本發(fā)明屬于電氣設(shè)備運(yùn)行監(jiān)測，具體涉及一種基于人工智能的電氣設(shè)備運(yùn)行監(jiān)測方法。

背景技術(shù)：

1、電氣設(shè)備是指用于發(fā)電、輸電、變電、配電和用電的各類設(shè)備，它們是電力系統(tǒng)的重要組成部分。隨著我國電力行業(yè)的快速發(fā)展，電氣設(shè)備的數(shù)量和種類不斷增加，設(shè)備運(yùn)行的安全性和可靠性成為企業(yè)關(guān)注的焦點(diǎn)。傳統(tǒng)的電氣設(shè)備監(jiān)測方法主要依賴于人工巡檢和固定參數(shù)閾值預(yù)警，存在以下不足：人工巡檢效率低，勞動(dòng)強(qiáng)度大；固定參數(shù)閾值預(yù)警方式難以適應(yīng)復(fù)雜多變的運(yùn)行環(huán)境；無法實(shí)現(xiàn)對(duì)設(shè)備潛在故障的早期發(fā)現(xiàn)和預(yù)警。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于人工智能的電氣設(shè)備運(yùn)行監(jiān)測方法，用以解決現(xiàn)有技術(shù)人工巡檢效率低以及故障發(fā)現(xiàn)不及時(shí)的問題。

2、一種基于人工智能的電氣設(shè)備運(yùn)行監(jiān)測方法，包括：

3、采集電氣設(shè)備正常運(yùn)行時(shí)的第一運(yùn)行狀態(tài)參數(shù)以及電氣設(shè)備故障運(yùn)行時(shí)的第二運(yùn)行狀態(tài)參數(shù)，并根據(jù)第一運(yùn)行狀態(tài)參數(shù)和第二運(yùn)行狀態(tài)參數(shù)構(gòu)建訓(xùn)練數(shù)據(jù)集；

4、采用人工智能模型構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并以訓(xùn)練數(shù)據(jù)集為支持，采用智能優(yōu)化算法對(duì)電氣設(shè)備運(yùn)行監(jiān)測模型進(jìn)行訓(xùn)練，得到訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型；

5、采集電氣設(shè)備運(yùn)行過程中的實(shí)時(shí)運(yùn)行狀態(tài)參數(shù)，并通過訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型對(duì)所述實(shí)時(shí)運(yùn)行狀態(tài)參數(shù)進(jìn)行識(shí)別，得到電氣設(shè)備運(yùn)行監(jiān)測結(jié)果。

6、在一種可能的實(shí)施方式中，通過訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型對(duì)所述實(shí)時(shí)運(yùn)行狀態(tài)參數(shù)進(jìn)行識(shí)別之后，還包括：當(dāng)電氣設(shè)備運(yùn)行監(jiān)測結(jié)果滿足預(yù)警條件時(shí)，則生成文字預(yù)警信息以及聲光預(yù)警信息，并根據(jù)文字預(yù)警信息以及聲光預(yù)警信息進(jìn)行預(yù)警。

7、在一種可能的實(shí)施方式中，第一運(yùn)行狀態(tài)參數(shù)、第二運(yùn)行狀態(tài)參數(shù)以及實(shí)時(shí)運(yùn)行狀態(tài)參數(shù)的參數(shù)結(jié)構(gòu)相同，且至少包括運(yùn)行電流以及運(yùn)行電壓。

8、在一種可能的實(shí)施方式中，采用人工智能模型構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并以訓(xùn)練數(shù)據(jù)集為支持，采用智能優(yōu)化算法對(duì)電氣設(shè)備運(yùn)行監(jiān)測模型進(jìn)行訓(xùn)練，得到訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型，包括：

9、采用人工智能模型構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并初始化電氣設(shè)備運(yùn)行監(jiān)測模型的超參數(shù)，將超參數(shù)編碼為向量，得到參數(shù)個(gè)體，并獲取多個(gè)不同的參數(shù)個(gè)體；

