基于大数据的电力设备维护方法、设备及介质与流程

本发明涉及大数据处理领域，尤其是涉及一种基于大数据的电力设备维护方法、设备及介质。

背景技术：

1、在电力系统运行时高达10％的电力设备运行温度高于设备可靠性的允许范围。温度异常对设备的性能和可靠性产生负面影响，高温环境可能导致设备过热、降低性能、缩短寿命甚至损坏设备。因此，及时监测和处理温度异常是确保设备正常运行和维护电力系统正常运行的重要任务。

2、目前，电力设备的正常运行对于保障正常用电至关重要。在设备运行过程中，异常情况通常表现为运行温度的异常。然而，在目前的电力设备监控中，通常只对温度进行监测，并且监测方式较为单一，导致最终的监测结果不够准确。

3、因此，需要一种能够准确反映当前电力设备运行状态的方法，以便工作人员能够做出最精准的维护决策。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种基于大数据的电力设备维护方法、设备及介质。

2、本发明的目的可以通过以下技术方案来实现：

3、根据本发明的第一方面，提供了一种基于大数据的电力设备维护方法，该方法包括以下步骤：

4、步骤s1、采集电力设备状态数据，所述状态数据包括负荷、内外部温度和运行时间，并进行聚类处理；

5、步骤s2、采用蚁群算法aco对bp神经网络进行权值和阈值优化，构建aco-bp设备温度预测模型，进行电力设备的温度预测；

6、步骤s3、基于电力设备温度预测结果，获取电力设备温度变化高于设定温度阈值时的电力设备当前热图像；

7、步骤s4、基于电力设备当前热图像，结合电力设备的故障记录对电力设备进行维护。

8、优选地，所述步骤s1中聚类处理具体为：采用k-means聚类算法对电力设备状态数据进行聚类处理。

9、优选地，所述聚类算法中聚类个数k的确定过程具体为：采用代价函数j评估聚类效果，并通过elbow算法确定最佳k值。

10、优选地，所述步骤s1还包括对聚类数据进行标准化处理，赋以相同属性的权重，并映射到相同的变化区间。

11、优选地，所述步骤s2中aco-bp设备温度预测模型的输入数据包括功率消耗w1，设备内部温度t1，设备外部温度t2，运行功率w2和设备数量n；

12、所述aco-bp设备温度预测模型的隐含层结点个数为11个，输出层的输出结点为电力设备温度t，对应的预测函数表达式为：

13、t＝f(w1,t1,t2,w2,n)。

14、

15、优选地，所述步骤s2中采用蚁群算法aco优化bp神经网络，根据训练样本的输出误差和期望误差对比结果调整蚂蚁寻径时的信息素量和路径选择，不断重复优化bp神经网络的权值和阈值初始值，具体包括以下子步骤：

16、步骤s21、令bp神经网络有m个待优化的权值和阈值，每个权值和阈值设为n个随机非零值，并组成集合1≤i≤m；

17、步骤s22、初始时刻，m只蚂蚁中第k只蚂蚁从集合ipi出发，根据状态转移概率从集合ipi中挑选一个元素j；当从所有集合中挑选完元素后，构成bp神经网络的一组权值和阈值；

18、步骤s23、当m只蚂蚁全部完成循环，得到m组初始权值和阈值，构建bp神经网络并进行训练；记录网络训练时误差最小的一组权值和阈值，比较最小误差和期望误差大小，若大于期望误差，则执行步骤s24，否则执行步骤s26；

19、步骤s24、对集合ipi，1≤i≤m中每个元素的信息素量进行调整，调整公式为：

20、

21、式中，为每次循环时集合ipi中元素j信息素增量；为第k只蚂蚁在每次循环中留在集合元素j信息素量；

22、步骤s25、重复步骤s22和步骤s23直到所有蚂蚁收敛于同一条最优路径或者达到最大迭代次数；

23、步骤s26、利用蚁群算法篩选出的最优bp神经网络初始权值和阈值，进一步训练bp神经网络，满足训练条件后退出。

24、优选地，所述步骤s3中温度阈值设定过程具体为：根据相关的电力设备规范和标准，确定设备在正常运行条件下的预期温度范围，并参考电力设备的制造商建议的温度阈值结合设备在运行环境下分析历史数据来确定设备的典型温度范围和波动情况。

