一种开关设备的运行状态评估方法及系统与流程

1.本技术涉及开关设备状态评价技术领域，尤其涉及一种开关设备的运行状态评估方法及系统。


背景技术：

2.作为电力系统的关键组成部分，开关设备广泛应用于输电、配电的各个环节，其正常运行对于电力系统的安全运行具有十分重要的意义。因此，为了使电力系统可以可靠、平稳地运行，需要评估开关设备的运行状态，从而明确开关设备各个组件的劣化情况。
3.目前，已有的开关设备的运行状态的评估方案可以分为以下两种：
4.一种方案可以由多位专家针对开关设备的特性数据分别评估开关设备的运行状态，然后通过一些数学合成方法，如层次分析法、证据理论、模糊数学等方法将多位专家的评估意见进行综合，得到最终的评估结果。由于这种人工评估的方法的主观性较强，因此，最终合成得到的评估结果可能存在客观性不足的问题。
5.为了解决此问题，另一种方案可以利用现行的评估规则，例如国家标准、行业标准、企业标准、专家经验等，将其转换为数学模型，而后采集评估规则所针对的开关设备的特性数据，并将这些特性数据输入至该数学模型而输出对应的运行状态，实现对开关设备的运行状态的评估。可见，上述方案需要依赖明确且权威的评估规则，但是由于评估规则较为琐碎、复杂，并且在这些评估规则中可能存在一些难以定量的评价指标，因此，评估规则的转换难度较大，且转换后的数学模型精度较低，可能导致其评估的准确性不足。


技术实现要素：

6.本技术实施例提供了一种开关设备的运行状态评估方法及系统，可以提高开关设备运行状态的评估准确性。
7.第一方面，本技术实施例提供一种开关设备的运行状态评估方法，包括：
8.获取开关设备的实时特性数据；
9.根据所述实时特性数据，构建二维特性图；
10.将所述二维特性图输入至用于评估开关设备的运行状态的深度学习模型；所述深度学习模型基于已分别标注运行状态的多个二维特性图而训练；
11.获取所述深度学习模型输出的所述开关设备的当前运行状态。
12.可选地，所述根据所述实时特性数据，构建二维特性图，包括：
13.根据所述实时特性数据，构建特性时间序列；
14.基于所述特性时间序列，计算得到所述特性时间序列对应的马尔可夫转移矩阵；
15.基于所述马尔可夫转移矩阵中的元素绘制所述二维特性图。
16.可选地，所述基于所述特性时间序列，计算得到所述特性时间序列对应的马尔可夫转移矩阵，包括：
17.将所述特性时间序列的取值范围划分为多个箱体；所述特性时间序列上按时间排
列的每个数据点分别属于一个箱体；
18.分别根据所述每个数据点发生状态转移的概率，构建所述马尔可夫转移矩阵；所述发生状态转移用于表示在所述特性时间序列上，所述数据点从所属的箱体转移至下一数据点所属的箱体。
19.可选地，所述深度学习模型通过如下步骤构建：
20.以预先设定的深度残差网络为基础，构建以二维特性图为输入的卷积神经网络；所述卷积神经网络包括多个通道，所述多个通道的数量为所述多个二维特性图的数量的预设倍数；所述卷积神经网络的输出层的激活函数为softmax函数，所述softmax函数用于计算所述开关设备分别处于不同的运行状态的概率；
21.将所述卷积神经网络作为所述深度学习模型。
22.可选地，所述深度学习模型通过如下步骤训练：
23.获取用于训练所述深度学习模型的训练样本；所述训练样本包括所述已分别标注运行状态的多个二维特性图；
24.将所述训练样本中的多个二维特性图输入至所述深度学习模型，并将所述训练样本中的多个二维特性图分别标注的运行状态作为所述深度学习模型的输出，对所述深度学习模型进行训练。
25.可选地，所述训练样本包括已标注为正常状态的二维特性图，以及已标注为异常状态的二维特性图；
26.将所述训练集中的多个二维特性图输入至初始模型之前，所述方法还包括：
27.对所述已标注为异常状态的二维特性图进行数据增强，以提高所述已标注为异常状态的二维特性图的数据平衡性。
