【技术实现步骤摘要】
本专利技术涉及智能电网，尤其涉及一种配电网设备状态健康预测方法、系统、设备及介质。
技术介绍
1、在电力系统中，配电网设备状态的健康预测对于确保电力供应的稳定性和安全性至关重要，随着智能电网的发展，基于数据驱动的配电网设备状态健康预测方法得到广泛应用，这类方法主要依赖于机器学习、神经网络及深度学习等技术，通过对来自各类电力设备的实时传感器数据进行深度分析，实现对设备健康状态的监测与预测。
2、虽然基于数据驱动的配电网设备状态监测方法在提升预测准确性方面取得了显著成效，特别是在评估变压器、断路器等关键设备的运行状况时，但现有的技术体系仍面临诸多挑战，其中，配电网设备状态的预测需要考虑多种因素的相互作用，包括设备运行参数、环境条件等，这些因素之间存在复杂的非线性关系，传统配电网设备状态健康预测方法忽略了不同因素之间的非线性关系，导致设备健康状态预测存在偏差。
技术实现思路
1、为解决以上技术问题，本专利技术提供了一种配电网设备状态健康预测方法、系统、设备及介质。
2、第一方面，本专利技术提供了一种配电网设备状态健康预测方法，所述方法包括以下步骤：
3、从配电网中获取配电网设备运行状态信息和环境数据，得到原始设备状态数据集；
4、对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集；
5、通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型；
6、利用所述最优配电
7、在进一步的实施方案中，所述对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集的步骤包括：
8、利用统计方法对所述原始设备状态数据集中的缺失值和异常值进行检测，并对所述缺失值和所述异常值进行修正，得到修正设备状态数据集；
9、对所述修正设备状态数据集进行归一化处理，得到预处理设备状态数据集。
10、在进一步的实施方案中，所述最优配电网状态预测模型包括依次连接的输入层、多个隐藏层和输出层；所述输入层的神经元数量与所述预处理设备状态数据集的维度相同；
11、所述输入层用于接收所述预处理设备状态数据集，并对所述预处理设备状态数据集进行特征映射处理，得到多维特征状态表示；
12、所述隐藏层用于对所述多维特征状态表示进行非线性变换，得到多维特征非线性变换结果，并通过激活函数将多维特征非线性变换结果映射为一维特征，得到一维设备状态特征表示，将所有一维设备状态特征表示进行加权求和，得到所有隐藏层输出的中间结果；
13、所述输出层用于将所有隐藏层输出的中间结果进行非线性组合，得到设备健康预测结果。
14、在进一步的实施方案中，所述通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型的步骤包括：
15、根据配电网设备状态预测需求定义待优化的超参数集合，并根据待优化的超参数集合随机选择初始超参数组合；
16、将改进均方误差作为优化目标函数，并利用优化目标函数计算得到初始超参数组合下的配电网设备状态预测误差；
17、根据所述配电网设备状态预测误差拟合正态分布过程，得到超参数概率值；
18、引入加权期望改进策略，利用所述超参数概率值筛选出下一超参数组合，重复上述步骤，利用下一超参数组合迭代更新超参数概率值，并根据加权期望改进策略逐步优化超参数，直至达到预设收敛条件，得到最优超参数组合；
19、将最优超参数组合作为配电网状态预测模型的超参数组合，得到最优配电网状态预测模型。
20、在进一步的实施方案中，所述改进均方误差根据配电网设备的实际健康状态与预测健康状态之间的平均平方误差，以及加权的平均预测偏差项计算得到。
21、在进一步的实施方案中，所述引入加权期望改进策略，利用所述超参数概率值筛选出下一超参数组合的步骤包括：
22、将超参数概率值与当前最小超参数概率值进行比较，若超参数概率值小于当前最小超参数概率值，则将超参数概率值与当前最小超参数概率值之差作为潜在改进值；
23、若超参数概率值不小于当前最小超参数概率值，则将零作为潜在改进值；
24、确定初始超参数组合的搜索方向调节因子，根据所述潜在改进值和所述搜索方向调节因子，得到期望改进值；
25、根据期望改进值筛选出最大期望改进值的超参数组合，作为下一超参数组合进行迭代更新。
26、在进一步的实施方案中，所述预设收敛条件具体为加权期望改进策略的期望改进值小于预设收敛阈值。
27、第二方面，本专利技术提供了一种配电网设备状态健康预测系统，所述系统包括：
28、数据采集模块，用于从配电网中获取配电网设备运行状态信息和环境数据，得到原始设备状态数据集；
29、数据预处理模块，用于对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集；
30、模型构建模块，用于通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型；
31、健康预测模块，用于利用所述最优配电网状态预测模型对所述预处理设备状态数据集进行健康状态预测，得到设备健康预测结果，并根据所述设备健康预测结果对故障设备进行预警。
32、第三方面，本专利技术还提供了一种计算机设备，包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行实现上述方法的步骤。
33、第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
34、本专利技术提供了一种配电网设备状态健康预测方法、系统、设备及介质，所述方法包括从配电网中获取配电网设备运行状态信息和环境数据，得到原始设备状态数据集；对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集；通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型；利用所述最优配电网状态预测模型对所述预处理设备状态数据集进行健康状态预测，得到设备健康预测结果，并根据所述设备健康预测结果对故障设备进行预警。与现有技术相比，该方法通过最优配电网状态预测模型捕捉配电网设备运行数据中的非线性关系，实现对配电网设备状态的准确预测，从而能够提前预警潜在故障，提高电网运行的可靠性和稳定性。
本文档来自技高网...【技术保护点】
1.一种配电网设备状态健康预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于，所述对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集的步骤包括：
3.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于：所述最优配电网状态预测模型包括依次连接的输入层、多个隐藏层和输出层；所述输入层的神经元数量与所述预处理设备状态数据集的维度相同；
4.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于，所述通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型的步骤包括：
5.如权利要求4所述的一种配电网设备状态健康预测方法，其特征在于：所述改进均方误差根据配电网设备的实际健康状态与预测健康状态之间的平均平方误差，以及加权的平均预测偏差项计算得到。
6.如权利要求4所述的一种配电网设备状态健康预测方法，其特征在于，所述引入加权期望改进策略，利用所述超参数概率值筛选出下一超参数组合的步骤包括：
7.如权利
8.一种配电网设备状态健康预测系统，其特征在于，所述系统包括：
9.一种计算机设备，其特征在于：包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种配电网设备状态健康预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于，所述对所述原始设备状态数据集进行预处理，得到预处理设备状态数据集的步骤包括：
3.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于：所述最优配电网状态预测模型包括依次连接的输入层、多个隐藏层和输出层；所述输入层的神经元数量与所述预处理设备状态数据集的维度相同；
4.如权利要求1所述的一种配电网设备状态健康预测方法，其特征在于，所述通过加权期望改进策略对预先构建的配电网状态预测模型的超参数进行迭代优化，得到最优配电网状态预测模型的步骤包括：
5.如权利要求4所述的一种配电网设备状态健康预测方法，其特征在于：所述改进均方误差根据配电网设备的实际健康状态与预测健康状态之间的平均平方误差，以及加权的平均预...
【专利技术属性】
技术研发人员：金旻旻，樊立波，韩荣杰，孙智卿，屠永伟，方响，程炜东，张水云，王亿，黄佳斌，来益博，宣羿，蒋建，陈益芳，王奇锋，陆涛，邵鹏程，金森君，李楠，
申请(专利权)人：国网浙江省电力有限公司杭州供电公司，
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。