25、优选地，所述步骤s4还包括基于电力设备当前热图像，结合电力设备的故障记录，对电力设备进行综合评分。

26、根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现任一项所述的方法。

27、根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现任一项所述的方法。

28、与现有技术相比，本发明具有以下优点：

29、1)本发明通过对电力设备状态参数进行异常检测，异常检测后再利用其来判断当前的温度数据是否异常，相较于直接采用温度异常检测模型来检测异常温度，本发明中的方法更为预测结果更加准确。

30、2)本发明采用aco-bp设备温度预测模型进行温度预测，通过蚁群算法对神经网络的权值和阈值进行优化，通过调整蚂蚁寻径时的信息素量和路径选择，不断重复优化bp神经网络的权值和阈值初始值，有效克服其易陷入局部最小值的问题，提高了温度预测的准确性；

31、3)本发明考虑到温度异常时，电力设备有可能会出现异常情况，因此在检测在温度异常时还进行图像采集，从而分析设备的实时状态，最终再根据当前的温度结合电力设备的故障记录来综合评分，相较于只利用温度信息进行维护，本发明的方法更能体现电力设备当前的运行状态，进而也有利于工作人员做出更准确的维护策略。

32、4)本发明采用k-means聚类算法对采集到的电力设备状态数据进行预处理，减少了数据冗余，兼具效率和后续的预测精度。

33、5)本发明通过对聚类后的电力设备状态数据进行标准化处理，避免了各个状态参数对自身特定单位性质和变化区间更加依赖的情况，提高了后续温度预测的准确性。

34、6)本发明属于大数据分析技术领域，结合了神经网络技术，利用自动化算法对电力设备的温度进行预测和监测，有利于工作人员做出更准确的维护策略。

技术特征：

1.一种基于大数据的电力设备维护方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s1中聚类处理具体为：采用k-means聚类算法对电力设备状态数据进行聚类处理。

3.根据权利要求2所述的一种基于大数据的电力设备维护方法，其特征在于，所述聚类算法中聚类个数k的确定过程具体为：采用代价函数j评估聚类效果，并通过elbow算法确定最佳k值。

4.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s1还包括对聚类数据进行标准化处理，赋以相同属性的权重，并映射到相同的变化区间。

5.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s2中aco-bp设备温度预测模型的输入数据包括功率消耗w1，设备内部温度t1，设备外部温度t2，运行功率w2和设备数量n；

6.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s2中采用蚁群算法aco优化bp神经网络，根据训练样本的输出误差和期望误差对比结果调整蚂蚁寻径时的信息素量和路径选择，不断重复优化bp神经网络的权值和阈值初始值，具体包括以下子步骤：

7.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s3中温度阈值设定过程具体为：根据相关的电力设备规范和标准，确定设备在正常运行条件下的预期温度范围，并参考电力设备的制造商建议的温度阈值结合设备在运行环境下分析历史数据来确定设备的典型温度范围和波动情况。

8.根据权利要求1所述的一种基于大数据的电力设备维护方法，其特征在于，所述步骤s4还包括基于电力设备当前热图像，结合电力设备的故障记录，对电力设备进行综合评分。

9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。

技术总结
本发明涉及一种基于大数据的电力设备维护方法、设备及介质，该方法包括以下步骤：步骤S1、采集电力设备状态数据，所述状态数据包括负荷、内外部温度和运行时间，并进行聚类处理；步骤S2、采用蚁群算法ACO对BP神经网络进行权值和阈值优化，构建ACO‑BP设备温度预测模型，进行电力设备的温度预测；步骤S3、基于电力设备温度预测结果，获取电力设备温度变化高于设定温度阈值时的电力设备当前图像；步骤S4、基于电力设备当前图像，结合电力设备的故障记录对电力设备进行维护。与现有技术相比，本发明具有准确性高、安全性高的优点。

技术研发人员：黄志坚,黄海晔,葛海华,金锋
受保护的技术使用者：国网上海市电力公司
技术研发日：
技术公布日：2024/2/21