一种电力资产画像的构建方法及装置与流程

本发明涉及电力系统通信技术领域，具体涉及一种电力资产画像的构建方法及装置。

背景技术：

一个实体的属性可从各维度进行描述。以人为例，其人口统计维度的属性包括姓名、年龄和性别等，关于其消费活动这一维度的属性包含了消费水平和消费频率等，其健康状况维度的属性包含视力情况、患病风险等。画像技术可选择出实体相对重要的一系列属性并将它们标签化，使得这一实体的客观情况可存储、可计算，方便了后期数据分析工作的开展。一个标签是一个二元组，可表示为Tag＝〈VarName，VarValue〉，包括属性名称及其赋值。画像技术已广泛用于多个领域，尤其在用户画像方面，已经带来了显著的经济效益。所以，对电力资产进行画像或许可以为资产的全生命周期管理提供参考依据，进而提高电网的经济性、可靠性和安全性，然而关于电力资产画像方面的工作还未曾系统开展过。

电力公司各部门对电力资产的关注点不同，因而对电力资产画像的要求也不一样，所以如何能够构建一个完善的电力资产标签体系来满足各部门的要求变得相对困难。另外，为标签赋值也是一大难点，因为电力资产的标签众多且涉及到的数据来源比较零散，分别考虑每一个标签并为其制订赋值的方法必定会大大降低工作的效率。

技术实现要素：

因此，本发明要解决的技术问题在于克服现有技术中的电力资产的标签众多且涉及到的数据来源比较零散导致电力资产画像难以构成的问题，从而提供一种电力资产画像的构建方法及装置。

本发明实施例提供一种电力资产画像的构建方法，包括：接收用户输入的电力资产的维度信息及标签信息；根据所述维度信息将所述电力资产划分为多个维度；根据所述标签信息分别在各个所述维度中建立各个所述维度的电力标签；根据带有所述电力标签的各个所述维度的电子资产构建电力资产画像。

在一实施例中，上述的根据所述标签信息分别在各个所述维度中建立各个所述维度的电力标签，包括：根据电力设备的属性信息赋值生成属性类标签；根据电力设备的运行数据，通过逻辑计算生成行为标签；通过挖掘算法，构建模型AHP的模糊综合评价模型、决策树、SVM算法、Apprioi算法、L1/2稀疏迭代故障预测和tf-idf算法，生成电力设备的评价标签及预测标签。

在一实施例中，上述根据所述维度信息将所述电力资产划分为三个维度，所述三个维度为：成本维度、效能维度及预防性检修维度。

本发明实施例还提供一种电力资产画像的构建装置，包括：信息接收模块，用于接收用户输入的电力资产的维度信息及标签信息；维度划分模块，用于根据所述维度信息将所述电力资产划分为多个维度；标签建立模块，用于根据所述标签信息分别在各个所述维度中建立各个所述维度的电力标签；电力资产画像构建模块，用于根据带有所述电力标签的各个所述维度的电子资产构建电力资产画像。

在一实施例中，上述的标签建立模块具体用于：根据电力设备的属性信息赋值生成属性类标签；根据电力设备的运行数据，通过逻辑计算生成行为标签；通过挖掘算法生成电力设备的评价标签及预测标签。

在一实施例中，上述的维度划分模块将所述电力资产划分为三个维度，所述三个维度为：成本维度、效能维度及预防性检修维度。

本发明实施例还提供一种非暂态计算机可读存储介质，其特征在于，所述的非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如上所述的电力资产画像的构建方法。

本发明实施例还提供一种电力资产画像的构建设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如上所述的电力资产画像的构建方法。

本发明技术方案，具有如下优点：通过实施本发明实施例所构建的电力资产画像，可辅助实现电力资产全生命跟踪、全过程记录，实现信息资源跨专业、跨系统共享，提高系统的实用性，与企业决策信息进行互动交换，促进电网企业实现精细化运行和管理。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中电力资产画像的构建方法的一个具体示例的流程图；

