一种基于电力数据分析的电力设备运维评估方法

技术领域

本发明涉及运维评估领域，且更具体地涉及一种基于电力数据分析的电力设备运维评估方法。

背景技术

随着电力系统的不断发展和电力设备的日益普及，电力设备的运维工作越来越重要。传统的电力设备运维评估方法主要基于人工经验和检查，通常需要花费大量的时间和人力成本，而且存在主观偏差和易于被误判的问题。因此，需要一种基于电力数据分析的电力设备运维评估方法，以提高运维效率和准确性。

但是传统的人工运维方法具有成本高、效率低和容易出错的缺点，不能满足现代电力设备大数据时代的需求，而且，现有的评估方法，电力数据在采集过程中，由于传感器的质量和连接稳定性存在着误差、缺失、重复问题，导致了数据质量和可靠性的不足，并且随着时间的推移，传感器采集的数据容量会逐渐增加，难以存储和处理大量数据。

因此，本发明公开了一种基于电力数据分析的电力设备运维评估方法，能够监测电力设备的运行状态、异常情况和潜在风险，对采集数据进行质量评价和云平台储存，预测故障发生的可能性，制定精准的运维策略，降低设备维修成本，提高电力设备的整体运行效率和可靠性。

发明内容

针对现有技术的不足，本发明公开了一种基于电力数据分析的电力设备运维评估方法，能够监测电力设备的运行状态、异常情况和潜在风险；采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理，以提高采集数据传输的实时性和储存的可靠性；采用质量特征全评价算法对预处理后数据进行质量评价，数据质量评价结果低于质量评价阈值，则进行数据重采样和预处理，提高数据的处理效率和准确性；通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估，提高电力设备的运行效率和安全性；采用时序挖掘预测算法对设备潜在故障进行预测，提高设备维护效率和准确性；自动化、智能化程度高。

本发明采用以下技术方案：

一种基于电力数据分析的电力设备运维评估方法，包括以下步骤：

步骤一、采集电力设备运行数据，通过电流传感器、电压传感器、温度传感器、湿度传感器和振动传感器感知电力设备运行数据，并采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理；

步骤二、对电力设备运行数据进行预处理和质量评价，通过数据预处理工具Trifacta对电力设备运行数据进行清洗和转换，并采用质量特征全评价算法对预处理后数据进行质量评价，数据质量评价结果低于质量评价阈值，则进行数据重采样和预处理；

步骤三、实时多维度电力设备运维评估，通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估；

步骤四、预见性电力设备运维评估，采用时序挖掘预测算法对设备潜在故障进行预测，提高设备维护效率和准确性；

步骤五、运维预警，根据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略，以延长设备使用寿命；

步骤六、对电力设备运维评估结果可视化融合展示，通过可视化平台Grafana展示设备的运行状态、异常情况和变化趋势。

作为本发明进一步的技术方案，所述实时无线加速网络通过MQTT轻量级底层协议、UDP传输层协议、HTTP/2安全传输协议和WebSocket双向通信协议监听采集电力设备运行数据信号，并通过服务器负载均衡逻辑和消息队列服务将数据分布式部署至传输节点，实现端对端的传输，以减少数据通讯、统计、处理和调控的时间延迟。

作为本发明进一步的技术方案，所述质量特征全评价算法通过准确性、完整性、一致性和时效性数据质量属性对采集电力设备运行数据质量进行评价，采集电力设备运行数据集为

（1）

在公式（1）中，

（2）

在公式（2）中，

作为本发明进一步的技术方案，所述多维深度全特征评估模型包括输入层、数据层、自适应权重层、模型层、算法层、优化层和输出层，所述多维深度全特征评估模型的工作包括以下步骤：

步骤1、数据输入并提取特征，将实时采集电力设备运行数据进行格式转换，并通过输入层输入至多维深度全特征评估模型，并提取电压、电流、湿度、温度和振动数据特征，形成原始多维特征向量；

步骤2、确定计算目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证求最优解过程的合理性和有效性，所述计算目标包括设备状态、运行质量、故障诊断和能效；

