一种开关设备的故障分布确定方法、装置及系统

技术领域

本发明涉及设备保护技术领域，具体涉及一种开关设备的故障分布确定方法、装置及系统。

背景技术

开关设备是电力系统中起关键作用的控制和保护设备，直接影响电网的安全运行。目前，通过数据统计等方式，对开关设备的故障概率进行预测，以实现对开关设备的全寿命管理，进而提高开关设备的运行可靠性的同时减少寿命周期成本。

然而，数理统计的方法以开关运行数据的一个指标的所有历史数据作为样本空间，通过数理统计方法，得到六个指标的回归方程，通过所述的回归方程，得到下一次的预测值，但无法对设备从未发生过的故障进行预测。

因此，如何提供一种开关设备的故障分布确定方法，实现对开关设备的故障进行精准预测，是本领域技术人员亟待解决的一大技术难题。

发明内容

有鉴于此，本发明实施例提供了一种开关设备的故障分布确定方法，能够对开关设备的故障进行精准预测。

为实现上述目的，本发明实施例提供如下技术方案：

一种开关设备的故障分布确定方法，包括：

获取每个开关设备的属性向量以及故障历史向量；

基于所述故障历史向量，训练隐含狄利克雷模型，以使所述隐含狄利克雷模型输出每个所述开关设备的对故障模式的分布信息以及每个所述故障模式对故障的分布信息；

基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系；

将待确定故障分布的开关设备的属性向量输入至所述分解机模型中，确定出所述待确定故障分布的开关设备对故障模式的目标分布信息；

基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息。

可选的，所述获取每个开关设备的属性向量，包括：

获取每个所述开关设备的地点、设备型号、至缺陷发生时的运行年限；

将所述至缺陷发生时的运行年限进行分段；

确定所述开关设备的地点、设备型号以及分段后的至缺陷发生时的运行年限为所述开关设备的属性向量。

可选的，所述获取每个开关设备的故障历史向量，包括：

获取每个所述开关设备的设备缺陷记录信息以及维护操作信息；

将所述设备缺陷记录信息以及维护操作信息按照预设故障编号与故障类型的关联关系进行分类，确定分类后的故障编号为所述故障历史向量。

可选的，所述基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系，包括：

将所述属性向量作为所述分解机模型的输入信息，将所述开关设备的对故障模式的分布信息作为所述分解机模型的输出信息，确定出所述开关设备对故障模式的映射关系。

可选的，所述基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息，包括：

确定所述目标分布信息与所述每个所述故障模式对故障的分布信息的乘积为所述待确定故障分布的开关设备对故障的分布信息。

一种开关设备的故障分布确定装置，包括：

获取模块，用于获取每个开关设备的属性向量以及故障历史向量；

第一训练模块，用于基于所述故障历史向量，训练隐含狄利克雷模型，以使所述隐含狄利克雷模型输出每个所述开关设备的对故障模式的分布信息以及每个所述故障模式对故障的分布信息；

第二训练模块，用于基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系；

第一确定模块，用于将待确定故障分布的开关设备的属性向量输入至所述分解机模型中，确定出所述待确定故障分布的开关设备对故障模式的目标分布信息；

第二确定模块，用于基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息。

可选的，所述获取模块包括：

获取单元，用于获取每个所述开关设备的地点、设备型号、至缺陷发生时的运行年限、设备缺陷记录信息以及维护操作信息；

划分单元，用于将所述至缺陷发生时的运行年限进行分段；

第一确定单元，用于确定所述开关设备的地点、设备型号以及分段后的至缺陷发生时的运行年限为所述开关设备的属性向量；

第二确定单元，用于将所述设备缺陷记录信息以及维护操作信息按照预设故障编号与故障类型的关联关系进行分类，确定分类后的故障编号为所述故障历史向量。

可选的，所述第二训练模块包括：

训练单元，用于将所述属性向量作为所述分解机模型的输入信息，将所述开关设备的对故障模式的分布信息作为所述分解机模型的输出信息，确定出所述开关设备对故障模式的映射关系。

