基于人工智能的电力系统故障诊断系统

技术领域

本发明涉及故障诊断的技术领域，尤其涉及一种基于人工智能的电力系统故障诊断系统。

背景技术

电能高效利用能够为用户提供可靠、优质的电能供应。现代社会的发展对电力系统在提高供电可靠性提出了更高的要求。若电力系统中的任一节点对应的电力设备发生故障会导致电力供应中断或电力质量下降，给用户带来不便和经济损失。

受限于电力系统中的节点种类繁多、功能各异，导致电力系统节点运行产生的数据庞大且复杂，在庞大的数据中确认发生故障的数据的工作量是十分庞大的并且十分容易发送误确认。

因此当下存在部分通过机器学习或人工智能等方法实现电力系统的故障的自动诊断，通过将节点运行产生的数据作为训练样本训练人工智能模型。由于节点运行产生的数据是大量没有标注的数据集，导致训练的模型的故障诊断的准确性不甚理想。

发明内容

本申请提供了一种基于人工智能的电力系统故障诊断系统，旨在解决当下存在部分通过机器学习或人工智能等方法实现电力系统的故障的自动诊断，通过将节点运行产生的数据作为训练样本训练人工智能模型。由于节点运行产生的数据是大量没有标注的数据集，导致训练的模型的故障诊断的准确性不甚理想的问题。

第一方面，本申请提供了一种基于人工智能的电力系统故障诊断系统，应用于电力装置的终端设备，所述电力装置还包括多个节点设备；所述系统包括：

信息获取模块，用于获取所述电力装置的历史诊断信息，所述历史诊断信息包括所述历史诊断信息对应的历史节点参数信息和历史诊断结果；

第一特征提取模块，用于对所述历史节点参数信息进行特征提取，以获取所述历史节点参数信息对应的第一特征信息；

模型训练模块，用于将所述第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据所述第一特征信息和历史诊断结果完成对所述决策树模型的训练；

参数获取模块，用于获取待诊断的节点设备的节点参数信息；

第二特征提取模块，用于对所述节点参数信息进行特征提取，以获取所述节点参数信息对应的第二特征信息；

诊断完成模块，用于将所述第二特征信息输入至所述决策树模型，所述决策树模型输出诊断结果，完成对所述节点设备的故障诊断。

在一些实施例中，所述信息获取模块还包括：诊断获取单元，用于获取所述电力装置的第一诊断信息和第二诊断信息，所述第一诊断信息和第二诊断信息构成所述历史诊断信息；其中，所述第一诊断信息为在所述历史诊断信息中存在故障的诊断信息，所述第一诊断信息为在所述历史诊断信息中不存在故障的诊断信息。

在一些实施例中，所述决策树模型为梯度提升决策树模型；所述模型训练模块还包括：信息输入单元，用于将所述第一特征信息输入至待训练的所述梯度提升决策树模型；待训练的所述梯度提升决策树模型生成预测诊断结果；结果计算单元，用于计算所述预测诊断结果与所述历史诊断结果的差值，根据所述差值优化所述梯度提升决策树模型，完成对所述梯度提升决策树模型的训练；其中，所述第一诊断信息对应的历史诊断结果为0，所述第二诊断信息对应的历史诊断结果为1，所述预测诊断结果的范围为[0,1]，所述预测诊断结果的表达式如下：

R＝GBDT(F),R∈{0,1}

式中R为所述预测诊断结果，GBDT()为所述梯度提升决策树模型的输出结果，F为所述第一特征信息。

在一些实施例中，所述节点参数信息包括多个节点参数；在所述将所述第一特征信息和历史诊断结果信息输入至待训练的决策树模型之前，所述系统还包括：参数确认模块，用于在多个节点参数中随机确认一个目标节点参数；参数去除模块，用于在所述节点参数信息中去除所述目标节点参数，用于将去除所述目标节点参数的所述节点参数信息和历史诊断结果信息输入至待训练的决策树模型，完成对所述决策树模型的训练。

