一种电力二次设备状态评估方法、装置及存储介质与流程

1.本发明涉及电力系统技术领域，尤其是涉及一种电力二次设备状态评估方法、装置及存储介质。


背景技术：

2.电力二次设备是电力系统的重要组成部分，其可靠运行是电力系统安全稳定的重要保障。随着电网规模的扩大，二次设备的数量呈指数增长，给检修工作人员增加了相当大的工作量，同时也增加了电网运行的风险。为了及时发现二次设备潜在的故障，检修人员需要对设备进行状态检修。状态检修是基于设备目前的运行状态来评估健康状况，并指定相应的检修策略。状态评估的准确性是状态检修的前提，状态评估的效率也是状态检修重点关注的部分。
3.现有的电力二次设备状态评估方法基于电力二次设备的状态评价导则，依赖于工作人员的知识储备对电力二次设备的状态进行评估，评估结果容易受到工作人员的主观因素影响，导致电力二次设备状态评估的准确性较低。


技术实现要素：

4.本发明提供了一种电力二次设备状态评估方法、装置及存储介质，以解决现有的电力二次设备状态评估方法依赖于工作人员的知识储备对电力二次设备的状态进行评估，评估结果容易受到工作人员的主观因素影响，导致电力二次设备状态评估的准确性较低的技术问题。
5.本发明的实施例提供了一种电力二次设备状态评估方法，包括：
6.获取电力二次设备的历史运行状态数据和历史检修数据，根据所述历史运行状态数据和所述历史检修数据生成样本数据；
7.根据所述历史检修数据中记录的运行状态等级对所述样本数据进行标注，形成训练数据集；
8.将所述训练数据集输入至bilstm-cnn神经网络中进行训练，在训练过程中根据标注的运行状态等级和预测结果之间的误差调整所述bilstm-cnn神经网络的参数，直至所述bilstm-cnn神经网络满足预设要求，得到状态评估模型；
9.将所述电力二次设备的当前运行数据输入至所述状态评估模型中，评估得到所述电力二次设备的运行状态等级。
10.进一步的，在根据所述历史检修数据中记录的运行状态等级对所述样本数据进行标注，形成训练数据集之前，包括：
11.对所述样本数据中的历史检修数据进行数据清洗处理，并对数据清洗处理后的样本数据进行分词处理和停用词去除处理，得到预处理样本数据。
12.进一步的，所述运行状态等级包括正常状态、一般状态、严重状态和紧急状态。
13.进一步的，所述将所述训练数据集输入至bilstm-cnn神经网络中进行训练，包括：
14.利用文本表示工具将所述训练数据集转换成适用于计算机处理的向量格式。
15.进一步的，所述利用文本表示工具将所述训练数据集转换成适用于计算机处理的向量格式，包括：
16.利用文本表示工具，以无监督的方式深度学习所述训练数据集的语义信息，将所述训练数据集中的每个词语的语义信息映射为维度为k的词向量。
17.进一步的，所述评估得到所述电力二次设备的运行状态等级，包括：
18.根据所述状态评估模型输出所述电力二次设备的运行状态等级及所述状态等级对应的发生概率；
19.将所述运行状态等级和所述发生概率进行加权求和处理，得到所述电力二次设备的运行状态评分；
20.设定电力二次设备的状态等级对应的得分区间，根据所述运行状态评分所属的得分区间，判定所述电力二次设备的运行状态等级。
21.进一步的，在评估得到所述电力二次设备的运行状态等级之后，还包括：
22.根据所述电力二次设备的运行状态等级，设定对应的检修策略。
23.本发明的一个实施例提供了一种电力二次设备状态评估装置，包括：
24.样本数据生成模块，用于获取电力二次设备的历史运行状态数据和历史检修数据，根据所述历史运行状态数据和所述历史检修数据生成样本数据；
25.训练数据集生成模块，用于根据所述历史检修数据中记录的运行状态等级对所述样本数据进行标注，形成训练数据集；
26.模型训练模块，用于将所述训练数据集输入至bilstm-cnn神经网络中进行训练，在训练过程中根据标注的运行状态等级和预测结果之间的误差调整所述bilstm-cnn神经网络的参数，直至所述bilstm-cnn神经网络满足预设要求，得到状态评估模型；
27.运行状态评估模块，用于将所述电力二次设备的当前运行数据输入至所述状态评估模型中，评估得到所述电力二次设备的运行状态等级。
