一种基于设备画像和集成学习的电网设备运行状态评估方法

摘要

本发明涉及一种基于设备画像和集成学习的电网设备运行状态评估方法，属于电力调控技术领域。该方法包括以下步骤：规范电网运行监控信号、辨识清洗监控数据；以设备为中心的电网运行监控数据建模；分析电网拓扑、监控信号间的逻辑关系；以电网事件为中心的设备监控告警信息聚类；基于监控信息的设备画像与集成学习；对电网设备运行状态进行评估。通过本发明方法实现变电站设备监控数据的智能分析，提升了变电站设备监控数据管理及大数据挖掘效率，从而提高调控一体化运作效率，易于推广应用。

说明书

技术领域

本发明属于电力调控技术领域，具体涉及一种基于设备画像和集成学习的电网设备运行状态评估方法。

背景技术

近年来，随着电网规模不断扩大，电网智能化水平持续提升，接入调控机构实现集中监控的变电站、电网设备及告警信息数量剧增。数以百计的变电站及相关线路由少量运行人员集中调控，调控人员依靠遥信、遥测信息，对电网设备的运行状态进行监视，人员的工作压力、精神压力与日俱增。电网设备的健康状态与设备运行的可靠性、经济性紧密相关。

当前调控中心监控信息数据量巨大，包涵了变电站各项运行数据和历史数据，如何通过对海量数据的多维度分析，形成有价值的预警信息和知识经验，是亟待解决的问题。在电网运行管理过程中，遥信告警、遥测越限、输变电在线监测、现场巡检、试验数据也都可能反馈出设备甚至电网运行状态存在的问题及恶化趋势，但普遍存在以下不足：

1、调控中心缺乏对海量监控数据的深度分析和挖掘，同时监控信息存在不标准和不规范的问题，无法有效监控设备运行状态。

2、现有监控信息分析基本为人工手动处理和分析，缺乏监控信息规范性分析和智能化处理的工具。

3、由于监控设备信息量大，监控信息筛选、分析多以excel表格处理，没有建立设备信号结构化关联，容易出现重要监控信息遗漏现象。

因此如何克服现有技术的不足是目前电力调控技术领域亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，以电网设备运行状态评估为目的，提供一种基于设备画像和集成学习的电网设备运行状态评估方法，该方法首先对电网数据提取、清洗、挖掘、关联、标签化，然后设备进行画像建模，重点挖掘设备健康状态和各种分析因素之间的关联性，并采用机器学习中的集成学习方法对模型不断修正完善，自动识别出设备的健康状态情况，对运行状态进行评估，在此基础上实现变电站设备监控数据的智能分析，提升了变电站设备监控数据管理及大数据挖掘效率，从而提高调控一体化运作效率，拓展专业管理的深度和广度，加快技术支撑手段的实用化建设，保障调控一体安全高效运作。

为实现上述目的，本发明采用的技术方案如下：

一种基于设备画像和集成学习的电网设备运行状态评估方法，包括以下步骤：

步骤(1)，规范电网运行监控信号、辨识清洗监控数据；

步骤(2)，以设备为中心的电网运行监控数据建模；

步骤(3)，分析电网拓扑、监控信号间的逻辑关系，建立多维电网运行方式辨识模型、伴生信号判断模型、跳闸事件分析模型、监控信息因果关系模型；

步骤(4)，以电网事件为中心的设备监控告警信息聚类；

步骤(5)，基于监控信息的设备画像与集成学习；

步骤(6)，对电网设备运行状态进行评估。

进一步，优选的是，所述步骤(1)中，对电网运行监控产生的结构化数据、文本数据进行自然语言解析，对监控信号进行逐条分析，对其含义进行规范处理，并对可疑数据进行辨识和清洗。

进一步，优选的是，所述步骤(2)中，通过提取运行管理数据中的设备关键字，与设备建立关联，以设备ID为中心，采用间隔定位主设备方式，构建监控信息、告警信息、量测数据、操作数据、位置状态与开关、刀闸、母线设备的关联关系，实现基于设备的数据集成。

进一步，优选的是，步骤(3)的具体方法如下：

①基于断路器、刀闸开合状态，结合电网的接线方式、运行方式以及拓扑关系，分析设备运行状态及发生事故的情况，对上送信号按照事故信号标准序列进行校验，校验是否存在信号缺失、多余，得到是否存在漏报、误报情况；

