基于数字孪生场域数据分析设备状态故障预警方法及系统与流程

本发明涉及电网故障预警，特别是基于数字孪生场域数据分析设备状态故障预警方法及系统。

背景技术：

1、随着信息技术的快速发展和应用以及工业设备复杂性和集成度的不断提高，变电站设备状态智能化运维技术逐渐成为电力行业的热门话题。传统的变电站设备运维方式主要是以人工参与为主，通过人工巡检和定期维护对设备进行监测，无法实时，准确地反映设备状态，预测设备的生命周期，更无法预测设备可能出现的故障，效率低下且存在一定风险。因此，开发一种基于数字孪生的场域数据分析的设备状态实时监测与故障预警的智能化维护系统，具有重要意义。

2、目前，变电站的设备检测和运维主要依靠定期的物理检查和故障后的修复，这种方法存在一定的局限性，如可能错过故障的早期信号，增加突发故障的风险，且数据处理和分析的滞后可能导致对设备状况的不准确评估。另外，传统的监测方法如传感器和监控摄像头可能无法捕捉到所有类型的故障和性能下降。而且数据分析的滞后可能导致对设备状况的不准确评估，影响运维决策的及时性和准确性，对于大型变电站，手动检测和维护工作量巨大，效率较低。

技术实现思路

1、鉴于现有的基于数字孪生场域数据分析设备状态故障预警及系统中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于无法实时，准确地反映设备状态，预测设备的生命周期，更无法预测设备可能出现的故障，效率低下且存在一定风险。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了基于数字孪生场域数据分析设备状态故障预警方法，其包括，收集数据并预处理构建变电站的三维框架，以此构建数字孪生模型。基于数字孪生模型采用半监督学习对数据进行特征提取，使用支持向量机对半监督学习的数据进行分析划分不同状态，结合深度强化学习输出不同状态的优化处理策略。对深度强化学习优化的处理策略分类，按分类进行预警和处理。

5、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：根据所述数字孪生模型考虑实时数据，假定st是在时间t的实体系统状态，引入时间依赖性则数字孪生模型的输出表示为，

6、st'＝φ(st,δt；θφ)

7、其中，δt表示时间间隔，θφ是数字孪生模型的参数。

8、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：所述特征提取使用半监督学习ssl，考虑数据的实时性，假定fssl(x；θssl)为ssl模型，则输出的特征zt公式表示为，

9、zt＝fssl(s't-n:t；θssl)

10、其中，s't-n:t表示从时间t-n到t的历史数据窗口，zt表示从数字孪生模型生成的数据中提取的特征，θssl表示模型参数；

11、半监督学习损失表示为：

12、

13、其中，计算在时间窗口t-n到t内的标记数据对应的损失，每个标记数据点xt是一个时间序列，计算未标记数据的正则化损失，其中每个未标记数据点xt同样被视为一个时间序列，λ是权衡半监督和监督损失的超参数。

14、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：所述使用支持向量机对状态的划分包括将设备状态分为正常、异常和故障三种状态，在svm中，决策函数表示为，

15、

16、其中，x是输入数据的特征向量，αi和b是模型参数，yi是标签，k(x,xi)是核函数，为线性核或非线性核，f(x)的符号表示数据点x所属的类别，正负号分别对应于正常，异常或故障状态。

17、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：所述线性核或非线性核的判定为数据的类别在特征空间中是否能够通过一条直线，若是，则选择线性核函数，否则选择非线性核函数，其中，线性核表达式为，

18、k(x,x')＝x·x'

19、非线性核表达式为，

20、k(x,x')＝(γx·x'+r)d

21、其中，γ是核函数的带宽参数，r是偏置项，影响核函数在原始空间中的基准位置。

22、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：所述深度强化学习drl是对三种状态的处理策略进行优化，对于drl模型，引入基于时间差分td的学习方法，公式表示为，

23、q(zt,at；θdrl)＝rt+γmaxa'q(zt+1,a'；θdrl)

24、其中，rt是在时间t下采取动作at所获得的即时奖励，γ是折扣因子，用于平衡即时奖励和未来奖励，θdrl是神经网络的参数。

25、作为本发明所述基于数字孪生场域数据分析设备状态故障预警方法的一种优选方案，其中：根据svm的输出结果将设备状态分为三种情况，分别为正常，异常和故障，其中设定第一阈值和第二阈值判定是否为正常状态和异常状态，大于第一阈值判定为正常状态，小于第二阈值判定为故障状态；对于小于第一阈值的数据均执行报警，且小于第二阈值的数据报警程度加重；处于第一阈值与第二阈值之间判定为异常状态，且越接近第二阈值越易演化为故障状态，则设定第三阈值，将第一阈值与第二阈值中间部分加入第三阈值。处于第三阈值与第二阈值之间的状态定位为可能故障，对于处于可能故障的数据应做进一步检测，判定可能故障的原因及位置，评估设备继续运行的风险，以及可能影响的范围，根据判断结果，进行必要的调整或处理，以纠正问题并防止其恶化。处于第一阈值和第三阈值的状态定位为可能正常，对于处于可能正常的数据，异常的状态处于初步阶段，对报告异常的设备进行详细检查，确定异常的原因，通知工作人员进行处理。小于第二阈值的设备应立即采取措施，需要停机或切断电源，对故障设备进行彻底检查，确定故障的原因，执行必要的维修工作以恢复设备的功能；确保在处理故障过程中遵循所有安全协议，保护维护人员和设备的安全，并详细记录故障和采取的措施调整预防性维护计划和监测策略。

26、第二方面，本发明实施例提供了基于数字孪生场域数据分析设备状态故障预警系统，其包括：构建模块，用于收集数据并预处理构建变电站的三维框架，以此构建数字孪生模型。检测模块，用于对孪生模型的数据进行检测划分不同状态，并输出不同状态的优化处理策略。分析报警模块，用于对深度强化学习优化的处理策略分类，按分类进行预警和处理。

27、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于数字孪生场域数据分析设备状态故障预警方法的任一步骤。

28、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于数字孪生场域数据分析设备状态故障预警方法的任一步骤。

29、本发明有益效果为通过实时监控和分析变电站设备的状态，本发明能更快、更准确地识别潜在的故障和性能下降，从而减少突发故障的风险，利用高级数据分析和机器学习算法，本发明能预测设备可能出现的问题，提前进行维护，避免大规模停机和昂贵的紧急修理，且持续收集和分析数据，从而做出更加科学的维护决策和优化运维规划。通过积累的数据可以用于进一步优化和改进维护策略，实现设备和系统的持续改进。