可选的，所述第二确定模块包括：

第三确定单元，用于确定所述目标分布信息与所述每个所述故障模式对故障的分布信息的乘积为所述待确定故障分布的开关设备对故障的分布信息。

一种开关设备的故障分布确定系统，包括任意一项上述的开关设备的故障分布确定装置。

基于上述技术方案，本发明实施例提供了一种开关设备的故障分布确定方法、装置及系统，刚方法首先获取每个开关设备的属性向量以及故障历史向量。然后基于所述故障历史向量，训练隐含狄利克雷模型，以使所述隐含狄利克雷模型输出每个所述开关设备的对故障模式的分布信息以及每个所述故障模式对故障的分布信息。之后基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系。将待确定故障分布的开关设备的属性向量输入至所述分解机模型中，确定出所述待确定故障分布的开关设备对故障模式的目标分布信息。并基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息。可见，本方案能够对开关设备的故障进行精准预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种开关设备的故障分布确定方法的流程示意图；

图2为本发明实施例提供的一种开关设备的故障分布确定方法的又一流程示意图；

图3为本发明实施例提供的一种开关设备的故障分布确定方法的又一流程示意图；

图4为本发明实施例提供的一种开关设备的故障分布确定方法的又一流程示意图；

图5为本发明实施例提供的一种开关设备的故障分布确定方法的又一流程示意图；

图6为本发明实施例提供的一种开关设备的故障分布确定装置的结构示意图；

图7为本发明实施例提供的一种开关设备的故障分布确定系统的架构示意图。

具体实施方式

请参阅图1，图1为本发明实施例提供的一种开关设备的故障分布确定方法，包括步骤：

S11、获取每个开关设备的属性向量以及故障历史向量；

具体的，本发明实施例提供了一种获取每个开关设备的属性向量的具体实现方式，如图2所示，包括：

S21、获取每个所述开关设备的地点、设备型号、至缺陷发生时的运行年限；

S22、将所述至缺陷发生时的运行年限进行分段；

S23、确定所述开关设备的地点、设备型号以及分段后的至缺陷发生时的运行年限为所述开关设备的属性向量。

除此，如图3所示，本实施例还提供了一种获取每个开关设备的故障历史向量的具体实现方式，包括：

S31、获取每个所述开关设备的设备缺陷记录信息以及维护操作信息；

S32、将所述设备缺陷记录信息以及维护操作信息按照预设故障编号与故障类型的关联关系进行分类，确定分类后的故障编号为所述故障历史向量。

具体的，本实施例从电力系统管理系统中抓取设备的运维记录，需要抓取的关键内容包括开关设备的地点、设备型号、至缺陷发生时的运行年限、设备缺陷记录内容以及维护操作信息。

然后，将开关设备至缺陷发生时的运行年限分段。例如，将开关设备至缺陷发生时的运行年限被分为0到5年，5-10年，10-15年，15-20年以及大于20年五个阶段。经过分段，原始的连续数据被转化为离散的类别数据。

之后，将每台开关设备的地点、设备型号、分段后的至缺陷发生时的运行年限都进行one-hot编码并连接，获得表达每台开关设备属性的一维向量属性编码。假设系统中共有O个不同变电站，P种型号的开关设备和Q种寿命分段，则每台设备在每个时间段获得的属性向量长度为O+P+Q。设最终获得的在不同时间区间的不同设备共有M种，则全体设备在不同时间区间的属性编码矩阵的形状为M×(O+P+Q)。

示意性的，假设有3个变电站，2种设备，5个寿命分段，其中某台设备属于变电站1，设备型号2。那么它在0到5年的one-hot向量可以表示为[1,0,0；0,1；1,0,0,0,0]，在5-10年的one-hot向量可以表示为[1,0,0；0,1；0,1,0,0,0]，如果该设备在某个时间区间内没有运维记录，则不在此时间区间进行此编码。

