一种基于知识库的电力设备辅助决策方法及系统与流程

1.本发明属于电力设备的技术领域，具体涉及一种基于知识库的电力设备辅助决策方法及系统。


背景技术：

2.电力设备检修工作是生产管理工作的重要组成部分，对提高电力设备健康水平、保证设备安全可靠运行具有重要意义，结合多年生产经验及对大量设备事故、缺陷规律的统计分析，电力系统建立并一直沿用定期检修和事后检修相结合的检修模式。定期检修模式有自身的科学依据和合理性，在多年的实践中有效减少了设备的突发事故，保证了设备的良好运行，当电力设备发生故障时需要进行辅助决策，提示检修工人进行检修操作，因此就需要用到电力设备辅助决策智能化方法。
3.现如今，随着电网规模迅速发展，电网设备数量急剧增加，定期检修工作量剧增，检修人员紧缺问题日益突出，近年来电网设备制造质量大幅提升，集成式、少维护设备得到大量采用，早期定制的设备检修、试验周期已不能适应电力设备诊断和管理水平，制定合理、科学、有效的电力设备决策方法是实现其状态检修最重要的一步，因此有必要提出一种新的解决方案。


技术实现要素：

4.本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种能够自动判断判断电力设备是否出现故障且基于知识库的电力设备辅助决策方法及系统。
5.为了解决上述技术问题，本发明采用的技术方案为：一种基于知识库的电力设备辅助决策方法，包括：s101、获取被监测电力设备的运行数据；s102、根据元数据模型对电力设备运行数据进行融合聚类并实时监控；s103、通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；s104、当电力设备运行数据发生突变时，发出预警提示。
6.优选地，所述方法包括：在异常数据库中模糊搜索电力设备运行数据的融合聚类；判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，执行步骤s104。
7.优选地，所述方法包括：将被监测电力设备的运行数据进行存储，形成运行数据库；将数据发生突变时的电力设备运行数据的融合聚类和在异常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库。
8.优选地，所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型。
9.优选地，所述方法包括：在访问所述运行数据库和异常数据库之前进行身份验证。
10.相应地，一种基于知识库的电力设备辅助决策系统，包括：数据获取单元：用于获取被监测电力设备的运行数据；数据处理单元：根据元数据模型对电力设备运行数据进行融合聚类并实时监控；第一判断单元：用于通过人工智能处理模型判断融合聚类后的电力
设备运行数据是否发生突变；第一预警单元：用于当电力设备运行数据发生突变时，发出预警提示。
11.优选地，所述系统包括：模糊搜索单元：用于在异常数据库中模糊搜索电力设备运行数据的融合聚类；第二判断单元：用于判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；第二预警单元：用于当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，发出预警提示。
12.优选地，所述系统包括：运行数据库建立单元：用于将被监测电力设备的运行数据进行存储，形成运行数据库；异常数据库建立单元：用于将数据发生突变时的电力设备运行数据的融合聚类和在异常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库。
13.优选地，所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型。
14.优选地，所述系统还包括：入侵保护单元：用于在访问所述运行数据库和异常数据库之前进行身份验证。
15.本发明与现有技术相比具有以下有益效果：
16.1、本发明根据元数据模型对获取到的电力设备运行数据进行融合聚类并实时监控，通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变，进而判断电力设备是否故障，当电力设备出现故障时，发出预警提示，提示电力设备检修工人对故障设备快速检修，实现自动判断，节省人力资源。
17.2、本发明在使用神经网络模型根据电力设备数据的融合聚类判断是否发生突变之前，在异常数据库中模糊搜索电力设备运行数据的融合聚类，若出现类似电力设备数据的融合聚类，直接判断该电力设备出现异常，并更新异常库，使得本发明在检测电力设备是否出现数据异常速度更快，大大提高检测效率，同时提高工人响应速率，减少经济损失。
18.3、本发明中，在访问所述运行数据库和异常数据库之前通过入侵检测技术进行身份验证，用户在访问数据库之前，需要通过相应的验证关卡，只有验证关卡证明用户身份的合法性，才会允许用户对数据库进行访问；当判定计算机网络出现异常，或其自身受到黑客攻击，运行数据库和异常数据库被非法用户入侵时，会自动发出相应的指令来进行防护；用户在使用数据库过程中，通过对入侵检测技术进行合理地运用，可为计算机数据库的稳定尧安全运行提供有力保障，同时也有助于维护计算机网络的良好秩序。
附图说明
19.下面结合附图对本发明做进一步详细的说明；
20.图1为本发明实施例一提供的一种基于知识库的电力设备辅助决策方法的流程示意图；
21.图2为本发明实施例二提供的一种基于知识库的电力设备辅助决策方法的流程示意图；
22.图3为本发明实施例一提供的一种基于知识库的电力设备辅助决策系统的结构示意图；
23.图4为本发明实施例二提供的一种基于知识库的电力设备辅助决策系统的结构示
意图；
