一种一次设备缺陷诊断与预测方法技术

本发明专利技术公开了一种一次设备缺陷诊断与预测方法为：对缺陷填报数据进行治理；基于治理好的数据，采用自然语言处理技术，对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库；基于缺陷标准库，采用神经网络、语义分析技术，对新生缺陷数据的部位、原因、严重程度进行判别和诊断；根据缺陷诊断结果，结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据，通过相关性分析、综合评价的算法，对设备的风险等级进行评估；采用时间序列算法、马尔科夫关联分析预测。本发明专利技术能提高模型精度和深度，弥补现有研究不足，保证模型的可用性，解决缺陷对设备风险造成的成本损失不可控问题。题。题。

【技术实现步骤摘要】
一种一次设备缺陷诊断与预测方法


[0001]本专利技术涉及设备风险评估
，具体涉及一种一次设备缺陷诊断与预测方法。

技术介绍

[0002]随着电网现代化程度的快速发展，智能电网已经成为当今世界电力、能源产业发展变 革的体现。我国科技部明确指出，智能电网是实施新能源战略和优化能源资源配置的重要 平台，智能电网的建设与发展必须紧随世界电力行业发展的脚步，快速提升综合实力完成 超越。现阶段，我国电网发展已经开始向智能化过渡，并且提出建设“统一坚强”智能电 网的目标，在智能电网建设过程中电网设备的智能化管控，成为建设智能电网的首要任务， 电网设备的智能化管控技术由人工巡检到状态检修的转变也成为设备管控技术发展的必 然趋势。当前智能电网的设备管理目标是尽早发现缺陷、正确定性缺陷和及时消除缺陷， 使缺陷管理全过程可控，确保设备始终处于安全稳定的运行状态，但由于我国电网设备缺 陷管理自动化水平不高，设备缺陷时常发生，缺陷描述数据无法被准确记录等因素，为电 网的安全稳定运行带来了诸多隐患，导致设备缺陷发生后电力企业产生了巨大的经济损 失。现有的设备缺陷数据填报采用的是全程信息化作业系统，但在实际使用过程中因巡视 人员填报缺陷的描述数据质量不高、缺陷描述与设备实际缺陷不一致，进而导致设备缺陷 误判和无效的设备巡视检修工作频繁发生，降低了业务人员的巡视效率和消缺效能，使电 网设备管控难度加大。
[0003]目前的设备缺陷状态诊断数据大多是按照仪器生产厂家的格式输出或按照诊断人员 经验记录，状态诊断数据格式五花八门，规范化程度差，不利于数据的高效利用和分析诊 断。缺陷状态诊断数据的规范化程度差及利用效率低主要原因体现在：1.部分状态诊断数 据的智能化水平不高，存在人员疏忽或专业水平限制导致数据的格式不规范、准确性低等 问题；2.未对同诊断类型的数据形成规范化的导则，目前同一个诊断项目不同的诊断设备， 其输出的诊断数据还存在较大的差异或者某些诊断数据的关键信息被忽视；3.未建立一套 缺陷状态诊断数据的质量诊断算法，导致不能对数据质量进行一个量化的评估，进而影响 数据分析结果的可信性；4.设备缺陷状态量指标体系维度单一，缺乏在线监测等动态实时 等多源数据融合信息。因此，在智能电网建设过程中急需开展电力设备状态诊断数据的规 范化与高效处理技术的研究，提出一套兼容性好、可扩展性强的智能化状态自动诊断技术， 并以该技术作为依据提出其高效处理算法，提取复杂异构多源数据的特征量，提高状态诊 断数据的自动化分析水平，从而在海量的缺陷状态检测数据中发现可能存在异常的设备， 并给出相应的预防措施。通过数据规范化的手段，使得设备缺陷状态诊断数据从数字化向 智能化推进，增强数据转化为信息的能力；通过对复杂结构数据的高效处理算法，降低人 工判断状态诊断数据的复杂度，逐步把状态诊断工作从专业驱动转向数据驱动，从而实现 电网设备的智能化管控，提升设备精益化管理水平，保障电网安全稳定高效的运行，提升 公司电网运营效益。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供一种一次设备缺陷诊断与预测方法，以解决现有技 术中存在的技术问题。
