一种基于平行学习的供变电设备维护方法、系统及设备与流程
1.本技术涉及电力设备健康管理技术领域，更具体地，涉及一种基于平行学习的供变电设备维护方法、系统及设备。
背景技术：
2.随着中国工业化和自动化水平的日益提高，工业化规模的持续增长，从可靠性和运维工作量上都给供变电关键设备的运维检修工作带来了巨大的压力。为了将目前的供变电设备的“被动”运维转化为“主动”运维，有必要建立一套“主动”的供变电关键设备的维护方法，从而避免定时维护和视情维护策略存在的可靠性风险。
3.传统的视情维护策略存在着退化模型复杂且通用性差的特点，目前大数据和人工智能技术蓬勃发展，工业物联网技术也日益推广。在此背景下，基于大数据和人工智能技术的预测性维护方法，则是解决以上问题的有效途径。
技术实现要素：
4.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于平行学习的供变电设备维护方法、系统及设备，能够快速获取供变电设备的失效概率与剩余使用寿命并指定维护决策，减轻了维护检修工作的压力。
5.为实现上述目的，按照本发明的第一个方面，提供了一种基于平行学习的供变电设备维护方法，该方法包括：
6.采集供变电设备的实时运行数据，并对运行数据进行数据预处理；
7.基于模糊c均值聚类算法对预处理后的运行数据进行处理，将运行数据划分为正常运行状态与异常故障状态；
8.构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策。
9.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述对运行数据进行数据预处理还，具体包括：
10.将所述运行数据视为正态分布，基于正态分布的3σ原则对运行数据进行处理，剔除分布在(μ-3σ,μ+3σ)区间外误差较大的数据；其中，μ为运行数据的均值，σ为运行数据正态分布的标准差。
11.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述对运行数据进行数据预处理，还包括：
12.将所述运行数据标准化，对所述运行数据使用归一化方法进行处理，将数据转化为0-1之间的数值。
13.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述对运行数据进行数据预处理，还包括：
14.采用主成分分析法在所述运行数据中选择出若干个有代表性的综合数据。
15.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述基于模糊c均值聚类算法对预处理后的运行数据进行处理，具体包括：
16.以所述预处理后运行数据的集合作为样本集，确定样本集的类别数目，并设置初始聚类中心；
17.计算各个样本点与所述初始聚类中心之间的欧氏距；
18.根据当前的各个样本点与聚类中心之间的欧氏距离更新聚类中心点，并重新计算欧氏距离；
19.根据所述最终的欧氏距离将所述运行数据划分到正常运行状态类别或与异常故障状态类别。
20.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策，具体包括：
21.构建平行学习模型；
22.对所述异常故障状态对应的运行数据进行计算实验与预测学习后，产生若干个人工数据；
23.通过所述人工数据构造人工系统。
24.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策，还包括：
25.基于马尔科夫决策过程，随机获取当前所述人工系统状态，记录当前学习动作；
26.基于所述当前人工系统状态与当前学习动作建立当前知识矩阵，根据当前人工系统状态、下一时刻的人工系统状态与当前学习动作计算立即奖励；
27.根据当前知识矩阵与立即奖励更新下一时刻的知识矩阵；
28.将所述知识矩阵存储至状态转移函数中。
29.进一步地，上述基于平行学习的供变电设备维护方法，其中，所述构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策，还包括：
30.求解使得知识矩阵最大化时的动作值；
31.重复随机获取所述人工系统状态的步骤，直至遍历所有所述人工系统，得到所述供变电设备失效概率与供变电设备使用寿命；
32.根据所述供变电设备失效概率与供变电设备使用寿命制定供变电设备的维护决策。
33.按照本发明的第二个方面，还提供了一种基于平行学习的供变电设备维护系统，该系统包括：
34.数据采集与处理模块，用于采集供变电设备的实时运行数据，并对运行数据进行
数据预处理；
35.模糊c均值聚类算法模块，用于对预处理后的运行数据进行处理，将运行数据划分为正常运行状态与异常故障状态；
36.预测与决策模块，用于构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策。
37.按照本发明的第三个方面，还提供了一种基于平行学习的供变电设备维护设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
38.按照本发明的第四个方面，还提供了一种存储介质，其存储有可由基于平行学习的供变电设备维护设备执行的计算机程序，当所述计算机程序在基于平行学习的供变电设备维护设备上运行时，使得所述基于平行学习的供变电设备维护设备执行上述任一项所述方法的步骤。
39.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
40.(1)本发明提供的基于平行学习的供变电设备维护方法，通过模糊c均值聚类算法对采集的供变电设备运行数据进行处理，直接获取设备当前运行状态；通过平行学习模型，避免了复杂的工程建模过程，能够快速获取供变电设备的失效概率与剩余使用寿命，减轻了维护检修工作的压力；
41.(2)采用本发明提供的基于平行学习的供变电设备维护方法，基于大数据与人工智能技术创建预测性维护方法，避免使用退化模型，具有较好的通用性与泛化能力。
附图说明
42.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需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技术的一些实施例，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，还可以根据这些附图获得其他的附图。
43.图1为本技术实施例提供的基于平行学习的供变电设备维护方法的流程示意图；
44.图2为本技术实施例提供的基于平行学习的供变电设备维护系统结构示意图。
具体实施方式
45.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
46.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选
地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
