一種基于平行學習的供變電設備維護方法、系統及設備與流程
1.本技術涉及電力設備健康管理技術領域，更具體地，涉及一種基于平行學習的供變電設備維護方法、系統及設備。
背景技術：
2.隨著中國工業化和自動化水平的日益提高，工業化規模的持續增長，從可靠性和運維工作量上都給供變電關鍵設備的運維檢修工作帶來了巨大的壓力。為了將目前的供變電設備的“被動”運維轉化為“主動”運維，有必要建立一套“主動”的供變電關鍵設備的維護方法，從而避免定時維護和視情維護策略存在的可靠性風險。
3.傳統的視情維護策略存在著退化模型復雜且通用性差的特點，目前大數據和人工智能技術蓬勃發展，工業物聯網技術也日益推廣。在此背景下，基于大數據和人工智能技術的預測性維護方法，則是解決以上問題的有效途徑。
技術實現要素：
4.針對現有技術的至少一個缺陷或改進需求，本發明提供了一種基于平行學習的供變電設備維護方法、系統及設備，能夠快速獲取供變電設備的失效概率與剩余使用壽命并指定維護決策，減輕了維護檢修工作的壓力。
5.為實現上述目的，按照本發明的第一個方面，提供了一種基于平行學習的供變電設備維護方法，該方法包括：
6.采集供變電設備的實時運行數據，并對運行數據進行數據預處理；
7.基于模糊c均值聚類算法對預處理后的運行數據進行處理，將運行數據劃分為正常運行狀態與異常故障狀態；
8.構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策。
9.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述對運行數據進行數據預處理還，具體包括：
10.將所述運行數據視為正態分布，基于正態分布的3σ原則對運行數據進行處理，剔除分布在(μ-3σ,μ+3σ)區間外誤差較大的數據；其中，μ為運行數據的均值，σ為運行數據正態分布的標準差。
11.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述對運行數據進行數據預處理，還包括：
12.將所述運行數據標準化，對所述運行數據使用歸一化方法進行處理，將數據轉化為0-1之間的數值。
13.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述對運行數據進行數據預處理，還包括：
14.采用主成分分析法在所述運行數據中選擇出若干個有代表性的綜合數據。
15.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述基于模糊c均值聚類算法對預處理后的運行數據進行處理，具體包括：
16.以所述預處理后運行數據的集合作為樣本集，確定樣本集的類別數目，并設置初始聚類中心；
17.計算各個樣本點與所述初始聚類中心之間的歐氏距；
18.根據當前的各個樣本點與聚類中心之間的歐氏距離更新聚類中心點，并重新計算歐氏距離；
19.根據所述最終的歐氏距離將所述運行數據劃分到正常運行狀態類別或與異常故障狀態類別。
20.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策，具體包括：
21.構建平行學習模型；
22.對所述異常故障狀態對應的運行數據進行計算實驗與預測學習后，產生若干個人工數據；
23.通過所述人工數據構造人工系統。
24.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策，還包括：
25.基于馬爾科夫決策過程，隨機獲取當前所述人工系統狀態，記錄當前學習動作；
26.基于所述當前人工系統狀態與當前學習動作建立當前知識矩陣，根據當前人工系統狀態、下一時刻的人工系統狀態與當前學習動作計算立即獎勵；
27.根據當前知識矩陣與立即獎勵更新下一時刻的知識矩陣；
28.將所述知識矩陣存儲至狀態轉移函數中。
29.進一步地，上述基于平行學習的供變電設備維護方法，其中，所述構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策，還包括：
30.求解使得知識矩陣最大化時的動作值；
31.重復隨機獲取所述人工系統狀態的步驟，直至遍歷所有所述人工系統，得到所述供變電設備失效概率與供變電設備使用壽命；
32.根據所述供變電設備失效概率與供變電設備使用壽命制定供變電設備的維護決策。
33.按照本發明的第二個方面，還提供了一種基于平行學習的供變電設備維護系統，該系統包括：
34.數據采集與處理模塊，用于采集供變電設備的實時運行數據，并對運行數據進行
數據預處理；
35.模糊c均值聚類算法模塊，用于對預處理后的運行數據進行處理，將運行數據劃分為正常運行狀態與異常故障狀態；
36.預測與決策模塊，用于構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策。
37.按照本發明的第三個方面，還提供了一種基于平行學習的供變電設備維護設備，其包括至少一個處理單元、以及至少一個存儲單元，其中，所述存儲單元存儲有計算機程序，當所述計算機程序被所述處理單元執行時，使得所述處理單元執行上述任一項所述方法的步驟。
38.按照本發明的第四個方面，還提供了一種存儲介質，其存儲有可由基于平行學習的供變電設備維護設備執行的計算機程序，當所述計算機程序在基于平行學習的供變電設備維護設備上運行時，使得所述基于平行學習的供變電設備維護設備執行上述任一項所述方法的步驟。
39.總體而言，通過本發明所構思的以上技術方案與現有技術相比，能夠取得下列有益效果：
