电力设备典型故障案例的文本挖掘

国家电网公司信息化工作中积累的大量典型故障案例多为描述性文本数据,很难利用自动化手段理解和分析。针对此一问题利用文本挖掘技术从故障案例中抽取故障问题和原因形成故障的因果关系,从而为故障文本的下一步挖掘提供必要条件。挖掘采用的方法是先将因果关系的抽取问题转化为对句子的3分类问题,缩小了目标集,提高了准确率;再将句子用分布式文本表示,利用双向长短期记忆网络(Bi LSTM),分类模型提取事件句的深层语义特征。变压器故障案例的实验结果表明Bi LSTM相比于单向LSTM、卷积神经网络(CNN)处理故障文本句子分类效果更优,对故障和原因信息的提取准确率更高,精确率和召回率的平均调和值达67%。     

基于多因素的变压器油中溶解气体体积分数预测方法

为克服传统预测方法只单独考虑少量参量的不足,提出了一种基于多因素的变压器油中溶解气体体积分数预测方法。收集变压器油中溶解气体在线监测数据、EMS数据和气象数据,通过数据预处理完成各类数据的清洗和同步。利用灰色关联分析方法确定与待预测气体关联度较高的关键输入参量,有效约简输入数据的维数;建立基于KNN回归的多因素预测模型,实现变压器正常状态下油中溶解气体体积分数的预测。收集变压器故障案例库中的故障样本数据,针对单台设备故障数据稀缺的特点,利用关联分析方法筛选与故障设备情况相近的故障案例作为输入数据,并将关联度确定为各输入的权重。建立基于故障样本加权均值回归的多因素预测方法,实现故障状态下变压器油中溶解气体体积分数预测。实例分析表明,相比于常规的预测方法,将多种影响因素合理纳入预测模型,有效提高了油中溶解气体体积分数的预测精度。     

改进BERT的故障案例智能匹配方法

随着工业界的快速发展,电网输变电设备日常检修维护工作中积累了大量设备故障案例检修记录,文本匹配技术从大量的故障案例数据中挖掘出与目标故障案例相似度高的案例,对现场运检人员遇到新故障时快速判断和检修决策具有重要参考价值.当前,大多数文本匹配的方法都是通过构建卷积神经网络(Convolutional Neural Netw...     

基于顶棚温度分布的变电站高压电缆沟道着火点辨识

变电站高电压电缆沟道环境的封闭性强，难以从沟道外判断电缆火灾早期发展状况。为了探测沟道内电缆火灾，研究火灾早期顶棚温度分布与电缆着火点位置之间的关系，以变电站高压电缆沟道为模型，开展电缆火灾燃烧实验，测量电缆沟道内温度的分布变化，分析顶棚温度距离着火点位置变化的拟合关系，验证了着火点辨识方法的准确性。研究结果表明，顶棚最大温升比例系数α的平均值为17.71,1∶1高压电缆沟道实验平台的温度测量结果准确；在纵向方向上，顶棚温度由着火点位置向两侧递减，温度变化曲线具有明显的阶段特点；在长度为5 m的着火点辨识范围内，实验1和实验3的顶棚温度变化拟合函数拟合度分别为0.90和0.83，计算结果与着火点实际位置误差最大值分别为0.371 m和0.165 m，辨识准确率平均值分别为92.6%和96.9%。在变电站电缆沟道火灾早期，基于顶棚温度分布的变电站高压电缆沟道两点测温着火点辨识方法，有效辨识了着火点在沿电缆沟道纵向方向上的位置。