图2为本发明实施例中进行电力资产画像的构建过程的整体流程示意图；

图3为本发明实施例中电力资产画像的构建装置的一个具体示例的原理框图；

图4为本发明实施例提供的执行电力资产画像的构建方法的构建设备的硬件结构示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明实施例提供一种电力资产画像的构建方法，如图1所示，该构建方法主要包括如下步骤：

步骤S11：接收用户输入的电力资产的维度信息及标签信息；

步骤S12：根据维度信息将电力资产划分为多个维度；

步骤S13：根据标签信息分别在各个维度中建立各个维度的电力标签；

步骤S14：根据带有电力标签的各个维度的电子资产构建电力资产画像。

通过上述步骤S11至步骤S14，本发明实施例的电力资产画像的构建方法，能够依据用户的选择，针对电力资产的不同维度，按照各个维度的数据建立相应的标签，从而构建电力资产画像，可辅助实现电力资产全生命跟踪、全过程记录，实现信息资源跨专业、跨系统共享，提高系统的实用性，与企业决策信息进行互动交换，促进电网企业实现精细化运行和管理。

以下对本发明实施例的电力资产画像的构建方法中的各个步骤做进一步说明。

上述的步骤S11，接收用户输入的电力资产的维度信息及标签信息。在构建电力资产画像的初始阶段，可先获取用户输入的构建的要求，例如电力资产的维度信息及标签信息。

上述步骤S12，根据维度信息将电力资产划分为多个维度。

在一较佳实施例中，如图2所示，可将电力资产划分为三个维度：成本维度、效能维度和预防性检修维度，其中，成本维度指资产全生命周期成本，具体包括初次投入成本、运维检修成本、故障成本和退役处理成本；效能维度指规定时间内资产的使用效率和产品质量；预防性检修维度主要评价资产当前健康状况，预测未来资产可能变化的趋势，对状态劣化和趋势不良的资产及时发布状态预警消息，并进行有效的故障模式和原因的分析。具体地，预防性检修可具体分为健康评价、故障预测和风险评估三个子维度。

进一步地，成本维度所涉及的数据主要包括：购置费、安装调试费、运行成本、修理成本、故障成本、处置成本和净值收入等。效能维度所涉及数据主要包括：资产利用效率，人员劳动生产率、产品质量、供电可靠性、电压合格率、频率合格率、资产等效利用小时等。健康评价维度所涉及数据主要包括：投运年限、使用环境、击穿实验数据、糠醛实验数据、故障数据和缺陷数据等。故障预测维度所涉及数据主要包括：氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量和总烃含量等油中溶解气体含量。风险评估维度所涉及数据包括：特大资产事故、重大资产事故、A类一般资产事故、B类一般资产事故、资产一类障碍、资产二类障碍、轻度污染、中度污染、严重污染、特大人身事故、重大人身事故、一般人身事故、重轻伤事故、特大电网事故、重大电网事故、A类一般电网事故、B类一般电网事故、电网一类障碍、资产二类障碍等。

需要说明的是，在此实施例中是将电力资产划分为三个维度，但这仅是举例说明，而并非用以限制本发明。在实际应用中，划分的维度的数量及种类均可根据实际需要进行调整。

上述步骤S13，根据标签信息分别在各个维度中建立各个维度的电力标签。

具体地，上述的各个维度分别对应有不同的标签。其中，成本维度所涉及标签包括：投入期成本、运行期成本、报废成本、成本等级、剩余经济寿命等标签。效能维度所涉及标签包括：使用效率、产品质量、效能等级等标签。健康评价子维度包括健康指数、未来10年健康指数、健康状态、未来十年健康状态、剩余健康寿命、故障原因、缺陷原因等标签。故障预测子维度包括故障概率、故障类型、未来故障类型、未来10年故障概率等标签。风险评估子维度包括成本风险、环境风险、人身安全风险、电网安全风险、综合风险等标签。

但由于上述各维度中的标签种类繁多，难以进行统计划分。因此，在一较佳实施例中，本发明实施例的电力资产画像构建方法，是按照用户输入的标签信息对标签进行分类，并按照不同分类在各维度中建立标签。