28.本发明的一个实施提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的电力二次设备状态评估方法。
29.本发明根据历史运行状态数据和历史检修数据生成训练数据集，将所述训练数据集输入至bilstm-cnn神经网络中进行训练得到状态评估模型，不过多依赖工作人员完成运行状态评估，不仅能够有效减少运行状态评估过程中的工作量，而且还能够有效减少工作人员主观因素对评估结果的影响，从而有效提高电力二次设备运行状态评估的准确性和可靠性。本发明充分利用了历史运行状态数据和历史检修数据进行电力二次设备的运行状态评估，从而能够有效提高电力二次设备运行状态评估的准确性。
30.进一步的，本发明对样本数据进行数据清洗、分词处理和停用词去除，在统一数据的形式的同时，有效避免了错误信息以及冗余信息对样本数据的影响，从而能够进一步提高电力二次设备运行状态评估的准确性。
附图说明
31.图1是本发明实施例提供的一种电力二次设备状态评估方法的流程示意图；
32.图2是本发明实施例提供的一种电力二次设备状态评估方法的另一流程示意图；
33.图3是本发明实施例提供的bilstm神经网络结构示意图；
34.图4是本发明实施例提供的准确率的变化趋势示意图；
35.图5是本发明实施例提供的损失值的变化趋势示意图；
36.图6是本发明实施例提供的一种电力二次设备状态评估装置的结构示意图。
具体实施方式
37.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
38.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
39.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
40.请参阅图1，本发明的实施例提供了一种电力二次设备状态评估方法，包括：
41.s1、获取电力二次设备的历史运行状态数据和历史检修数据，根据历史运行状态数据和历史检修数据生成样本数据；
42.在本发明实施例中，可以从用于存储历史数据的数据库中直接导出电力二次设备的历史运行状态数据和历史检修数据，其中，历史运行状态数据也可以通过电力二次设备状态评价导则中的数据转换得到。
43.s2、根据历史检修数据中记录的运行状态等级对样本数据进行标注，形成训练数据集；
44.在本发明实施例中，运行状态等级包括正常状态、一般状态、严重状态和紧急状态。其中，对应的标注数据为，正常状态标注为0，一般状态标注为1，严重状态标注为2，紧急状态标注为3。
45.s3、将训练数据集输入至bilstm-cnn神经网络中进行训练，在训练过程中根据标注的运行状态等级和预测结果之间的误差调整bilstm-cnn神经网络的参数，直至bilstm-cnn神经网络满足预设要求，得到状态评估模型；
46.请参阅图2，本发明实施例的bilstm-cnn神经网络为双向长短期记忆神经网络(bilstm)和卷积神经网络(cnn)相结合形成的网络结构，能够从更深层次的学习上下文语义信息，而且本发明实施例还通过权值共享减少网络训练的参数，冲额加快模型的训练速度。
47.在bilstm-cnn神经网络达到收敛或逐渐稳定的预设要求时，停止模型训练，得到
用于评估电力二次设备状态的状态评估模型。
48.s4、将电力二次设备的当前运行数据输入至状态评估模型中，评估得到电力二次设备的运行状态等级。
49.本发明实施例根据历史运行状态数据和历史检修数据生成训练数据集，将训练数据集输入至bilstm-cnn神经网络中进行训练得到状态评估模型，不过多依赖工作人员完成运行状态评估，不仅能够有效减少运行状态评估过程中的工作量，而且还能够有效减少工作人员主观因素对评估结果的影响，从而有效提高电力二次设备运行状态评估的准确性和可靠性。本发明充分利用了历史运行状态数据和历史检修数据进行电力二次设备的运行状态评估，从而能够有效提高电力二次设备运行状态评估的准确性。
50.请参阅图3，为本发明实施例提供的一种电力二次设备状态评估方法的另一流程示例图。
51.在一个实施例中，在根据历史检修数据中记录的运行状态等级对样本数据进行标注，形成训练数据集之前，包括：
