一种开关设备可靠性评价方法与流程

本发明涉及电力系统
技术领域：
，尤其涉及一种开关设备可靠性评价方法。
背景技术：
：开关设备是电力系统中关键的控制和保护设备，其一旦发生故障将引起所辖社区乃至全部地区停电。停电检修时除需要投人大量的人力物力外，还需要较长的维修时间，必将造成巨大的经济损失和社会影响。对故障发生概率的估计，即可靠性评价对合理安排检修时间、减少故障风险有着重要的意义。目前对开关设备的可靠性评价有以下几种方法：一、采用专家经验判断并结合设备的设计使用寿命进行剩余寿命估计，一些其他的高级算法，比如模糊综合判别方法在本质上也属于依赖专家经验；二、根据单台电力设备的可靠性及故障率具有随机性，但是对于电力系统整体而言，某类设备的可靠性及故障率具有统计规律，因此可以使用大量的数据统计结合威布尔分布等寿命分布绘制寿命曲线，并据此作为可靠性和故障概率的估计；三、使用在线监测方法对某些特征量进行在线监测，并与已经设定好的阈值相比较来判断；四、采取一些更加先进的智能算法，例如神经网络、支持向量机等来对设备的寿命和可靠性进行估计。发明人发现，以上四种评价方法均存在不足之处。在第一种方法中，评价的准确性受到专家知识水平的影响，对各个因素的权值判断具有较大的主观性；在第二种方法中，当前所进行的以数据分布为基础的统计分析然后绘制寿命曲线的方法，其使用的全部数据为设备到寿命终止所使用的时间，或者运行到当前时刻的截尾时间。大量有价值的信息，比如设备的型号、环境因素、家族性缺陷史、运行历史、负荷等信息都没有得到很好的利用。其次，统计分析需要在大样本的条件下才能获取较为准确的评价，其一、各个设备型号不同、运行工况不同，统计的粒度和准确性的平衡难以掌握；其二、大样本下的统计值对单个设备运维的指导意义有限；第三种方法中，在线监测的对象往往是某个特定值，对设备整体的可靠性必然要求更多的在线监测值，对成本和安全性都是很大考验。此外在网络的实际运行中，在线监测设备的覆盖率并没有达到一个很理想的程度，且某些在线监测对象的识别仍然需要进一步的研究；第四种方法中，由于浅层神经网络结构的限制，其学习能力是有限的，开关设备可靠性影响因素很多，神经网络等方法面对较高的输入维度可能无法得到理想的结果，而若较低的输入数量则无法反映设备完整的状况。此外，以上方法还面临一个共同问题是其面对复杂编码的困难，电力系统中大量以非数值形式存在的变量，如变电站名称、开关设备型号、生产厂家等只能采用采用很高的编码维度来区分彼此，且只能采用简单统计方法进行不同性能的比较，无法进行更深层次的知识挖掘。技术实现要素：本发明所要解决的技术问题在于，提供一种开关设备可靠性评价方法，能够融合多种信息来源，结合开关设备的复杂性，解决非数值参量的编码问题，量化开关设备的可靠性评价。为了解决上述技术问题，本发明提供一种开关设备可靠性评价方法，包括：步骤S1，分别对开关设备产生的基础数据和运行数据进行预处理和初始化，并建立相应的向量对照表；步骤S2，建立基础数据的树形结构，并使用递归神经网络进行建模；步骤S3，建立运行数据的时序结构，并使用循环神经网络进行建模；步骤S4，根据步骤S2、步骤S3建立的模型，建立损失函数，并进行模型训练；步骤S5，结合所述向量对照表，进行模型推理，获得最终的风险估计。其中，所述基础数据是指开关设备在投入运行之前产生的数据，所述运行数据是指在开关设备投入运行之后产生的数据。其中，所述步骤S1中对所述基础数据和运行数据进行预处理包括：将基础数据集和运行数据集的具体值投射到d维向量空间，将每个特征值用一个d维向量表示。其中，所述步骤S1中对所述基础数据和运行数据进行初始化包括：遍历基础数据和运行数据所有属性可能的取值，并为每个取值使用随机数初始化一个d维的向量。