24.图5为本发明实施例三提供的一种基于知识库的电力设备辅助决策系统的结构示意图；
25.图中：101为数据获取单元，102为数据处理单元，103为第一判断单元，104为第一预警单元，105为模糊搜索单元，106为第二判断单元，107为第二预警单元，108为运行数据库建立单元，109为异常数据库建立单元，110为入侵保护单元。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
29.下面结合优选的实施步骤对本发明进行说明，图1为本发明实施例一提供的一种基于知识库的电力设备辅助决策方法的流程示意图，如图1所示，该方法包括如下步骤：
30.s101、获取被监测电力设备的运行数据；所述运行数据包括运行过程中实时电流大小、实时电压大小以及实时功率大小；
31.s102、根据元数据模型对电力设备运行数据进行融合聚类并实时监控；
32.s103、通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型；
33.s104、当电力设备运行数据发生突变时，发出预警提示。
34.本实施例中，通过元数据模型对电力设备进行建模，采用元模式技术，明确了建模的类、属性、方法、关联和模式，通过建立类图，描述各种受管对象以及各对象之间的静态关系，以电力设备模型为规范，实现电力设备数据的融合聚类；本实施例以人工智能处理模型为神经网络模型为例进行说，获取到的电力设备运行数据作为初始参数输入神经网络模型，并完成神经网络模型的学习、参数调整、阈值匹配以及结果判断得到最优的神经网络模型，并输出最优神经网络模型；提高神经网络模型判断电力设备是否出现故障的准确性及运行效率；本实施例根据元数据模型对获取到的电力设备运行数据进行融合聚类并实时监
控，通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变，进而判断电力设备是否故障，当电力设备出现故障时，发出预警提示，提示电力设备检修工人对故障设备快速检修，实现自动判断，节省人力资源。
35.图2为本发明实施例二提供的一种基于知识库的电力设备辅助决策方法的流程示意图，如图2所示，所述通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变之前，包括：s105、在异常数据库中模糊搜索电力设备运行数据的融合聚类；s106、判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；s107、当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，执行步骤s104；本实施例中，在使用神经网络模型根据电力设备数据的融合聚类判断是否发生突变之前，在异常数据库中模糊搜索电力设备运行数据的融合聚类，若出现类似电力设备数据的融合聚类，直接判断该电力设备出现异常，并更新异常库，使得本发明在检测电力设备是否出现数据异常速度更快，大大提高检测效率，同时提高工人响应速率，减少经济损失。
36.进一步地，所述方法包括：将被监测电力设备的运行数据进行存储，形成运行数据库；将数据发生突变时的电力设备运行数据的融合聚类和在异常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库；所述运行数据库中设置有元数据模型，所述运行数据库、异常数据库和人工智能处理模型共同存储在知识库中。
37.进一步地，所述方法还包括：在访问所述运行数据库和异常数据库之前进行身份验证；具体地，在访问所述运行数据库和异常数据库之前通过入侵检测技术进行身份验证，所述入侵检测技术是通过对应的防御与保护手段，使用户在访问数据库之前，需要通过相应的验证关卡，只有验证关卡证明用户身份的合法性，才会允许用户对数据库进行访问；当判定计算机网络出现异常，或其自身受到黑客攻击，运行数据库和异常数据库被非法用户入侵时，会自动发出相应的指令来进行防护；用户在使用数据库过程中，通过对入侵检测技术进行合理地运用，可为计算机数据库的稳定尧安全运行提供有力保障，同时也有助于维护计算机网络的良好秩序。
38.进一步地，所述入侵检测技术共包括两个主要类别，一种是单一性地对主机进行保护，另一种是针对计算机网络的安全问题所研发的检测系统，通过分布式结构来进行分散解决数据库异常问题，也可通过代理技术的应用来进行解决，完成数据库的安全防护，通过设置入侵检测提高数据库的安全性。
39.图3为本发明实施例一提供的一种基于知识库的电力设备辅助决策系统的结构示意图，如图3所示，一种基于知识库的电力设备辅助决策系统，包括：
40.数据获取单元101：用于获取被监测电力设备的运行数据；
41.数据处理单元102：根据元数据模型对电力设备运行数据进行融合聚类并实时监控；
42.第一判断单元103：用于通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；
43.第一预警单元104：用于当电力设备运行数据发生突变时，发出预警提示。
44.图4为本发明实施例二提供的一种基于知识库的电力设备辅助决策系统的结构示意图，如图4所示，所述系统包括：
45.模糊搜索单元105：用于在异常数据库中模糊搜索电力设备运行数据的融合聚类；
46.第二判断单元106：用于判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；
47.第二预警单元107：用于当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，发出预警提示。
48.图5为本发明实施例三提供的一种基于知识库的电力设备辅助决策系统的结构示意图，如图5所示，所述系统包括：