具体地，可以是将标签分为属性标签、行为标签、评价标签和预测标签。对标签进行分类是为区别标签的数据来源、规范标签的赋值思路。其中，属性标签代表电力资产(例如产品或设备)固有的属性。比如某个标签可能是“电压等级，220kV”，这个标签表明该资产为220kV的资产。属性标签通常是产品的一些静态属性，一般不随时间的变化而变化，并且其取值通常也较容易得到。行为标签记录了资产运行时长、运转周期、维修次数、故障情况等使用记录。行为标签是资产的动态标签，是对资产所处使用寿命周期的体现，需要随着时间的变化而更新。评价标签是在资产的使用和管理过程中，根据运行记录文档中抽取并归纳或者通过数据挖掘算法生成的具有评价功能的信息，如“易发生漏水”、“严重老化”、“风险等级高”，该评价标签实时性要求不高，但计算量较大。预测标签是根据资产过去和现在的信息和特征基础上，采用数据挖掘算法对资产未来的特征和发展规律进行测算，以预先了解其发展过程和结果。

在上述分类方法的基础上指明了每一类标签的赋值思路。关于属性类标签，一般可直接根据电力设备的属性信息进行赋值，从而生成属性类标签，无需复杂算法。关于行为标签，则是根据电力设备的运行数据，通过简单的逻辑计算即可生成这类行为标签。关于评价标签和预测标签需要通过大数据的挖掘算法，构建模型而得到，具体应用的挖掘算法主要包括以下几种：

(1)基于改进AHP的模糊综合评价模型

研究基于改进AHP的模糊综合评价模型来对能效水平进行自动化生成评价类标签，如成本评价、供应商评价标签等。

(2)决策树C4.5和SVM算法

实际应用中，基于设备故障报告中设备故障原因描述多属于非结构化数据，因此，可考虑使用文本挖掘算法(决策树C4.5和SVM算法)中的分词技术，应用分词器对文本进行分词，提取对应设备故障关键的词汇，即设备故障发生原因，对应故障原因的影响因素等。

(3)Apprioir算法

Apprioir算法是常用的关联分析的算法之一，关联分析的目的是找出数据集合中隐藏的关联网，是离散变量因果分析的基础。首先对提取的设备故障发生原因，及故障原因的影响因素进行初步数据认知及统计分析，然后进行关联规则分析。根据关联规则算法，挖掘所有的频繁项集，并通过计算规则的两种度量，即支持度和置信度，找出设备故障原因和影响因素之间的强弱关联关系，最后通过模式评估度量对模型进行分析，筛选出与设备故障原因具有强关联性的影响因素作为故障预测时的关键影响因素。

(4)L1/2稀疏迭代故障预测

采用L1/2稀疏迭代分类算法进行设备故障预测，根据设备故障因素对应状态，分析预测设备发生故障或不发生故障。结合设备故障预测业务，建立分类模型。例如故障发生概率等标签。

(5)文本挖掘(tf-idf算法)

在资产整个寿命周期中，有些信息是以文本的形式记录，而对于这类非结构化数据的处理，需要采用文本特征化技术，提取其中隐含的标签信息。对于文本特征化提取，可以采用tf-idf算法，用来评估一个词对于一个文本集或一个语料库中的其中一份文件的重要程度。例如缺陷内容、故障内容等标签。

上述步骤S14，根据带有电力标签的各个维度的电子资产构建电力资产画像。在通过步骤S11至步骤S13建立了电力资产的各个维度以及各维度的电力标签后，即可根据带有电力标签的各个维度的电子资产构建电力资产画像，从而辅助实现电力资产全生命跟踪、全过程记录，实现信息资源跨专业、跨系统共享，提高系统的实用性，与企业决策信息进行互动交换，促进电网企业实现精细化运行和管理。

本发明实施例还提供一种电力资产画像的构建装置，如图3所示，该构建装置主要包括：信息接收模块1、维度划分模块2、标签建立模块3及电力资产画像构建模块4等。

其中，信息接收模块1用于接收用户输入的电力资产的维度信息及标签信息；维度划分模块2用于根据维度信息将电力资产划分为多个维度；标签建立模块3用于根据标签信息分别在各个维度中建立各个维度的电力标签；电力资产画像构建模块4用于根据带有电力标签的各个维度的电子资产构建电力资产画像。