步骤3、处理原始多维特征向量，通过深度卷积神经网络和循环神经网络对特征向量进行处理，以提取全局特征和局部特征，并通过自适应权重层建立主次维度的权重关系，增强特征转换的分类能力和泛化性能，所述自适应权重层根据计算目标自适应地调整多维特征向量权重；

步骤4、多维特征向量融合，根据主次维度的权重关系将多维特征向量进行融合，形成全特征向量；

步骤5、建立多维度评估数学模型，所述模型层根据计算规模、目标函数、约束条件和变量范围建立多维度评估数学模型，并通过历史数据对模型进行训练和优化，提高模型的准确率和鲁棒性；

步骤6、多维度电力设备运维评估计算，所述算法层采用多维深度全特征评估算法进行电力设备运维评估的迭代计算和参数修正，并通过维护计算节点的邻居列表优化多维深度全特征评估算法的计算速度，减少计算流程中的冗余；

步骤7、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；

步骤8、结果输出，通过输出层对计算结果进行输出。

作为本发明进一步的技术方案，所述自适应权重层根据计算目标自适应地调整多维特征向量权重，所述自适应权重层的工作包括以下步骤：

（1）输入全局特征向量、局部特征向量和计算目标；

（2）设定特征量的关联优先级，通过扫描全局特征向量、局部特征向量和计算目标计算每个特征量与计算目标的关联度和支持度，并基于特征量与计算目标的关联度和支持度进行特征向量与计算目标的关联优先级排序；

（3）对特征量进行权重关联匹配，按照设定的特征量关联优先级依次进行权重匹配；

（4）调整和优化匹配点，通过不断迭代将正确的关联优先级作为新的参考点，重新进行权重匹配和关联操作，以找到新的正确权重匹配值；

（5）输出权重匹配结果。

作为本发明进一步的技术方案，所述时序挖掘预测算法根据历史采集电力设备运行数据对设备潜在故障进行预测，历史采集电力设备运行数据集为

（3）

在公式（3）中，

作为本发明进一步的技术方案，所述预警维护策略分为常规级、预防级、修复级和更新级，所述预警维护策略内容包括：

1）常规级，用于在设备运行期间，修复设备性能不良因素，常规级预警维护策略包括检查连接器及插头、检查散热器、风扇和设备外部环境，确保连接正常、散热系统正常运转和设备通风良好；

2）预防级，用于及时调整设备潜在的故障，预防级预警维护策略包括更换电力设备故障电容器和电动机和定期清洁，以确保设备运行的可靠性和可用性；

3）修复级，用于设备故障时，采取及时修复措施，修复级预警维护策略包括更换烧坏的电路元件和断开的电缆；

4）更新级，用于提高电力设备的运行性能，更新级预警维护策略包括更新部件和软件系统这些升级措施，以提高设备的运行效率。

作为本发明进一步的技术方案，所述可视化平台Grafana基于关联性数据模型获取海量数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时显示，所述可视化平台Grafana采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。

积极有益效果：

本发明公开了一种基于电力数据分析的电力设备运维评估方法，能够监测电力设备的运行状态、异常情况和潜在风险；采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理，以提高采集数据传输的实时性和储存的可靠性；采用质量特征全评价算法对预处理后数据进行质量评价，数据质量评价结果低于质量评价阈值，则进行数据重采样和预处理，提高数据的处理效率和准确性；通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估，提高电力设备的运行效率和安全性；采用时序挖掘预测算法对设备潜在故障进行预测，提高设备维护效率和准确性；自动化、智能化程度高。

附图说明

图1为本发明一种基于电力数据分析的电力设备运维评估方法的整体流程示意图；

图2为本发明一种基于电力数据分析的电力设备运维评估方法中采集数据信号预处理示意图；

图3为本发明一种基于电力数据分析的电力设备运维评估方法中多维深度全特征评估模型的架构；

图4为本发明一种基于电力数据分析的电力设备运维评估方法中采集数据的电路示意图。

实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

一种基于电力数据分析的电力设备运维评估方法，包括以下步骤：

步骤一、采集电力设备运行数据，通过电流传感器、电压传感器、温度传感器、湿度传感器和振动传感器感知电力设备运行数据，并采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理；

