一种电力设备画像的生成方法及装置与流程

1.本发明涉及设备信息处理技术技域，尤其涉及一种电力设备画像的生成方法及装置。


背景技术：

2.随着电网建设的推进，变电站及其设备的数量与日俱增，设备管控任务越发艰巨。当前设备管控多数为通过设备状态监测系统，实现对设备的监控及显示，但由于监测的数据过于琐碎，难以让人对设备当前运行状态有直观和全局的感受。
3.现有技术为了可以直观反映设备的运行状态，提出了设备画像的生成方法，具体为根据设备状态监测系统所采集的数据，生成一系列基础标签，对设备各方面属性进行标签化描述。但现阶段的设备状态监测系统普通对设备数据挖掘分析不足，且所生成的基础标签大多为琐碎的静态标签，因此，运维人员虽然可以通过静态标签了解设备当前状态，但不能全面而直观掌握设备各方面状态，从而难以及时发现设备潜在风险，制定有效的运维管理措施。


技术实现要素：

4.本发明提供了一种电力设备画像的生成方法及装置，用于在排除无关数据干扰下得到对应的设备标签，并基于设备标签生成设备画像，从而为运维人员提供准确信息以了解设备综合状态。
5.第一方面，本发明提供的一种电力设备画像的生成方法，包括：
6.获取所有类型设备数据信息；
7.对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；
8.确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；
9.将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；
10.为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。
11.可选地，所述网络模型包括：设备特征模型、决策树分类模型和循环分类预测模型；所述设备标签包括：设备属性标签、设备故障标签及状态预测标签；将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签，包括：
12.将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签；
13.从所述目标设备有效数据信息集合中筛选与时间序列相关的设备状态数据；
14.将所述设备状态数据输入所述循环分类预测模型中，得到对应的状态预测标签。
15.可选地，所述设备属性标签包括：设备运维标签和设备运行标签；将所述目标设备
有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签，具体为：
16.将所述目标设备有效数据信息集合输入所述决策树分类模型，得到对应的设备运维标签和设备运行标签；
17.所述将所述设备状态数据输入所述循环分类预测模型中，得到对应的标签预测结果的步骤，具体为：
18.将所述设备状态数据输入所述循环分类预测模型中，得到对应的设备运行标签预测结果和设备故障标签预测结果，形成状态预测标签。
19.可选地，将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签，包括：
20.对所述目标设备有效数据信息集合的信号类型进行数学变换，得到信号类型为变换域信号的变换后的目标数据集合；
21.将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签。
22.可选地，将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签之前，还包括：
23.对所述变换后的目标数据依次进行小波变换、傅里叶变换，以及模糊函数计算在内的预处理。
24.第二方面，本发明还提供了一种电力设备画像的生成装置，其特征在于，包括：
25.获取模块，用于获取所有类型设备数据信息；
26.同型聚合模块，用于对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；
27.匹配模块，用于确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；
28.标签生成模块，用于将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；
29.设备图像生成模块，用于为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。
30.可选地，所述网络模型包括：设备特征模型、决策树分类模型和循环分类预测模型；所述设备标签包括：设备属性标签、设备故障标签及状态预测标签；所述标签生成模块包括：
31.第一输入子模块，用于将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签；
32.筛选子模块，用于从所述目标设备有效数据信息集合中筛选与时间序列相关的设备状态数据；
33.第二输入子模块，用于将所述设备状态数据输入所述循环分类预测模型中，得到对应的状态预测标签。
34.可选地，所述设备属性标签包括：设备运维标签和设备运行标签；所述输入第一输入子模块具体用于：
