一种基于数据联动的设备健康度预测方法与流程

本发明涉及电力信息系统领域，尤其涉及一种基于数据联动的设备健康度预测方法。

背景技术：

1、目前，随着电力信息设备自动化、智能化水平的提高，电力数据的体量急速上升，电力部门设备使用的数目和复杂度随之提升。

2、现有资产管理系统大多使用简单的数据库统计方法进行设备运行状态管理，结合历史数据，基于多元归回分析等统计技术进行设备健康度的预测。这种方法直接使用了设备基本数据与运行中的各项数据，为预测结果带来了一定的可解释性，但此类方法相对基础，实际的健康度预测结果与现实状态偏差较大。

3、深度学习技术的发展为设备健康度预测提供了新的方法。lstm、transformer等序列学习模型被应用于设备历史运行数据的学习，并对未来某一时间点的设备状态进行预测。这种方法能够相对准确地判断设备的健康度，但是只能进行单一设备的健康度预测，若针对每一台设备均使用序列模型进行预测，将带来极大的计算开销，无法在真实场景中落地应用。

4、基于图模型的预测技术能够只经过一个训练过程便得到所有受关注的对象的预测结果，但相关研究大多停留在社交网络、网络安全等领域，其所需要的数据结构与类型导致相关方法无法直接应用于设备健康度预测。

技术实现思路

1、本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于数据联动的设备健康度预测方法，以降低训练的资源消耗，提升健康度预测的准确性和可行性为目的。为此，本发明采取以下技术方案。

2、一种基于数据联动的设备健康度预测方法，包括以下步骤：

3、1)基于设备之间的关联关系定义设备接口节点，并通过关联关系链接全部的接口节点，生成设备连接图，设备连接图g＝<v,e>是一类图结构，其中v为节点集合，e为边集合，设备连接图中的一个节点表征一台单独的物理设备，节点与设备一一对应，对任意两个节点而言，若两节点所表征的设备存在直接或间接的数据交互关系，则在这两个节点之间添加一条边；

4、2)若原始设备的健康度已知，则将该设备对应节点的标签设置为已知的健康度，否则将标签设置为待预测；

5、3)在生成设备连接图的全部节点后，将全部节点的属性向量升至所有属性中的最大维度，在添加的维度上用0补齐以避免对原始数据的影响；

6、4)针对设备关联图，利用图卷积神经网络gcn构建节点嵌入框架；

7、5)在获取全部点的嵌入结果后，将其作为预测模型的输入，使用有标签的节点的嵌入对预测模型进行训练；

8、6)预测模型训练完成后，即可对标签为待预测的节点进行健康度的预测，预测模型的输出结果即为该节点对应设备的健康度预测值。

9、通过形式化定义的设备连接图针对电力信息化领域中常见的设备间数据联动场景进行了建模，设备连接图捕捉到了设备间的数据关联，存在数据交互的设备往往共享相似的使用环境，从而有着更紧密的关联，通过边的连接关系直接表征设备间的数据交互；

10、通过对异构节点进行直接的升维处理并通过补零来避免对原始数据的扰乱，极大地降低了计算开销，避免了现有异构图分析方法往往使用随机游走、元路径等基于序列的方法需要针对每一台设备单独训练而造成的大量计算资源的消耗；

11、基于设备连接图，基于gcn的嵌入和基于预测模型的健康度预测方法，通过不同节点嵌入表征原始设备，在训练过程中，节点的属性通过边相互交换，实现了基于数据交互关系的设备间数据联动，捕捉到了设备间数据的高层关联，可通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性，提升了健康度预测的准确率，预测效果更好。

12、作为优选技术手段：步骤1)中，设备连接图的生成包括以下步骤：

13、101)对单一设备进行节点的生成；

14、102)对节点进行属性和标签的生成；

15、103)判断是否所有设备都生成了节点，若否，则返回步骤101)，若是，执行下一步；

16、104)对全部设备生成的节点进行两两数据交互分析，以添加节点间的边。可方便实现设备连接图的自动生成。

17、作为优选技术手段：当场景中存在不同种类的数据交互模式时，为每种不同数据交互模式产生的边添加类型标签，使边拥有不同的类型标签。

18、作为优选技术手段：当边拥有不同的类型标签时，依据边的类型标签将设备连接图扩展为多层网络，随后使用多层网络学习框架针对每个节点进行嵌入并基于嵌入结果预测其健康度。