10、以訓(xùn)練數(shù)據(jù)集為支持，獲取每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值，并根據(jù)每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值獲取最優(yōu)個(gè)體；

11、針對(duì)每一個(gè)參數(shù)個(gè)體，根據(jù)最優(yōu)個(gè)體，并采用自適應(yīng)領(lǐng)域探索策略對(duì)參數(shù)個(gè)體進(jìn)行鄰域探索，得到鄰域探索之后的參數(shù)個(gè)體；

12、針對(duì)每一個(gè)鄰域探索之后的參數(shù)個(gè)體，采用自適應(yīng)多樣性協(xié)作策略對(duì)參數(shù)個(gè)體進(jìn)行協(xié)作搜索，得到協(xié)作搜索之后的參數(shù)個(gè)體；

13、針對(duì)每一個(gè)協(xié)作搜索之后的參數(shù)個(gè)體，采用概率接受全局變異策略對(duì)參數(shù)個(gè)體進(jìn)行全局搜索，得到全局搜索之后的參數(shù)個(gè)體；

14、判斷是否滿足訓(xùn)練結(jié)束條件，若是，則根據(jù)全局搜索之后的參數(shù)個(gè)體，確定電氣設(shè)備運(yùn)行監(jiān)測模型的最終參數(shù)，得到訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型，否則返回獲取適應(yīng)度值的步驟。

15、在一種可能的實(shí)施方式中，采用人工智能模型構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并初始化電氣設(shè)備運(yùn)行監(jiān)測模型的超參數(shù)，將超參數(shù)編碼為向量，得到參數(shù)個(gè)體，并獲取多個(gè)不同的參數(shù)個(gè)體，包括：

16、采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并初始化電氣設(shè)備運(yùn)行監(jiān)測模型的超參數(shù)，將超參數(shù)編碼為向量，得到參數(shù)個(gè)體；

17、以已經(jīng)得到的參數(shù)個(gè)體為基礎(chǔ)，獲取多個(gè)不同的參數(shù)個(gè)體為：xn+1,d＝xn,d*μ*(1-xn,d)；其中，xn,d表示第n個(gè)參數(shù)個(gè)體的第d維超參數(shù)，xn+1,d表示第n+1個(gè)參數(shù)個(gè)體的第d維超參數(shù)，d＝1,2,…,d，d表示超參數(shù)總維度，μ表示位于(0,4)之間的混沌映射因子。

18、在一種可能的實(shí)施方式中，以訓(xùn)練數(shù)據(jù)集為支持，獲取每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值，并根據(jù)每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值獲取最優(yōu)個(gè)體，包括：

19、以訓(xùn)練數(shù)據(jù)集為支持，獲取每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的均方根誤差函數(shù)值，并根據(jù)參數(shù)個(gè)體對(duì)應(yīng)的均方根誤差函數(shù)值，確定參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值為：1/(均方根誤差函數(shù)值+0.001)；

20、根據(jù)每個(gè)參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值，確定適應(yīng)度值最大的參數(shù)個(gè)體為最優(yōu)個(gè)體。

21、在一種可能的實(shí)施方式中，針對(duì)每一個(gè)參數(shù)個(gè)體，根據(jù)最優(yōu)個(gè)體，并采用自適應(yīng)領(lǐng)域探索策略對(duì)參數(shù)個(gè)體進(jìn)行鄰域探索，得到鄰域探索之后的參數(shù)個(gè)體，包括：

22、針對(duì)每一個(gè)參數(shù)個(gè)體，生成隨機(jī)探索向量γ，并對(duì)隨機(jī)探索向量γ中每一個(gè)維度的參數(shù)進(jìn)行歸一化，得到歸一化之后的隨機(jī)探索向量γ；其中，隨機(jī)探索向量γ的參數(shù)維度與參數(shù)個(gè)體的參數(shù)維度相同，且每個(gè)維度均為(0,1)之間的隨機(jī)數(shù)；