通过上述各个组成部分之间的协同工作，本发明实施例的电力资产画像的构建装置，能够依据用户的选择，针对电力资产的不同维度，按照各个维度的数据建立相应的标签，从而构建电力资产画像，可辅助实现电力资产全生命跟踪、全过程记录，实现信息资源跨专业、跨系统共享，提高系统的实用性，与企业决策信息进行互动交换，促进电网企业实现精细化运行和管理。

以下对本发明实施例的电力资产画像的构建装置中的各个组成部分及其功能做进一步说明。

上述的信息接收模块1，用于接收用户输入的电力资产的维度信息及标签信息。在构建电力资产画像的初始阶段，可先获取用户输入的构建的要求，例如电力资产的维度信息及标签信息。

上述维度划分模块2，用于根据维度信息将电力资产划分为多个维度。

在一较佳实施例中，维度划分模块2可将电力资产划分为三个维度：成本维度、效能维度和预防性检修维度，其中，成本维度指资产全生命周期成本，具体包括初次投入成本、运维检修成本、故障成本和退役处理成本；效能维度指规定时间内资产的使用效率和产品质量；预防性检修维度主要评价资产当前健康状况，预测未来资产可能变化的趋势，对状态劣化和趋势不良的资产及时发布状态预警消息，并进行有效的故障模式和原因的分析。具体地，预防性检修可具体分为健康评价、故障预测和风险评估三个子维度。

进一步地，成本维度所涉及的数据主要包括：购置费、安装调试费、运行成本、修理成本、故障成本、处置成本和净值收入等。效能维度所涉及数据主要包括：资产利用效率，人员劳动生产率、产品质量、供电可靠性、电压合格率、频率合格率、资产等效利用小时等。健康评价维度所涉及数据主要包括：投运年限、使用环境、击穿实验数据、糠醛实验数据、故障数据和缺陷数据等。故障预测维度所涉及数据主要包括：氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量和总烃含量等油中溶解气体含量。风险评估维度所涉及数据包括：特大资产事故、重大资产事故、A类一般资产事故、B类一般资产事故、资产一类障碍、资产二类障碍、轻度污染、中度污染、严重污染、特大人身事故、重大人身事故、一般人身事故、重轻伤事故、特大电网事故、重大电网事故、A类一般电网事故、B类一般电网事故、电网一类障碍、资产二类障碍等。

需要说明的是，在此实施例中是将电力资产划分为三个维度，但这仅是举例说明，而并非用以限制本发明。在实际应用中，划分的维度的数量及种类均可根据实际需要进行调整。

上述标签建立模块3，用于根据标签信息分别在各个维度中建立各个维度的电力标签。

具体地，上述的各个维度分别对应有不同的标签。其中，成本维度所涉及标签包括：投入期成本、运行期成本、报废成本、成本等级、剩余经济寿命等标签。效能维度所涉及标签包括：使用效率、产品质量、效能等级等标签。健康评价子维度包括健康指数、未来10年健康指数、健康状态、未来十年健康状态、剩余健康寿命、故障原因、缺陷原因等标签。故障预测子维度包括故障概率、故障类型、未来故障类型、未来10年故障概率等标签。风险评估子维度包括成本风险、环境风险、人身安全风险、电网安全风险、综合风险等标签。

但由于上述各维度中的标签种类繁多，难以进行统计划分。因此，在一较佳实施例中，本发明实施例的电力资产画像构建装置，是按照用户输入的标签信息对标签进行分类，并按照不同分类在各维度中建立标签。