其中，所述步骤S2具体包括：步骤S21，根据基础数据的结构功能关系，将其所有属性结合建立树形结构；步骤S22，将原始的树形结构转化为二叉树；步骤S23，将二叉树映射到一个递归神经网络上；步骤S24，进行递归神经网络的正向计算，直到计算到基础数据树形结构的根节点的隐含向量为止。其中，所述步骤S22具体包括：步骤S221，对于子节点大于两个的节点，依次在其两个子节点之间与其之间插入一个临时节点，并使此临时节点直接与其相连，同时临时节点作为其两个子节点的父节点。结果导致当前树枝的深度加一。其中，所述开关设备可靠性评价方法还包括：步骤S222，对于某个叶节点，若无法取得相关信息，则使用“未知”进行填充；若某分支节点的取值位未知，且其下的所有节点全为未知，则保留此分支节点，并去掉此节点下的全部节点，使分支节点变成一个叶节点，同时对此叶节点使用“未知”填充。其中，所述步骤S23具体包括：步骤S231，对照基础数据的树形结构，按照相同的结构建立递归神经网络；步骤S232，按照叶节点具体的取值在所述向量对照表中取得对应的向量值L并代入递归神经网络的叶节点，若其中不含有某叶节点的具体取值，则使用“未知”属性所对应的向量代入，对于分支节点，使用维度为d的隐含向量表示。其中，所述步骤S24具体包括：使用随机数初始化模型参数，从最末端的叶节点开始一直递归计算，直到计算到基础数据树结构的根节点的隐含向量为止。其中，所述步骤S3具体包括：步骤S31，循环神经网络的初始隐含状态取递归神经网络的根节点的向量取值；步骤S32，同时从所述向量对照表中取得对应时刻的事件向量值并代入输入，若其中不含有某叶节点的具体取值，则使用“未知”属性所对应的向量代入；步骤S33，从0时刻起，每当有新的事件向量产生，则代入循环神经网络进行一次事件更新产生新的隐含向量。当获得最后一次事件更新后，解码最后一个隐含向量输出当前的风险值。其中，所述步骤S4中，将所述步骤S2中递归神经网络和所述步骤S3中循环神经网络的全部参数记为θ，将模型的全部输入记为X，所建立的损失函数如下：l(x,θ):=-Σi:Ei=1(y^i,θ(Xi)-logΣj∈R(Ti)ey^j,θ(Xj))]]>其中，Ei为标志函数，表示开关设备是否退役；R(Ti)为开关设备i退役时仍没有退役的开关设备合集，Xi为开关设备i的全部输入数据，为开关设备i的循环神经网络最后一个事件发生后解码产生的风险。其中，所述步骤S4中使用梯度下降法对模型进行训练，对全部参数θ和全部输入X分别进行参数更新，并在达到指定的更新次数后停止模型训练。其中，所述步骤S5具体包括：步骤S51，对于训练好的递归神经网络进行模型推理时，对照开关设备的输入取值，在所述向量对照表中取得对应的属性向量和事件向量；步骤S52，使用递归神经网络进行基础信息的融合和递归计算，直到获得根节点的值；步骤S53，将递归神经网络根节点的值代入循环神经网络，作为其初始隐含状态，并按照时序取得开关设备运行过程中发生所有运行数据，代入所对应的事件向量进行循环计算，直到计算到最后一个隐含状态，并解码计算风险向量；步骤S54，计算最大风险作为最终的风险估计。本发明实施例的有益效果在于：通过结合递归神经网络和循环神经网络构成深度神经网络，实现深度学习模型；同时引入属性向量和事件向量的概念解决对非数值数据的低维编码问题，模型具有很强的学习能力和表达能力；能结合基础数据和运行数据，能够实现多源信息的融合、完全寿命数据和截尾寿命数据的融合以及非完整信息的表达，从而为开关设备可靠性提供精确的量化评价，为开关设备的维护和退役决策提供完善及可靠的依据；可以实现对运行信息的在线更新，从而实现开关设备可靠性的动态评估。