23、根據(jù)所述歸一化之后的隨機(jī)探索向量γ，確定第一鄰域探索個(gè)體以及第二鄰域探索個(gè)體為：以及其中，表示第t次訓(xùn)練過程中第m個(gè)參數(shù)個(gè)體，m＝1,2,…,m，m表示參數(shù)個(gè)體總數(shù)，表示參數(shù)個(gè)體對(duì)應(yīng)的第一鄰域探索個(gè)體，η0表示鄰域探索范圍因子，表示參數(shù)個(gè)體對(duì)應(yīng)的第二鄰域探索個(gè)體；

24、根據(jù)第一鄰域探索個(gè)體以及第二鄰域探索個(gè)體，確定參數(shù)個(gè)體對(duì)應(yīng)的鄰域信息搜索項(xiàng)為：其中，step表示搜索步長，sign表示符號(hào)函數(shù)，表示參數(shù)個(gè)體對(duì)應(yīng)的鄰域信息搜索項(xiàng)，表示第一鄰域探索個(gè)體對(duì)應(yīng)的適應(yīng)度值，表示第二鄰域探索個(gè)體對(duì)應(yīng)的適應(yīng)度值；

25、以當(dāng)前訓(xùn)練次數(shù)為基礎(chǔ)，獲取自適應(yīng)慣性權(quán)重為：其中，wt表示第t次訓(xùn)練過程中的自適應(yīng)慣性權(quán)重，wmax表示自適應(yīng)慣性權(quán)重的最大值，wmin表示自適應(yīng)慣性權(quán)重的最小值，t表示預(yù)設(shè)的最大訓(xùn)練次數(shù)；

26、根據(jù)自適應(yīng)慣性權(quán)重以及最優(yōu)個(gè)體，獲取參數(shù)個(gè)體對(duì)應(yīng)的最優(yōu)方向搜索速度為：其中，表示第t次訓(xùn)練過程中參數(shù)個(gè)體對(duì)應(yīng)的最優(yōu)方向搜索速度，表示第t+1次訓(xùn)練過程中參數(shù)個(gè)體對(duì)應(yīng)的最優(yōu)方向搜索速度，e表示自然常數(shù)，r表示位于(0,1)之間的搜索速度控制因子，r1表示(0,1)之間的隨機(jī)數(shù)，表示最優(yōu)個(gè)體；

27、根據(jù)所述參數(shù)個(gè)體對(duì)應(yīng)的最優(yōu)方向搜索速度以及域信息搜索項(xiàng)，對(duì)參數(shù)個(gè)體進(jìn)行鄰域探索，得到鄰域探索之后的參數(shù)個(gè)體為：其中，表示鄰域探索之后的參數(shù)個(gè)體λ表示位于(0,1)之間的信息搜索調(diào)節(jié)權(quán)重。

28、在一種可能的實(shí)施方式中，針對(duì)每一個(gè)鄰域探索之后的參數(shù)個(gè)體，采用自適應(yīng)多樣性協(xié)作策略對(duì)參數(shù)個(gè)體進(jìn)行協(xié)作搜索，得到協(xié)作搜索之后的參數(shù)個(gè)體，包括：

29、根據(jù)所有鄰域探索之后的參數(shù)個(gè)體，獲取參數(shù)個(gè)體中心為：其中，表示第t次訓(xùn)練過程中的參數(shù)個(gè)體中心，表示第t次訓(xùn)練過程第k個(gè)鄰域探索之后的參數(shù)個(gè)體，k＝1,2,…,m，m表示參數(shù)個(gè)體總數(shù)，表示參數(shù)個(gè)體對(duì)應(yīng)的適應(yīng)度值；