28.可选地，所述根据所述实时特性数据，构建特性时间序列，包括：
29.从所述实时特性数据中分别提取多种不同的设备特性对应的实时特征量；
30.分别确定所述多种不同的设备特性对应的实时特征量的聚合方式；
31.以预先设定的采样时长为聚合单位，并按照分别确定的聚合方式分别对所述多种不同的设备特性对应的实时特征量进行聚合，得到所述多种不同的设备特性对应的实时特征量的聚合结果；
32.分别以连续预设数量的所述多种不同的设备特性对应的实时特征量的聚合结果构建所述特性时间序列。
33.可选地，所述方法还包括：
34.当所述特性时间序列出现缺失值时，获取距离当前时刻最近一次的开关设备动作数据；
35.基于所述开关设备动作数据填充所述缺失值。
36.可选地，所述获取开关设备的实时特性数据，包括：
37.采集所述开关设备的实时特性信号；
38.对所述实时特性信号进行预处理，并以预处理后的实时特性信号作为所述实时特性数据；所述预处理包括对所述实时特性信号进行去噪处理、去趋势处理、去重处理和去异常处理中的一种或多种。
39.第二方面，本技术实施例提供一种开关设备的运行状态评估系统，包括：
40.实时特性数据获取模块，用于获取开关设备的实时特性数据；
41.二维特性图构建模块，用于根据所述实时特性数据，构建二维特性图；
42.深度学习模块，用于将所述二维特性图输入至用于评估开关设备的运行状态的深度学习模型；所述深度学习模型基于已分别标注运行状态的多个二维特性图而训练；
43.运行状态评估模块，用于获取所述深度学习模型输出的所述开关设备的当前运行状态。
44.从以上技术方案可以看出，本技术实施例具有以下优点：
45.本技术实施例中，可以先获取开关设备的实时特性数据，并根据实时特性数据，构建二维特性图，再将二维特性图输入用于评估开关设备的运行状态的深度学习模型，而获取深度学习模型输出的开关设备的当前运行状态。由于该深度学习模型是基于已分别标注运行状态的多个二维特性图而训练的，因此，无需考虑对琐碎、复杂的评估规则进行转换。同时，由于深度学习模型的训练数据是二维特性图，相比于一维形式的实时特性数据，其包含的信息更丰富，因此，依据二维特性图进行训练的模型的泛化能力更强，有助于提高开关设备运行状态的评估的准确性。
附图说明
46.图1为本技术实施例提供的一种开关设备的运行状态评估方法的流程图；
47.图2为本技术实施例提供的一种构建二维特性图的实现方式的流程图；
48.图3为本技术实施例提供的一种开关设备的运行状态评估系统的结构示意图。
具体实施方式
49.正如前文所述，发明人在针对开关设备的研究中发现：已有的开关设备的运行状态的评估方案可以分为以下两种：
50.一种方案可以由多位专家针对开关设备的特性数据分别评估开关设备的运行状态，然后通过一些数学合成方法，如层次分析法、证据理论、模糊数学等方法将多位专家的评估意见进行综合，得到最终的评估结果。由于这种人工评估的方法的主观性较强，因此，最终合成得到的评估结果可能存在客观性不足的问题。
51.为了解决此问题，另一种方案可以利用现行的评估规则，例如是国家标准、行业标准、企业标准、专家经验等，将其转换为数学模型，而后采集评估规则所针对的开关设备的特性数据，并将这些特性数据输入至该数学模型而输出对应的运行状态，实现对开关设备的运行状态的评估。可见，上述方案需要依赖明确且权威的评估规则，但是由于评估规则较为琐碎、复杂，并且在这些评估规则中可能存在一些难以定量的评价指标，因此，评估规则的转换难度较大，且转换后的数学模型精度较低，可能导致其评估的准确性不足。
52.基于此，为了解决上述问题，提高开关设备运行状态的评估准确性，本技术实施例提供了一种开关设备的运行状态评估方法。该方法包括：先获取开关设备的实时特性数据，并根据实时特性数据，构建二维特性图，再将二维特性图输入至用于评估开关设备的运行状态的深度学习模型，而获取深度学习模型输出的开关设备的当前运行状态。