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例一种开关设备可靠性评价方法的流程示意图。图2是本发明实施例中基础数据的树形结构示意图。图3是本发明实施例中对于分支结构已经确定的树转化为二叉树示意图。图4是本发明实施例中剪枝操作示意图。图5是本发明实施例中递归神经网络结构示意图。图6是本发明实施例中循环神经网络结构示意图。具体实施方式以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。请参照图1所示，本发明实施例一提供一种开关设备可靠性评价方法，包括：步骤S1，分别对开关设备产生的基础数据和运行数据进行预处理和初始化，并建立相应的向量对照表；步骤S2，建立基础数据的树形结构，并使用递归神经网络进行建模；步骤S3，建立运行数据的时序结构，并使用循环神经网络进行建模；步骤S4，根据步骤S2、步骤S3建立的模型，建立损失函数，并进行模型训练；步骤S5，结合所述向量对照表，进行模型推理，获得最终的风险估计。具体地，步骤S1涵盖数据的区分、预处理以及初始化向量对照表。首先进行数据的区分，其具体过程是：将影响开关设备可靠性的数据以从开关设备投入运行的时间点为界，分为两个阶段，投入运行之前产生的数据称之为基础数据，包括变电站信息、设备的基本信息、投运前试验数据等，即一旦投入运行之后不会再改变的数据；投入运行之后的数据，即在开关设备运行过程中产生的数据称之为运行数据，含有开关设备的正常时间老化、日常操作、在线监测数据、发生故障和缺陷、修理和维护几个方面，因为运行数据常常以事件的形式存在，也可以称之为事件数据。需要注意的是，以上的基础数据的具体取值大部分是以类别或描述的形式存在而非具体的数值。其类别具体取值的规模受到被研究问题的规模影响，例如对变电站名称这个属性来讲，对于城市级的研究对象，其取值可能有几百个；对于省区界别的研究对象，其取值可达上千。对于这种信息的编码仿照在自然语言处理中常用的词向量方法，本实施例提出属性向量和事件向量的概念。将开关设备产生的所有的特征数据，即其基础数据集和运行数据集的具体值投射到d维向量空间，将每个特征值用一个d维向量表示。根据所处理问题规模的大小，d可在20到50中间选取。基础数据集中的d维向量称为属性向量，运行数据集中的d维向量称为事件向量。初始化是指遍历基础数据和运行数据所有属性可能的取值，并为每个取值使用随机数初始化一个d维的向量x。然后建立对照表V。d维向量中每个维度的更新在后面的学习过程中获得。请再参照图2-5所示，步骤S2具体包括：步骤S21，根据基础数据的结构功能关系，将其所有属性结合建立树形结构；步骤S22，将原始的树形结构转化为二叉树；步骤S23，将二叉树映射到一个递归神经网络上；步骤S24，进行递归神经网络的正向计算，直到计算到基础数据树形结构的根节点的隐含向量为止。具体地，如图2所示，对于基础数据，根据其结构功能关系，将其所有属性结合建立树形结构，图2是一个典型的树形结构的完整表示例。根据树的基本知识，一个节点含有的子树的个数称为该节点的度。度为0的节点称为叶节点；度不为0的节点称为分支节点。本实施例中的叶节点直接填充基础数据，分支节点起到聚合信息的作用，树的根节点得到基础信息融合的最终编码。本实施例在实施时可根据研究对象的具体情况进行树结构节点的调整，但是对同一个研究问题，其树型结构应当统一。对于分支结构已经确定的树，有很多节点子节点大于两个，可以通过步骤S22将其转化为一个二叉树，即使得每个节点的度最大为2，这样可以对计算进行简化。