依据设备检索、关联检修申请、操作票以及故障和缺陷异常信息，根据设备生产厂家、设备型号对设备进行细化分类，为每一个设备建立设备档案，包

依据遥测数据及电网拓扑，将设备运行状态的有功、无功为0时定义为运行状态异常，分析线路各端的潮流平衡、主变三侧潮流平衡、母线各出线潮流平衡；当出现有功、无功的遥测量为0时，依据设备对应间隔，通过间隔进行电网拓扑分析，将有关联的设备进行组合，建立多维电网运行方式辨识模型，对异常的电网运行状态进行综合判断；

②根据电网设备拓扑关系、信号含义、信号发出时间、信号复归时间，对设备非事故信号、不影响实际电网运行信号进行归类，建立伴生信号判断模型；将伴生信号剥离跳闸事件，不作为跳闸事件分析的依据；

③跳闸事件分析模型：根据变电站、电压等级、间隔、设备，判断跳闸事件的类型、发展过程以及可能的漏发信号；

跳闸事件依据线路、母线、主变、电容器、电抗器跳闸，基于开关关联设备进行跳闸分类；当开关由合闸变为分闸时对跳闸前、后进行分析；首选基于检修申请票，如果此开关正在检修，则过滤掉检修、误发信号，以过滤后的告警信号为分析源进行分析；开关不在检修，则定义为跳闸事件，以跳闸事件标准序列为依据，以间隔事故总、保护出口信号为辨识起点，结合跳闸事件中的分闸信号确认跳闸事件，依次分析重合闸动作、设备合闸、间隔事故信号、全站事故总以及信号复归重要信号进行跳闸事件确认；跳闸分类基于瞬时故障和永久故障进行区分，当开关重合闸成功则定义为瞬时故障，开关重合闸后再次跳闸后开关未复归，则定义为永久故障；基于信号分析确认跳闸及分类判断建立线路跳闸、主变跳闸、母线跳闸事件分析规则模型；

④监控信息因果关系模型：对设备告警信息进行分析，自动关联获取发出该信息的设备或设备所属的间隔，结合信号发出15分钟时间内相关的检修信息、操作信息、日志信息、气象及雷电监测信息，结合具体信号与实际一、二次设备关系、电网模型、当前运行方式分析其产生可能原因，给出若干原因推测对每一个监控事件的信号含义、原因分析、造成后果进行建模。

进一步，优选的是，所述步骤(4)中，基于监控数据的数据辨识及清洗，建立原始信号与标准信号之间的数据关联关系、标准信号与事件化规则库之间的关联关系，同时根据事件化规则库，将原先离散的、大数量的监控数据自动建立多层级的关联关系，分块封装为跳闸信息、操作及伴生、检修调试、AVC信息、监控缺陷及异常的监控事件，实现以电网事件为中心的设备监控告警信息聚类。

进一步，优选的是，所述步骤(5)中，利用自然语言解析告警信号，选取设备缺陷、运行工况、运行年限、家族缺陷、在线监测、天气作为特征量对设备进行画像，然后利用集成学习算法中的Adaboost算法对分类器进行训练，通过累积设备缺陷、运行数据、环境数据各类参数进行计算，得到各类参数的强分类器，通过强分类器对一次设备进行多维度数据分析，给出设备的健康状态。

进一步，优选的是，所述步骤(6)中，分析电网的运行状况，对电网的宏观安全整体评估：根据实际联络把整个电网按照规定的区域分成若干片区，分析辨识片区内的出现问题的变电站站，定位到变电站内某一个设备出现的问题，通过多层级挖掘，从电网状态分析到具体的设备；同时结合电网的接线方式、运行方式、电网潮流，对电网的网架结构中的薄弱环节进行分析和定位，分析各类设备发生故障时的影响范围、事故等级，并结合设备的跳闸概率进行整体评估，综合分析电网安全状态，给出最终评估值和故障处置建议。

