[发明专利]一种基于历史运维信息的低压配电网设备状态评估方法

说明书

本发明公开了一种基于历史运维信息的低压配电网设备状态评估方法，基于深度自编码器对配电设备历史运维信息进行降维处理；采用滑动窗口方式完成设备历史运维信息的分割及状态演化特征的识别，利用支持向量回归策略提取配电设备的健康因子；将处理后的数据和健康因子融合后输入到长短时记忆网络中识别配电设备深层次状态演化特征，完成长短时记忆网络参数的辨识；将在线测量的设备运行信息输入到训练完成的深度神经网络中，完成配网设备运行状态的在线评估。本发明在保留数据最本质的特征时，降低环境噪声或其它耦合部件对数据信号的干扰，提高配网设备运行状态识别的精度，同时降低数据的维度，提升配网设备状态数据的处理效率，节约计算资源。

技术领域

本发明涉及智能检测的技术领域，尤其涉及一种基于历史运维信息的低压配电网设备状态评估方法。

背景技术

随着国民经济发展需求提升以及配网技术的进步，我国低压配电网规模呈现不断扩大趋势。而配网设备的安全稳定是电力系统可靠运行的基础。配网设备一旦发生故障，轻则影响人民正常生产、生活；重则造成安全事故，造成重大经济损失和不良社会影响。因此，实时评估配网设备的运行状态，实现配网设备潜在性故障的早期预警，及时维护、更换损伤设备，对于提升电力系统运行的可靠具有重要意义。

长期以来，电力企业对配网设备推行的定期检修机制存在“维护不足”和“过度维护”等问题，不仅造成重大资源浪费，同时在一定程度上影响了设备供电的可靠性。因此，基于配网设备历史及当前运行状态，利用在线监测及离线实验等数据开展配网设备状态检修工作势在必行。目前随着通信、计算机及控制技术的进步，故障监测系统在配网设备中得到了广泛的应用，积累了海量数据，如何深入剖析这些数据进而维护配网设备的安全运营，已经成为现阶段迫切需要解决的难题。

配网设备因种类繁多、参数复杂、监测数据量大、运行环境多样等特点，使得传感器采集的设备信息可能受到环境噪声以及来自其他耦合部件信号的“污染”，掩盖反映设备状态的关键信息；同时众多的传感器信息中还包含了众多的冗余信息，如果直接对这些信息处理，势必造成计算资源的浪费。传感器采集的数据均为无标签数据(不包含设备对应的健康状态)，这些数据无法直接进入深度学习网络进行学习，如何获取配网设备的全生命周期的健康因子是进行深度学习网络训练的前提。此外，配网设备的老化失效过程受到多种因素的影响，此时如果再通过专家经验、人工提取特征的方式对设备失效过程进行物理建模，必然造成效率低下，可能也无法对配网设备的老化过程做出全面、准确的描述，如何自动提取配网设备的故障特征，也是实现配网设备运行状态评估所面临的难题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于历史运维信息的低压配电网设备状态评估方法，能够解决无法对配网设备的老化过程做出全面、准确的描述及自动提取配网设备的故障特征的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，基于深度自编码器对配电设备历史运维信息进行降维处理；采用滑动窗口方式完成所述设备历史运维信息的分割及状态演化特征的识别，利用支持向量回归策略提取配电设备的健康因子；将处理后的数据和所述健康因子融合后输入到长短时记忆网络中识别配电设备深层次状态演化特征，完成长短时记忆网络参数的辨识；将在线测量的设备运行信息输入到训练完成的深度神经网络中，完成配网设备运行状态的在线评估。

作为本发明所述的基于历史运维信息的低压配电网设备状态评估方法的一种优选方案，其中：包括，构造栈式深度自动编码器网络对原始的配电设备历史数据进行清洗，利用所述深度自编码器对所述配网设备数据信息进行降维处理，完成数据的清洗，降低信号噪声并消除冗余信息。