除此，由于电力系统运行中累积的运维记录，包括设备缺陷记录内容、维护操作内容大部分是文本的、描述性的数据，因此需要综合考虑二者内容将其转化为类别数据。具体的，文本数据到类别数据的转移可以采用手工标注或者使用文本分类模型等。

示意性的，假设最终标注得到的故障类型共有N种，对全部故障种类按照顺序进行编号。例如，所获得的分类结果共有37种，故障编号和对应类型如表1所示：

表1故障编号和故障类型对照表

将获得的故障类别数据与获得的设备one-hot向量进行对应，获得(属性向量：故障历史向量)格式的对应数据集。同样，该数据集条数应有M条。

例如，假设有3个变电站，2种设备，5个寿命分段，其中某台设备属于变电站1，设备型号2。它在0到5年发生过油泵损坏和接点接触不良两次故障，则其属性向量与故障历史可表述为([1,0,0；0,1；1,0,0,0,0]:[0,2])。

S12、基于所述故障历史向量，训练隐含狄利克雷模型，以使所述隐含狄利克雷模型输出每个所述开关设备的对故障模式的分布信息以及每个所述故障模式对故障的分布信息；

即，本实施例通过训练LDA模型(隐含狄利克雷模型)，自动提取出设备的若干种故障模式，并获得训练集中每台设备对故障模式的分布，和每种故障模式对故障的分布。

需要说明的是，LDA模型是一种被应用在文本挖掘方面的机器学习方法，其的目的在于从一个文档集合中自动抽取确定数量的主题，并获得文档对主题的分布和主题对文档中每个词的分布，从而起到近似表达内容的作用。本方案中，由于训练样本不是文档而是设备的故障历史，因为将LDA中的主题表达为故障模式。

将全体M个样本故障历史向量集输入LDA模型并对模型进行训练。假设预设K种故障模式，经过LDA模型训练，模型将自动抽取隐含的故障模式，输出两个矩阵，分别是是(设备：故障模式)的分布矩阵，和(故障模式：故障)的分布矩阵，其形状应分别为M×K，和K×N。其中，这两个矩阵的每行之和应等于1。一般而言，K的选择要远小于M和N的数量，例如，K的个数选择为6，从而起到信息压缩的作用。

S13、基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系；

具体的，如图4所示，本实施例提供了一种基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系的具体实现方式，包括：

S41、将所述属性向量作为所述分解机模型的输入信息，将所述开关设备的对故障模式的分布信息作为所述分解机模型的输出信息，确定出所述开关设备对故障模式的映射关系。

即，本方案中，将训练集中每台设备的属性参数作为输入，将上述获得的设备对故障模式分布作为输出训练FM模型，获得设备属性对设备故障模式之间的映射关系。

需要说明的是，FM方法的本质是一个回归模型，其能适应稀疏性非常高的数据输入下的参数估计要求，并能考虑不同维度下的参数的相互关系。发明人考虑到本方案中的设备属性编码由one-hot进行，其稀疏性很大，因此选择FM模型进行训练。

具体的，模型的输入为上述获得的设备属性矩阵，其形状为M×(O+P+Q)，模型输出为上述经过LDA获得的(设备：故障模式)的分布矩阵，其形状为M×K，可见，本实施例练获得到的FM模型的输入为O+P+Q维，输出为K维。

S14、将待确定故障分布的开关设备的属性向量输入至所述分解机模型中，确定出所述待确定故障分布的开关设备对故障模式的目标分布信息；

S15、基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息。

具体的，如图5所示，本发明实施例提供了一种基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息的具体实现方式，包括：

S51、确定所述目标分布信息与所述每个所述故障模式对故障的分布信息的乘积为所述待确定故障分布的开关设备对故障的分布信息。

示意性的，本实施例将需要预测故障分布的高压开关设备的属性输入FM模型，首先获得待预测设备对故障模式的分布；然后用此分布乘以上述获得的故障模式对故障的分布矩阵，最终获得此设备的故障分布预测结果。