本发明与现有技术相比，其有益效果为：

本发明提出了一种在对电网监控运行大数据分析的基础上，实现对电网设备运行状态的定量评价和健康程度划分，实现的效果如下：依据设备信息与各类模型、管理、运行、实时、生产数据的关联及相关性分析，建立设备多维度画像，包括设备所属间隔、电压等级、接线形式、运行年限、故障次数、运维检修次数、设备使用数。通过设备健康状态量化分析，能够更加直观的展示设备的健康状态及影响健康各种因素之间逻辑关系，为建立电网设备运行状态评估及预警提供理论基础，为设备管理部门提供设备运行状态评估结果，便于设备管理人员重点关注并及早安排检修，同时也为后续变电站设备选型提供参考依据。

附图说明

图1为基于设备画像和集成学习的电网设备运行状态评估方法的流程图；

图2为伴生信号分析方法流程图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

一种基于设备画像和集成学习的电网设备运行状态评估方法，包括以下步骤：

步骤(1)，规范电网运行监控信号、辨识清洗监控数据；

步骤(2)，以设备为中心的电网运行监控数据建模；

步骤(3)，分析电网拓扑、监控信号间的逻辑关系，建立多维电网运行方式辨识模型、伴生信号判断模型、跳闸事件分析模型、监控信息因果关系模型；

步骤(4)，以电网事件为中心的设备监控告警信息聚类；

步骤(5)，基于监控信息的设备画像与集成学习；

步骤(6)，对电网设备运行状态进行评估。

优选，所述步骤(1)中，对电网运行监控产生的结构化数据、文本数据进行自然语言解析，对监控信号进行逐条分析，对其含义进行规范处理，并对可疑数据进行辨识和清洗。

优选，所述步骤(2)中，通过提取运行管理数据中的设备关键字，与设备建立关联，以设备ID为中心，采用间隔定位主设备方式，构建监控信息、告警信息、量测数据、操作数据、位置状态与开关、刀闸、母线设备的关联关系，实现基于设备的数据集成。

优选，步骤(3)的具体方法如下：

①基于断路器、刀闸开合状态，结合电网的接线方式、运行方式以及拓扑关系，分析设备运行状态及发生事故的情况，对上送信号按照事故信号标准序列进行校验，校验是否存在信号缺失、多余，得到是否存在漏报、误报情况；标准信号序列以线路间隔的单相瞬时故障为例，依据序列核查告警信号缺失、多余、漏报和误报情况。

单相瞬时故障信号标准序列：

1.xxx开关/保护1出口 动作

2.xxx开关/保护2出口 动作

3.xxx开关 分闸

4.xxx开关 事故分闸

5.xxx线/事故总信号 动作

6.xxx站/全站事故总信号 动作

7.xxx开关/保护1出口 复归

8.xxx开关/保护2出口 复归

9.xxx开关/第一组控制回路断线 动作

10.xxx/第二组控制回路断线 动作

11.xxx开关/第一组控制回路断线 复归

12.xxx开关/第二组控制回路断线 复归

13.xxx站/全站事故总信号 复归

14.xxx开关/事故总信号 复归

15.xxx开关/重合闸出口 动作

16.xxx开关/重合闸出口 动作

17.xxx开关 合闸

18.xxx开关/重合闸出口 复归

19.xxx开关/重合闸出口 复归

20.xxx故障录波器启动 动作

21.xxx故障录波器启动 复归

依据设备检索、关联检修申请、操作票以及故障和缺陷异常信息，根据设备生产厂家、设备型号对设备进行细化分类，为每一个设备建立设备档案，包括设备在整个生命周期内发生的具体操作、故障、检修、缺陷次数，设备档案表见表1。

表1设备档案表示例

依据遥测数据及电网拓扑，将设备运行状态的有功、无功为0时定义为运行状态异常，分析线路各端的潮流平衡、主变三侧潮流平衡、母线各出线潮流平衡；当出现有功、无功的遥测量为0时，依据设备对应间隔，通过间隔进行电网拓扑分析，将有关联的设备进行组合，建立多维电网运行方式辨识模型，对异常的电网运行状态进行综合判断；

②根据电网设备拓扑关系、信号含义、信号发出时间、信号复归时间，对设备非事故信号、不影响实际电网运行信号进行归类，建立伴生信号判断模型；将伴生信号剥离跳闸事件，不作为跳闸事件分析的依据；