其具体过程如图3所示，即步骤S22具体包括：步骤S221，对于子节点大于两个的节点，依次在其两个子节点之间与其之间插入一个临时节点，并使此临时节点直接与其相连，同时临时节点作为其两个子节点的父节点。结果导致当前树枝的深度加一。需要注意的是，对于某个叶节点，若无法取得相关信息，则可以使用“未知”进行填充；若某分支节点的取值位未知，且其下的所有节点全为未知，则可以进行剪枝操作。由此，参照图4所示，本实施例还包括：步骤S222，对于某个叶节点，若无法取得相关信息，则使用“未知”进行填充；若某分支节点的取值位未知，且其下的所有节点全为未知，则保留此分支节点，并去掉此节点下的全部节点，使分支节点变成一个叶节点，同时对此叶节点使用“未知”填充。步骤S23对已经转化完成的二叉树，将其映射到一个递归神经网络上。具体地，步骤S23包括：步骤S231，对照基础数据的树形结构，按照相同的结构建立递归神经网络；步骤S232，按照叶节点具体的取值在所述向量对照表V中取得对应的向量值L并代入递归神经网络的叶节点，若其中不含有某叶节点的具体取值，则使用“未知”属性所对应的向量代入，对于分支节点，使用维度为d的隐含向量h表示。映射完成递归神经网络结构如图5所示，其中每个叶节点表示开关设备的某个属性值L，为d维向量；每个分支节点为一个隐含向量h，同样为d维向量。对于子节点为叶节点的隐含向量h，其计算过程如式(1)所示：h=tanh(WLleftLright+b)---(1)]]>同样的，对于子节点为隐含节点的隐含向量，如式(2)所示，可以类似地计算为：h=tanh(Whlefthright+b)---(2)]]>对于子节点同时含有隐含节点和叶节点的节点，如式(3)所示，可以类似地计算为：h=tanh(WLh+b)---(3)]]>其中，W∈Rd×2d，b∈Rd，h∈Rd，L∈Rdtanh(·)为双曲正切函数，其表达式如式(4)所述：tanh(x)=ex-e-xex+e-x---(4)]]>每个隐含节点都是其两个子节点乘以相同的权重W和偏置b得到。步骤S24进行递归神经网络的正向计算过程是：使用随机数初始化模型参数W和b，从最末端的叶节点开始，依照式子(1)(2)(3)依次计算。容易看出，这是一个递归结构，从最末端的叶节点一直递归计算，直到计算到基础数据树结构的根节点的隐含向量为止。如前所述，运行数据为开关设备运行过程中产生的数据，其具体成分含有设备的1)正常时间老化：运行一年，运行两年等；2)日常操作：进行一次分/合闸操作，进行一次短路电流操作等；3)在线监测数据：某在线监测对象及其取值；4)发生故障和缺陷：发生故障种类和发生缺陷种类；5)修理和维护：预防性检修对象及其测试值等。运行过程中的所有数据同样以一个d维的向量表示。所有事件的发生是一个时序数据，步骤S3中使用循环神经网络进行建模。循环神经网络的具体结构如图6所示。如图6所示，循环神经网络在第t个事件发生时有输入xt，隐含状态ht和输出yt。每个隐含状态ht为当前输入和上一个隐含状态的函数，隐含状态维度同样取为d。输出yt为当前隐含状态的函数，称之为风险值，其维度为F，F的每个维度代表设备由于某种原因达到寿命重点的风险。隐含状态ht和风险yt的具体计算过程如式(5)和(6)所示：ht＝σ(W(hh)ht-1+W(hx)x[t])(5)y^t=softmax(WSht)---(6)]]>其中，xt∈Rd，ht-1∈Rd，Whx∈Rd×d，Whh∈Rd×d，WS∈RF×d，σ(·)为sigmoid函数，其表达式为：σ(x)=11+e-x---(7)]]>即每个隐含节点ht都是上一个隐含节点ht-1和当前输入xt乘以相同的权重得到。