配电网电力设备缺陷文本智能辨识运维综述.pdfVIP

配电网电力设备缺陷文本智能辨识运维

综述

摘要：随着在线监测装置在电网中的普及，状态评估和故障诊断的自动化程

度不断提高。然而，由于在线监测设备的覆盖范围、可靠性和故障诊断类型的限

制，在当前的设备运行维护实践中，仍有大量的设备巡检记录由人工完成，这部

分信息往往以文本的形式记录下来。近年来，学者们开始将自然语言处理应用于

电力设备的文本分析。采用K-最近邻法对故障文本进行分类，并将文本挖掘技术

应用于断路器的全生命周期状态评估。在此基础上，提出了卷积神经网络和双向

长短期记忆网络，提高了分类效果。本文对配电网电力设备缺陷文本智能辨识运

维进行分析，以供参考。

关键词：电力设备;缺陷文本;数据挖掘

引言

电气设备检查是确保电气系统安全运行的重要措施。检查过程中发现的设备

缺陷记录在缺陷管理系统中，包括缺陷检测时间、缺陷描述、缺陷等级等。确定

设备缺陷类别是消除缺陷的前提条件。根据电力公司设备缺陷分类标准，设备缺

陷按严重程度分为紧急缺陷、重大缺陷和一般缺陷。不同层次的瑕疵删除时间也

不同。目前，故障分类主要是人工完成的。随着电力系统大小的增加，设备数量

呈指数级增长，大大增加了检查工作量。

1概述

随着自然语言处理技术的飞速发展，文本提取技术从贝叶斯、支持向量机等

简单的学习算法转向了以及其他的深度学习算法，如旋转神经网络(CNN)、记忆

网络和其他深度学习算法。分析大量存在设备缺陷的文本，预测电气设备故障，

并通过机器学习进行系统风险评估。由于汉语没有固定的空间和语法结构，汉语

的理解比英语困难得多，这也使工业应用更加复杂。目前，国内电力自然语言的

处理也处于探索阶段。使用文本挖掘模型帮助电力运单验证，提高运单验证的效

率和准确性。采用CNN对描述电气设备缺陷的短句文本进行分类，与传统的机器

学习分类方法相比，确实可以降低分类误差率，但CNN通过提高当地感知而获得

文本特征，不学习语境语义，影响分类的准确性。使用双向短期记忆(bi-LSM)模

型，根据原因和效果对电气设备中有缺陷的句子进行分类，以便为下一次探索有

缺陷的文本做好准备。使用rcnn(递归-常规-中性-网络)分类模板对电气变压器

故障进行文本分类。rcnn网络由rnn和cnn这两个处理顺序敏感问题的网络组成，

但在选择被遗忘的信息方面存在缺陷，导致重要信息随时间的推移而丢失，并且

无法通过优化规则层提取特征来选择关键字。

2电力设备缺陷

为保证供电系统的安全运行，电网公司维修人员将按计划进行检查，及时发

现变电站供电设备的缺陷。在现场视察过程中，操作员将现场视察中发现的设备

缺陷信息(包括缺陷部件、缺陷现象和缺陷程度)记录在PMS生产管理系统中，以

支持电气设备的整个生命周期管理。作为电气设备整个生命周期管理的一部分，

设备缺陷分类(一般、重要和紧急)直接影响到随后对故障设备采取的维修措施。

一般来说，设备缺陷信息的内容由专业技术人员逐条审查和分类:一方面，设备

缺陷信息的录入和缺陷分类在现阶段分开进行，对进行缺陷分类的专业人员提出

更高的技术要求另一方面，随着电力系统的大小和设备数量的迅速增加，设备缺

陷的分类也面临着巨大的工作量。当前模型无法再满足实际维护工作需求。迫切

需要利用人工智能及其学习提高设备缺陷信息分类的效率，进而提高整体维修工

作的效率。

3电力设备缺陷标签

由于PMS系统和世卫组织发现的缺陷类别种类繁多且复杂，运输检查员必须

亲自确认缺陷是否属于相应的规划观察类别，运输检查员还必须确认缺陷类别，

以制定相应的处理策略。在这一过程中，工作人员记录了大量关于被称为“电气

缺陷案文”的设备缺陷的数据，通常包括三个部分:设备层次结构、缺陷说明和

缺陷程度。根据层次结构，文本可以总结为设备类型、项目类型、项目类型、项

目类型和实例位置，以便在启动缺陷过程时完成缺陷用户肖像系统的构建。缺省

文本定义如下:“类别”(type)、“开始时间”(start-time)、“结束时

间”(end-time)、“变压器名称”(st-name)、“变压器id”(ST-id)、“检测单

位”(found-com)、“电压等级”(vol-level)、“设备类型”(dev-type)、“设

备名称”(dev-