③跳闸事件分析模型：根据变电站、电压等级、间隔、设备，判断跳闸事件的类型、发展过程以及可能的漏发信号；

跳闸事件依据线路、母线、主变、电容器、电抗器跳闸，基于开关关联设备进行跳闸分类；当开关由合闸变为分闸时对跳闸前、后进行分析；首选基于检修申请票，如果此开关正在检修，则过滤掉检修、误发信号，以过滤后的告警信号为分析源进行分析；开关不在检修，则定义为跳闸事件，以跳闸事件标准序列为依据，以间隔事故总、保护出口信号为辨识起点，结合跳闸事件中的分闸信号确认跳闸事件，依次分析重合闸动作、设备合闸、间隔事故信号、全站事故总以及信号复归重要信号进行跳闸事件确认；跳闸分类基于瞬时故障和永久故障进行区分，当开关重合闸成功则定义为瞬时故障，开关重合闸后再次跳闸后开关未复归，则定义为永久故障；基于信号分析确认跳闸及分类判断建立线路跳闸、主变跳闸、母线跳闸事件分析规则模型；

④监控信息因果关系模型：对设备告警信息进行分析，自动关联获取发出该信息的设备或设备所属的间隔，结合信号发出15分钟时间内相关的检修信息、操作信息、日志信息、气象及雷电监测信息，结合具体信号与实际一、二次设备关系、电网模型、当前运行方式分析其产生可能原因，给出若干原因，推测对每一个监控事件的信号含义、原因分析、造成后果进行建模。

优选，所述步骤(4)中，基于监控数据的数据辨识及清洗，建立原始信号与标准信号之间的数据关联关系、标准信号与事件化规则库之间的关联关系，同时根据事件化规则库，将原先离散的、大数量的监控数据自动建立多层级的关联关系，分块封装为跳闸信息、操作及伴生、检修调试、AVC信息、监控缺陷及异常的监控事件，实现以电网事件为中心的设备监控告警信息聚类。

优选，所述步骤(5)中，利用自然语言解析告警信号，选取设备缺陷、运行工况、运行年限、家族缺陷、在线监测、天气作为特征量对设备进行画像，然后利用集成学习算法中的Adaboost算法对分类器进行训练，通过累积设备缺陷、运行数据、环境数据各类参数进行计算，得到各类参数的强分类器，通过强分类器对一次设备进行多维度数据分析，给出设备的健康状态。

优选，所述步骤(6)中，分析电网的运行状况，对电网的宏观安全整体评估：根据实际联络把整个电网按照规定的区域分成若干片区，分析辨识片区内的出现问题的变电站站，定位到变电站内某一个设备出现的问题，通过多层级挖掘，从电网状态分析到具体的设备；同时结合电网的接线方式、运行方式、电网潮流，对电网的网架结构中的薄弱环节进行分析和定位，分析各类设备发生故障时的影响范围、事故等级，并结合设备的跳闸概率进行整体评估，综合分析电网安全状态，给出最终评估值和故障处置建议。

应用实例

一种基于设备画像和集成学习的电网设备运行状态评估方法，包括以下步骤：

步骤(1)，规范电网运行监控信号、辨识清洗监控数据；

步骤(2)，以设备为中心的电网运行监控数据建模；

步骤(3)，分析电网拓扑、监控信号间的逻辑关系，建立多维电网运行方式辨识模型、伴生信号判断模型、跳闸事件分析模型、监控信息因果关系模型；

步骤(4)，以电网事件为中心的设备监控告警信息聚类；

步骤(5)，基于监控信息的设备画像与集成学习；

步骤(6)，对电网设备运行状态进行评估。

所述步骤(1)的具体实现方法为：

(1)对结构化数据、文本数据进行基于自然语言的解析，对每一条监控信号进行句法分析，得到准确的监控信号含义，并自动分析到设备级，将数据、文本加工为计算机可识别的内容，提高电网运行监控数据的规范性。

(2)采用单变量数据辨识、交叉数据辨识方法对接入数据不完整、质量不正常、无效信息、伴生信息、设备状态与遥信告警及遥测告警不对应、开关或刀闸位置不对应情况进行辨识。

(3)根据一二次设备及监控信息特点，建立与完善电力语料库，基于自然语言处理技术(NLP)对每一条监控信号进行文法推断和句法分析，利用分割和重构，筛选过滤无效内容。此外还需要结合电网拓扑，对遥信、遥测中的错误数据进行交叉辨识和对非结构化数据中的运行数据、管理数据进行清洗。