在一些实施例中，所述历史节点参数信息包括负荷参数、电压参数、电流参数和功率因数参数中的一项或多项参数；所述第一特征提取模块还包括：特征提取单元，用于采用预设特征提取算法对所述历史节点参数进行特征提取，获取所述第一特征信息；或，用于将所述历史节点参数输入至特征提取模型，获取所述第一特征信息；其中，所述第一特征信息包括频率特征信息、功率特征信息和相位特征信息中的一项或多项；所述预设特征提取算法至少包括时频分析算法和小波变换算法的任一项；所述特征提取模型包括自回归模型。

在一些实施例中，所述诊断结果包括故障类型和故障部件标识；在所述将所述第二特征信息输入至所述决策树模型，所述决策树模型输出诊断结果，完成对所述节点设备的故障诊断之后，所述系统还包括：维修确定模块，用于根据所述故障类型确定故障维修方式；部件确认模块，用于根据所述故障部件标识和所述节点设备装配的部件标识确认发生故障的目标部件；部件维修模块，用于根据所述故障维修方式对所述节点设备装配的目标部件进行维修。

在一些实施例中，所述维修确定模块还包括：维修确定单元，用于获取所述电力装置的维修日志，所述维修日志包括历史故障类型和历史维修方式；根据所述历史故障类型和所述故障类型进行匹配，用于将匹配成功的所述历史故障类型对应的历史维修方式作为所述故障维修方式；或，用于将所述故障类型、所述节点设备的设备标识和所述节点参数信息发送至维修终端，以接收所述维修终端返回的所述故障维修方式。

第二方面，本申请提供了一种基于人工智能的电力系统故障诊断方法，应用于电力装置的终端设备，所述电力系统还包括多个节点设备；所述方法包括：

获取电力装置的历史诊断信息，历史诊断信息包括历史诊断信息对应的历史节点参数信息和历史诊断结果；

对历史节点参数信息进行特征提取，以获取历史节点参数信息对应的第一特征信息；

将第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练；

获取待诊断的节点设备的节点参数信息；

对节点参数信息进行特征提取，以获取节点参数信息对应的第二特征信息；

将第二特征信息输入至决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断。

第三方面，本申请提供了一种电力装置，所述电力装置包括终端设备和多个节点设备；其中，所述终端设备包括存储器和处理器；所述存储器与所述处理器连接，用于存储程序；所述处理器用于通过运行所述存储器中存储的程序，实现本申请任一实施例所提供的故障诊断方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现本申请任一实施例所提供的故障诊断方法的步骤。

本申请提供了一种基于人工智能的电力系统故障诊断系统，应用于电力装置的终端设备，电力装置还包括多个节点设备；方法包括：信息获取模块、第一特征提取模块、模型训练模块、参数获取模块、第二特征提取模块和诊断完成模块。第一特征提取模块通过将信息获取模块获取的历史节点参数信息进行特征提取，以获取历史节点参数信息对应的第一特征信息。模型训练模块通过将第一特征信息和信息获取模块获取的历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练。在训练完成之后，第二特征提取模块通过对参数获取模块获取的待诊断的节点设备的节点参数信息进行特征提取，以获取节点参数信息对应的第二特征信息。最终诊断完成模块将第二特征信息输入至训练完成的决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断。进而实现对多个节点设备的故障的实时自动诊断，并且通过决策树模型的训练能大幅提升诊断的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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是本申请的实施例提供的一种电力装置的结构示意性框图；