47.一方面，本技术提供了一种基于平行学习的供变电设备维护方法，图1为本技术实施例提供的基于平行学习的供变电设备维护方法的流程示意图，请参阅图1。该方法包括以下步骤：
48.(1)采集供变电设备的实时运行数据，并对运行数据进行数据预处理；
49.对采集到的实时运行数据通过以下方式进行数据清洗：去除或补全有字段缺失的数据；去除或修改格式和内容错误的数据；去除或修改逻辑错误的数据；去除不需要的数据；通过验证数据之间的关联性来选择数据正确的特征属性；将所有相关数据进行汇总融合，将多源异构的数据进行统一数据模型建模以集成数据。
50.进一步地，将运行数据视为正态分布，基于正态分布的3σ原则对运行数据进行处理，在正态分布中3σ原则为，数值分布在(μ-σ,μ+σ)中的概率为0.6826，数值分布在(μ-2σ,μ+2σ)中的概率为0.9544，数值分布在(μ-3σ,μ+3σ)中的概率为0.9974，可以认为一组运行数据或历史数据的取值几乎全部集中在(μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％。其中，μ为运行数据的均值，σ为运行数据正态分布的标准差。因此，通常把等于
±
3σ的误差作为极限误差，若一组运行数据或历史数据中某个数据值的残余误差的绝对值vi》3σ，则该测量值为异常值，对应样本则为异常样本，应予以剔除。
51.作为一个优选的实施例，对运行数据使用归一化方法对数据进行处理，在不改变数据分布的前提下，将数据转化为0-1之间的连续变量，加速机器学习的收敛，可表示为式(1)，记原始运行数据值为x＝(x1,x2,
…
,xn)，
[0052][0053]
其中，max(x)与min(x)分别代表运行数据的最大值和最小值。
[0054]
作为一个优选的实施例，采用降为的思想，将把大量运行数据转化为少数几个综合数据，即主成分，其中每个主成分都能够反映原始运行数据变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。
[0055]
(2)基于模糊c均值聚类算法对预处理后的运行数据进行处理，将运行数据划分为正常运行状态与异常故障状态；
[0056]
模糊c均值聚类算法的目标函数是各样本点的隶属度和该点与聚类中心的欧氏距离的乘积之和，模糊c均值聚类算法就是求使聚类目标函数最小化的划分矩阵u和聚类中心矩阵c，可表示为式(2)，
[0057][0058]
其中，n是样本数据集的个数；c是聚类中心；m为模糊加权指数；d
ij
表示样本点和聚类中心之间的欧氏距离。
[0059]
以预处理后运行数据的集合作为样本集，确定样本集的类别数目，并设置一个初始的聚类中心，聚类中心可表示为式(3)，
[0060][0061]
计算各个样本点与初始聚类中心之间的欧氏距离可表示为式(4)，
[0062]dij
(xj,ci)＝||x
j-ci||(4)
[0063]
根据当前的各个样本点与聚类中心之间的欧氏距离更新聚类中心点，并重新计算欧氏距离；
[0064]
根据欧式距离计算各个样本点的隶属度可表示为式(5)，
[0065][0066]
根据最终的欧氏距离将运行数据划分到正常运行状态类别或与异常故障状态类别。
[0067]
(3)构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策。
[0068]
构建平行学习模型，对异常故障状态对应的运行数据进行计算实验与预测学习后，产生若干个人工数据,通过人工数据构造人工系统。
[0069]
基于马尔科夫决策过程，随机获取当前人工系统状态，记录当前学习动作；基于当前人工系统状态与当前学习动作建立当前知识矩阵，根据当前人工系统状态、下一时刻的人工系统状态与当前学习动作计算立即奖励；根据当前知识矩阵与立即奖励更新下一时刻的知识矩阵；将所知识矩阵存储至状态转移函数中。求解使得知识矩阵最大化时的动作值；重复随机获取所述人工系统状态的步骤，直至遍历所有所述人工系统，得到供变电设备失效概率与供变电设备使用寿命。上述过程可表示为式(6)与式(7)，
[0070][0071][0072]
其中，q为知识矩阵，s为人工系统状态，a为学习动作，l、p和k分别代表第l个用于迁移学习的实码,第p次搜索,第k次迭代；r
ij
lp为立即奖励，一般可以通过最优化目标转化而来；q
ij
l和δq
ij
为知识矩阵及其增量；q0是统一概率分布中的随机值；ε为局部贪婪搜索参数；a
rand
代表了全局的随机搜索动作。α为学习参数，γ为可调参数。
[0073]
根据所述供变电设备失效概率与供变电设备使用寿命制定供变电设备的维护决策。其决策内容包括维修程度和最佳维修时间，其中维修程度包括为小范围小程度维修、大
范围大程度维修以及设备更换。
[0074]
另一方面，本技术还提供了一种基于平行学习的供变电设备维护系统，图2为本技术实施例提供的基于平行学习的供变电设备维护系统结构示意图，请参阅图2。该系统包括：数据采集预处理模块，模糊c均值聚类算法模块以及预测与决策模块。
[0075]
数据采集与处理模块，用于采集供变电设备的实时运行数据，并对运行数据进行数据预处理；
[0076]
模糊c均值聚类算法模块，用于对预处理后的运行数据进行处理，将运行数据划分为正常运行状态与异常故障状态；
[0077]
预测与决策模块，用于构建平行学习模型，基于马尔可夫决策过程训练所述平行学习模型，将所述异常故障状态对应的运行数据输入至平行学习模型中，得到供变电设备失效概率与剩余使用寿命的预测结果并制定供变电设备的维护决策。
[0078]
本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器ic)，或适合于存储指令和/或数据的任何类型的媒介或设备。
[0079]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
[0080]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0081]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0082]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0083]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0084]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体
现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0085]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0086]
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
[0087]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0088]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