53.由于该深度学习模型是基于已分别标注运行状态的多个二维特性图而训练得到的，因此，无需考虑对琐碎、复杂的评估规则进行转换。同时，由于深度学习模型的训练数据
是二维特性图，相比于一维形式的实时特性数据，其包含的信息更丰富，因此，依据二维特性图进行训练的模型的泛化能力更强，有助于提高开关设备运行状态的评估的准确性。
54.为了使本技术实施例的目的、技术方案和优点更加清楚，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。
55.图1为本技术实施例提供的一种开关设备的运行状态评估方法的流程图。结合图1所示，本技术实施例提供的开关设备的运行状态评估方法，可以包括：
56.s101：获取开关设备的实时特性数据。
57.实时特性数据是指开关设备的多种不同的设备特性所对应的数据。举例来说，开关设备的多种不同的设备特性可以包括机械特性、气体特性、电寿命特性、温升特性等，相应地，实时特性数据则可以包括机械特性数据、气体特性数据、电寿命特性数据，以及温升特性数据等。
58.另外，本技术实施例可不具体限定实时特性数据的获取过程，为了便于理解，下面结合一种可能的实施方式进行说明。
59.在一种可能的实施方式中，s101具体可以包括：采集开关设备的多种不同的设备特性所对应的实时特性信号；对实时特性信号进行预处理，并以预处理后的实时特性信号作为实时特性数据。其中，预处理可以包括对实时特性信号进行去噪处理、去趋势处理、去重处理和去异常值处理中的一种或多种。具体来说，去噪处理可以消除实时特性信号中的干扰信号，提高实时特性信号的质量；去趋势处理可以消除传感器在采集实时特性信号时产生的传感器偏移对后期数据分析的影响，使后续的数据分析过程集中于数据本身的波动情况；去重处理可以降低实时特性信号的冗余，提高后续数据分析的效率；去异常处理则可以消除实时特性信号中的异常信号，同样使得后续的数据分析过程可以集中于数据本身。综上所述，通过对实时特性信号进行预处理，并将处理后的信号作为实时特性数据，可以保证实时特性数据的干净和标准，从而便于后续基于该实时特性数据准确地得到开关设备的运行状态。
60.s102：根据实时特性数据，构建二维特性图。
61.二维特性图是指将一维的实时特性数据进行转换而得到的二维图像。相比于一维形式的实时特性数据，二维特性图除了可以反映出真实的实时特性数据，还能够强调实时特性数据随时间变化的趋势。因此，在模型训练阶段，依据二维特性图训练出的模型的泛化能力更强，有助于提高开关设备运行状态的评估准确性。由于模型训练阶段所采用的训练样本为二维特性图，因此，在模型预测阶段，则也需要根据实时特性数据，构建二维特性图，以获取与模型适配的输入。
62.对于二维特性图的构建方式，本技术实施例可不做具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。技术详情请参见下文所做的介绍。
63.s103：将二维特性图输入至用于评估开关设备的运行状态的深度学习模型。
64.这里，运行状态可以体现为正常状态或异常状态。可以理解地，为了精确地描述开关设备的运行状态，可以根据开关设备在监测时的实际需要对异常状态进行细致划分，本技术实施例对此可不具体限定。例如，将异常状态划分为注意状态、轻微异常状态，以及严
重异常状态；注意状态可以指出现不影响开关设备运行的异常，需要多加关注；轻微异常状态可以指出现轻微影响开关设备运行的异常；严重异常状态可以指出现严重影响开关设备运行的异常。