30、針對(duì)每一個(gè)鄰域探索之后的參數(shù)個(gè)體，根據(jù)所述參數(shù)個(gè)體中心，對(duì)參數(shù)個(gè)體進(jìn)行協(xié)作搜索，得到協(xié)作搜索之后的參數(shù)個(gè)體為：其中，表示第t次訓(xùn)練過程中第i個(gè)鄰域探索之后的參數(shù)個(gè)體，i＝1,2,…,m，m表示參數(shù)個(gè)體總數(shù)，表示協(xié)作搜索之后的參數(shù)個(gè)體r2表示(0,1)之間的隨機(jī)數(shù)，表示最優(yōu)個(gè)體，α表示位于(-1,1)之間的協(xié)作因子。

31、在一種可能的實(shí)施方式中，針對(duì)每一個(gè)鄰域探索之后的參數(shù)個(gè)體，采用自適應(yīng)多樣性協(xié)作策略對(duì)參數(shù)個(gè)體進(jìn)行協(xié)作搜索，得到協(xié)作搜索之后的參數(shù)個(gè)體，包括：

32、針對(duì)每一個(gè)鄰域探索之后的參數(shù)個(gè)體，對(duì)參數(shù)個(gè)體進(jìn)行變異為：其中，表示第t次訓(xùn)練過程中第j個(gè)鄰域探索之后的參數(shù)個(gè)體，表示參數(shù)個(gè)體對(duì)應(yīng)的變異個(gè)體，表示通過高斯分布生成的隨機(jī)參數(shù)個(gè)體，且每一個(gè)維度均通過r3表示(0,1)之間的隨機(jī)數(shù)，π表示圓周率，e表示自然常數(shù)，t表示當(dāng)前訓(xùn)練次數(shù)；

33、判斷變異個(gè)體的適應(yīng)度值是否大于參數(shù)個(gè)體的適應(yīng)度值若是，則將變異個(gè)體的作為協(xié)作搜索之后的參數(shù)個(gè)體，否則進(jìn)入獲取劣質(zhì)解接受概率的步驟；

34、獲取劣質(zhì)解接受概率為：其中，k表示玻爾茲曼常數(shù)，τt+1表示第t+1次訓(xùn)練過程中的概率控制因子，且τt+1＝μτt；μ表示位于(0,1)之間的衰減因子，τt表示第t次訓(xùn)練過程中的概率控制因子；

35、以劣質(zhì)解接受概率為基礎(chǔ)，采用輪盤賭算法選擇變異個(gè)體或者原有的參數(shù)個(gè)體作為協(xié)作搜索之后的參數(shù)個(gè)體。

36、在一種可能的實(shí)施方式中，判斷是否滿足訓(xùn)練結(jié)束條件，包括：判斷當(dāng)前訓(xùn)練次數(shù)是否大于或者等于預(yù)設(shè)的最大訓(xùn)練次數(shù)，若是，則確定滿足訓(xùn)練結(jié)束條件，否則確定不滿足訓(xùn)練結(jié)束條件。

37、本發(fā)明提供的一種基于人工智能的電氣設(shè)備運(yùn)行監(jiān)測方法，通過采用人工智能模型構(gòu)建電氣設(shè)備運(yùn)行監(jiān)測模型，并以訓(xùn)練數(shù)據(jù)集為支持，采用智能優(yōu)化算法對(duì)電氣設(shè)備運(yùn)行監(jiān)測模型進(jìn)行訓(xùn)練，得到訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型，然后可以以訓(xùn)練之后的電氣設(shè)備運(yùn)行監(jiān)測模型對(duì)實(shí)時(shí)運(yùn)行狀態(tài)參數(shù)進(jìn)行識(shí)別，從而可以對(duì)電氣設(shè)備的故障態(tài)進(jìn)行快速預(yù)警，能夠有效地提升故障發(fā)現(xiàn)效率，并且避免了人工巡檢費(fèi)時(shí)費(fèi)力的問題。