本發明涉及電力數據分析，尤其涉及一種基于機理與數據融合驅動的運檢分析方法、介質及系統。

背景技術：

1、近年來，隨著智能化決策分析的迅速發展，越來越多的領域開始采用智能化決策分析手段對設備運行狀態數據進行分析；其中，智慧決策是根據相關標準、算法和經驗對設備運行狀態數據進行綜合分析的手段，其能夠確定設備所處狀態和變化趨勢，并預測設備的剩余壽命及運行狀態，從而為設備的后續運行維護策略的制定提供依據。

2、在當前電力領域中，現有常用針對輸變電設備的狀態預測評估方法有：

3、1、基于導則的狀態評估方法；

4、基于導則的狀態評估方法輸變電設備狀態評價導則是目前設備狀態評估的主要依據。評估者根據巡檢、試驗等結果，按照導則規定的各類設備狀態量扣分標準，對狀態量進行扣分，以確定設備的狀態等級。該方法簡單易行，應用廣泛。然而，這種基于導則的狀態評估方法只是按照簡單的設備評價體系進行扣分，對于復雜缺陷情況無法進行有效的量化評價、狀態預估。

5、2、基于分類與回歸的狀態評估方法；

6、基于分類與回歸方法主要是利用大量歷史數據作為樣本，通過研究不同變量之間的相互影響和變化規律，進而建立評估模型，通常用于預測和模式識別。常見的分類與回歸方法包括人工神經網絡、決策樹、支持向量機等。

7、然而，該類模型的訓練需要大量的設備缺陷和故障狀態數據；但是，輸變電設備可靠性較高，缺陷和故障狀態數據匱乏，訓練樣本不足、導致模型的準確度不夠理想；同時，部分模型的收斂速度較慢，容易陷入局部最優；此外，該狀態評估方法無法從機理上解釋狀態參量與設備狀態之間的物理聯系，不利于評估結果的理解和應用。

技術實現思路

1、本發明所要解決的技術問題是：本發明公開了一種基于機理與數據融合驅動的運檢分析方法、介質及系統，以解決現有電網運檢狀態分析方法所存在的無法進行有效的量化評價、電力設備狀態預測準確度不夠理想和精度低的問題。

2、為了解決上述技術問題，本發明采用的技術方案為：一種基于機理與數據融合驅動的運檢分析方法，其包括步驟：

3、s1：構建電力設備的數字幾何模型、物理模型、行為模型和規則模型；

4、s2：采集所述電力設備的實時運行數據，并進行預處理，以將預處理后的實時運行數據輸入到各模型中，并得到各模型的輸出；

5、s3：采用加權融合算法，將各模型的輸出進行融合，得到所述電力設備的綜合狀態評估結果；

6、s4：基于所述綜合狀態評估結果，利用時間序列分析和機器學習方法，預測所述電力設備的未來狀態變化趨勢。

7、在本發明中，設計了一種全新的基于機理與數據融合驅動的運檢分析方法，該運檢分析方法構建了電力設備的數字幾何模型、物理模型、行為模型和規則模型，以分別描述設備的物理結構、多物理場行為、動態行為和經驗規則；并將電力設備的實時運行數據進行預處理，輸入到各模型中，而后結合加權融合算法，將各模型的輸出進行融合，得到綜合狀態評估結果，從而基于所述綜合狀態評估結果，預測所述電力設備的未來狀態變化趨勢。

8、在本發明中，該基于機理與數據融合驅動的運檢分析方法通過對多物理場機理數值仿真技術、人工智能算法分析技術研究，在電力數字空間建立“模型+數據”融合驅動的高逼近狀態評估和態勢預測方法，能夠有效提高在復雜工況下的部件級和設備級的電力運檢風險辨識準確性，即可以有效解決現有電網分析方法所存在的無法進行有效的量化評價、電力設備狀態預測準確度不夠理想和精度低的問題。

9、本發明的運檢分析方法通過開展機理仿真模型與數據驅動的同步演化和自適應融合機理分析技術，通過構建數字幾何模型、物理模型、行為模型和規則模型的“模型+數據”融合驅動的高逼近仿真分析，建立“模型+數據”融合驅動的雙層迭代智能化預測性運維模型，實現在復雜工況下的電力設備的診斷預測和輔助決策，其具有良好的推廣前景和應用價值。

