基于时序因果关系网络的电网主变设备异常状态预测方法

本发明涉及电网主变设备运行监测，具体来说是基于时序因果关系网络的电网主变设备异常状态预测方法。

背景技术：

1、变电站是电力系统的重要枢纽，变电设备的安全稳定运行是确保电力系统可靠供电的重要基础。设备异常管理也是安全生产管理的重要内容之一。大量增加的设备运行异常会消耗大量的运维力量，因此制定科学的预测方法对设备异常进行预测尤为重要。

2、电网设备在运行过程中产生了大量的异常结果数据及设备运行监测数据。但是也存在着变电站运行工况、厂站年限不同，设备配置、厂家、型号也均有所差异等问题，容易导致由于信息源多、杂而遗漏设备运行异常。近年来，机器学习、深度学习等逐渐被应用于电网数据分析中，解决了很多传统方法难以解决的问题。但由于变电站运行数据受很多因素影响，且随时间不断变化。传统方法缺少对影响设备运行异常的因果关系进行挖掘，因果关系在揭示变量之间的动态关系和解释系统运行规律方面起着重要作用。需要基于电网设备在线监测数据、工况数据、状态评价数据、历史异常数据等多维时间序列数据，研究基于时序因果关系网络的设备异常预测方法，更加精确的对设备运行异常做出预测。预测结果可以协助运检部门对可能发生异常的设备进行重点关注与维护。

3、因此，研究如何利用时序因果关系网络进行设备异常预测是一个急需解决的技术问题。

技术实现思路

1、本发明的目的是为了解决现有技术中未探究主变设备异常变量间因果关系的缺陷，提供一种基于时序因果关系网络的电网主变设备异常状态预测方法来解决上述问题。

2、为了实现上述目的，本发明的技术方案如下：

3、一种基于时序因果关系网络的电网主变设备异常状态预测方法，包括以下步骤：

4、11)主变设备运行数据获取和预处理：获取主变设备运行数据，其包括主变设备运行时的外部数据及传感器采集的数据，并进行数据纠错预处理；

5、12)主变设备数据集的构建：基于预处理后的主变设备运行数据，构建带有时序特征的变量和目标变量的二维矩阵数据集，作为主变设备数据集；

6、13)构建电网主变设备异常状态检测模型：基于因果卷积网络构建电网主变设备异常状态检测模型；

7、14)电网主变设备异常状态检测模型的训练：将主变设备数据集输入电网主变设备异常状态检测模型进行训练；

8、15)主变设备运行实时数据的获取：获取主变设备运行时的外部实时数据及传感器采集的实时数据；

9、16)电网主变设备异常状态的预测：将主变设备运行实时数据输入训练后的电网主变设备异常状态检测模型，获得电网主变设备异常状态预测结果。

10、所述主变设备数据集的构建包括以下步骤：

11、21)主变设备运行数据的获取包括设备id、设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、天气温度、天气描述、状态评价结果、负荷程度指标、铁芯接地电流指标、油色谱指标，是否发生异常数据作为预测目标数据；

12、22)对预处理的主变设备运行数据进行向量化处理，其中，数值型数据直接使用，文本变量采用tf-idf表示法进行数值化后使用，对日期型数据计算其与投入运行时间月份的差值后使用；

13、23)将向量化处理后的数据融合到统一的结构化数据中，构建带有时序特征的变量和目标变量的二维矩阵数据集，其中每一行代表某一时间的多维变量和目标变量、每一列代表一个变量序列；

14、24)对于未发生异常的时间段，以月度为时间窗口在二维矩阵中填补一行，其中，变量数据为月度监测数据的平均值，目标变量为未发生异常。

15、所述构建电网主变设备异常状态检测模型包括以下步骤：

16、31)基于因果卷积网络设定电网主变设备异常状态检测模型，

17、设定因果卷积网络的输入为主变设备运行的二维矩阵数据，经因果膨胀卷积结构构建的编码器网络后，输出为迭代至t时刻的扩大历史信息的捕捉视野后的因果关系特征映射层；

