(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210527863.9 (22)申请日 2022.05.16 (71)申请人 合肥科大智能机 器人技术有限公司 地址 230088 安徽省合肥市望江西路51 11 号 申请人 科大智能科技股份有限公司 (72)发明人 代煜　汪中原　李林　陈姚志　 苏洪明　姚国年　周振宇　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 苗娟 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)G06K 9/62(2022.01) G06F 16/36(2019.01) G06F 16/35(2019.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于机器学习的电力设备健康管 理方法、 系 统及介质 (57)摘要 本发明的一种基于机器学习的电力设备健 康管理方法、 系统及存储介质， 其方法包括获取 由智能终端采集的待分析电力设备的运行工况 数据； 识别该设备及部件的类型参数信息； 根据 识别到的设备部件类型参数信息， 调取事先构建 的同类型的故障样本模型； 对运行数据进行预处 理； 将处理后的数据输入基于神经网络时间序列 的健康状态感知模型， 结合故障样 本模型判断该 设备数据的健康 状态； 识别并提取输入 数据的设 备及部件型号和判断获得的健康状态。 本发明能 够解决目前电网电力设备缺乏故障样本和系统 的健康状态感知方法， 以及预测性维护和维修知 识点杂乱的问题， 以及为电网电力设备故障诊断 和预测提供全新的技 术支持。 权利要求书3页 说明书7页 附图4页 CN 115081584 A 2022.09.20 CN 115081584 A 1.一种基于 机器学习的电力设备健康管理方法， 其特 征在于包括以下步骤， 获取由智能终端采集的待分析电力设备的运行工况 数据； 识别该设备及部件的类型参数信息； 根据识别到的设备部件类型参数信息， 调取事先构建的同类型的故障样本模型； 对运行数据进行 预处理； 将处理后的数据输入基于神经网络时间序列的健康状态感知模型， 结合故障样本模型 判断该设备 数据的健康状态； 如果判断结果达到预设的阈值， 则将所述待分析运行工况数据标注为该阈值对应的健 康状态； 识别并提取输入数据的设备及部件型号和判断获得的健康状态。 2.根据权利要求1所述的基于机器学习的电力设备健康管理方法， 其特征在于： 还包括 根据识别到的电力设备名称和属性以及 对应的健康状态， 在搜索 模块搜索预先构建好的知 识图谱， 在分类好的知识图谱里搜索获得相应的维护策略。 3.根据权利要求1所述的基于机器学习的电力设备健康管理方法， 其特征在于： 故障样 本模型的训练步骤 包括， a、 获得实际样本训练步骤为： 收集现有的已知故障类型的 电力设备运行数据， 预处理收集到的故障样本数据， 将故 障样本数据经过小波变换平滑去噪处理； 将去噪后的数据输入多种算法融合的模型训练为 特征可表示化的故障样本； b、 获得迁移故障样本的逻辑 步骤： 提取同类型设备或部件的已有故障样本的特 征和特征结构； 将同类型设备的相同特征保存不变， 根据不同的工况重新训练特定特征和对应的参 数； 将重新训练的特定特征和参数加入原先的相同特征， 构建新的故障样本， 并对所有特 征进行归一 化处理， 作为迁移样本模型； c、 模拟理论故障模型的逻辑 步骤： 确定没有故障记录的设备或部件的理论故障特点； 根据理论故障特点构建指定标准的信号参数集， 将参数集输入由基本函数信号构建的 模型， 输出符合故障特 征模拟信号， 得到理论故障样本 。 4.根据权利要求1所述的基于机器学习的电力设备健康管理方法， 其特征在于： 所述健 康状态感知模型构建步骤如下， 预处理所述运行工况 数据， 进行去噪平 滑处理； 输入非线性自回归神经网络时间序列模型， 通过使用前馈神经网络来减小模拟误差， 训练函数是贝叶斯正则化算法来防止过拟合， 使用闭环网络来进行多步预测， 即根据历史 数据预测未来多步时间内的数据； 将历史数据和预测数据共同输入对应的故障样本模型， 当对比和分类结果达到预设的 第一阈值时， 则判断该设备或部件确定发生该类故障； 对比和分类结果达到预设的第二阈 值时， 判断未来某段时间内该设备或部件有发生该类故障的可能； 其中， 所述多步预测在于， 多步指多个时间步长， 跟根据预测得设备类型灵活设定；权　利　要　求　书 1/3 页 2 CN 115081584 A 2所述的第一阈值指该工况数据的历史值输入故障样本模型后， 历史数据被判断为符合 该故障样本模型 特征； 所述第二阈值指该工况数据的预测值输入故障样本模型后， 预测数据被判断为符合该 故障样本模型 特征。 5.根据权利要求1所述的基于机器学习的电力设备健康管理方法， 其特征在于： 知识图 谱的构建流 程包括， 对知识点文集进行手动标注， 将知识点文本 中的设备或部件的通用名称标注为第 一类 实体， 电力设备的属性名称标注为第二类实体， 构建实体词表； 将未标注文本输入KNN聚类模型， 利用预设实体词表提取出最具代表性的文本自动标 注出第一、 二类实体； 将所述自动标注的代表性文本和人工标注的文本作为特征， 根据CRF实体识别算法标 注所述知识点文本包 含的所有实体。 6.根据权利要求3所述的基于机器学习的电力设备健康管理方法， 其特征在于： 所述故 障样本模型包括根据实际样本流程对某型号开关柜开关闸变形破损识别模 型， 其构建步骤 如下， 训练基于梯度下降法 ‑卷积神经网络的开关柜开关闸的破损识别模型， 包括卷积层， 下 采样层， 和全连接层； 通过第一层卷积层提取多个破损开关阀灰度图像的特 征； 对所有特征进行归一化处理， 设定提取的特征为w1,w2,w3,w4,w5,w6,...,wn,所有特 征组成合集为W， W包括开关阀门灰度图像的质心， 对比度， 熵,逆差矩， 惯性矩， 盒维数等特 征， 归一化后各特征： x1,x2,为指定的缩放区间[x1,x2]； 输入第二层的第一个池化层将提取的大量 边缘性特征去除， 减少参数防止过拟合； 再次通过激活函数为RELU的卷积层和第二个池化层， 对图片数据进行降维和降参处理 后， 最后再全连接层输出训练结果， 通过批量梯度下降法来计算每一层的偏 置函数， 通过优 化参数不断更新使识别率 提高； 最优化参数后， 得到可判断该开关闸是否存在破损现象的训练好的开关柜开关闸的破 损识别模型。 7.根据权利要求3所述的基于机器学习的电力设备健康管理方法， 其特征在于： 所述故 障样本模型还 包括对某型号变压器绕组温度异常感知模型， 其构建步骤如下： 获取该变压器的类型型号和智能终端监测的各项数据， 将所有数据预处理后输入非线 性神经网络NAR进行多步预测； 获得该类型变压器基于SVR算法训练的绕组温度异常样本模型， 将历史数据和多步预 测后的绕组温度数据输入 可优化SVR模型， 判断此绕组温度没有达到第一第二阈值， 不需要 预警和维修策略； 若该绕组温度状态达到第二阈值， 就预警该绕组在将某段时间内会达到 异常， 需要预测性维护策略；权　利　要　求　书 2/3 页 3 CN 115081584 A 3