所述步骤(2)的具体实现方法为：通过提取运行管理数据中的设备关键字，与设备建立关联，以设备ID为中心，采用间隔定位主设备方式，建立基于设备的数据模型。电网设备模型主要包括开关、刀闸、小车开关、接地刀闸、线路、母线、变压器、电压互感器、电流互感器。关联数据包括告警信息、设备操作数据、保护信息、故障录波信息、遥测遥信遥控信息、其他数据、检修信息、故障信息、设备缺陷、一次设备台账、操作票信息、厂站信息。

所述步骤(3)的具体实现方法为：通过分析电网运行方式、设备拓扑关系，分析电网拓扑、监控信号间的逻辑关系，建立以下模型：

(1)多维电网运行方式辨识模型：在电网运行方式分析模型的基础上，为了防止遥信状态信息中存在的数据异常，建立多维电网运行方式辨识模型，对相关数据进行交叉辨识，综合判断电网的运行方式。

基于断路器、刀闸开合状态，结合电网的接线方式、运行方式以及拓扑关系，分析设备运行状态及发生事故的情况，对上送信号按照事故信号标准序列进行校验，校验是否存在信号缺失、多余，得到是否存在漏报、误报情况；

依据设备检索、关联检修申请、操作票以及故障和缺陷异常信息，根据设备生产厂家、设备型号对设备进行细化分类，为每一个设备建立设备档案，包括设备在整个生命周期内发生的具体操作、故障、检修、缺陷次数；

依据遥测数据及电网拓扑，将设备运行状态的有功、无功为0时定义为运行状态异常，分析线路各端的潮流平衡、主变三侧潮流平衡、母线各出线潮流平衡；当出现有功、无功的遥测量为0时，依据设备对应间隔，通过间隔进行电网拓扑分析，将有关联的设备进行组合，建立多维电网运行方式辨识模型，对异常的电网运行状态进行综合判断；

(2)伴生信号判断模型：根据电网设备拓扑关系、信号含义、信号发出时间、信号复归时间，建立伴生信号判断模型。将伴生信号剥离跳闸事件，不作为跳闸事件分析的依据；

伴生信号推理原则：首选需要是同一设备发出的信号，或者信号关联的设备之间存在一定的拓扑关系；其次是根据开关、刀闸分合操作时间，限定一定的时间范围，进行伴生信号分析。主要特征点：

1)信号对应标准信号；

2)适应接线方式、运行方式；

3)和操作设备的关系(例如间隔内刀闸、间隔连接主设备、间隔链接母线)；

4)早于操作时间的限值；

5)晚于操作时间的限值。

(3)跳闸事件分析建模：根据变电站、电压等级、间隔、设备，判断跳闸事件的类型、发展过程以及可能的漏发信号；

跳闸事件依据线路、母线、主变、电容器、电抗器跳闸，基于开关关联设备进行跳闸分类；当开关由合闸变为分闸时对跳闸前、后进行分析；首选基于检修申请票，如果此开关正在检修，则过滤掉检修、误发信号，以过滤后的告警信号为分析源进行分析；开关不在检修，则定义为跳闸事件，以跳闸事件标准序列为依据，以间隔事故总、保护出口信号为辨识起点，结合跳闸事件中的分闸信号确认跳闸事件，依次分析重合闸动作、设备合闸、间隔事故信号、全站事故总以及信号复归重要信号进行跳闸事件确认；跳闸分类基于瞬时故障和永久故障进行区分，当开关重合闸成功则定义为瞬时故障，开关重合闸后再次跳闸后开关未复归，则定义为永久故障；基于信号分析确认跳闸及分类判断建立线路跳闸、主变跳闸、母线跳闸事件分析规则模型。

(4)监控信息因果关系模型：对设备告警信息进行分析，自动关联获取发出该信息的设备或设备所属的间隔，结合信号发出15分钟时间内相关的检修信息、操作信息、日志信息、气象及雷电监测信息，结合具体信号与实际一、二次设备关系、电网模型、当前运行方式分析其产生可能原因，给出若干原因推测对每一个监控事件的信号含义、原因分析、造成后果进行建模。