图2是本申请实施例所提供的第一种基于人工智能的电力系统故障诊断系统的结构示意框图；

图3是本申请实施例所提供的第二种基于人工智能的电力系统故障诊断系统的结构示意框图；

图4是本申请实施例所提供的第三种基于人工智能的电力系统故障诊断系统的结构示意框图；

图5是本申请实施例所提供的第四种基于人工智能的电力系统故障诊断系统的结构示意框图；

图6是本申请实施例所提供的第五种基于人工智能的电力系统故障诊断系统的结构示意框图；

图7是本申请实施例所提供的第六种基于人工智能的电力系统故障诊断系统的结构示意框图；

图8是本申请实施例提供的一种基于人工智能的电力系统故障诊断方法的步骤示意流程图；

图9是本申请的实施例提供的一种终端设备的结构示意性框图。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

应当理解，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一特征信息和第二特征信息仅仅是为了区分不同的特征信息，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

电能高效利用能够为用户提供可靠、优质的电能供应。现代社会的发展对电力系统在提高供电可靠性提出了更高的要求。若电力系统中的任一节点对应的电力设备发生故障会导致电力供应中断或电力质量下降，给用户带来不便和经济损失。

受限于电力系统中的节点种类繁多、功能各异，导致电力系统节点运行产生的数据庞大且复杂，在庞大的数据中确认发生故障的数据的工作量是十分庞大的并且十分容易发送误确认。

因此当下存在部分通过机器学习或人工智能等方法实现电力系统的故障的自动诊断，通过将节点运行产生的数据作为训练样本训练人工智能模型。由于节点运行产生的数据是大量没有标注的数据集，导致训练的模型的故障诊断的准确性不甚理想。

请参照图1，图1是本申请实施例提供的一种电力装置的结构示意图。如图1所示，所提供的电力装置30包括终端设备31和多个节点设备32，终端设备31能够对多个不同类型的节点设备32进行实时故障诊断，并能大幅提升对节点设备32诊断的准确率，确保电力装置30能稳定运行。

需要说明的是，节点设备32可以是电力装置30中的任意功能的设备或部件，如断路器、电源、各类传感器等。采用所提供的电力装置30，终端设备31能够对各种类型的节点设备32进行故障的实时、自动和精确诊断，故本申请实施例对节点设备32的类型不作限制。

需要说明的是，终端设备31可以是服务器、手机或电脑等各类具有处理能力的设备。终端设备31只需要能够实时与节点设备32建立通讯连接获取节点设备32的节点参数信息即可完成对节点设备32的故障诊断，故本申请实施例对终端设备31的类型不作限制。

本申请实施例提供了一种电力装置，能够实现对多个节点设备的故障的实时、自动和精确诊断，确保电力装置能够稳定运行。

请参照图2，图2是本申请实施例所提供的第一种基于人工智能的电力系统故障诊断系统的结构示意框图。该基于人工智能的电力系统故障诊断系统100可以实现为一种计算机程序的形式，该计算机程序可以在本申请任一实施例所提供的电力装置的终端设备上运行。

如图2所示，所提供的电力系统故障诊断系统100包括：

信息获取模块101，用于获取电力装置的历史诊断信息，所述历史诊断信息包括所述历史诊断信息对应的历史节点参数信息和历史诊断结果。

具体地，在过往对电力装置进行故障诊断的过程中，诊断之后通过诊断日志的形式进行归档之后后续很少再对历史的诊断信息加以利用。所提供的系统为提升诊断的准确性，终端设备通过信息获取模块101获取电力装置的历史诊断信息，以根据历史诊断信息完成对决策树分类器模型的训练，提升决策树模型对电力装置的节点设备的故障诊断的准确性。其中，历史诊断信息包括历史诊断信息对应的历史节点参数信息和历史诊断结果，历史节点参数信息则为在此次对电力装置的任一节点设备进行故障诊断的过程中该节点设备的参数信息，例如传感器测量参数、接口参数等。历史诊断结果即为根据历史节点参数信息对节点设备的故障诊断结果。进而终端设备能够很好地将历史故障信息融合入模型的训练中。

