对目标设备关联的用户基础信息和交互行为信息进行特征提取，生成用户行为特征向量，将原本独立于设备监测体系的用户行为数据转化为可供模型利用的结构化特征，使设备状态预测能够感知用户侧的用电模式和操作习惯；在构建设备关系图时，将用户行为特征向量与设备静态属性、运行参数共同融入节点初始特征向量中，为后续图神经网络处理提供了完整的信息基础；通过计算动态边权重形成动态权重设备关系图，使得设备间的连接强度能够随实时工况和用户行为动态变化；采用拓扑通道和属性通道的双通道融合方式，拓扑通道以动态边权重聚合邻居节点特征向量以捕捉故障的拓扑传导效应，属性通道计算属性注意力聚合邻居节点特征向量以挖掘设备自身退化规律与用户行为模式的关联关系，并根据网络特性自适应融合两通道输出，使得模型在不同网络结构下均能合理平衡传导风险与个体退化两种因素的影响，显著提升了综合特征向量的表征能力；最终，基于该综合特征向量进行故障预测，能够更早、更准确地识别设备潜在故障风险，有效提升了电网设备状态预测的精度以及时效性。