由此，步骤S3进行循环神经网络的正向计算的具体过程包括：步骤S31，循环神经网络的初始隐含状态h0取递归神经网络的根节点的向量取值；步骤S32，同时从所述向量对照表V中取得对应时刻的事件向量值并代入输入xt，若其中不含有某叶节点的具体取值，则使用“未知”属性所对应的向量代入。容易看出，这是一个循环结构，从0时刻起，每当有新的事件向量产生，则代入循环神经网络，使用式(5)进行一次事件更新产生新的隐含向量。当获得最后一次事件更新后，通过式(6)进行解码输出当前的风险值，即：步骤S33，从0时刻起，每当有新的事件向量产生，则代入循环神经网络进行一次事件更新产生新的隐含向量。当获得最后一次事件更新后，解码最后一个隐含向量输出当前的风险值。将前述步骤S2中递归神经网络和步骤S3中循环神经网络的全部参数记为θ，其具体内容含有递归神经网络的权重W和偏置b，循环神经网络的权重W(hx)，W(hh)和WS，将模型的全部输入记为X，其具体内容含有递归神经网络的输入的属性向量L和循环神经网络输入的事件向量x。所建立的损失函数如式(8)所示：l(x,θ):=-Σi:Ei=1(y^i,θ(Xi)-logΣj∈R(Ti)ey^j,θ(Xj))---(8)]]>其中，Ei为标志函数，表示开关设备是否退役；R(Ti)为开关设备i退役时仍没有退役的开关设备合集，Xi为开关设备i的全部输入数据，为开关设备i的循环神经网络最后一个事件发生后解码产生的风险。对这个损失函数的直观理解为，应尽可能扩大失效开关设备与未失效开关设备风险指数的大小。步骤S4使用梯度下降法对模型进行训练。其具体过程为：对网络参数θ，使用如式(9)所示的更新方程进行参数更新：θold=θnew-α▿θl(x,θ)---(9)]]>对每个属性向量及事件向量X，使用如式(10)所示的更新方程进行参数更新：Xold=Xnew-α▿xl(x,θ)---(10)]]>α为模型参数更新步长，一般可取0.001，当模型训练达到指定的更新次数后停止模型训练。更新次数可取10000步。模型训练完成后使用Xnew更新向量对照表V中对应的值。对全部参数记为θ和全部输入X进行参数更新。达到指定的更新次数后停止模型训练。步骤S5具体包括：步骤S51，对于训练好的递归神经网络进行模型推理时，对照开关设备的输入取值，在所述向量对照表V中取得对应的属性向量和事件向量。步骤S52，使用递归神经网络进行基础信息的融合和递归计算，直到获得根节点的值h0；其中，递归运算使用前述式(1)、(2)、(3)；步骤S53，将递归神经网络根节点的值h0代入循环神经网络，作为其初始隐含状态，并按照时序取得开关设备运行过程中发生所有运行数据，代入所对应的事件向量进行循环计算(使用式(5))，直到计算到最后一个隐含状态，其序列记为T，并解码计算风险向量；步骤S54，计算最大风险作为最终的风险估计(使用式(6))。最终的风险实际上是各个寿命终止原因取最大值得到的风险，即取各个维度的最大值。最终的风险估计如式(11)所示：risk=max(y^T)---(11)]]>通过上述说明可知，实施本发明实施例，具有如下有益效果：通过结合递归神经网络和循环神经网络结合构成深度神经网络，实现深度学习模型；同时引入属性向量和事件向量的概念解决对非数值数据的低维编码问题，模型具有很强的学习能力和表达能力；能结合基础数据和运行数据，能够实现多源信息的融合、完全寿命数据和截尾寿命数据的融合以及非完整信息的表达，从而为开关设备可靠性提供精确的量化评价，为开关设备的维护和退役决策提供完善及可靠的依据；可以实现对运行信息的在线更新，从而实现开关设备可靠性的动态评估。以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。当前第1页1 2 3