35.将所述目标设备有效数据信息集合输入所述决策树分类模型，得到对应的设备运维标签和设备运行标签；
36.所述第二输入子模块具体用于：
37.将所述设备状态数据输入所述循环分类预测模型中，得到对应的设备运行标签预测结果和设备故障标签预测结果，形成状态预测标签。
38.可选地，所述第一输入子模块包括：
39.变换单元，用于对所述目标设备有效数据信息集合的信号类型进行数学变换，得到信号类型为变换域信号的变换后的目标数据集合；
40.输入单元，用于将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签。
41.可选地，还包括：
42.预处理单元，用于对所述变换后的目标数据依次进行小波变换、傅里叶变换，以及模糊函数计算在内的预处理。
43.从以上技术方案可以看出，本发明具有以下优点：
44.本发明通过获取所有类型设备数据信息；对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。通过对类型设备数据信息进行同型聚合，然后提取目标设备类型确定目标设备有效数据信息集合，并将目标设备有效数据信息集合输入网络模型，从而在排除无关数据干扰下得到对应的设备标签，并基于设备标签生成设备画像，为运维人员提供准确信息以了解设备状态。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；
46.图1为本发明的一种电力设备画像的生成方法实施例一的步骤流程图；
47.图2为本发明的一种电力设备画像的生成方法实施例二的步骤流程图；
48.图3为本发明实施例中设备特征模型的卷积层结构示意图；
49.图4为本发明实施例中设备特征模型的超分辨率特征生成模块frcn结构示意图；
50.图5为本发明实施中设备特征模型的自适应特征融合模块的结构示意图；
51.图6为本发明实施中随机森林的决策树分类模型的结构示意图；
52.图7为本发明实施中的循环分类预测模型结构；
53.图8为本发明的一种电力设备画像的生成装置实施例的结构框图。
具体实施方式
54.本发明实施例提供了一种电力设备画像的生成方法及装置，用于在排除无关数据干扰下得到对应的设备标签，并基于设备标签生成设备画像，从而为运维人员提供准确信息以了解设备状态。
55.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
56.请参阅图1，图1为本发明的一种电力设备画像的生成方法实施例一的步骤流程图，具体可以包括如下步骤：
57.步骤s101，获取所有类型设备数据信息；
58.步骤s102，对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；
59.步骤s103，确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；
60.步骤s104，将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；
61.步骤s105，为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。
62.本发明实施例通过获取所有类型设备数据信息；对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。通过对类型设备数据信息进行同型聚合，然后提取目标设备类型确定目标设备有效数据信息集合，并将目标设备有效数据信息集合输入网络模型，从而在排除无关数据干扰下得到对应的设备标签，并基于设备标签生成设备画像，为运维人员提供准确信息以了解设备状态。
63.请参阅图2，为本发明的一种电力设备画像的生成方法实施例二的步骤流程图，具体包括：
64.步骤s201，获取所有类型设备数据信息；
65.在本发明实施例中，获取所有电力设备的企业外部历史设备故障数据、所有设备运维历史数据信息和在验的试验检验数据以及历史标签数据，同时在监测系统中获取所有类型设备的历史和实时数据信息。
66.步骤s202，对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；
67.在本发明实施例中，由于不同类型设备的差异性大，而相同类型设备共性高，故通过对所获取的所有数据按照设备类型进行划分，可以得到同一类型设备的设备数据信息集
合，即对各种不同类型设备数据进行统一分类，得到同一类型设备的设备数据信息集合，从而排除无关数据的干扰，提高网络模型的收敛效果。
68.步骤s203，确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；
69.在本发明实施例中，获取运维人员所需要的识别的待生成画像设备，并确定待生成画像设备的目标设备类型，从而根据目标设备类型从有效数据信息集合中确定目标设备有效数据信息集合。
70.步骤s204，将所述目标设备有效数据信息集合分别预先设定的输入设备特征模型和决策树分类模型，得到对应的设备故障标签和设备属性标签；