[0005]本专利技术采取的技术方案为：一种一次设备缺陷诊断与预测方法，该方法包括基于专家 系统算法的缺陷填报数据治理方法、基于深度学习的一次设备风险智能评估方法和基于数 据挖掘的一次设备缺陷预测模型的预测方法，具体为：首先对缺陷填报数据中存在的关键 信息的漏填、错填以及体外循环的问题进行治理；然后基于治理好的数据，采用自然语言 处理技术，对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构 建缺陷标准库；基于缺陷标准库，采用神经网络、语义分析技术，对新生缺陷数据的部位、 原因、严重程度进行判别和诊断；根据缺陷诊断结果，结合设备缺陷老化因子、告警因子、 绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据，通过相关性分析、综合评价 的算法，对设备的风险等级进行评估；最后采用时间序列算法、马尔科夫关联分析预测缺 陷发生数量和消缺周期内的发展趋势。
[0006]上述基于专家系统算法的缺陷填报数据治理方法包括以下步骤：
[0007]步骤1：缺陷关键信息漏填检测：从资产管理系统中，获取缺陷信息构成缺陷填报系 统，当出现关键信息漏填写时，给出报警提示；缺陷关键信息包括：电压等级、缺陷等级、 地点、设备名称、设备类别、缺陷表象、缺陷类型、缺陷描述、应消缺时间、发现时间、 专业大类、生产厂家、设备型号、出厂年月、投产日期、缺陷前后图片；
[0008]步骤2：根据步骤1中缺陷填报系统的部分缺陷信息核查：电压等级核查和缺陷等级 核查；
[0009]步骤3：缺陷体外循环检测：缺陷体外循环检测：1)从资产管理系统获取上个月状态 为“工作终结”的工作票；2)提取工作票中工作任务内容描述的特征词，与构建好的关 键词库比对，筛选出属于缺陷核查的工作票；3)缺陷核查工作票与缺陷信息匹配，缺陷 核查工作票与缺陷信息匹配方法为：(1)比对单位、站点、时间；(2)比对工作任务内容 和缺陷描述，如果匹配得上，则合规，反之，判定为缺陷体外循环。
[0010]上述电压等级核查方法为：(1)提取“设备名称”里的电压等级，与“电压等级”比 对是否相符；(2)如果“设备名称”没有电压等级，则提取“地点”里的电压等级。
[0011]上述缺陷等级核查方法为：
[0012](1)以“缺陷描述”为基准项；
[0013](2)提取“缺陷描述”特征词，构建原始特征词库；
[0014](3)通过近义词、同义词匹配，构建标准特征词库；
[0015](4)通过“设备类别”确定缺陷表象库，通过《变电一次设备缺陷定级标准(运行 分册)(试行)》构建缺陷表象库；
[0016](5)通过组合标准特征词，匹配对应的缺陷表象，得到缺陷等级；
[0017](6)与缺陷信息的“缺陷表象”“缺陷等级”比对，判断填报是否准确。
[0018]上述基于深度学习的一次设备风险智能评估方法包括以下步骤：
[0019]步骤1：缺陷数据分析：通过缺陷数据分析了解设备缺陷数据特征，对设备缺陷不同 年度数量、设备缺陷类型分布数量、设备缺陷厂家分布数量进行分别分析，对缺陷不同年 度数量、类型数量和厂家的数量进行排序，获得故障年度数量最多、故障类型最多和出
现 故障的厂家最多；
[0020]步骤2：根据步骤1的设备缺陷数据特征构建设备缺陷标准库，完成缺陷数据标准化 存储；
[0021]步骤3：构建缺陷智能诊断模型，通过缺陷智能诊断模型识别设备缺陷原因及缺陷部 位，实现设备缺陷智能化诊断和缺陷严重程度划分；
[0022]步骤4：缺陷诊断结果分析，推荐缺陷管理措施，包括缺陷严重性、缺陷诊断原因分 析，缺陷智能诊断模型将新来的缺陷数据输入已经训练好的设备缺陷诊断模型中，最后输 出缺陷数据的缺陷部位、缺陷原因以及缺陷管理措施；
[0023]步骤5：基于缺陷诊断结果分析获得的结果构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一次设备缺陷诊断与预测方法，其特征在于：该方法包括基于专家系统算法的缺陷填报数据治理方法、基于深度学习的一次设备风险智能评估方法和基于数据挖掘的一次设备缺陷预测模型的预测方法，具体为：首先对缺陷填报数据中存在的关键信息的漏填、错填以及体外循环的问题进行治理；然后基于治理好的数据，采用自然语言处理技术，对缺陷描述、缺陷表象、缺陷原因、处理措施、以及缺陷发生时的运行数据构建缺陷标准库；基于缺陷标准库，采用神经网络、语义分析技术，对新生缺陷数据的部位、原因、严重程度进行判别和诊断；根据缺陷诊断结果，结合设备缺陷老化因子、告警因子、绝缘性能因子、设备重要程度、缺陷等级、电压等级等数据，通过相关性分析、综合评价的算法，对设备的风险等级进行评估；最后采用时间序列算法、马尔科夫关联分析预测缺陷发生数量和消缺周期内的发展趋势。2.