第一特征提取模块102，用于对历史节点参数信息进行特征提取，以获取所述历史节点参数信息对应的第一特征信息。

具体地，由于电力装置中存在种类各异的节点设备，因此节点设备对应的历史节点参数信息的格式也各不相同。若直接将历史节点参数信息输入至决策树模型会导致决策树模型无法识别到对应的节点参数信息，因此终端设备通过第一特征提取模块102对历史节点参数信息进行特征提取，例如用特征向量的形式表征历史节点参数信息对应的节点参数。进而终端设备能够确保决策树模型的训练过程能稳定进行。

模型训练模块103，用于将所述第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据所述第一特征信息和历史诊断结果完成对所述决策树模型的训练。

具体地，决策树模型，也可以称为决策树分类器(Decision Tree Classifier)。决策树模型是一种树型结构，其中每个内部节结点表示在一个属性上的测试，每一个分支代表一个测试输出，每个叶结点代表一种类别。决策树模型的训练是以实例为基础的归纳学习，采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一棵熵值下降最快的树。到叶子节点的处的熵值为零，此时每个叶结点中的实例都属于同一类。终端设备通过模型训练模块103将历史节点参数信息所提取的第一特征信息和对应的历史诊断结果所训练的决策树模型能够将大量历史诊断数据进行归类，训练后的决策树模型能够根据不同的节点参数信息快速确定对应的诊断结果，提升了故障诊断的准确性。

参数获取模块104，用于获取待诊断的节点设备的节点参数信息。

具体地，在完成决策树模型训练后，终端设备通过参数获取模块104获取待诊断的节点设备的节点参数信息，能够快速根据训练完成的决策树模型实现对待诊断的节点设备的实时诊断。

第二特征提取模块105，用于对所述节点参数信息进行特征提取，以获取所述节点参数信息对应的第二特征信息。

具体地，终端设备通过第二特征提取模块105对待诊断的节点设备的节点参数信息进行特征提取，以将节点参数信息转换为决策树模型对应的格式，例如词向量形式，进而决策树模型能够快速、准确实现对待诊断的节点设备的实时诊断。

诊断完成模块106，用于将所述第二特征信息输入至所述决策树模型，所述决策树模型输出诊断结果，完成对所述节点设备的故障诊断。

具体地，终端设备通过诊断完成模块106将节点设备对应的第二特征信息输入至训练完成的决策树模型之后，决策树模型能够根据第二特征信息和历史诊断信息的隐含关系进行计算快速输出诊断结果。终端设备能够实现对多个功能各异的节点设备的故障的实时、自动和精确诊断。

在一些实施例中，请参照图3，图3是本申请实施例所提供的第二种基于人工智能的电力系统故障诊断系统的结构示意框图。

如图3所示，信息获取模块101还包括诊断获取单元101a，用于获取所述电力装置的第一诊断信息和第二诊断信息，所述第一诊断信息和第二诊断信息构成所述历史诊断信息；其中，所述第一诊断信息为在所述历史诊断信息中存在故障的诊断信息，所述第一诊断信息为在所述历史诊断信息中不存在故障的诊断信息。

终端设备通过诊断获取单元101a获取电力装置中存在故障的第一诊断信息和第二诊断信息，将存在故障的诊断信息和不存在故障的诊断装置作为决策树模型的训练样本。能够增强训练完成的决策树模型的感受野，提高了故障诊断的准确率和所能够诊断的故障类型的范围。

示例性的，请参照图3，决策树模型为梯度提升决策树模型(Gradient BoostingDecisionTree，GBDT)。模型训练模块103还包括：信息输入单元103a和结果计算单元103b。

信息输入单元103a，用于将所述第一特征信息输入至待训练的所述梯度提升决策树模型；待训练的所述梯度提升决策树模型生成预测诊断结果。

结果计算单元103b用于计算所述预测诊断结果与所述历史诊断结果的差值，根据所述差值优化所述梯度提升决策树模型，完成对所述梯度提升决策树模型的训练；其中，所述第一诊断信息对应的历史诊断结果为0，所述第二诊断信息对应的历史诊断结果为1，所述预测诊断结果的范围为[0,1]，所述预测诊断结果的表达式如下：