所述步骤(4)的具体实现方法为：基于处理后的监控数据，建立原始信号与标准信号之间的数据关联关系、标准信号与事件化规则库之间的关联关系，同时根据事件化规则库，将原先离散的、大数量的监控数据自动建立“原子→分子→细胞”的关联关系，对原始信号进行标准化处理之后，按照跳闸信息、操作及伴生、检修调试、AVC信息、监控缺陷及其他主题的监控事件将监控信号进行监控数据分类，通过跳闸信息实现以电网事件为中心的设备监控告警信息聚类。采用机器学习技术，对后续增量的监控运行数据进行全类事件的自动分析，推进事故、异常信号正确性分析研究，实现电网故障、异常“事件”的自动辨识。

所述步骤(5)的具体实现方法为：

(1)基于监控信息的设备画像研究：刨除正常事件中的信号之后，分析剩余的有效告警信号，对设备进行画像。有效告警信号包括漏发信号、误发(可疑)信号、频发和超时未复归信号以及电流、电压、有功、无功、油温遥测数据。

a.设备异常指标体系：以投运日期、退役日期、设备类型、设备型号、电压等级为维度，设备运行时间、故障次数、缺陷次数、有效告警、重过载情况为事实表，退役设备的寿命及缺陷、故障信息进行统计展示，为设备健康分析提供数据支撑。以下是扣分指标体系的分类，具体分项内容及扣分值参见表2和表3。

表2变压器基于设备画像的扣分因素：

表3开关基于设备画像的扣分因素：

1)设备缺陷

针对变压器、开关各类间隔的一二次设备的缺陷进行分类，建立相应的指标扣分体系，根据设备存在的缺陷进行扣分。缺陷数据的来源包括：OMS中的缺陷处理流程、监控信号事件化之后的有效告警、输变电在线监测。针对同一个设备，如果从不同的数据来源均可以定位同一类缺陷信息，则取最严重的状况作为此项的扣分(避免重复扣分)。在此过程中，需要采用多维特征点模式识别的技术，对缺陷、遥信数据进行基于异常指标扣分体系的结构化分析。部分告警信息，需要考虑信号发出的频率，以及信号复归时间。

2)运行工况

建立不良工况的扣分指标，综合纳入设备异常指标扣分体系。包括：

短路冲击累计：考虑因素包括短路冲击次数、冲击电流、冲击时长；

开关分合闸次数：达到一定次数需要检修；

开关、刀闸长期未操作；

线路重过载次数及累计时长，当前重过载情况；

主变重过载次数及累计时长，当前重过载情况；

油温越限次数及累计时长，当前油温；

母线电压越限，当前电压。

3)运行年限

根据运行年限，将设备按照老、中、青进行分类，“老年”设备直接扣除相应的分数。一、二次设备按照不同类型设置不同的年限。

4)家族缺陷

对于已经定性为家族性缺陷的厂家、型号，按照异常指标体系规定直接扣除相应的分数。对于没有定性的，对设备的厂家、型号进行标准化处理后，按照同厂家、型号设备的设备数量、累计运行时间、不同类型缺陷的概率进行统计，概率值大于一定门槛的，设定为疑似家族性缺陷，按照一定比例进行扣分。

5)检修申请因素

设备经过检修，以前一段时间发生的缺陷类数据考虑清零(主要是从告警信号分析出来的设备缺陷；缺陷记录里面的信息，可以根据是否消缺进行判断)。

具体的设备监控状态指标体系对应的扣分细则，参考附表一、附表二。

b.外界因素影响：针对不同类型的自然灾害及气象条件，根据历史数据研究在不同条件下设备的故障概率。针对各类外界因素，根据各个外界条件的坐标范围，建立起和线路(通过杆塔坐标)或站内设备之间的关联关系。

1)雷电

对落雷范围、落雷次数、雷击时间进行分析，研究时间区间内相关设备发生跳闸的次数。对于线路，结合线路处于雷区的长度进行分析。分析的内容主要是设备的平均故障概率；对于一般设备，在雷电环境下根据平均故障概率计算故障概率，并转换为扣分；对于容易受雷电影响设备，根据其个体概率模型进行计算。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中1)。