40.(1)本發明提供的基于平行學習的供變電設備維護方法，通過模糊c均值聚類算法對采集的供變電設備運行數據進行處理，直接獲取設備當前運行狀態；通過平行學習模型，避免了復雜的工程建模過程，能夠快速獲取供變電設備的失效概率與剩余使用壽命，減輕了維護檢修工作的壓力；
41.(2)采用本發明提供的基于平行學習的供變電設備維護方法，基于大數據與人工智能技術創建預測性維護方法，避免使用退化模型，具有較好的通用性與泛化能力。
附圖說明
42.為了更清楚地說明本技術實施例中的技術方案，下面將對實施例中所需使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本技術的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
43.圖1為本技術實施例提供的基于平行學習的供變電設備維護方法的流程示意圖；
44.圖2為本技術實施例提供的基于平行學習的供變電設備維護系統結構示意圖。
具體實施方式
45.為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。此外，下面所描述的本發明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。
46.本技術的說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三”等是用于區別不同對象，而不是用于描述特定順序。此外，術語“包括”和“具有”以及它們任何變形，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選
地還包括對于這些過程、方法、產品或設備固有的其他步驟或單元。
47.一方面，本技術提供了一種基于平行學習的供變電設備維護方法，圖1為本技術實施例提供的基于平行學習的供變電設備維護方法的流程示意圖，請參閱圖1。該方法包括以下步驟：
48.(1)采集供變電設備的實時運行數據，并對運行數據進行數據預處理；
49.對采集到的實時運行數據通過以下方式進行數據清洗：去除或補全有字段缺失的數據；去除或修改格式和內容錯誤的數據；去除或修改邏輯錯誤的數據；去除不需要的數據；通過驗證數據之間的關聯性來選擇數據正確的特征屬性；將所有相關數據進行匯總融合，將多源異構的數據進行統一數據模型建模以集成數據。
50.進一步地，將運行數據視為正態分布，基于正態分布的3σ原則對運行數據進行處理，在正態分布中3σ原則為，數值分布在(μ-σ,μ+σ)中的概率為0.6826，數值分布在(μ-2σ,μ+2σ)中的概率為0.9544，數值分布在(μ-3σ,μ+3σ)中的概率為0.9974，可以認為一組運行數據或歷史數據的取值幾乎全部集中在(μ-3σ,μ+3σ)區間內，超出這個范圍的可能性僅占不到0.3％。其中，μ為運行數據的均值，σ為運行數據正態分布的標準差。因此，通常把等于
±
3σ的誤差作為極限誤差，若一組運行數據或歷史數據中某個數據值的殘余誤差的絕對值vi》3σ，則該測量值為異常值，對應樣本則為異常樣本，應予以剔除。
51.作為一個優選的實施例，對運行數據使用歸一化方法對數據進行處理，在不改變數據分布的前提下，將數據轉化為0-1之間的連續變量，加速機器學習的收斂，可表示為式(1)，記原始運行數據值為x＝(x1,x2,
…
,xn)，
[0052][0053]
其中，max(x)與min(x)分別代表運行數據的最大值和最小值。
[0054]
作為一個優選的實施例，采用降為的思想，將把大量運行數據轉化為少數幾個綜合數據，即主成分，其中每個主成分都能夠反映原始運行數據變量的大部分信息，且所含信息互不重復。這種方法在引進多方面變量的同時將復雜因素歸結為幾個主成分，使問題簡單化，同時得到的結果更加科學有效的數據信息。
[0055]
(2)基于模糊c均值聚類算法對預處理后的運行數據進行處理，將運行數據劃分為正常運行狀態與異常故障狀態；
[0056]
模糊c均值聚類算法的目標函數是各樣本點的隸屬度和該點與聚類中心的歐氏距離的乘積之和，模糊c均值聚類算法就是求使聚類目標函數最小化的劃分矩陣u和聚類中心矩陣c，可表示為式(2)，
[0057][0058]
其中，n是樣本數據集的個數；c是聚類中心；m為模糊加權指數；d
ij
表示樣本點和聚類中心之間的歐氏距離。
[0059]
以預處理后運行數據的集合作為樣本集，確定樣本集的類別數目，并設置一個初始的聚類中心，聚類中心可表示為式(3)，
[0060][0061]
計算各個樣本點與初始聚類中心之間的歐氏距離可表示為式(4)，
[0062]dij
(xj,ci)＝||x
j-ci||(4)
[0063]
根據當前的各個樣本點與聚類中心之間的歐氏距離更新聚類中心點，并重新計算歐氏距離；
[0064]
根據歐式距離計算各個樣本點的隸屬度可表示為式(5)，
[0065][0066]
根據最終的歐氏距離將運行數據劃分到正常運行狀態類別或與異常故障狀態類別。
[0067]
(3)構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策。
[0068]
構建平行學習模型，對異常故障狀態對應的運行數據進行計算實驗與預測學習后，產生若干個人工數據,通過人工數據構造人工系統。
[0069]
基于馬爾科夫決策過程，隨機獲取當前人工系統狀態，記錄當前學習動作；基于當前人工系統狀態與當前學習動作建立當前知識矩陣，根據當前人工系統狀態、下一時刻的人工系統狀態與當前學習動作計算立即獎勵；根據當前知識矩陣與立即獎勵更新下一時刻的知識矩陣；將所知識矩陣存儲至狀態轉移函數中。求解使得知識矩陣最大化時的動作值；重復隨機獲取所述人工系統狀態的步驟，直至遍歷所有所述人工系統，得到供變電設備失效概率與供變電設備使用壽命。上述過程可表示為式(6)與式(7)，