步骤二、对电力设备运行数据进行预处理和质量评价，通过数据预处理工具Trifacta对电力设备运行数据进行清洗和转换，并采用质量特征全评价算法对预处理后数据进行质量评价，数据质量评价结果低于质量评价阈值，则进行数据重采样和预处理；

步骤三、实时多维度电力设备运维评估，通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估；

步骤四、预见性电力设备运维评估，采用时序挖掘预测算法对设备潜在故障进行预测，提高设备维护效率和准确性；

步骤五、运维预警，根据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略，以延长设备使用寿命；

步骤六、对电力设备运维评估结果可视化融合展示，通过可视化平台Grafana展示设备的运行状态、异常情况和变化趋势。

在具体实施例中，通过以上步骤，可以对电力设备进行运维评估和监测，及时发现和解决运行问题，保证电力设备的正常运行和安全使用；同时，也能够实现电力设备维护和保养的智能化管理，降低维护成本，提高设备的运行效率和可靠性，为电力企业及工厂的生产经营提供更全面、更可靠的保障。

在上述实施例中，所述实时无线加速网络通过MQTT轻量级底层协议、UDP传输层协议、HTTP/2安全传输协议和WebSocket双向通信协议监听采集电力设备运行数据信号，并通过服务器负载均衡逻辑和消息队列服务将数据分布式部署至传输节点，实现端对端的传输，以减少数据通讯、统计、处理和调控的时间延迟。

在具体实施例中，该方法在数据传输方面采用了多种协议，以实现实时无线加速网络。MQTT轻量级底层协议：该协议适用于低带宽、不稳定网络环境下的消息传输，可以实现设备之间的消息通讯、数据采集和发布/订阅模式。UDP传输层协议：通过UDP可以实现无需建立连接的快速数据传输，减少数据包重传等时间消耗，有效降低数据传输的时延。HTTP/2安全传输协议：该协议可以实现数据传输的加密和压缩，提高数据传输的安全性和效率。 WebSocket双向通信协议：通过WebSocket可以实现服务器与客户端之间的双向通信，可以在单个TCP连接上实现真正的实时交互，减少了网络连接的建立和关闭的时间消耗，提高了数据传输效率。采用实时无线加速网络比采用普通网络数据传输的延迟如表1所示。

表1 时间延迟对比统计表

抽取六组采集工作过程，分别进行添加实时多源加速网络和添加普通网络，每组实验六次取用时的平均值统计至表1，如表1所示添加实时无线加速网络将电力设备运行数据无线传输至云平台延迟短，证明实时多源加速网络的有效性。

在上述实施例中，所述质量特征全评价算法通过准确性、完整性、一致性和时效性数据质量属性对采集电力设备运行数据质量进行评价，采集电力设备运行数据集为

（1）

在公式（1）中，

（2）

在公式（2）中，

在具体实施例中，采用质量特征全评价算法对预处理后数据进行质量评价的目的是判断数据是否可靠，能否作为后续的分析和评估数据。该算法是基于数据质量特征的全面分析，通过计算数据的多个方面指标，来评判数据的质量，包括数据的稳定性、一致性、精度等。

如果数据质量评价结果低于质量评价阈值，说明数据存在较多的噪声、异常值或者数据采集过程中存在其他的问题，对后续的分析和评估会造成一些误差和不确定性。此时，需要进行数据重采样和预处理。

数据重采样通常是采用滤波算法对数据进行平滑处理，去除掉噪声和异常值，以提高数据的准确性和可靠性。预处理方法包括去重、归一化、特征提取等多种方式，以减少数据的冗余信息和噪声，提高数据的处理效率和准确性。

通过质量特征全评价算法对数据进行质量评价、重采样和预处理，可以提高数据分析和运维评估的准确性和有效性，采用公式（1）和（2）的计算结果判断采集数据的质量与人工判定结果对比统计入表2所示；

由表2可知，采用公式（1）和（2）的计算结果判断采集数据的质量与人工判定结果基本相同，当计算结果近似接近阈值时可能会导致判断失误，证明质量特征全评价算法的可用性。