R＝GBDT(F),R∈{0,1}

式中R为所述预测诊断结果，GBDT()为所述梯度提升决策树模型的输出结果，F为所述第一特征信息。

梯度提升决策树模型的主要的思想是，每一次建立模型是在之前建立模型损失函数的梯度下降方向。模型的损失函数(Loss Function)描述的是模型的不靠谱程度，损失函数越大，则说明模型进行故障诊断出错的概率越高。因此通过梯度提升决策树模型使得模型在梯度(Gradient)的方向上下降能够有效降低模型的损失函数，提高诊断的准确率。

在一些实施例中，节点参数信息包括多个节点参数，例如传感器参数，接口参数等反馈节点设备当前状态的参数；请参照图4，图4是本申请实施例所提供的第三种基于人工智能的电力系统故障诊断系统的结构示意框图。

如图4所示，在终端设备通过模型训练模块103将所述第一特征信息和历史诊断结果信息输入至待训练的决策树模型之前，系统还包括参数确认模块107和参数去处模块108。

参数确认模块107，用于在多个节点参数中随机确认一个目标节点参数。

参数去除模块108，用于在所述节点参数信息中去除所述目标节点参数，用于将去除所述目标节点参数的所述节点参数信息和历史诊断结果信息输入至待训练的决策树模型，完成对所述决策树模型的训练。

通过在多个节点参数中去除任意一个目标节点参数，以建立对决策树模型训练的掩码语言建模(Masked Language Model，MLM)任务完成训练。MLM任务实现了对节点参数和故障诊断结果的隐空间关联关系的学习。通过MLM任务内含的自注意力(Self-attention)机制，决策树模型能够充分理解各个节点参数间的关联关系。最终能够提升决策树模型对不同节点参数组合的预测准确性。

在一些实施例中，历史节点参数信息包括负荷参数、电压参数、电流参数和功率因数参数中的一项或多项参数；请参照图5，图5是本申请实施例所提供的第四种基于人工智能的电力系统故障诊断系统的结构示意框图。

如图5所示，第一特征提取模块102包括特征提取单元102a。

特征提取单元102a，用于采用预设特征提取算法对所述历史节点参数进行特征提取，获取所述第一特征信息；或，将所述历史节点参数输入至特征提取模型，获取所述第一特征信息；其中，所述第一特征信息包括频率特征信息、功率特征信息和相位特征信息中的一项或多项；所述预设特征提取算法至少包括时频分析算法和小波变换算法的任一项；所述特征提取模型包括自回归模型。

由于负荷参数、电压参数、电流参数和功率因数参数中单一的测量参数可能无法用于判断电力设备是否发送故障，因此终端设备通过特征提取单元102a采用预设特征提取算法，例如时频分析算法和小波变换算法的任一项能够提取出历史节点参数对应的第一特征信息，例如频率特征信息、功率特征信息和相位特征信息。同时也能够通过将历史节点参数输入至特征提取模型，获取第一特征信息，例如通过自回归模型(AutoregressiveModel)能够准确提取出对应的第一特征信息。进而能够确保终端设备对电力装置故障诊断的准确性。

在一些实施例中，诊断结果包括故障类型和故障部件标识，例如故障类型为短路、断路、设备损坏等任一故障类型，故障部件标识即为具体发生故障的节点设备的部件的名称、编码等任意能确定损坏的部件的标识。请参照图6，图6是本申请实施例所提供的第五种基于人工智能的电力系统故障诊断系统的结构示意框图。在终端设备通过诊断完成模块106将所述第二特征信息输入至所述决策树模型，所述决策树模型输出诊断结果，完成对所述节点设备的故障诊断之后，所提供的系统还包括维修确定模块10a、部件确认模块10b和部件维修模块10c。