具体地，可以是将标签分为属性标签、行为标签、评价标签和预测标签。对标签进行分类是为区别标签的数据来源、规范标签的赋值思路。其中，属性标签代表电力资产(例如产品或设备)固有的属性。比如某个标签可能是“电压等级，220kV”，这个标签表明该资产为220kV的资产。属性标签通常是产品的一些静态属性，一般不随时间的变化而变化，并且其取值通常也较容易得到。行为标签记录了资产运行时长、运转周期、维修次数、故障情况等使用记录。行为标签是资产的动态标签，是对资产所处使用寿命周期的体现，需要随着时间的变化而更新。评价标签是在资产的使用和管理过程中，根据运行记录文档中抽取并归纳或者通过数据挖掘算法生成的具有评价功能的信息，如“易发生漏水”、“严重老化”、“风险等级高”，该评价标签实时性要求不高，但计算量较大。预测标签是根据资产过去和现在的信息和特征基础上，采用数据挖掘算法对资产未来的特征和发展规律进行测算，以预先了解其发展过程和结果。

在上述分类装置的基础上指明了每一类标签的赋值思路。关于属性类标签，一般可直接根据电力设备的属性信息进行赋值，从而生成属性类标签，无需复杂算法。关于行为标签，则是根据电力设备的运行数据，通过简单的逻辑计算即可生成这类行为标签。关于评价标签和预测标签需要通过大数据的挖掘算法，构建模型而得到，具体应用的挖掘算法主要包括以下几种：

(1)基于改进AHP的模糊综合评价模型

研究基于改进AHP的模糊综合评价模型来对能效水平进行自动化生成评价类标签，如成本评价、供应商评价标签等。

(2)决策树C4.5和SVM算法

实际应用中，基于设备故障报告中设备故障原因描述多属于非结构化数据，因此，可考虑使用文本挖掘算法(决策树C4.5和SVM算法)中的分词技术，应用分词器对文本进行分词，提取对应设备故障关键的词汇，即设备故障发生原因，对应故障原因的影响因素等。

(3)Apprioir算法

Apprioir算法是常用的关联分析的算法之一，关联分析的目的是找出数据集合中隐藏的关联网，是离散变量因果分析的基础。首先对提取的设备故障发生原因，及故障原因的影响因素进行初步数据认知及统计分析，然后进行关联规则分析。根据关联规则算法，挖掘所有的频繁项集，并通过计算规则的两种度量，即支持度和置信度，找出设备故障原因和影响因素之间的强弱关联关系，最后通过模式评估度量对模型进行分析，筛选出与设备故障原因具有强关联性的影响因素作为故障预测时的关键影响因素。

(4)L1/2稀疏迭代故障预测

采用L1/2稀疏迭代分类算法进行设备故障预测，根据设备故障因素对应状态，分析预测设备发生故障或不发生故障。结合设备故障预测业务，建立分类模型。例如故障发生概率等标签。

(5)文本挖掘(tf-idf算法)

在资产整个寿命周期中，有些信息是以文本的形式记录，而对于这类非结构化数据的处理，需要采用文本特征化技术，提取其中隐含的标签信息。对于文本特征化提取，可以采用tf-idf算法，用来评估一个词对于一个文本集或一个语料库中的其中一份文件的重要程度。例如缺陷内容、故障内容等标签。

上述电力资产画像构建模块4，用于根据带有电力标签的各个维度的电子资产构建电力资产画像。在通过信息接收模块1、维度划分模块2、标签建立模块3建立了电力资产的各个维度以及各维度的电力标签后，电力资产画像构建模块4即可根据带有电力标签的各个维度的电子资产构建电力资产画像，从而辅助实现电力资产全生命跟踪、全过程记录，实现信息资源跨专业、跨系统共享，提高系统的实用性，与企业决策信息进行互动交换，促进电网企业实现精细化运行和管理。

本发明实施例还提供一种电力资产画像的构建设备，如图4所示，该设备包括一个或多个处理器410以及存储器420，图4中以一个处理器410为例。

处理器410、存储器420可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器410可以为中央处理器(Central Processing Unit，CPU)。处理器410还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器420作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的电力资产画像的构建方法对应的程序指令/模块(例如，图2所示的信息接收模块1、维度划分模块2、标签建立模块3及电力资产画像构建模块4)。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的电力资产画像的构建方法。

存储器420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电力资产画像的构建装置的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器420可选包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至列表项操作的处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器420中，当被所述一个或者多个处理器410执行时，执行如图1所示的方法。

上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的电力资产画像的构建方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。