49.运行数据库建立单元108：用于将被监测电力设备的运行数据进行存储，形成运行数据库；
50.异常数据库建立单元109：用于将数据发生突变时的电力设备运行数据的融合聚类和在异常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库。
51.所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型。
52.所述系统还包括：
53.入侵保护单元110：用于在访问所述运行数据库和异常数据库之前进行身份验证。
54.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，本发明并不受所描述的动作顺序的限制，因为依据本发明，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发明所必须的。
55.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。
56.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。
57.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。
58.另外，在本发明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。
59.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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方
法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
60.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于知识库的电力设备辅助决策方法，其特征在于：包括：s101、获取被监测电力设备的运行数据；s102、根据元数据模型对电力设备运行数据进行融合聚类并实时监控；s103、通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；s104、当电力设备运行数据发生突变时，发出预警提示。2.根据权利要求1所述的一种基于知识库的电力设备辅助决策方法，其特征在于：包括：在异常数据库中模糊搜索电力设备运行数据的融合聚类；判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，执行步骤s104。3.根据权利要求2所述的一种基于知识库的电力设备辅助决策方法，其特征在于：包括：将被监测电力设备的运行数据进行存储，形成运行数据库；将数据发生突变时的电力设备运行数据的融合聚类和在异常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库。4.根据权利要求1所述的一种基于知识库的电力设备辅助决策方法，其特征在于：所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型。5.根据权利要求3所述的一种基于知识库的电力设备辅助决策方法，其特征在于：还包括：在访问所述运行数据库和异常数据库之前进行身份验证。6.一种基于知识库的电力设备辅助决策系统，其特征在于：包括：数据获取单元：用于获取被监测电力设备的运行数据；数据处理单元：根据元数据模型对电力设备运行数据进行融合聚类并实时监控；第一判断单元：用于通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；第一预警单元：用于当电力设备运行数据发生突变时，发出预警提示。7.根据权利要求6所述的一种基于知识库的电力设备辅助决策系统，其特征在于：包括：模糊搜索单元：用于在异常数据库中模糊搜索电力设备运行数据的融合聚类；第二判断单元：用于判断模糊搜索后的电力设备运行数据的融合聚类是否在异常数据库中出现；第二预警单元：用于当模糊搜索后的电力设备运行数据的融合聚类在异常数据库中出现时，发出预警提示。8.根据权利要求7所述的一种基于知识库的电力设备辅助决策系统，其特征在于：包括：运行数据库建立单元：用于将被监测电力设备的运行数据进行存储，形成运行数据库；异常数据库建立单元：用于将数据发生突变时的电力设备运行数据的融合聚类和在异
常数据库中出现的电力设备运行数据的融合聚类进行存储，形成异常数据库。9.根据权利要求6所述的一种基于知识库的电力设备辅助决策系统，其特征在于：所述人工智能处理模型包括神经网络模型，将所述获取到的电力设备运行数据输入神经网络模型中进行学习，得到最优神经网络模型。10.根据权利要求8所述的一种基于知识库的电力设备辅助决策系统，其特征在于：还包括：入侵保护单元：用于在访问所述运行数据库和异常数据库之前进行身份验证。

技术总结
本发明提供的一种基于知识库的电力设备辅助决策方法及系统，包括：S101、获取被监测电力设备的运行数据；S102、根据元数据模型对电力设备运行数据进行融合聚类并实时监控；S103、通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变；S104、当电力设备运行数据发生突变时，发出预警提示；本发明通过人工智能处理模型判断融合聚类后的电力设备运行数据是否发生突变，进而判断电力设备是否故障，实现自动判断，节省人力资源。节省人力资源。节省人力资源。


技术研发人员：段雨松 冯俊杰 高磊 姜凌霄 周鑫 刘尧尧 刘霄
受保护的技术使用者：国网山西省电力公司超高压变电分公司
技术研发日：2023.07.04
技术公布日：2023/10/8