[发明专利]基于多源异构数据的输电设备状态评价方法及装置

权利要求书

1.一种基于多源异构数据的输电设备状态评价方法，其特征在于，包括：

根据预设的状态评价导则，从得到的所述输电设备的多源异构数据中，所述多源异构数据包括参数和所述参数对应的参数值，提取与所述状态评价导则中的参数集相匹配的关键数据；

所述提取与所述状态评价导则中的参数集相匹配的关键数据，具体包括：依据所述多源异构数据的参数，筛选出与所述状态评价导则中的参数集相匹配的筛选数据；对所述筛选数据进行关联分析与主成分分析，得到所述关键数据；

所述对所述筛选数据进行关联分析与主成分分析，得到所述关键数据，具体包括：针对每一所述筛选数据的参数，对应该参数导致的输电设备运行状态缺陷，在预先存储的数据库中，计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值；对所述比值从高到低排列，选取出预定数的历史样本数据中的参数作为主要参数；根据主成分分析法构建p*n数据矩阵，n为多源异构数据个数，p为主要参数个数；对数据矩阵进行标准化、正交化得到相关系数矩阵，通过奇异值分解得到相关系数矩阵的特征值；对所述特征值从高到低排列，计算排列前m个特征值的和与所有特征值的和的商，得到累积贡献率；获取所述累积贡献率超过预设贡献率阈值时，所述前m个特征值对应的主要参数，得到该主要参数对应的所述关键数据；

将所述关键数据输入至预先训练的输电设备缺陷分类模型，得到输电设备缺陷分类结果；

将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型，依据输电设备缺陷评价模型的输出结果，判断当前输电设备的运行状态。

2.根据权利要求1所述的方法，其特征在于，建立预先训练的输电设备缺陷分类模型，具体包括：

从数据库中预先存储的多源异构历史样本数据中，筛选出与所述状态评价导则中的参数集相匹配的样本数据；

将所述样本数据进行关联分析与主成分分析，得到影响输电设备稳定的样本关键数据。

3.根据权利要求2所述的方法，其特征在于，建立预先训练的输电设备缺陷评价模型，具体包括：

将所述样本关键数据中参数对应的缺陷分类作为输入量，以所述样本关键数据中参数对应的缺陷分类评分作为输出量，运用卷积神经网络对预设的输电设备缺陷评价模型进行训练，得到训练的输电设备缺陷评价模型。

4.一种基于多源异构数据的输电设备状态评价装置，其特征在于，包括：

关键数据提取模块，用于根据预设的状态评价导则，从得到的所述输电设备的多源异构数据中，所述多源异构数据包括参数和所述参数对应的参数值，提取与所述状态评价导则中的参数集相匹配的关键数据；

缺陷分类模块，用于将所述关键数据输入至预先训练的输电设备缺陷分类模型，得到输电设备缺陷分类结果；

缺陷评价模块，用于将所述输电设备缺陷分类结果输入至预先训练的输电设备缺陷评价模型，依据输电设备缺陷评价模型的输出结果，判断当前输电设备的运行状态；

所述关键数据提取模块，还包括：

第一筛选单元，用于依据所述多源异构数据的参数，筛选出与所述状态评价导则中的参数集相匹配的筛选数据；第一分析单元，用于对所述筛选数据进行关联分析与主成分分析，得到所述关键数据；

所述第一分析单元，还包括：

第一计算单元，用于针对每一所述筛选数据的参数，对应该参数导致的输电设备运行状态缺陷，在预先存储的数据库中，计算导致所述输电设备运行状态缺陷的历史样本数据量占所述数据库中该历史样本数据总量的比值；主要参数提取单元，用于对所述比值从高到低排列，选取出预定数的历史样本数据中的参数作为主要参数；矩阵构建单元，用于根据主成分分析法构建p*n数据矩阵，n为多源异构数据个数，p为主要参数个数；第二计算单元，用于对数据矩阵进行标准化、正交化得到相关系数矩阵，通过奇异值分解得到相关系数矩阵的特征值；第三计算单元，用于对所述特征值从高到低排列，计算排列前m个特征值的和与所有特征值的和的商，得到累积贡献率；关键数据提取单元，用于获取所述累积贡献率超过预设贡献率阈值时，所述前m个特征值对应的主要参数，得到该主要参数对应的所述关键数据。