65.另外，本技术实施例可以提供深度学习模型的一种构建过程。具体来说，该深度学习模型可以通过如下步骤构建：以预先设定的深度残差网络为基础，构建以二维特性图为输入的卷积神经网络；将卷积神经网络作为深度学习模型。其中，卷积神经网络可以包括多个通道，多个通道的数量为多个二维特性图的数量的预设倍数；卷积神经网络的输出层的激活函数为softmax函数，softmax函数用于计算开关设备分别处于不同的运行状态的概率。另外，预先设定的深度残差网络可以是resnet18网络。以此为基础构建出的卷积神经网络更易于优化，且可以降低模型的复杂度，减小过拟合的风险。同时，二维特性图可以直接作为该卷积神经网络的输入，避免了传统识别算法中复杂的特征提取和数据重建的过程，并且，在处理二维图像的问题时，具有良好的鲁棒性和运算效率。此外，由于softmax函数可以得到开关设备处于每种运行状态的概率，可以很好地适用于解决评估开关设备的运行状态的这种多分类问题。
66.本技术实施例中，该深度学习模型可以基于已分别标注运行状态的多个二维特性图而训练。其中，运行状态可以通过不同的标识信息进行标注。以上述示例划分出的四种运行状态为例，正常状态可以标注为“1”，注意状态可以标注为“0”、轻微异常状态可以标注为
“‑
1”，严重异常状态可以标注为
“‑
2”，本技术实施例对此亦可不做具体限定。这里，对于深度学习模型的训练过程，本技术实施例可不具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。另外，可以理解地，模型训练阶段的多个二维特性图的获取方式，与模型预测阶段的二维特性图的获取方式相同，也就是根据开关设备的实时特性数据构建，在此不再赘述。
67.在一种可能的实施方式中，深度学习模型可以通过如下步骤训练：获取用于训练深度学习模型的训练样本；训练样本包括已分别标注运行状态的多个二维特性图；将训练样本中的多个二维特性图输入至深度学习模型，并将训练样本中的多个二维特性图分别标注的运行状态作为深度学习模型的输出，对所述深度学习模型进行训练。进一步地，可以将训练样本随机分为训练集和测试集；利用训练集对深度学习模型进行训练；根据测试集验证训练后的初始模型，得到验证结果；在验证结果表示初始模型的准确率大于或等于预设准确率，和/或初始模型的训练次数大于或等于预设训练次数时，停止训练。如此，通过训练集和测试集分别对初始模型进行训练和验证，有助于提高最终得到的深度学习模型的评估准确性，从而有助于开关设备的正常运行。
68.另外，训练样本可以包括已标注为正常状态的二维特性图，以及已标注为异常状态的二维特性图。其中，由于开关设备的实时特性数据存在数据不平衡的问题，也就是异常状态的数据的体量比正常状态的数据体量少得多，因此，为了提高模型精度，可以预先对训练样本中的异常状态的数据进行处理，从而有效地扩充异常样本，提高样本总体的平衡度。具体来说，将训练集中的多个二维特性图输入至初始模型之前，还可以对已标注为异常状态的二维特性图进行数据增强，以提高已标注为异常状态的二维特性图的数据平衡性。对于数据增强的实现方式，本技术实施例可不做具体限定。例如，可以通过图像剪裁、图像归一化和/或图像灰度化等处理方式，对已标注为异常状态的二维特性图进行数据增强。
69.s104：获取深度学习模型输出的开关设备的当前运行状态。
70.基于上述s101-s104的相关内容可知，本技术实施例中，可以先获取开关设备的实时特性数据，并根据实时特性数据，构建二维特性图，再将二维特性图输入至用于评估开关设备的运行状态的深度学习模型，而获取深度学习模型输出的开关设备的当前运行状态。由于该深度学习模型是基于已分别标注运行状态的多个二维特性图而训练得到的，因此，无需考虑对琐碎、复杂的评估规则进行转换。同时，由于深度学习模型的训练数据是二维特性图，相比于一维形式的实时特性数据，其包含的信息更丰富，因此，依据二维特性图进行训练的模型的泛化能力更强，有助于提高开关设备运行状态的评估准确性。