维修确定模块10a，用于根据所述故障类型确定故障维修方式。

部件确认模块10b，用于根据所述故障部件标识和所述节点设备装配的部件标识确认发生故障的目标部件。

部件维修模块10c，用于根据所述故障维修方式对所述节点设备装配的目标部件进行维修。

在本申请实施例所提供的系统中，终端设备不仅能够确认节点设备是否发生故障，还能通过维修确定模块10a根据故障类型确定故障维修方式。同时终端设备还能够通过部件确认模块10b快速确定发生故障的目标部件，同时也能够通过获取目标部件对应的节点设备的部件装配信息以确定目标部件的位置。进而终端设备能够在节点设备发生故障时第一时间实现对故障的目标部件的精确定位，以提升部件维修模块10c进行部件维修的速度。

示例性的，请参照图7，图7是本申请实施例所提供的第六种基于人工智能的电力系统故障诊断系统的结构示意框图。

如图7所示，维修确定模块10a还包括维修确定单元10a1。

维修确定单元10a1，用于获取所述电力装置的维修日志，所述维修日志包括历史故障类型和历史维修方式；根据所述历史故障类型和所述故障类型进行匹配，用于将匹配成功的所述历史故障类型对应的历史维修方式作为所述故障维修方式；或，将所述故障类型、所述节点设备的设备标识和所述节点参数信息发送至维修终端，以接收所述维修终端返回的所述故障维修方式。

终端设备通过维修确定单元10a1，能够获取电力装置的维修日志包含的历史故障类型和历史维修方式，再根据历史故障类型和所述故障类型进行匹配，用于将匹配成功的历史故障类型对应的历史维修方式作为所述故障维修方式，例如通过构建历史故障类型和历史维修方式的知识图谱(Knowledge Graph)，构建完成的知识图谱能够用于表征历史故障类型和历史维修方式的关联关系。进而终端设备将待维修的目标设备的故障类型输入至知识图谱中与历史故障类型相匹配，知识图谱能将匹配成功的历史故障类型对应的历史维修方式作为故障类型对应的维修方式输出。进而终端设备能够将专家的历史维修过程进行结合，提升维修的成功率和效率。

同时，在无法匹配到对应的故障维修方式时，终端设备还能够通过维修确定单元10a1将所述故障类型、节点设备的设备标识和节点参数信息发送至维修终端，维修终端对应的专家能够人工对故障的维修方式进行确定并返回，进而在遇到新的故障类型或较复杂的故障类型时终端设备也能够快速确定对应的维修方式。

示例性的，终端设备还能够构建电力装置的三维模型，包括电力装置的终端设备和各节点设备的位置信息和外观信息。用户通过电力装置的三维模型能够清晰了解电力装置的构成、功能等信息。而在终端设备获取到电力装置的维修日志后，通过维修确定单元10a1将故障类型、节点参数信息根据节点设备的设备标识添加至三维模型中的节点设备的位置中，并将更新后的三维模型发送至用户终端，进而维修人员通过更新后的三维模型能够快速确认发生故障的节点设备，以通过三维模型返回对应的故障维修方式。

本申请提供了一种基于人工智能的电力系统故障诊断系统，应用于电力装置的终端设备，电力装置还包括多个节点设备；方法包括：信息获取模块、第一特征提取模块、模型训练模块、参数获取模块、第二特征提取模块和诊断完成模块。第一特征提取模块通过将信息获取模块获取的历史节点参数信息进行特征提取，以获取历史节点参数信息对应的第一特征信息。模型训练模块通过将第一特征信息和信息获取模块获取的历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练。在训练完成之后，第二特征提取模块通过对参数获取模块获取的待诊断的节点设备的节点参数信息进行特征提取，以获取节点参数信息对应的第二特征信息。最终诊断完成模块将第二特征信息输入至训练完成的决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断。进而实现对多个节点设备的故障的实时自动诊断，并且通过决策树模型的训练能大幅提升诊断的准确率。

