买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明提出建立一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警方法，以建立适用于电力设备健康状况评估的通用数学模型，建立电能质量与电力设备本质关联和建立电力设备健康状况智能评级与自动预警系统为主要内容。本发明基于电能质量监测平台，从全局角度综合利用系统中各监测装置数据，通过关联分析方法实现设备监测数据的多维度映射，结合电力设备本质关联推理技术，对电力设备运行状况的进行健康评级并形成预警信息，最终实现对电力设备运行状态的信息采集、数据分析、关系推理、电力设备健康诊断一体化平台建设，解决了电力设备的健康状况评估技术缺乏对电能质量监测数据的信息挖掘，不能满足目前电网发展需求的问题。

主权项：1.一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警方法，其特征在于，所述方法至少包括以下步骤：步骤1建立适用于电力设备健康状况评估的通用电能质量数学模型；步骤2建立电能质量与电力设备本质关联数据库；步骤3建立电力设备健康状况智能评级与自动预警系统；所述步骤1，建立适用于电力设备健康状况评估的通用数学模型，具体包括：步骤1-1根据电能质量监测数据，分析电能质量事件，分析电能质量典型事件、各事件描述用的典型参数、各参数的数据特征；步骤1-2分析电能质量监测设备空间部署架构，建立电力设备及其关键部件，研究区域内电网线路的精确数学模型，总结电力设备或其关键零部件的工作异常状态，及其相关电能质量典型特征；步骤1-3以特征值、标识文字和标示图片3种等效方式表示数据特征，构建适用于描述电能质量特征和电力设备状况数据的通用数据模型；步骤1-4针对具有明显时序特征的数据，在通用数据模型存储基础上，构建时序模型以存储该类数据；步骤1-5在电能质量特征分析和电力设备仿真基础上，得到电能质量事件特征集合IQ与设备参数特征集合IE，进行单一故障与多故障仿真分析，得到集合IQ和IE的关系映射集MQE；所述步骤2，建立电能质量与电力设备本质关联，具体包括：步骤2-1结合电能质量大数据，主要包括数值数据和电能质量事件报文信息，对非结构化电力设备运行记录文本信息W0进行分词操作，得到片段序列Ws＝{w1,w2,…,wn}，统计文本报告中各文本片段的概率Pwi|W0： 式中，表示片段wi的在所有历史文本中出现的个数，Nw表示当前划分规则下的片段总数；采用前缀查询方法，确定所有可能的序列W，求解各序列划分情形下片段概率之和F： 寻找使得F最大的最优划分序列Wop，将Wop中的高概率片段作为实体集合Eo，形成电能质量事件和电力设备语义库；步骤2-2基于马尔科夫随机场理论，分析集合Eo中电能质量实体间的局部统计特性，划分自产性电能质量指标集合Eos和背景电能质量指标Eob；步骤2-3从MQE中抽象出Eos所包含电能质量指标与电力设备关键部位的实体间关系，建立电能质量与电力设备本质关系数据库；所述步骤3，建立电力设备健康状况智能评级与自动预警系统，具体包括：步骤3-1制定分层、分级、分区控制架构，将系统功能模块化存储于集中单元设备中；步骤3-2获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息；其中，所述步骤3-2获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息，具体包括：步骤S1：采集各监测点的电能质量数据，以及电力设备及其关键部件的运行参数，并基于马尔科夫随机场理论，分析各电能质量实体间的局部统计特性；步骤S2：通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空多维度电能质量数据格式；步骤S3：将预处理后的数据送至电能质量与电力设备关联数据库，基于电能质量和电力设备关系数据库，采用连续词袋模型识别数据中的关键实体；步骤S4：更新知识图谱实体数据，基于实时数据分析结果，对本质关联进行数据更新，具体包括实体、关系、属性、属性值的更新；步骤S5：基于信息通讯技术，同步云端数据库数据；步骤S6：进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级；步骤S7：生成包含数值、文本、图形内容的电力设备健康状况自动预警信息；步骤S8：将电力设备健康状况诊断结果可视化发布，同时留存日志作为参考数据，日志应至少包含设备名称、设备类型、设备型号、投运时间基本信息和设备入端出端电压、电流、功率因数、总谐波失真电能质量监测数据；其中，所述步骤S2，通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空多维度电能质量数据格式，具体包括：步骤S2-1，判断电力设备系统监测数据的结构化程度；步骤S2-2，判断非结构化数据的时序性，标记时序数据的最初故障出现时间点、最早能够监测到故障征兆的时间点和最后故障时间点信息；步骤S2-3，对结构化数据进行预处理，包括异常数据清洗和向量化处理；步骤S2-4，针对有时序特征的数据，在特征提取的基础上，采用长短期记忆网络进行序列建模，具体步骤应至少包括：设置通道数目、设置隐藏单元数目、定义规范函数和确定执行环境；步骤S2-5，针对非结构化的、不具备时序特性的可监测参数r，令其可观察序列为R＝{r1,r2,…,rt}其中，ri表示r在第i时刻的监测结果，通过数据统计分析方法确定可观察序列R的发生概率PR，定义序列R条件下得到状态序列S的概率为PS|R，采用动态规划方法求解可观察序列R对应的最可能状态序列Sopt：Sopt＝argmaxPS|R＝{s1,s2,...,sT}3其中，St表示与r相关的电力设备监测参数S在t时刻的状态,St∈{s1,s2,…,sn}，si为参数S的可能状态，采用期望最大化算法求解隐马尔科夫模型参数，包括转移概率矩阵Α、混淆矩阵参数Β和初始状态矩阵Γ： 上式中aij表示从状态si到状态sj的转移概率，bij表示从状态sj到观测结果ri的转移概率，τi表示状态si在初始时刻的发生概率，在此基础上，隐马尔科夫模型的形式Η表示为：H＝Α,Β,Γ7针对3维及以上半结构化或非结构化电力设备数据Xnx1,x2,…,xn，采用多级串联隐马尔科夫模型，自低纬度向高纬度逐层识别，依次得到各维度的特征向量，表示为集合V＝{V1,V2,…Vn}，其中Vii＝1,2,…,n为n维数据Xn在第i个维度上的特征向量；步骤S2-6，在数据结构化处理基础上，通过卷积神经网络对数据初步处理结果进行实体对齐处理，进而得到融合结果： 式中，αij表示特征向量Vi与实体μj的对齐度；步骤S2-7，结合关系数据匹配技术，采用实体链接技术计算实体间的相似度，对数据进行消歧处理；步骤S2-8，进而，结合既有电力设备运行规范与定义，对数据进行规范化处理，得到无量纲标量数值；步骤S2-9，最终以通用数据模型形式存储数据处理结果。

全文数据：

权利要求：

百度查询： 东南大学 一种电力设备健康状况智能评级与自动预警方法