[发明专利]一种基于深度学习的一次设备风险智能评估方法

说明书

本发明公开了一种基于深度学习的一次设备风险智能评估方法，包括以下步骤：1.缺陷数据分析，通过缺陷数据分析了解设备缺陷数据特征；2.构建缺陷标准库；3.构建缺陷智能诊断模型，精准识别设备缺陷原因及缺陷部位；4.缺陷诊断结果分析，有效推荐缺陷管理措施；5.构建设备风险智能评估模型；6.风险等级划分。本发明中缺陷标准库构建是设备缺陷智能诊断数据的来源和诊断基础，风险智能评估的输入指标来源于缺陷智能诊断的结果数据，结合业务逻辑和算法模型分析设备缺陷对设备风险的影响程度，评估缺陷引起的设备风险情况，为业务人员有针对性的推荐高风险设备缺陷处理措施，使业务人员能够在有效时间内高效解除设备风险。

技术领域

本发明涉及设备风险评估技术领域，具体涉及一种基于深度学习的一次设备风险智能评估方法。

背景技术

设备缺陷诊断：近年来，国内外有关电网设备缺陷诊断的研究较多，我国部分学者主要基于设备的试验数据、运行数据等结构化数据进行设备缺陷智能诊断研究，例如国家电网与交通大学合作，于2019年开展了一种基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法研究，该研究是基于辐射电场特征参数支持向量机的GIS开关缺陷诊断方法，包括:1.实验数据预处理；2.构建信号案例知识库；3.获得SVM缺陷诊断模型；4.支持向量机缺陷诊断过程。该研究采集了GIS隔离开关运行过程中的操作瞬态辐射电场，并对采集的操作瞬态辐射电场进行处理，获得所选择的最优识别精度的SVM缺陷诊断模型对应的信号特征向量，将获得的信号特征向量输入选择的最优识别精度的SVM缺陷诊断模型中，获得GIS隔离开关的分类结果，实现了对GIS设备运行状况的判断，保障电网安全运行。

基于支持向量机的GIS设备缺陷诊断研究主要问题在于选择的数据源较为单一，此方式会导致研究结论效果较好，但无法落地应用。

目前，国外在基于大数据挖掘技术的缺陷分析研究与实践应用较多，如美、日、英、德等，都有应用这项技术的报道。日本从80年代开始实行以状态监测为基础的预知检修。日本发电设备检修协会重点进行了数据挖掘规则模式的研究，并在检修中采用关联分析、聚类分析和时间序列分析等技术对设备进行缺陷分析和寿命评估。以可靠性为中心的维修策略是由美国电力研究院某研发中心提出，推出基于大数据挖掘技术的优化检修等一系列技术方案和相关系统，并在多家电站推广应用，取得了良好效果。德国也积极采用数据挖掘技术提高检修效率。近几年，德国也对发电厂的检修工作进行了探讨，在发电厂开发设备监控与诊断技术的基础上，推行基于数据挖掘技术的状态检修，并在设备检测中发挥大数据挖掘的潜力。

基于以上问题和研究情况，将融合多业务领域数据对一次设备缺陷进行智能化综合诊断，并在现有研究基础上进行深度分析，给出一次设备缺陷的严重程度，支撑业务人员实际工作，提高业务人员的缺陷解决能力。

设备风险评估：设备风险评估是根据设备风险影响因素的特点和变化情况，对设备风险进行分析和判断，准确评估其风险等级能够对缺陷或风险的发展趋势进行合理预测，为降低设备风险提供依据。目前，国内外的科研机构、设备运行单位及制造厂家已在相关领域开展了大量研究工作，在评估方法、制度建设等方面均已取得丰富的研究成果。智能评估法如模糊综合评判、粗糙集理论、神经网络、支持向量机、证据理论和专家系统等。制度建设方面，2008年以来，国家电网公司和南方电网公司相继颁布了一系列电网设备的状态评价和风险评估导则。这些研究成果和制度有力地保证了电网一次设备的安全可靠运行。

然而，由于电网一次设备结构复杂、集成度较高、运行环境复杂多变，且经常受到外部不良工况、系统调度方式改变的影响，大大增加了设备风险评估工作的难度。主要体现在以下3个方面：

1)现有建立在设备试验数据基础上的风险评估方法大多单一或有限，未能综合考虑设备内部影响因素对设备风险的综合影响程度，评估结果的准确度和针对性有待提高。