请参照图8，图8是本申请实施例提供的一种基于人工智能的电力系统故障诊断方法，所提供的方法应用于本申请任一实施例所提供的电力装置的终端设备。

如图8所示，所提供的方法包括步骤S201至S206。

S201.获取电力装置的历史诊断信息，历史诊断信息包括历史诊断信息对应的历史节点参数信息和历史诊断结果。

具体地，在过往对电力装置进行故障诊断的过程中，诊断之后通过诊断日志的形式进行归档之后后续很少再对历史的诊断信息加以利用。所提供的系统为提升诊断的准确性，终端设备通过获取电力装置的历史诊断信息，以根据历史诊断信息完成对决策树分类器模型的训练，提升决策树模型对电力装置的节点设备的故障诊断的准确性。其中，历史诊断信息包括历史诊断信息对应的历史节点参数信息和历史诊断结果，历史节点参数信息则为在此次对电力装置的任一节点设备进行故障诊断的过程中该节点设备的参数信息，例如传感器测量参数、接口参数等。历史诊断结果即为根据历史节点参数信息对节点设备的故障诊断结果。进而终端设备能够很好地将历史故障信息融合入模型的训练中。

S202.对历史节点参数信息进行特征提取，以获取历史节点参数信息对应的第一特征信息。

具体地，由于电力装置中存在种类各异的节点设备，因此节点设备对应的历史节点参数信息的格式也各不相同。若直接将历史节点参数信息输入至决策树模型会导致决策树模型无法识别到对应的节点参数信息，因此终端设备通过对历史节点参数信息进行特征提取，例如用特征向量的形式表征历史节点参数信息对应的节点参数。进而终端设备能够确保决策树模型的训练过程能稳定进行。

S203.将第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练。

具体地，终端设备通过将历史节点参数信息所提取的第一特征信息和对应的历史诊断结果所训练的决策树模型能够将大量历史诊断数据进行归类，训练后的决策树模型能够根据不同的节点参数信息快速确定对应的诊断结果，提升了故障诊断的准确性。

S204.获取待诊断的节点设备的节点参数信息。

具体地，在完成决策树模型训练后，终端设备通过获取待诊断的节点设备的节点参数信息，能够快速根据训练完成的决策树模型实现对待诊断的节点设备的实时诊断。

S205.对节点参数信息进行特征提取，以获取节点参数信息对应的第二特征信息。

具体地，终端设备通过对待诊断的节点设备的节点参数信息进行特征提取，以将节点参数信息转换为决策树模型对应的格式，例如词向量形式，进而决策树模型能够快速、准确实现对待诊断的节点设备的实时诊断。

S206.将第二特征信息输入至决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断。

具体地，终端设备通过将节点设备对应的第二特征信息输入至训练完成的决策树模型之后，决策树模型能够根据第二特征信息和历史诊断信息的隐含关系进行计算快速输出诊断结果。终端设备能够实现对多个功能各异的节点设备的故障的实时、自动和精确诊断。

在一些实施例中，所述获取电力装置的历史诊断信息，还包括：获取所述电力装置的第一诊断信息和第二诊断信息，所述第一诊断信息和第二诊断信息构成所述历史诊断信息；其中，所述第一诊断信息为在所述历史诊断信息中存在故障的诊断信息，所述第一诊断信息为在所述历史诊断信息中不存在故障的诊断信息。

示例性的，所述决策树模型为梯度提升决策树模型；所述将第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练，还包括：将所述第一特征信息输入至待训练的所述梯度提升决策树模型；待训练的所述梯度提升决策树模型生成预测诊断结果；计算所述预测诊断结果与所述历史诊断结果的差值，根据所述差值优化所述梯度提升决策树模型，完成对所述梯度提升决策树模型的训练；其中，所述第一诊断信息对应的历史诊断结果为0，所述第二诊断信息对应的历史诊断结果为1，所述预测诊断结果的范围为[0,1]，所述预测诊断结果的表达式如下：