52.对样本数据中的历史检修数据进行数据清洗处理，并对数据清洗处理后的样本数据进行分词处理和停用词去除处理，得到预处理样本数据。
53.本发明实施例通过数据清洗处理，将历史检修数据中的地点数据、单位数据等冗余信息删除，只保留运行状态等级、设备类型和运行状态现象数据，能够有效避免错误信息以及冗余信息对训练数据集的影响，从而能够有效提高训练样本集的质量，进而能够有效提高对电力二次设备状态评估的准确性和可靠性。
54.另一方面，本发明实施例通过数据清洗的形式，能够将表格格式的数据转换成与历史检修数据一致的数据格式，从而能够使得多种数据形成统一数据格式的训练数据集，有利于提高电力二次设备状态评估的效率。
55.可选地，本发明实施例对数据清洗后的样本数据进行分词处理和停用词去除处理，其中，分词处理的一种方式为：构建电力专业分词表，例如液晶显示屏和故障录波器等，利用jieba分词工具对训样本数据进行分词处理，根据电力专业分词表对电力二次设备的运行状态和电力二次设备的名称对应记录，以保证训练数据集的准确性。停用词去除处理的一种方式为：构建停用词表，该停用词表包括设备所处的地点，设备单位、检修人员名单和与电力二次设备状态评估无关的词汇或标点符号，例如大量的标点符号以及形容词等，根据停用词表进一步识别样本数据中的停用词，并将识别到的停用词筛选出来删掉，从而能够有效提高减少样本数据的数据量以及提高样本数据的准确性，进而能够有效提高后续电力二次设备状态评估的效率和效果。
56.在一个实施例中，将训练数据集输入至bilstm-cnn神经网络中进行训练，包括：
57.利用文本表示工具将训练数据集转换成适用于计算机处理的向量格式。
58.在本发明实施例中，利用word2vec文本表示工具，以无监督的方式深度学习训练数据集的语义信息，将训练数据集中的每个词语的语义信息映射为维度为k的词向量，通过低维实数稠密向量表达语义，能够有效解决语义稀疏，近义词无法描述，以及词之间互相孤立的问题。
59.在本发明实施例中，选取2000条数据作为样本数据并进行数据标注，将标注后的数据平均划分为5份，随机选择3份作为训练数据集，1份为验证集，1份为测试集，采用5倍交
叉验证，取五次结果的平均值作为最终结果。
60.请参阅表1，为本发明实施例的模型开发环境。
61.表1模型开发环境
[0062][0063]
本发明实施例在训练过程中，不断调整神经网络的参数，得到如表2所示的最终参数表。
[0064]
表2模型参数设置
[0065][0066]
请参阅图4-5，分别为本发明实施例提供的在训练过程中准确率变化趋势示意图和损失值变化趋势示意图。请继续参阅图4-5，随着模型训练迭代次数的增加，准确率逐渐上升并趋于稳定值，准确率最终高达98.13％。随着模型训练迭代次数的增加，损失值逐渐下降并趋于稳定值。
[0067]
在一个实施例中，评估得到电力二次设备的运行状态等级，包括：
[0068]
根据状态评估模型输出电力二次设备的运行状态等级及状态等级对应的发生概率；
[0069]
可选地，状态评估模型输出的结果为(0,p0),(1,p1),(2,p2),(3,p3)。该结果表示：未发生任何缺陷的概率为p0，存在一般缺陷的概率为p1，存在重大缺陷的概率为p2，存在紧急缺陷的概率为p3。
[0070]
在一种实施例方式中，也可以通过对状态评估模型输出的结果进行比对，选取处最大值的概率，将该概率对应的运行状态等级作为最终的电力二次设备的运行状态等级。
例如，若上述输出结果中，p0为40％，p1为60％，p2为30％，p3为16％，则该电力二次设备的运行状态为p1对应的一般缺陷。
[0071]
将运行状态等级和发生概率进行加权求和处理，得到电力二次设备的运行状态评分；
[0072]
电力二次设备的运行状态评分s为：
[0073]
s＝100-30*p
3-20p
2-10p1[0074]
可以理解的是，分值越低，说明该电力二次设备的运行缺陷越严重。
[0075]
设定电力二次设备的状态等级对应的得分区间，根据运行状态评分所属的得分区间，判定电力二次设备的运行状态等级。
[0076]