在上述实施例中，所述多维深度全特征评估模型包括输入层、数据层、自适应权重层、模型层、算法层、优化层和输出层，所述多维深度全特征评估模型的工作包括以下步骤：

步骤1、数据输入并提取特征，将实时采集电力设备运行数据进行格式转换，并通过输入层输入至多维深度全特征评估模型，并提取电压、电流、湿度、温度和振动数据特征，形成原始多维特征向量；

步骤2、确定计算目标和参数，通过数据层从输入数据中获取计算参数和限制条件，计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围，以保证求最优解过程的合理性和有效性，所述计算目标包括设备状态、运行质量、故障诊断和能效；

步骤3、处理原始多维特征向量，通过深度卷积神经网络和循环神经网络对特征向量进行处理，以提取全局特征和局部特征，并通过自适应权重层建立主次维度的权重关系，增强特征转换的分类能力和泛化性能，所述自适应权重层根据计算目标自适应地调整多维特征向量权重；

步骤4、多维特征向量融合，根据主次维度的权重关系将多维特征向量进行融合，形成全特征向量；

步骤5、建立多维度评估数学模型，所述模型层根据计算规模、目标函数、约束条件和变量范围建立多维度评估数学模型，并通过历史数据对模型进行训练和优化，提高模型的准确率和鲁棒性；

步骤6、多维度电力设备运维评估计算，所述算法层采用多维深度全特征评估算法进行电力设备运维评估的迭代计算和参数修正，并通过维护计算节点的邻居列表优化多维深度全特征评估算法的计算速度，减少计算流程中的冗余；

步骤7、对求解过程进行精细控制和优化，通过优化层合并或拆分计量单位，提高计算的准确性，并通过自适应参数选择方式设置阈值和迭代次数，所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点，以提高计算速度；

步骤8、结果输出，通过输出层对计算结果进行输出。

在具体实施例中，通过多维深度全特征评估模型，可以对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估。该模型基于深度学习和特征工程技术，通过对数据进行多维度的特征挖掘和分析，提取出各种设备状态、性能特征和质量指标，并基于这些特征，进行精细化的设备运行状态、质量和能效评估。多维深度全特征评估模型可以应用于电力设备的各种分析场景。

设备状态评估通过分析设备采集的数据，识别设备的状态，例如正常状态、工作状态、待机状态、故障状态等。运行质量评估评估设备运行状态的质量，例如设备的运行稳定性、运行周期、能耗等参数。故障诊断评估通过对设备采集的数据进行分析，及时发现设备故障、异常和警报事件，帮助运维人员快速定位和解决问题。能效评估评估设备在不同运行工况下的能效表现，包括峰值效率、拐点效率、全负荷效率等参数。

通过多维深度全特征评估模型进行实时设备状态、运行质量、故障诊断和能效评估，可以帮助运维人员及时发现低效、低质或故障状态，及时采取措施，提高电力设备的运行效率和安全性，并为设备的运维管理、优化调整提供有力的数据支持。通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估的效果如表3所示。

表3效果对比统计表

在上述实施例中，所述自适应权重层根据计算目标自适应地调整多维特征向量权重，所述自适应权重层的工作包括以下步骤：

（1）输入全局特征向量、局部特征向量和计算目标；

（2）设定特征量的关联优先级，通过扫描全局特征向量、局部特征向量和计算目标计算每个特征量与计算目标的关联度和支持度，并基于特征量与计算目标的关联度和支持度进行特征向量与计算目标的关联优先级排序；

（3）对特征量进行权重关联匹配，按照设定的特征量关联优先级依次进行权重匹配；

（4）调整和优化匹配点，通过不断迭代将正确的关联优先级作为新的参考点，重新进行权重匹配和关联操作，以找到新的正确权重匹配值；

（5）输出权重匹配结果。

在具体实施例中，所述自适应权重层指的是一个神经网络中的一层，能够根据计算目标自适应地调整多维特征向量权重，以实现更准确的目标预测和优化。该自适应权重层通常采用特定的优化算法，能够对多维特征向量分别赋予不同的权重，从而凸显出不同的特征对于目标预测的影响程度，达到更准确的预测效果。自适应权重层的权重系数通常与目标预测的误差紧密相关，通过对误差的反向传播，不断更新权重系数，以最小化目标预测误差。