71.为了使得训练出的模型的泛化能力更强，本技术实施例可以预先对深度学习模型的训练样本进行处理，从而通过提高模型的泛化能力而提高开关设备运行状态的评估准确性。相应地，在模型预测阶段，则也需要预先对开关设备的实时特性数据进行处理，获得与模型适配的输入。基于此，本技术实施例可以提供二维特性图的一种构建方式，其具体可以还包括s201-s203。下面分别结合实施例和附图，对s201-s203进行描述。
72.图2为本技术实施例提供的一种构建二维特性图的实现方式的流程图。
73.结合图2所示，s201-s203具体可以包括：
74.s201：根据实时特性数据，构建特性时间序列。
75.对于特性时间序列的构建方式，本技术实施例可不做具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。
76.在一种可能的实施方式中，s201具体可以包括：从实时特性数据中分别提取多种不同的设备特性对应的实时特征量；分别确定多种不同的设备特性对应的实时特征量的聚合方式；以预先设定的采样时长为聚合单位，并按照分别确定的聚合方式分别对多种不同的设备特性对应的实时特征量进行聚合，得到多种不同的设备特性对应的实时特征量的聚合结果；分别以连续预设数量的多种不同的设备特性对应的实时特征量的聚合结果构建特性时间序列。
77.这里，结合上述实施例所示，多种不同的设备特性可以包括机械特性、气体特性、电寿命特性、温升特性；实时特性数据可以包括机械特性数据、气体特性数据、电寿命特性数据，以及温升特性数据。对应于此，机械特性数据对应的实时特征量可以包括开关设备的行程曲线所表征出的开关设备的合闸时间、分闸时间、合闸速度、分闸速度和行程，以及开关设备的储能电机的电流曲线所表征出的储能电机的储能时间、最大储能电流、储能频次。气体特性数据对应的实时特征量可以包括开关设备各个气室的气体压力和微水值。电寿命特性数据对应的实时特征量可以包括开关设备开断时流经开关设备的电流。温升特性数据对应的实时特征量可以包括开关设备各个测点的温升值。由于上述实时特征量能够表征出开关设备易出故障的多个组件的运行参数，因此，可以较为全面、准确地反映出开关设备的运行状态，并且上述实时特征量监测简单，数据传输稳定。
78.可以理解地，如果直接采用实时特征量构建特性时间序列，那么数据量巨大会不利于后续的数据处理，因此，可以预先设定采样时长，并以该采样时长为聚合单位，分别对不同的实时特征量分别进行聚合。例如，预先设定采样时长为1天，并以此为聚合单位进行聚合，也就是每天内采集的数据聚合到一起构成一个聚合结果。另外，在本技术实施例中，聚合结果的预设数量可以体现为14，也就是以连续14天的聚合结果构建特性时间序列。另
外，由于不同的实时特征量可以从不同的角度反映开关设备的运行故障，因此，不同的实时特征量的聚合方式也可以不同。具体来说，在上述实时特征量中，开关设备的合闸时间、分闸时间、合闸速度、分闸速度和行程，开关设备的储能电机的储能时间和最大储能电流，开关设备各个气室的气体压力和微水值，以及开关设备各个测点的温升值可以通过求均值的方式进行聚合；开关设备的储能频次，以及开关设备开断时流经开关设备的电流则可以通过求和的方式进行聚合。在实际应用中，实时特征量以开关设备的合闸时间为例，其对应的聚合方式为求均值，因此，根据开关设备的合闸时间构建特性时间序列的过程可以是：每天实时采集到的开关设备的合闸时间通过求均值的方式进行聚合得到聚合结果，以连续14天的聚合结果构建特性时间序列。
79.s202：基于特性时间序列，计算得到特性时间序列对应的马尔可夫转移矩阵。
80.由于特性时间序列也是一维形式的数据，因此，为了提高模型的泛化能力，可以通过马尔可夫转移算法将一维形式的特性时间序列转换为二维形式的矩阵，并进一步绘制出二维特性图。这里，对于马尔可夫转移矩阵的获得方式，本技术实施例可不做具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。