在本发明实施例中，可以根据实际需要设定电力二次设备的状态等级对应的得分区间，例如将得分区间划分为(0,70],(70,80],(80,90],(90,100],分别为紧急状态，严重状态，一般状态和正常状态。
[0077]
在一个实施例中，在评估得到电力二次设备的运行状态等级之后，还包括：
[0078]
根据电力二次设备的运行状态等级，设定对应的检修策略。
[0079]
本发明实施例中运行状态等级能够准确体现电力二次设备的当前运行状态，根据运行状态等级设定对应的检修策略，能够有效提高电力二次设备运行稳定性，例如，通过比对多个电力二次设备的运行状态等级，确定电力二次设备之间检修的优先级，根据每个电力二次设备本身的运行状态等级，对应采取检修措施，从而能够有效提高检修的效率。
[0080]
实施本发明实施例，具有以下有益效果：
[0081]
本发明实施例根据历史运行状态数据和历史检修数据生成训练数据集，将训练数据集输入至bilstm-cnn神经网络中进行训练得到状态评估模型，不过多依赖工作人员完成运行状态评估，不仅能够有效减少运行状态评估过程中的工作量，而且还能够有效减少工作人员主观因素对评估结果的影响，从而有效提高电力二次设备运行状态评估的准确性和可靠性。本发明充分利用了历史运行状态数据和历史检修数据进行电力二次设备的运行状态评估，从而能够有效提高电力二次设备运行状态评估的准确性。
[0082]
进一步的，本发明实施例对样本数据进行数据清洗、分词处理和停用词去除，在统一数据的形式的同时，有效避免了错误信息以及冗余信息对样本数据的影响，从而能够进一步提高电力二次设备运行状态评估的准确性。
[0083]
请参阅图6，基于与上述实施例相同的发明构思，本发明的一个实施例提供了一种电力二次设备状态评估装置，包括：
[0084]
样本数据生成模块10，用于获取电力二次设备的历史运行状态数据和历史检修数据，根据历史运行状态数据和历史检修数据生成样本数据；
[0085]
训练数据集生成模块20，用于根据历史检修数据中记录的运行状态等级对样本数据进行标注，形成训练数据集；
[0086]
模型训练模块30，用于将训练数据集输入至bilstm-cnn神经网络中进行训练，在训练过程中根据标注的运行状态等级和预测结果之间的误差调整bilstm-cnn神经网络的参数，直至bilstm-cnn神经网络满足预设要求，得到状态评估模型；
[0087]
运行状态评估模块40，用于将电力二次设备的当前运行数据输入至状态评估模型中，评估得到电力二次设备的运行状态等级。
[0088]
在本发明实施例中，本运行状态评估装置还包括预处理模块，用于：
[0089]
对样本数据中的历史检修数据进行数据清洗处理，并对数据清洗处理后的样本数据进行分词处理和停用词去除处理，得到预处理样本数据。
[0090]
在一个实施例中，运行状态等级包括正常状态、一般状态、严重状态和紧急状态。
[0091]
在一个实施例中，模型训练模块30，还用于：
[0092]
利用文本表示工具将训练数据集转换成适用于计算机处理的向量格式。
[0093]
在一个实施例中，利用文本表示工具将训练数据集转换成适用于计算机处理的向量格式，包括：
[0094]
利用文本表示工具，以无监督的方式深度学习训练数据集的语义信息，将训练数据集中的每个词语的语义信息映射为维度为k的词向量。
[0095]
在一个实施中，运行状态评估模块40，还用于：
[0096]
根据状态评估模型输出电力二次设备的运行状态等级及状态等级对应的发生概率；
[0097]
将运行状态等级和发生概率进行加权求和处理，得到电力二次设备的运行状态评分；
[0098]
设定电力二次设备的状态等级对应的得分区间，根据运行状态评分所属的得分区间，判定电力二次设备的运行状态等级。
[0099]
在一个实施例中，本运行状态评估装置还包括检修策略设定模块，用于：
[0100]
根据电力二次设备的运行状态等级，设定对应的检修策略。
[0101]
本发明的一个实施提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的电力二次设备状态评估方法。
[0102]
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。