在多维特征向量评估模型中，自适应权重层可用于根据评估目标对特征向量进行自适应调整，以实现精细化的目标预测和分析。例如，对于电力设备运行状态评估，自适应权重层可以自适应地调整各个特征向量的权重系数，以达到更准确的设备运行状态评估结果。通过自适应地调整权重系数，多维特征向量评估模型能够更好地适应不同的应用场景和评估目标，提高模型的准确性和鲁棒性。

在上述实施例中，所述时序挖掘预测算法根据历史采集电力设备运行数据对设备潜在故障进行预测，历史采集电力设备运行数据集为

（3）

在公式（3）中，

在具体实施例中，采用时序挖掘预测算法对设备潜在故障进行预测，能够提高设备维护效率和准确性。所述时序挖掘预测算法是一类经典的时间序列分析算法，常用于数据挖掘、预测和建模等领域。该算法根据历史采集电力设备运行数据，对设备潜在故障进行预测。

时序挖掘预测算法的核心思想是利用历史信息来预测未来。在电力设备的应用场景中，时序挖掘预测算法可根据历史采集的设备运行数据，构建成相应的时序模型，然后利用这些模型对设备未来的运行情况进行预测和分析，以识别设备的潜在故障或异常状态。公式（3）计算的下一时刻电力设备运行数据预测结果与实际结果对比统计入表4所示；

表4结果对比统计表

由表4可知，公式（3）计算的下一时刻电力设备运行数据预测结果与实际结果基本相同，证明时序挖掘预测算法的可用性。

在上述实施例中，所述预警维护策略分为常规级、预防级、修复级和更新级，所述预警维护策略内容包括：

1）常规级，用于在设备运行期间，修复设备性能不良因素，常规级预警维护策略包括检查连接器及插头、检查散热器、风扇和设备外部环境，确保连接正常、散热系统正常运转和设备通风良好；

2）预防级，用于及时调整设备潜在的故障，预防级预警维护策略包括更换电力设备故障电容器和电动机和定期清洁，以确保设备运行的可靠性和可用性；

3）修复级，用于设备故障时，采取及时修复措施，修复级预警维护策略包括更换烧坏的电路元件和断开的电缆；

4）更新级，用于提高电力设备的运行性能，更新级预警维护策略包括更新部件和软件系统这些升级措施，以提高设备的运行效率。

在上述实施例中，所述可视化平台Grafana基于关联性数据模型获取海量数据源关联数据，以实现多维度数据关联分析，并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时显示，所述可视化平台Grafana采用Token用户身份验证机制验证访问用户的身份，以提高信息访问的安全性。

在具体实施例中，所述可视化平台Grafana能够基于关联性数据模型获取海量数据源关联数据，并通过交互式图表、热点图、地图和仪表板等方式，实现多维度数据关联分析和实时显示。Grafana通过支持多种数据源连接方式，包括各种类型的关系型数据库、NoSQL数据库、文件系统和云服务等，提供了对海量数据的访问和集成能力，从而实现了较为全面的数据展示和分析。

Grafana采用关联性数据模型，能够对不同数据源、不同类型的数据进行关联分析和可视化展示。它通过内置的数据分析引擎和大量的可视化组件，实现了对各种数据类型和场景的全面支持，包括指标分析、报表制作、数据挖掘和机器学习等。Grafana还支持实时数据处理和数据流分析，能够在几乎不延迟的情况下，对数据进行实时分析和实时呈现。

在信息访问的安全性方面，Grafana采用Token用户身份验证机制，为每个访问用户生成唯一的安全令牌，并通过该令牌验证用户身份。该机制能够保证信息访问的安全性和可追踪性，防止未经授权的用户访问和数据泄露，同时支持不同级别的权限控制和管理，以保证信息的机密性和完整性。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。