71.需要说明的是，定义设备标签体系是为了全方位、形象化和实时体现设备总体状态。
72.具体地，所述设备属性标签包括：设备运维标签和设备运行标签；将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签，具体为：
73.将所述目标设备有效数据信息集合输入所述决策树分类模型，得到对应的设备运维标签和设备运行标签。
74.在本发明实施例中，设备运维标签包括：设备巡检情况标签和设备保养情况标签，其中设备巡检情况标签包括：按期巡检标签、巡检偏少标签和缺少巡检标签，设备保养情况标签包括：按期保养标签和缺乏保养标签；设备运行标签包括：设备运行状态标签、设备负荷状态标签、设备健康状态标签和设备寿命标签，其中设备运行状态标签包括：正常运行标签、检修标签和退运标签，设备负荷状态标签包括：轻负荷标签、负荷适中标签、重负荷标签和持续重负荷标签，设备健康状态标签包括：健康标签、亚健康标签、轻度病症标签、中毒病症标签和重度病症标签，设备寿命状态标签包括：少年标签、青年标签、中年标签、中老年标签和老年标签；设备故障标签包括：变压器故障状态标签和断路器故障状态标签等，其中变压器故障状态标签包括：异常放电标签和油位异常标签，断路器故障状态标签包括断路器局放异常标签、行程异常标签和接触异常标签。
75.在一个可选实施例中，将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签，包括：
76.对所述目标设备有效数据信息集合的信号类型进行数学变换，得到信号类型为变换域信号的变换后的目标数据集合；
77.将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签。
78.在本发明实施例中，建立并训练用于监测设备缺陷及故障的卷积神经网络，具体为使用样本数据学习特征模式训练得到如图3～5所示的设备特征模型，其中，图3为本发明实施例中设备特征模型的卷积层结构示意图，图4为本发明实施例中设备特征模型的超分辨率特征生成模块frcn结构示意图，图5为本发明实施中设备特征模型的自适应特征融合模块的结构示意图，在具体实现中，设备特征模型的网络结构包括：卷积层、超分辨率特征生成模块frcn、自适应特征融合模块及ssd监测模块，在这些模块的配合下，实现基于变换域的数据监测的设备故障及隐患的发现。
79.需要说明的是，卷积神经网络可以是一维卷积神经网络，也可以是二维卷积神经网络，本发明在此不作限制。
80.在本发明实施例中，由于所有类型设备数据信息较为复杂，有采集到的离散数据、分级数据，还有监测出的故障标签数据，针对设备寿命、健康、保养及负荷等状态的影响因素的特性，设计如图6所示的实施中随机森林的决策树分类模型的结构示意图，将不同类型数据的不同计算方式集成在决策树的不同节点上，实现对设备运行状态的有效分类识别。
81.此外，针对与时间序列相关的设备状态数据，设计如图7所示的循环分类预测模型结构示意图，在该循环分类预测模型中，循环特征提取模块之后，存在两个分支，一个分支连接稠密层softmax及softmax损失，实现时间序列数据的预测，而另外一个分支连接全连接层，使用softmax损失实现以时间序列数据为特征的状态分类预测。从而实现以多个维度的历史运维数据、实时数据、故障监测数据、同型设备健康状态反馈数据作为输入，通过循环分类预测网络的推理运算，获得设备状态的标签预测结果的技术效果。
82.在一个可选实施例中，将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签之前，还包括：
83.对所述变换后的目标数据依次进行小波变换、傅里叶变换，以及模糊函数计算在内的预处理。
84.需要说明的是，傅里叶变换是时域与频域之间的转换，分为连续傅里叶变换和离散傅里叶变换，而由于本发明实施例中的设备采集信号为离散点，故在此使用离散傅里叶变换。
85.小波变换即选择适当的基本小波或母小波，通过对小波或母小波的平移及伸缩而形成一系列小波，这簇小波或母小波作为可以构成一系列嵌套的(信号)子空间，然后将待分析的信号(例如图像)投影到各个大小不同的(信号)子空间之中，以观察相应的特性。如此，就相当于我们用不同的焦距去观察一个物体，可从宏观到微观，从概貌到细节观察得十分详尽。所以小波或母小波变换又被称为“数学显微镜”。
86.需要说明的是，“小波”就是小区域、长度有限、均值为0的波形；平移、伸缩是小波变换的一个特点，因而可以在不同的频率范围，不同的时间(空间)位置对信号进行各种分析，通过这种多分辨率分析，在高频信号中获得一个好的时间分辨率和较差的频率分辨率，低频信号中获得较好的频率分辨率和较高的时间分辨率，解决傅里叶变换应用与非平稳信号的弊端。小波变换提供了信号的时频混合表示，在众多的领域都有着非常高效的用途，例如对图像的去噪、边缘监测、压缩编码、图像融合等。
87.模糊函数：对时序信号，以时间段为横轴、频段为纵轴，分别统计计算每个时段和频段的信号强度，形成二维模糊函数图。
88.取信号表达式为u(t)，且时，u(t)＝0，则根据模糊函数的正型定义，信号的模糊函数为：
[0089][0090]