R＝GBDT(F),R∈{0,1}

式中R为所述预测诊断结果，GBDT()为所述梯度提升决策树模型的输出结果，F为所述第一特征信息。

在一些实施例中，所述节点参数信息包括多个节点参数；在将第一特征信息和历史诊断结果信息输入至待训练的决策树模型之前，方法还包括：在多个节点参数中随机确认一个目标节点参数；在所述节点参数信息中去除所述目标节点参数，用于将去除所述目标节点参数的所述节点参数信息和历史诊断结果信息输入至待训练的决策树模型，完成对所述决策树模型的训练。

在一些实施例中，所述历史节点参数信息包括负荷参数、电压参数、电流参数和功率因数参数中的一项或多项参数；所述对历史节点参数信息进行特征提取，还包括：采用预设特征提取算法对所述历史节点参数进行特征提取，获取所述第一特征信息；或，将所述历史节点参数输入至特征提取模型，获取所述第一特征信息；其中，所述第一特征信息包括频率特征信息、功率特征信息和相位特征信息中的一项或多项；所述预设特征提取算法至少包括时频分析算法和小波变换算法的任一项；所述特征提取模型包括自回归模型。

在一些实施例中，所述诊断结果包括故障类型和故障部件标识；在将第二特征信息输入述决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断之后，方法还包括：根据所述故障类型确定故障维修方式；根据所述故障部件标识和所述节点设备装配的部件标识确认发生故障的目标部件；根据所述故障维修方式对所述节点设备装配的目标部件进行维修。

在一些实施例中，根据所述故障类型确定故障维修方式，包括：获取所述电力装置的维修日志，所述维修日志包括历史故障类型和历史维修方式；根据所述历史故障类型和所述故障类型进行匹配，用于将匹配成功的所述历史故障类型对应的历史维修方式作为所述故障维修方式。

在一些实施例中，根据所述故障类型确定故障维修方式，包括：将所述故障类型、所述节点设备的设备标识和所述节点参数信息发送至维修终端，以接收所述维修终端返回的所述故障维修方式。

本申请提供了一种基于人工智能的电力系统故障诊断方法，能够实现对多个节点设备的故障的实时自动诊断，并且通过决策树模型的训练能大幅提升诊断的准确率。

请参阅图9，图9是本申请的实施例提供的一种终端设备的结构示意性框图。该终端设备可以是服务器。参阅图9，该终端设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种基于人工智能的电力系统故障诊断方法。

处理器用于提供计算和控制能力，支撑整个服务器的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于人工智能的电力系统故障诊断方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端设备的限定，具体的终端设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、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 GateArray，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。其中，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。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取电力装置的历史诊断信息，历史诊断信息包括历史诊断信息对应的历史节点参数信息和历史诊断结果。

对历史节点参数信息进行特征提取，以获取历史节点参数信息对应的第一特征信息。

将第一特征信息和历史诊断结果信息输入至待训练的决策树模型，以根据第一特征信息和历史诊断结果完成对决策树模型的训练。

获取待诊断的节点设备的节点参数信息。

对节点参数信息进行特征提取，以获取节点参数信息对应的第二特征信息。

将第二特征信息输入至决策树模型，决策树模型输出诊断结果，完成对节点设备的故障诊断。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的处理器的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项基于人工智能的电力系统故障诊断方法的步骤。

其中，所述计算机可读存储介质可以是前述实施例所述的服务器的内部存储单元，例如所述服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备，例如所述服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种基于人工智能的电力系统故障诊断方法，因此，可以实现本申请实施例所提供的任一种基于人工智能的电力系统故障诊断方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。