将需要预测故障分布的高压开关设备的属性进行向量处理，获得其one-hot属性向量。将此one-hot属性向量输入FM模型，获得待预测设备对不同故障模式的分布，其形状为1×K。

之后，将待预测设备的故障模式分布与上述获得的(故障模式：故障)的分布矩阵相乘，获得此设备最终的对不同分布的发生概率预测结果。两个矩阵的形状分别为1×K和K×N，最终获得的结果为1×N，且结果向量中各元素的和应等于1。

最后，将预测结果按照故障类型和对应编号的对照表，转化为故障类型对故障种类的表达，最终获得设备对不同故障种类的分布预测结果。可见，本方案能够对开关设备的故障进行精准预测。

在上述实施例的基础上，如图6所示，本发明实施例提供了一种开关设备的故障分布确定装置，包括：

获取模块61，用于获取每个开关设备的属性向量以及故障历史向量；

第一训练模块62，用于基于所述故障历史向量，训练隐含狄利克雷模型，以使所述隐含狄利克雷模型输出每个所述开关设备的对故障模式的分布信息以及每个所述故障模式对故障的分布信息；

第二训练模块63，用于基于所述属性向量以及所述开关设备的对故障模式的分布信息，训练分解机模型，确定出所述开关设备对故障模式的映射关系；

第一确定模块64，用于将待确定故障分布的开关设备的属性向量输入至所述分解机模型中，确定出所述待确定故障分布的开关设备对故障模式的目标分布信息；

第二确定模块65，用于基于所述目标分布信息以及所述每个所述故障模式对故障的分布信息，确定出所述待确定故障分布的开关设备对故障的分布信息。

其中，所述获取模块可以包括：

获取单元，用于获取每个所述开关设备的地点、设备型号、至缺陷发生时的运行年限、设备缺陷记录信息以及维护操作信息；

划分单元，用于将所述至缺陷发生时的运行年限进行分段；

第一确定单元，用于确定所述开关设备的地点、设备型号以及分段后的至缺陷发生时的运行年限为所述开关设备的属性向量；

第二确定单元，用于将所述设备缺陷记录信息以及维护操作信息按照预设故障编号与故障类型的关联关系进行分类，确定分类后的故障编号为所述故障历史向量。

除此，所述第二训练模块可以包括：

训练单元，用于将所述属性向量作为所述分解机模型的输入信息，将所述开关设备的对故障模式的分布信息作为所述分解机模型的输出信息，确定出所述开关设备对故障模式的映射关系。

而第二确定模块可以包括：

第三确定单元，用于确定所述目标分布信息与所述每个所述故障模式对故障的分布信息的乘积为所述待确定故障分布的开关设备对故障的分布信息。

该装置的工作原理请参见上述方法实施例，在此不重复叙述。

除此，本发明实施例还提供了一种开关设备的故障分布确定系统，如图7所示，包括任意一项上述的开关设备的故障分布确定装置，其工作原理请参见装置实施例。

综上，本发明提供了一种开关设备的故障分布确定方法、装置及系统，首先获取每个开关设备的属性向量以及故障历史向量。然后基于故障历史向量，训练隐含狄利克雷模型，以使隐含狄利克雷模型输出每个开关设备的对故障模式的分布信息以及每个故障模式对故障的分布信息。之后基于属性向量以及开关设备的对故障模式的分布信息，训练分解机模型，确定出开关设备对故障模式的映射关系。将待确定故障分布的开关设备的属性向量输入至分解机模型，确定出待确定故障分布的开关设备对故障模式的目标分布信息。并基于目标分布信息以及每个故障模式对故障的分布信息，确定出待确定故障分布的开关设备对故障的分布信息。可见，本方案能够对开关设备的故障进行精准预测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。