本发明专利技术公开了一种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：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；2.构建缺陷标准库；3.构建缺陷智能诊断模型，精准识别设备缺陷原因及缺陷部位；4.缺陷诊断结果分析，有效推荐缺陷管理措施；5.构建设备风险智能评估模型；6.风险等级划分。本发明专利技术中缺陷标准库构建是设备缺陷智能诊断数据的来源和诊断基础，风险智能评估的输入指标来源于缺陷智能诊断的结果数据，结合业务逻辑和算法模型分析设备缺陷对设备风险的影响程度，评估缺陷引起的设备风险情况，为业务人员有针对性的推荐高风险设备缺陷处理措施，使业务人员能够在有效时间内高效解除设备风险。员能够在有效时间内高效解除设备风险。员能够在有效时间内高效解除设备风险。
【技术实现步骤摘要】
一种基于深度学习的一次设备风险智能评估方法
[0001]本专利技术涉及设备风险评估
，具体涉及一种基于深度学习的一次设备风险智能 评估方法。
技术介绍
[0002]设备缺陷诊断：近年来，国内外有关电网设备缺陷诊断的研究较多，我国部分学者主 要基于设备的试验数据、运行数据等结构化数据进行设备缺陷智能诊断研究，例如国家电 网与交通大学合作，于2019年开展了一种基于辐射电场特征参数支持向量机的GIS开关缺 陷诊断方法研究，该研究是基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法， 包括:1.实验数据预处理；2.构建信号案例知识库；3.获得SVM缺陷诊断模型；4.支持向量机 缺陷诊断过程。该研究采集了GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的 操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号 特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得 GIS隔离开关的分类结果，实现了对GIS设备运行状况的判断，保障电网安全运行。
[0003]基于支持向量机的GIS设备缺陷诊断研究主要问题在于选择的数据源较为单一，此方 式会导致研究结论效果较好，但无法落地应用。
[0004]目前，国外在基于大数据挖掘技术的缺陷分析研究与实践应用较多，如美、日、英、 德等，都有应用这项技术的报道。日本从80年代开始实行以状态监测为基础的预知检修。 日本发电设备检修协会重点进行了数据挖掘规则模式的研究，并在检修中采用关联分析、 聚类分析和时间序列分析等技术对设备进行缺陷分析和寿命评估。以可靠性为中心的维修 策略是由美国电力研究院某研发中心提出，推出基于大数据挖掘技术的优化检修等一系列 技术方案和相关系统，并在多家电站推广应用，取得了良好效果。德国也积极采用数据挖 掘技术提高检修效率。近几年，德国也对发电厂的检修工作进行了探讨，在发电厂开发设 备监控与诊断技术的基础上，推行基于数据挖掘技术的状态检修，并在设备检测中发挥大 数据挖掘的潜力。
[0005]基于以上问题和研究情况，将融合多业务领域数据对一次设备缺陷进行智能化综合诊 断，并在现有研究基础上进行深度分析，给出一次设备缺陷的严重程度，支撑业务人员实 际工作，提高业务人员的缺陷解决能力。
[0006]设备风险评估：设备风险评估是根据设备风险影响因素的特点和变化情况，对设备风 险进行分析和判断，准确评估其风险等级能够对缺陷或风险的发展趋势进行合理预测，为 降低设备风险提供依据。目前，国内外的科研机构、设备运行单位及制造厂家已在相关领 域开展了大量研究工作，在评估方法、制度建设等方面均已取得丰富的研究成果。智能评 估法如模糊综合评判、粗糙集理论、神经网络、支持向量机、证据理论和专家系统等。制 度建设方面，2008年以来，国家电网公司和南方电网公司相继颁布了一系列电网设备的状 态评价和风险评估导则。这些研究成果和制度有力地保证了电网一次设备的安全可靠运 行。
[0007]然而，由于电网一次设备结构复杂、集成度较高、运行环境复杂多变，且经常受到外 部不良工况、系统调度方式改变的影响，大大增加了设备风险评估工作的难度。主要体现 在以下3个方面：
[0008]1)现有建立在设备试验数据基础上的风险评估方法大多单一或有限，未能综合考虑 设备内部影响因素对设备风险的综合影响程度，评估结果的准确度和针对性有待提高。
[0009]2)由于缺陷或故障属于小概率事件，现有的缺陷或故障样本数据无法满足智能评估 方法对建模样本的需求，难以获取状态参量与设备风险之间的关联关系和演变规律，导致 评估模型的关键参数主要依靠经验选取，严重制约了评估结果的准确度和评估方法的实用 性。
[0010]3)现有的设备风险评估方法依赖于人工判断，准确性和效率亟待提高，严重制约了 设备风险评估的准确性。
[0011]基于以上问题，急需探索新的风险评估方法，建立风险评估模型，提高评估结果的准 确性，实现设备风险的精细化评估。
技术实现思路
[0012]本专利技术要解决的技术问题是：提供一种基于深度学习的一次设备风险智能评估方法， 以解决现有技术中存在的技术问题。
[0013]本专利技术采取的技术方案为：一种基于深度学习的一次设备风险智能评估方法，该方法 包括以下步骤：
[0014]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；
[0015]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；
[0016]步骤3：构建缺陷智能诊断模型，精准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；
[0017]步骤4：缺陷诊断结果分析，推荐缺陷管理措施；
[0018]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；
[0019]步骤6：根据设备风险的影响程度划分风险等级。
[0020]上述缺陷数据分析：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。
[0021]上述步骤2中设备缺陷标准库的构建方法包括以下步骤：
[0022]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；
[0023]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。
[0024]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，最终获得设备缺陷标准库。
[0025]上述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。
[0026]缺陷报告数据包含设备基本信息、缺陷描述信息、缺陷发生原因、处理措施及管理措 施等数据。
[0027]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。
[0028]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。
[0029]上述步骤3中缺陷智能诊断模型构建方法：(1)缺陷诊断体系：对设备类型、对应设 备的缺陷及其部位、对应缺陷的缺陷部件进行汇总形成缺陷诊断体系表；(2)缺陷诊断模 型：a)根本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的一次设备风险智能评估方法，其特征在于：该方法包括以下步骤：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；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；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。2.根据权利要求1所述的一种基于深度学习的一次设备风险智能评估方法，其特征在于：缺陷数据分析：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。3.根据权利要求1所述的一种基于深度学习的一次设备风险智能评估方法，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；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，最终获得设备缺陷标准库。4.根据权利要求3所述的一种基于深度学习的一次设备风险智能评估方法，其特征在于：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。5.根据权利要求1所述的一种基于深度学习的一次设备风险智能评估方法，其特征在于：步骤3中缺陷智能诊断模型构建方法：(1)缺陷诊断体系：对设备类型、对应设备的缺陷及其部位、对应缺陷的缺陷部件进行汇总形成缺陷诊断体系表；(2)缺陷诊断模型：a)根据缺陷数据记录表，建立设备缺陷诊断数...
【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，吴建蓉，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。