[0070][0071][0072]
其中，q為知識矩陣，s為人工系統狀態，a為學習動作，l、p和k分別代表第l個用于遷移學習的實碼,第p次搜索,第k次迭代；r
ij
lp為立即獎勵，一般可以通過最優化目標轉化而來；q
ij
l和δq
ij
為知識矩陣及其增量；q0是統一概率分布中的隨機值；ε為局部貪婪搜索參數；a
rand
代表了全局的隨機搜索動作。α為學習參數，γ為可調參數。
[0073]
根據所述供變電設備失效概率與供變電設備使用壽命制定供變電設備的維護決策。其決策內容包括維修程度和最佳維修時間，其中維修程度包括為小范圍小程度維修、大
范圍大程度維修以及設備更換。
[0074]
另一方面，本技術還提供了一種基于平行學習的供變電設備維護系統，圖2為本技術實施例提供的基于平行學習的供變電設備維護系統結構示意圖，請參閱圖2。該系統包括：數據采集預處理模塊，模糊c均值聚類算法模塊以及預測與決策模塊。
[0075]
數據采集與處理模塊，用于采集供變電設備的實時運行數據，并對運行數據進行數據預處理；
[0076]
模糊c均值聚類算法模塊，用于對預處理后的運行數據進行處理，將運行數據劃分為正常運行狀態與異常故障狀態；
[0077]
預測與決策模塊，用于構建平行學習模型，基于馬爾可夫決策過程訓練所述平行學習模型，將所述異常故障狀態對應的運行數據輸入至平行學習模型中，得到供變電設備失效概率與剩余使用壽命的預測結果并制定供變電設備的維護決策。
[0078]
本技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現上述方法的步驟。其中，計算機可讀存儲介質可以包括但不限于任何類型的盤，包括軟盤、光盤、dvd、cd-rom、微型驅動器以及磁光盤、rom、ram、eprom、eeprom、dram、vram、閃速存儲器設備、磁卡或光卡、納米系統(包括分子存儲器ic)，或適合于存儲指令和/或數據的任何類型的媒介或設備。
[0079]
需要說明的是，對于前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本技術并不受所描述的動作順序的限制，因為依據本技術，某些步驟可以采用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬于優選實施例，所涉及的動作和模塊并不一定是本技術所必須的。
[0080]
在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。
[0081]
在本技術所提供的幾個實施例中，應該理解到，所揭露的裝置，可通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特征可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些服務接口，裝置或單元的間接耦合或通信連接，可以是電性或其它的形式。
[0082]
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
[0083]
另外，在本技術各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現，也可以采用軟件功能單元的形式實現。
[0084]
所述集成的單元如果以軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲器中。基于這樣的理解，本技術的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟件產品的形式體
現出來，該計算機軟件產品存儲在一個存儲器中，包括若干指令用以使得一臺計算機設備(可為個人計算機、服務器或者網絡設備等)執行本技術各個實施例所述方法的全部或部分步驟。而前述的存儲器包括：u盤、只讀存儲器(read-only memory，rom)、隨機存取存儲器(random access memory，ram)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質。
[0085]
本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通進程序來指令相關的硬件來完成，該程序可以存儲于一計算機可讀存儲器中，存儲器可以包括：閃存盤、只讀存儲器(read-only memory，rom)、隨機存取器(random access memory，ram)、磁盤或光盤等。
[0086]
以上所述者，僅為本公開的示例性實施例，不能以此限定本公開的范圍。即但凡依本公開教導所作的等效變化與修飾，皆仍屬本公開涵蓋的范圍內。本領域技術人員在考慮說明書及實踐這里的公開后，將容易想到本公開的其實施方案。本技術旨在涵蓋本公開的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本公開的一般性原理并包括本公開未記載的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本公開的范圍和精神由權利要求限定。
[0087]
以上實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。
[0088]
本領域的技術人員容易理解，以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