在数字系统中，对信号均与采样，即对接收信号和参考信号离散化后，可表示为：
[0091]
若假设信号采样频率为f
s
时，有τ1＝l/f
s
，v
m
＝mf
s
/n，假设信号采样总点数为n，计算的频域范围v
m
总共有m点，此时x(l,m)所需的计量算为2n(2n
‑
1)m。
[0092]
步骤s205，从所述目标设备有效数据信息集合中筛选与时间序列相关的设备状态数据；
[0093]
步骤s206，将所述设备状态数据输入所述循环分类预测模型中，得到对应的标签预测结果；
[0094]
具体为：
[0095]
将所述设备状态数据输入所述循环分类预测模型中，得到对应的设备运行标签预测结果和设备故障标签预测结果，形成状态预测标签。
[0096]
步骤s207，为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。
[0097]
需要说明的是，由于网络模型是以同型聚合数据作为样本输入，当步骤s201所获取的类型设备数据信息发生变化时，用于推理当前设备状态标签的输入数据也随之变化，目标设备类型的设备标签也需要重新更新预测。
[0098]
在一种特殊情况下，可以通过定时以同型设备状态反馈数据重新输入历史数据库，从而不断更新推理生成设备状态标签，实现对设备多角度、全方位的形象化实时画像。
[0099]
在本发明实施例所提供的一种电力设备画像的生成方法，通过获取所有类型设备数据信息；对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。通过对类型设备数据信息进行同型聚合，然后提取目标设备类型确定目标设备有效数据信息集合，并将目标设备有效数据信息集合输入网络模型，从而在排除无关数据干扰下得到对应的设备标签，并基于设备标签生成设备画像，为运维人员提供准确信息以了解设备状态。
[0100]
请参阅图8，示出了一种电力设备画像的生成装置实施例的结构框图，包括如下模块：
[0101]
获取模块401，用于获取所有类型设备数据信息；
[0102]
同型聚合模块402，用于对所述所有类型设备数据信息进行同型聚合，得到同一类型设备的用于区分不同状态的有效数据信息集合；
[0103]
匹配模块403，用于确定待生成画像设备的目标设备类型，并根据所述目标设备类型，从所有所述有效设备数据信息集合中匹配得到目标设备有效数据信息集合；
[0104]
标签生成模块404，用于将所述目标设备有效数据信息集合输入预先构建的网络模型，得到对应的设备标签；
[0105]
设备图像生成模块405，用于为所述待生成画像设备分配所述设备标签，结合数据可视化方法生成设备画像。
[0106]
在一个可选实施例中，所述网络模型包括：设备特征模型、决策树分类模型和循环分类预测模型；所述设备标签包括：设备属性标签、设备故障标签及状态预测标签；所述标签生成模块404包括：
[0107]
第一输入子模块，用于将所述目标设备有效数据信息集合分别输入所述设备特征模型和所述决策树分类模型，得到对应的设备故障标签和设备属性标签；
[0108]
筛选子模块，用于从所述目标设备有效数据信息集合中筛选与时间序列相关的设备状态数据；
[0109]
第二输入子模块，用于将所述设备状态数据输入所述循环分类预测模型中，得到对应的状态预测标签。
[0110]
在一个可选实施例中，所述设备属性标签包括：设备运维标签和设备运行标签；所述输入第一输入子模块具体用于：
[0111]
将所述目标设备有效数据信息集合输入所述决策树分类模型，得到对应的设备运维标签和设备运行标签；
[0112]
所述第二输入子模块具体用于：
[0113]
将所述设备状态数据输入所述循环分类预测模型中，得到对应的设备运行标签预测结果和设备故障标签预测结果，形成状态预测标签。
[0114]
在一个可选实施例中，所述第一输入子模块包括：
[0115]
变换单元，用于对所述目标设备有效数据信息集合的信号类型进行数学变换，得到信号类型为变换域信号的变换后的目标数据集合；
[0116]
输入单元，用于将所述变换后的目标数据集合信息输入所述设备特征模型中，得到对应的设备故障标签。
[0117]
在一个可选实施例中，还包括：
[0118]
预处理单元，用于对所述变换后的目标数据依次进行小波变换、傅里叶变换，以及模糊函数计算在内的预处理。
[0119]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0120]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0121]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0122]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0123]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全
部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。