81.在一种可能的实施方式中，s202具体可以包括：将特性时间序列的取值范围划分为多个箱体；特性时间序列上按时间排列的每个数据点分别属于一个箱体；分别根据每个数据点发生状态转移的概率，构建马尔可夫转移矩阵；发生状态转移用于表示在特性时间序列上，数据点从所属的箱体转移至下一数据点所属的箱体。
82.具体来说，可以先对特性时间序列执行分箱操作，也就是将特性时间序列的取值范围划分为多个箱体；特性时间序列上按时间排列的每个数据点分别属于一个箱体。可以理解地，这里可以将划分出的箱体的数量记作q，将特性时间序列中的第i个数据点所属的箱体记作为qj，其中，j∈[1,q]。如果特性时间序列上的第i个数据点并未从自身所属的箱体qj转移至第i 1个数据点所属的箱体qk，则认为该数据点未发生状态转移，保持原状态不变；如果特性时间序列上的第i个数据点从自身所属的箱体qj转移至第i 1个数据点所属的箱体qk时，则认为该数据点发生状态转移。进一步地，可以再将分别根据每个数据点发生状态转移的概率，构建马尔可夫转移矩阵。举例来说，马尔可夫转移矩阵可如下所示。
[0083][0084]
其中，w表示马尔可夫转移矩阵，q表示将特性时间序列划分出的箱体的总数量，w
jk
表示属于箱体qj的数据点转移至下一数据点所属箱体qk的概率。
[0085]
s203：基于马尔可夫转移矩阵中的元素绘制二维特性图。
[0086]
另外，当开关设备处于正常状态时，其动作频率一般较低，因此，可能在较长一段时间内都无法采集到部分设备特性对应的实时特性数据。因此，基于实时特性数据构建出的特性时间序列中可能会出现缺失的情况。基于此，在本技术实施例中，当特性时间序列出现缺失值时，可以获取距离当前时刻最近一次的开关设备动作数据，并基于开关设备动作数据填充缺失值。如此，依据距离当前时刻最近一次的动作的开关设备动作数据填补特性时间序列中的缺失值，可以有助于完整、准确地构建二维特性图。
[0087]
基于上述s201-s203的相关内容可知，本技术实施例中，如此构建出的二维特性图
中既包含了特性时间序列上各个数据点的信息，又包含了特性时间序列随时间的变化趋势，其包含的数据内容更丰富，因此，依据二维特性图进行训练的模型的泛化能力更强，有助于提高开关设备运行状态的评估准确性。
[0088]
基于上述实施例提供的开关设备的运行状态评估方法，本技术实施例还提供了一种开关设备的运行状态评估系统。下面分别结合实施例和附图，对该开关设备的运行状态评估系统进行描述。
[0089]
图3为本技术实施例提供的一种开关设备的运行状态评估系统的结构示意图。结合图3所示，本技术实施例提供开关设备的运行状态评估系统300，可以包括：
[0090]
实时特性数据获取模块301，用于获取开关设备的实时特性数据；
[0091]
二维特性图构建模块302，用于根据实时特性数据，构建二维特性图；
[0092]
深度学习模块303，用于将二维特性图输入至用于评估开关设备的运行状态的深度学习模型；深度学习模型基于已分别标注运行状态的多个二维特性图而训练；
[0093]
运行状态评估模块304，用于获取深度学习模型输出的开关设备的当前运行状态。
[0094]
在本技术实施例中，通过实时特性数据获取模块301、二维特性图构建模块302、深度学习模块303，以及运行状态评估模块304四者的配合，无需考虑对琐碎、复杂的评估规则进行转换，并且训练出的模型的泛化能力更强，有助于提高开关设备运行状态的评估准确性。
[0095]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，二维特性图构建模块302，具体可以包括：
[0096]
特性时间序列构建模块，用于根据实时特性数据，构建特性时间序列；
[0097]