18、32)对于输入的某一条设备运行变量x＝(x1，x2，...xt)的时间序列，y＝(y1，y2，...yt)为设备状态值，使用t时刻之前的x1，x2，...xt-1以及之前的设备状态y1，y2，...yt-1数据输入，构建网络层之间的因果关系；

19、yt＝c_net(x1，x2，...xt，y1，y2，...yt-1)，

20、其中c_net为因果卷积网络；

21、33)使用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，

22、对于输入的某一个数据特征变量s(s∈(1，2，...n)，n为特征变量总数)，时间长度为t的设备运行时序数据，经过网络层中卷积核大小为k，膨胀系数为d的卷积滤波作用之后，得到s的特征映射层t(s)，t(s)的计算由特征序列元素s与卷积滤波f：{0，1，...，k-1}进行膨胀卷积运算，计算公式为：

23、

24、其中，x为输入的长时间序列，s表示输入的时间序列中的不同运行数据特征变量，fd为膨胀系数d的卷积滤波函数，s-d.i表示与卷积核中元素对应的序列；

25、34)设置不同的膨胀系数获取数据的多尺度信息，膨胀系数d随网络深度呈现指数增加，对于第m层网络：d＝2m-1；

26、35)对n个特征变量进行33)的步骤，时间长度为t的设备运行时序数据构成的t×n的矩阵，得到输出t为n个特征映射层，即编码器网络的输出：n个变量之间的因果关系特征。

27、所述电网主变设备异常状态检测模型的训练包括以下步骤：

28、41)将除去当前时刻目标变量的主变设备运行的二维矩阵数据输入构建电网主变设备异常状态检测模型步骤中的编码器网络，得到n个变量之间的因果关系特征；

29、42)设定电网主变设备异常状态训练模型，采用结合残差块的时间卷积网络tcn，输出设备在某时刻发生异常的预测概率；

30、421)设定tcn的卷积层使用因果膨胀卷积结构；

31、422)设定tcn的残差块，内设置两层卷积和relu非线性函数，且卷积核的权重都经过权重归一化，残差块内的每个卷积后都添加dropout以实现正则化；

32、43)tcn对41)步产生的因果关系特征进行回归预测得到预测值，预测值和设备异常发生的真实值进行比对；

33、采用有监督的方式进行模型训练，训练过程中误差损失衰减趋于平稳作为模型训练停止的标志，误差损失l的计算采用均方误差，其表达式如下：

34、

35、其中，n为预测数据的个数，yj为第j条设备异常发生的真实值，为模型输出的第j条数据的预测异常概率值；

36、44)使用adam及反向传播算法使损失函数最小，返回训练好的预测模型，status(t)为模型输出的在t时刻的状态异常情况，

37、

38、其中，为t时刻的状态异常预测值，m为设备异常状态下线评分；

39、当时，模型输出设备状态为异常，当时，模型输出设备状态为正常。

40、有益效果

41、本发明的基于时序因果关系网络的电网主变设备异常状态预测方法，与现有技术相比基于动态的设备运行、随时间变化的变量间关系的特点，充分探究主变设备异常变量间的因果关系，基于时序因果关系网络的方法来从变量在时间分布上的动态行为中得到更多的隐藏的因果关系，提高主变设备异常预测的可靠性。

42、本发明利用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，可以扩大模型的感受野，使之能捕获到设备运行数据中非相邻变量之间的相关性特征，设置不同的膨胀系数还可以获取数据的多尺度信息，有利于扩大感受野的同时不损失预测的精度。

43、本发明的基于时序因果关系网络的设备异常预测方法，可以以某一个时间窗口对设备未来的运行异常做出预测。预测的结果可以协助运检部门对可能发生异常的设备进行重点关注与维护，从而减少因设备运行异常带来的损失。