10、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s3中，所述綜合狀態評估結果具體為：

11、s=αmg+βmp+γmb+δmr

12、其中，s表示綜合狀態評估結果；mg、mp、mb、mr分別表示數字幾何模型、物理模型、行為模型和規則模型的輸出；α、β、γ、δ分別表示不同的權重系數。

13、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s4中，利用時間序列分析和機器學習方法，獲得態勢預測模型，以基于所述態勢預測模型預測所述電力設備的未來狀態變化趨勢，所述態勢預測模型具體為：

14、p(t)=f(s,t)

15、其中，p(t)為態勢預測模型，f為預測函數，s表示綜合狀態評估結果，t為時間變量，f(s,t)表示在某個特定時間點t時的所述電力設備的設備狀態預測。

16、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s1中，構建電力設備的初始物理模型和初始行為模型，并通過奇異值分解方法和主成分分析方法，對所述初始物理模型和初始行為模型進行降階，以獲得所述物理模型和所述行為模型。

17、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s1中，對所述初始物理模型和初始行為模型進行降階，具體步驟為：

18、對所述初始物理模型進行奇異值分解，保留前k個奇異值，得到降階后的所述物理模型；

19、對所述初始行為模型進行主成分分析，保留前i個主成分，得到降階后的所述行為模型。

20、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s1中，構建電力設備的初始規則模型，通過剪枝技術，對所述初始規則模型進行剪枝處理，去除不重要的規則項，得到輕量化后的所述規則模型。

21、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析方法中，在步驟s3中，采用加權融合算法，將各模型的輸出進行融合，得到所述電力設備的初始綜合狀態評估結果，對所述初始綜合狀態評估結果進行量化處理，并將所述初始綜合狀態評估結果的浮點數參數轉換為整數，得到輕量化后的所述綜合狀態評估結果。

22、在本發明上述技術方案中，為了提高預測時效性和計算效率，本發明所述的運檢分析方法還應用了模型降階與輕量化技術，以解決仿真與計算時長過長的問題，從而在保證預測精度的基礎上，降低時延，提高預測時效性。

23、即在本發明中，在該運檢分析方法中，能夠通過奇異值分解方法和主成分分析方法，對所述初始物理模型和初始行為模型進行降階，減少模型的復雜度，同時保持較高的預測精度，以獲得對應的所述物理模型和所述行為模型。

24、同樣地，在本發明的運檢分析方法中，其還通過剪枝和量化技術，減少模型的計算量和存儲需求，其通過剪枝技術，對所述初始規則模型進行剪枝處理，去除不重要的規則項，得到輕量化后的所述規則模型；并且，針對后續融合得到的所述初始綜合狀態評估結果進行量化處理，以得到輕量化后的所述綜合狀態評估結果。

25、相應地，本發明還公開了一種計算器介質，該計算機介質具體包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序；

26、其中，所述處理器用于執行所述計算機程序時實現本發明上述的一種基于機理與數據融合驅動的運檢分析方法。

27、此外，本發明還公開了一種基于機理與數據融合驅動的運檢分析系統，其包括：

28、模型構建模塊，其用于構建電力設備的數字幾何模型、物理模型、行為模型和規則模型；

29、數據獲取模塊，其用于采集所述電力設備的實時運行數據；

30、數據處理模塊，其用于對所述實時運行數據進行預處理，并將預處理后的實時運行數據輸入到數字幾何模型、物理模型、行為模型和規則模型中，以得到各模型的輸出；

31、數據融合模塊，其基于加權融合算法，將各模型的輸出進行融合，得到所述電力設備的綜合狀態評估結果；

32、預測模塊，其基于所述綜合狀態評估結果，利用時間序列分析和機器學習方法，預測所述電力設備的未來狀態變化趨勢。

33、進一步的，在本發明所述的基于機理與數據融合驅動的運檢分析系統中，所述模型構建模塊中還包括：降階處理單元和剪枝處理單元，以得到降階后的所述物理模型、所述行為模型，并得到剪枝處理后的所述規則模型；所述數據融合模塊中還包括：量化處理單元，以得到量化處理后的所述綜合狀態評估結果。

34、本發明的有益效果在于：本發明的基于機理與數據融合驅動的運檢分析方法、介質及系統通過構建數字孿生體幾何模型、物理模型、行為模型和規則模型的“模型+數據”融合驅動的高逼近狀態評估和態勢預測方法，實現了對輸變電設備狀態的精確評估和未來態勢的準確預測，能夠提高復雜工況下部件級和設備級的電力運檢風險辨識準確性，其具有良好的推廣前景和應用價值。