马尔可夫转移矩阵计算模块，用于基于特性时间序列，计算得到特性时间序列对应的马尔可夫转移矩阵；
[0098]
二维特性图绘制模块，用于基于马尔可夫转移矩阵中的元素绘制二维特性图。
[0099]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，马尔可夫转移矩阵计算模块，具体可以用于：
[0100]
将特性时间序列的取值范围划分为多个箱体；特性时间序列上按时间排列的每个数据点分别属于一个箱体；
[0101]
分别根据每个数据点发生状态转移的概率，构建马尔可夫转移矩阵；发生状态转移用于表示在特性时间序列上，数据点从所属的箱体转移至下一数据点所属的箱体。
[0102]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，该深度学习模型可以通过如下模块构建：
[0103]
第一构建模块，用于以预先设定的深度残差网络为基础，构建以二维特性图为输入的卷积神经网络；卷积神经网络包括多个通道，多个通道的数量为多个二维特性图的数量的预设倍数；卷积神经网络的输出层的激活函数为softmax函数，softmax函数用于计算开关设备分别处于不同的运行状态的概率。；
[0104]
第二构建模块，用于将卷积神经网络作为深度学习模型。
[0105]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，深度学习模型通过如下模块训练：
[0106]
训练样本获取模块，用于获取用于训练所述深度学习模型的训练样本；所述训练
样本包括所述已分别标注运行状态的多个二维特性图；
[0107]
模型训练模块，用于将训练样本中的多个二维特性图输入至深度学习模型，并将训练样本中的多个二维特性图分别标注的运行状态作为深度学习模型的输出，对深度学习模型进行训练。
[0108]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，训练样本包括已标注为正常状态的二维特性图，以及已标注为异常状态的二维特性图。相应地，该开关设备的运行状态评估系统300，还可以包括：
[0109]
数据增强模块，用于对已标注为异常状态的二维特性图进行数据增强，以提高所述已标注为异常状态的二维特性图的数据平衡性。
[0110]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，特性时间序列构建模块，具体可以用于：
[0111]
从实时特性数据中分别提取多种不同的设备特性对应的实时特征量；
[0112]
分别确定多种不同的设备特性对应的实时特征量的聚合方式；
[0113]
按照分别确定的聚合方式和预先设定的聚合周期，对多种不同的设备特性对应的实时特征量进行聚合，得到以聚合周期为单位的多个聚合结果；
[0114]
以多个聚合结果构建特性时间序列。
[0115]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，该开关设备的运行状态评估系统300，还可以包括：
[0116]
动作数据获取模块，用于当特性时间序列出现缺失值时，获取距离当前时刻最近一次的开关设备动作数据；
[0117]
数据填充模块，用于基于开关设备动作数据填充缺失值。
[0118]
作为一种实施方式，为了提高开关设备运行状态的评估准确性，实时特性数据获取301，具体可以包括：
[0119]
采集开关设备的实时特性信号；
[0120]
对实时特性信号进行预处理，并以预处理后的实时特性信号作为实时特性数据；预处理包括对实时特性信号进行去噪处理、去趋势处理、去重处理和去异常处理中的一种或多种。
[0121]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。