[发明专利]一种电力设备状态评价方法

说明书

本发明涉及电力系统中电力设备的状态评价方法，更具体地，涉及基于深度深林的电力设备状态评价方法。本发明提供基于概率权重深度森林的电力设备状态评价方法可以较好地处理训练样本及预测样本中的缺失项，概率权重的缺失项处理方法相比于均值填充可以实现更高的准确率，本发明方法在处理高比例含缺失项的数据方面表现出了优势。

技术领域

本发明涉及电力系统中电力设备的状态评价方法，更具体地，涉及基于深度深林的电力设备状态评价方法。

背景技术

电力设备及时有效的检修维护是保障电力系统安全稳定运行的重要手段。为追求经济性和可靠性的平衡，电力设备检修策略从原始的事故检修、定期检修，发展到依据各设备健康情况按需要安排检修计划的状态检修，较大提高了设备维护效率。状态检修依赖于频繁的状态评价信息，特别是配网设备由于数量多、分布广，对其进行状态评价需要消耗大量的人力物力，故有些单位每年只对配电设备进行1次状态评价，难以及时根据设备健康状况调整检修安排，使得状态检修策略难以应用。但随着传感技术和无线通信技术的发展与成本的下降，各类监测手段也逐渐应用到配电设备上，丰富的监测数据给配电设备的在线状态评价提供了可能。

由于电力设备的状态评价需要综合多方面的信息数据，其间联系非常复杂，目前主要方法是基于层次分析法和D-S证据理论确定设备各项指标权重并对各项指标进行综合，如文献“梁永亮,李可军,牛林,等.变压器状态评估多层次不确定模型[J].电力系统自动化,2013,37(22):73-78.”和“翟章良,周力行.基于状态量权重的变压器状态评价系统研制[J].智慧电力,2018,46(9):88-94.”。然而，层次分析法依赖大量的专家经验，随着电力设备监测信息种类的不断增加其应用难度也不断提高。利用机器学习方法发掘设备状态与各监测量之间的关系可以解决这个问题。

目前，kNN、SVM和神经网络等机器学习已经在电力系统相关研究中得到了广泛的应用。然而，电力设备监测渐进式的发展过程使得新的监测量在某一时刻增加进来，而在此前的数据记录中这个监测量是缺失的，这给机器学习方法带来了问题。由于这种情况下含缺失项的样本占比较大，将这些样本直接剔除显然是不合适的，而常用的均值填充的数据预处理方法效果也不理想。

发明内容

本发明为解决电力设备在线监测技术渐进式发展过程中传统的状态评价方法应用困难，以及渐进式发展自然形成的大量历史样本数据缺失的问题，提高基于机器学习的配电设备状态评价方法处理缺失数据的效果，以采用概率权重处理含缺失项样本的决策树作为基本分类器，构成深度森林对包含电力设备监测信息和状态评价结果的训练样本进行学习并用训练好的深度森林模型基于新样本的电力设备监测信息给出相应的状态评价结果。本发明允许训练样本和新样本中的电力设备监测信息部分项目缺失，适应电力设备监测技术的不断发展。

本发明的技术方案是：

一种电力设备状态评价方法，用于实现基于数据驱动的电力设备状态评价，并提高样本中存在缺失值时的算法效果，该方法包括以下步骤：

步骤1：获取训练样本，每条训练样本由电力设备监测数据和电力设备状态评价结果组成；

步骤2：采用深度森林算法对包含电力设备监测信息和状态评价结果的训练样本进行学习；

步骤3：用训练好的深度森林模型对要进行状态评价的电力设备的电力设备监测信息给出相应的状态评价结果。

进一步，本发明提出的基于深度森林的电力设备状态评价方法以含概率权重的决策树为基本分类器，将若干决策树并联组成随机森林作为深度森林每一层的分类器，并将随机森林逐级串联组成深度森林。

进一步，本发明以采用概率权重处理含缺失项样本的决策树作为基本分类器，其原理如下：

设样本集D如下；