19、作为优选技术手段：当边拥有不同的类型标签时，设备健康预测包括以下步骤：

20、a)基于设备连接图构建多层网络；

21、b)为每层的图中的节点添加本轮训练初始属性；

22、c)基于单层图学习获取单层节点嵌入；

23、d)融合每层的嵌入结果获取本轮训练最终嵌入；

24、e)通过两层全连接层获取本轮健康度预测值；

25、f)判断是否训练收敛，若否，则返回步骤b),若是，则认为基于多层网络的预测模型训练完成，并进入步骤g)；

26、g)预测模型训练完成后，当需要预测时，通过基于多层网络的预测模型即能对标签为待预测的节点进行健康度的预测。

27、作为优选技术手段：步骤a)基于设备连接图构建多层网络包括步骤：

28、a1)获取设备连接图g＝<v,e>中边的种类数目d，记其为d，将d作为所构建的多层网络的层数，将每一类的边的集合记为etype1,etype2,…,etyped；

29、a2)构建m张图gi＝<vi,ei>，每张图的节点均为设备连接图中的全部节点，即vi＝v；

30、a3)针对每个gi，其中包含的边为对应类型的全部的边，即ei＝etypei；

31、通过这种多层网络构建方法，m层网络中的每一层都包含了全部的设备信息与某一种数据交互信息。

32、作为优选技术手段：步骤b)、c)、d)、e)、f)为多层网络的健康度预测模型的训练；健康度预测模型的训练基于所构建的d层网络，使用基于多层网络的图学习方法预测设备健康度；在神经网络训练的每一次循环中，使用全部层叠加之后的节点嵌入作为每一个单一层次的节点属性值，随后针对每一个单一层次的图基于gcn计算新的节点嵌入，最后将全部层次中获取的新的节点嵌入叠加，作为本轮循环最终获得的节点嵌入值；

33、健康度预测模型训练时，记a1,…,ad为每层的图的邻接矩阵，hi为全部层叠加之后的节点嵌入，hi,d为具体的第i层的节点嵌入；计算公式如下：

34、在第k轮训练的过程中，计算

35、

36、其中hk为上一轮训练后得到的节点嵌入矩阵，为第d层的图的节点属性矩阵；act为反正切函数，其作用为将数值量映射到(0,1)区间；

37、针对每一层的网络，基于单层gcn融合邻居节点属性，获取新一轮次的节点嵌入计算结果；

38、

39、其中，h(k)指所有节点的特征矩阵，即所有结点的嵌入结果；a是每一个子图的邻接矩阵，是的度矩阵，从而是的归一化矩阵；w是每一层gcn网络的中间参数；σ是层与层之间所使用的激活函数；

40、随后，将每层计算获得的节点嵌入融合，作为本轮训练最终获得的节点嵌入值，即

41、

42、最终，在获取本轮节点嵌入后，添加两个全连接层以实现节点健康度的预测；定义l2损失函数作为神经网络参数更新的依据，即

43、

44、其中yi为对应设备的已知健康值，f(xi)为相应的预测值。

45、作为优选技术手段：σ采用sigmoid函数，sigmoid函数为σ(x)，即：

46、

47、有益效果：

48、1、通过形式化定义的设备连接图及自动化的生成方法，规避了传统数据联动分析过程中的人工干预，使得本发明可以在没有专家知识引入的前提下完成设备健康度的预测，增强了落地应用的可行性，并降低了应用难度。

49、2、本发明所提出的健康度预测方法能够更好地表征设备间的健康度关系，相比于现有方法能够抽取到更多的数据高层特征，有助于预测准确率的提升。

50、3、相比于现有的基于序列的方法需要针对每一台设备单独训练，本发明可通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性。

51、4、本技术方案基于单一类型数据和多种数型数据进行预测模型分类，在不同的场景采用不同的预测模型，有助于提高处理速度和处理的准确性。