2)山火

对山火范围、等级进行分析，研究时间区间内线路发生跳闸的次数，并结合处于过火区域的线路长度进行分析。分析的内容，主要是设备的平均故障概率；对于一般设备，在山火环境下根据平均故障概率计算故障概率，并转换为扣分；对于容易受山火影响设备，根据其个体概率模型进行计算。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中1)。

3)覆冰

对发生冰冻的范围、等级进行分析，研究时间区间内线路发生跳闸的次数，并结合线路长度进行分析。根据参数的情况，选择性的研究覆冰、跳闸关联模型中与线路参数的关系。对于地下电缆，不考虑受到覆冰的影响。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中1)。

4)台风(大风)

研究台风发生的时间、路径范围、风力大小，对台风覆盖范围内线路跳闸的概率进行分析，并结合线路长度，分电压等级进行区域范围内线路跳闸与台风影响关联。对于地下电缆，不考虑受到台风的影响。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中1)。

5)天气

在刨除极端天气的前提下，研究天气类型(雨雪)、气温和主变油温、设备跳闸之间的关联关系。基于设备跳闸时天气情况，包括雨雪、气温以及主变温度按时标进行关联性分析，建立主变温度与气象条件影响阈值，研究主变运行中调档、油温越限与天气影响关系。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中2)。

6)季节因素

在刨除极端天气的前提下，研究设备发生故障跳闸的季节性规律，并根据跳闸原因以季节进行聚类，利用电压等级、所处区域网格、线路类型(架空线或者电缆)特征点，分别进行研究。计算方法见所述步骤(6)的具体实现方法中(2)异常状态设备跳闸概率的a中2)。

c.设备隐患综合评估：综合考虑设备本身异常(如设备故障次数较多、跳闸频繁)、外界因素影响(如天气、雷电、覆冰)，综合评估设备发生故障的概率。

(2)集成学习研究：Adaboost是一种迭代算法，核心思想是针对同一训练集训练不同的分类器，然后把这些弱分类器集合起来，构成一个更强的分类器。算法本身是通过改变数据分布来实现的，根据每次训练集之中每个样本x

a.样本

训练样本集D＝{(x

b.训练过程

1)初始化训练样本x

2)for m＝1,...,M，训练弱分类器f

归一化：

所述步骤(6)的具体实现方法为：分析实时电网的安全状况，对电网的宏观安全整体评估，通过对网架结构的薄弱环节进行分析，分析不同设备发生故障时的影响范围、事故等级，综合分析电网安全状态。内容包含：

(1)网架结构薄弱环节：结合电网的接线方式、运行方式、潮流分布，对电网的网架结构中的薄弱环节进行分析，分析、提取影响电网安全、稳定运行的运行方式：并列运行的主变档位不一致、电磁环网、孤网运行。

(2)异常状态设备跳闸概率：综合考虑设备本身异常、外界因素影响，对设备发生故障的概率进行研究，综合评估相关设备跳闸造成的设备停电、设备重过载、孤网运行，以及其他相继故障的风险。

a.根据设备异常指标体系评估结果(综合考虑了设备本身异常、外界因素影响)，得到设备的跳闸概率；这里要计算的设备跳闸概率，实际上是评估相对于没有任何异常的设备，各个待评估设备的故障概率的倍率。设备的异常，首先转换为对设备的扣分，然后整体对设备的故障概率进行评估。设备本身异常，已经通过扣分体系进行了扣分(扣分的原则：在某一方面存在的问题转化为缺陷，对应危急缺陷的，扣41分；对应严重缺陷的，扣11分；对应一般缺陷的，扣2分)。

1)山火、覆冰、台风、雷电恶劣环境：根据恶劣环境等级、处于恶劣环境范围内的线路长度进行计算，并基于历史数据进行评估(各类恶劣环境、不同电压等级分别进行计算)：

所处环境的线路长度，对应扣分参数Len，和真实的线路长度之间的计算公式为：

每个分组(同样类型、同样等级的信息)均进行以上计算，得到每组计算值和最小的Len

恶劣环境等级，从高到低划分为1-3级，对应扣分系数LV，设置初始值分别为9、3、1(后续通过历史数据进行刷新：类似线长参数的调整过程，最高等级保持为9，对其余两个等级参数进行调整)。