根据权利要求1所述的一种一次设备缺陷诊断与预测方法，其特征在于：基于专家系统算法的缺陷填报数据治理方法包括以下步骤：步骤1：缺陷关键信息漏填检测：从资产管理系统中，获取缺陷信息构成缺陷填报系统，当出现关键信息漏填写时，给出报警提示；缺陷关键信息包括：电压等级、缺陷等级、地点、设备名称、设备类别、缺陷表象、缺陷类型、缺陷描述、应消缺时间、发现时间、专业大类、生产厂家、设备型号、出厂年月、投产日期、缺陷前后图片；步骤2：根据步骤1中缺陷填报系统的部分缺陷信息核查：电压等级核查和缺陷等级核查；步骤3：缺陷体外循环检测：缺陷体外循环检测：1)从资产管理系统获取上个月状态为“工作终结”的工作票；2)提取工作票中工作任务内容描述的特征词，与构建好的关键词库比对，筛选出属于缺陷核查的工作票；3)缺陷核查工作票与缺陷信息匹配，缺陷核查工作票与缺陷信息匹配方法为：(1)比对单位、站点、时间；(2)比对工作任务内容和缺陷描述，如果匹配得上，则合规，反之，判定为缺陷体外循环。3.根据权利要求2所述的一种一次设备缺陷诊断与预测方法，其特征在于：电压等级核查方法为：(1)提取“设备名称”里的电压等级，与“电压等级”比对是否相符；(2)如果“设备名称”没有电压等级，则提取“地点”里的电压等级。4.根据权利要求2或3所述的一种一次设备缺陷诊断与预测方法，其特征在于：缺陷等级核查方法为：(1)以“缺陷描述”为基准项；(2)提取“缺陷描述”特征词，构建原始特征词库；(3)通过近义词、同义词匹配，构建标准特征词库；(4)通过“设备类别”确定缺陷表象库，通过《变电一次设备缺陷定级标准(运行分册)(试行)》构建缺陷表象库；(5)通过组合标准特征词，匹配对应的缺陷表象，得到缺陷等级；(6)与缺陷信息的“缺陷表象”“缺陷等级”比对，判断填报是否准确。5.根据权利要求1所述的一种一次设备缺陷诊断与预测方法，其特征在于：基于深度学习的一次设备风险智能评估方法包括以下步骤：步骤1：缺陷数据分析：通过缺陷数据分析了解设备缺陷数据特征，对设备缺陷不同年度数量、设备缺陷类型分布数量、设备缺陷厂家分布数量进行分别分析，对缺陷不同年度数
量、类型数量和厂家的数量进行排序，获得故障年度数量最多、故障类型最多和出现故障的厂家最多；步骤2：根据步骤1的设备缺陷数据特征构建设备缺陷标准库，完成缺陷数据标准化存储；步骤3：构建缺陷智能诊断模型，通过缺陷智能诊断模型识别设备缺陷原因及缺陷部位，实现设备缺陷智能化诊断和缺陷严重程度划分；步骤4：缺陷诊断结果分析，推荐缺陷管理措施，包括缺陷严重性、缺陷诊断原因分析，缺陷智能诊断模型将新来的缺陷数据输入已经训练好的设备缺陷诊断模型中，最后输出缺陷数据的缺陷部位、缺陷原因以及缺陷管理措施；步骤5：基于缺陷诊断结果分析获得的结果构建设备风险智能评估模型，识别缺陷对设备风险的影响程度；步骤6：根据设备风险的影响程度划分风险等级，根据设备风险评估得分划分为无风险、低风险、中风险和高风险。6.根据权利要求5所述的一种一次设备缺陷诊断与预测方法，其特征在于：步骤2中设备缺陷标准库的构建方法包括以下步骤：a)缺陷数据收集，缺陷数据收集的数据来源包括历史缺陷报告、缺陷记录数据、设备运行数据、设备试验数据、设备在线监测数据，通过分析数据来源，获得缺陷分类标准库的缺陷记录数据表的字段名称和字段内容；缺陷记录数据所包含字段：单位、电压等级、缺陷等级、地点、设备名称、缺陷类型、缺陷描述、专业大类、生产厂家、出厂年月、设备型号、投运日期、缺陷原因类别、缺陷原因、缺陷表象、发现时间、缺陷部位、处理措施；设备运行数据包含字段：电压、三相不平衡电流、电压等级；设备在线监测数据：介损、等值电容、参考电压报警、三相不平衡电流报警、介损报警、全电流报警、等值电容报警、监测设备通信状态、监测设备运行状态、设备自检异常、局放、铁芯电流；设备试验数据包含字段：红外成像测温、气室气体、触头回路电阻、外绝缘表面耐压、气体分解物测试值；b)对缺陷数据进行清洗以及去重，对收集的数据的两条或两条以上相同缺陷数据、缺陷数据缺失、缺陷数据乱码、缺陷数据中存在空格、缺陷数据全角转半角和英文大小写进行清洗和去重。c)人工标注，根据历史缺陷报告对缺陷表象、缺陷部位、缺陷原因和处理措施进行文本分析人工标注，...

【专利技术属性】
技术研发人员：黄军凯，张迅，文屹，吕黔苏，赵超，刘君，陈沛龙，丁江桥，吴建蓉，范强，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：