恶劣环境对应扣分值，计算公式为：

2)天气、季节因素：在刨除设备本身异常、恶劣环境的前提下，研究设备发生故障跳闸的季节性、天气关联性规律，并根据跳闸原因进行聚类。在聚类的过程中，以电压等级、所处区域网格、线路类型(架空线或者电缆)为特征点进行分组，分别统计不同情况下设备的故障概率。对于故障概率超出同类设备平均故障概率达到2倍以上的情况，加入天气、季节因素知识库，扣分计算公式为：

3)故障概率倍率：对应的公式为：扣分×扣分影响因子。扣分影响因子作为一个待调整参数对象，初始值设置为0.25，后续根据真实跳闸与设备扣分及持续时间关系进行参数调整。此倍率的取值区间设置为[1,30]。

b.设备跳闸影响综合评估：分析电网的接线方式、运行方式，研究相关设备跳闸之后造成的影响，包括：主变停电(计算损失负荷)；因为设备跳闸引起双回线、并列运行变压器(包括自投装置引起的负荷转移)、断面中设备的重过载；对电网的解列、解环，并因此引起的孤网运行。

c.相继故障风险：跟踪开关分闸闭锁信息、保护故障信息，提取可能因为拒动引起的相继故障；对设备跳闸可能引起的其他设备过载情况进行研究，提取因为设备过载可能引起的相继故障。

(3)电网安全状态指标体系：建立电网安全状态指标体系，对电网的运行状态的安全、稳定水平进行综合评估。

a.基于全网网架结构中的薄弱环节为重点研究对象，对电网设备进行N-1扫描，研究和评估电网发生故障时影响范围、事故等级；研究对象包括：损失负荷、停电设备或变电站、电厂对外停电、重要用户停电。对于评估后的影响依据电网运行方式、停送电设备情况给出综合评定意见和处置建议。

b.根据设备的故障概率(设备异常指标体系评估结果)，对相关设备故障跳闸造成的影响加大相应的影响系数。以上因素汇总为可能的电网事故等级。根据电网的事故等级大小进行扣分(8级电网事故扣1分，事故等级提升一级，扣分为前一等级的3倍)，并对电网范围内因为单一事故跳闸引起的事故等级扣分进行叠加。依据扣分综合计算数值，通过界定值进行故障评估和提醒。

c.根据相继故障集发生的概率，叠加相继故障发生之后对应的事故等级扣分；

d.对不正常运行方式进行扣分；

e.电网安全状态最终评估，考虑下面几个因素：电网范围内根据评估体系总的扣分情况；考虑电网规模，以及总的扣分，采用“总扣分/电网规模”的方式进行评估。(电网规模可能按照不同电压等级的变电站数量、设备数量、总负荷等进行评估)；

f.电网安全状态评估公式：

电网规模：以不同电压等级主变的规模作为主要的参考标准，1台35kV变压器记入1，110kV变压器记入3，220kV变压器记入9，500kV变压器记入27，750kV(1000kV)变压器记入81。

采用“总扣分/电网规模”的方式进行评估，加权扣分值大于等于1，电网状态为红色；加权扣分值在[0.5,1)，电网状态为橙色；加权扣分值在[0.1,0.5)，电网状态为黄色；加权扣分值小于0.1，电网状态为绿色(具体区间需要核算)。

g.实验验证：

使用某地2018年到2019年10月份的电网收集数据做为训练样本集D用Adaboost算法对分类器进行训练，经过N次迭代后，得到强分类器H，然后用H对2019年11月的部分测试数据集进行分类，得出分类结果，评估分类的准确性。

实验中实际使用样本数据53562份，其中训练数据52407份，测试数据1155份。实验前对每一组数据进行预处理、分词、语义识别、设备关联、NLP自然语言解析处理，将原始数据完成标准化加工，得到初始可用的训练样本“110kV/v永开线112开关/d气压低总闭锁/s，无遥测数据/i，采集插件故障/r”，然后开始用训练样本进行1000次迭代得到Adaboost算法构造的分类器，用测试样本数据测试得到的设备不健康相应的缺陷和故障发生结果识别率达到82.7％，错误率17.3％。

实验说明采用该方法是具备进行对电网设备进行健康状态评估的，而且随着数据的准确性及迭代次数的增加，得到的效果会越来越好。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。