开云优惠体育网页版入口

专利名称：基于数据中台的电力设备处置方法、装置、终端和存储介质

专利类型：实用新型专利

专利申请号：CN202411067615.6

专利申请（专利权）人：四川明星电力股份有限公司
权利人地址：四川省遂宁市开发区明月路56号

专利发明（设计）人：吕毅,陈志宏,梁文波,王丹,刘鑫,吴霞

专利摘要：本申请公开了一种基于数据中台的电力设备处置方法、装置、终端和存储介质，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；所述方法包括：通过所述数据采集设备采集电力设备的当前运行数据；从所述服务器中获取所述电力设备的设备参数；通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值；基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。本申请旨在通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。

主权利要求：
1.一种基于数据中台的电力设备处置方法，其特征在于，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；
所述方法包括：
通过所述数据采集设备采集电力设备的当前运行数据；
从所述服务器中获取所述电力设备的设备参数；
通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；
基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备；
所述电力设备判定模型包括输入层、隐藏层以及输出层，所述输出层具有两个神经元；
所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，包括：通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量；
通过所述隐藏层，根据所述一维特征向量，生成一维输出向量；
通过所述输出层的两个神经元，根据所述一维输出向量，生成所述第一概率值以及所述第二概率值；
所述基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备，包括：若所述第一概率值不小于所述预设概率阈值且所述第二概率值小于所述预设概率阈值，则根据所述电力设备的实际状况，对所述电力设备进行维修处理；
若所述第一概率值小于所述预设概率阈值且所述第二概率值不小于所述预设概率阈值，则更换所述电力设备；
若所述第一概率值、所述第二概率值均小于所述预设概率阈值，则继续使用所述电力设备。
2.如权利要求1所述的方法，其特征在于，所述通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量，包括：将所述设备参数以及所述当前运行数据合并为输入数组；
将所述输入数组输入至所述输入层，输出得到所述一维特征向量。
3.如权利要求1所述的方法，其特征在于，所述隐藏层包括第一全连接层、第二全连接层以及第三全连接层，所述第一全连接层具有第一数量个神经元，所述第二全连接层具有第二数量个神经元，所述第三全连接层具有第三数量个神经元，所述第二数量为所述第一数量的二分之一，所述第三数量为所述第二数量的二分之一；
所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括：将所述一维特征向量输入至所述第一全连接层，输出得到第一向量；
将所述第一向量输入至所述第二全连接层，输出得到第二向量；
将所述第二向量输入至所述第三全连接层，输出得到所述一维输出向量。
4.如权利要求1所述的方法，其特征在于，所述隐藏层包括第四全连接层、第一随机失活层、第五全连接层、第二随机失活层、第六全连接层以及批量归一化层；
所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括：将所述一维特征向量输入至所述第四全连接层，输出得到第三向量；
将第三向量输入至所述第一随机失活层，输出得到第三向量对应的输出向量，其中，所述第三向量的值与所述第三向量对应的输出向量的值相同；
将所述第三向量对应的输出向量输入至所述第五全连接层，输出得到第四向量；
将所述第四向量输入至所述第二随机失活层，输出得到第四向量对应的输出向量，其中，所述第四向量的值与所述第四向量对应的输出向量的值相同；
将所述第四向量对应的输出向量输入至所述第六全连接层，输出得到第五向量；
通过所述批量归一化层对所述第五向量进行归一化处理，得到所述一维输出向量。
5.如权利要求1所述的方法，其特征在于，在所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值之后，所述方法还包括：接收用户输入的模型更新指令，将所述当前运行数据与所述电力设备的历史运行数据合并为更新后的历史运行数据；
基于所述更新后的历史运行数据以及所述设备参数，更新所述电力设备判定模型，得到更新后的电力设备判定模型。
6.一种基于数据中台的电力设备处置装置，采用如权利要求1所述基于数据中台的电力设备处置方法，其特征在于，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；
所述装置包括：
第一单元，用于通过所述数据采集设备采集电力设备的当前运行数据；
第二单元，用于从所述服务器中获取所述电力设备的设备参数；
第三单元，用于通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；
第四单元，用于基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。
7.一种终端，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1 5任一项所述方法中的步骤。
~
8.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1 5任一项所述方法中的步骤。
~ 说明书 : 基于数据中台的电力设备处置方法、装置、终端和存储介质技术领域[0001] 本申请涉及数据处理技术领域，尤其涉及一种基于数据中台的电力设备处置方法、装置、终端和存储介质。背景技术[0002] 电力设备的处置管理涉及设备的维护、检修、升级、退役和报废等一系列活动，旨在确保设备的安全、可靠运行，同时最大限度地延长设备使用寿命，降低运营成本。[0003] 然而，当前的电力设备处置管理方式主要包括以下缺陷：维护计划可能过于依赖定期检查，而不是基于设备的实际运行状态；当前的管理方式可能更多地依赖于有经验的技术人员进行预防性维护，而不是根据设备的运行数据进行预测性维护，这样一来，特别是在相对复杂的电力设备设备的诊断和维修方面，可能导致对电力设备的运行状况的判断不准确，进而可能不及时处置电力设备，从而产生电网的安全隐患。发明内容[0004] 本申请的主要目的在于提供一种基于数据中台的电力设备处置方法、装置、终端和存储介质，旨在通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。[0005] 为实现上述目的，本申请提供一种基于数据中台的电力设备处置方法，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；[0006] 所述方法包括：[0007] 通过所述数据采集设备采集电力设备的当前运行数据；[0008] 从所述服务器中获取所述电力设备的设备参数；[0009] 通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；[0010] 基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0011] 具体地，所述电力设备判定模型包括输入层、隐藏层以及输出层，所述输出层具有两个神经元；[0012] 所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，包括：[0013] 通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量；[0014] 通过所述隐藏层，根据所述一维特征向量，生成一维输出向量；[0015] 通过所述输出层的两个神经元，根据所述一维输出向量，生成所述第一概率值以及所述第二概率值。[0016] 具体地，所述通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量，包括：[0017] 将所述设备参数以及所述当前运行数据合并为输入数组；[0018] 将所述输入数组输入至所述输入层，输出得到所述一维特征向量。[0019] 具体地，所述隐藏层包括第一全连接层、第二全连接层以及第三全连接层，所述第一全连接层具有第一数量个神经元，所述第二全连接层具有第二数量个神经元，所述第三全连接层具有第三数量个神经元，所述第二数量为所述第一数量的二分之一，所述第三数量为所述第二数量的二分之一；[0020] 所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括：[0021] 将所述一维特征向量输入至所述第一全连接层，输出得到第一向量；[0022] 将所述第一向量输入至所述第二全连接层，输出得到第二向量；[0023] 将所述第二向量输入至所述第三全连接层，输出得到所述一维输出向量。[0024] 具体地，所述隐藏层包括第四全连接层、第一随机失活层、第五全连接层、第二随机失活层、第六全连接层以及批量归一化层；[0025] 所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括：[0026] 将所述一维特征向量输入至所述第四全连接层，输出得到第三向量；[0027] 将第三向量输入至所述第一随机失活层，输出得到第三向量对应的输出向量，其中，所述第三向量的值与所述第三向量对应的输出向量的值相同；[0028] 将所述第三向量对应的输出向量输入至所述第五全连接层，输出得到第四向量；[0029] 将所述第四向量输入至所述第二随机失活层，输出得到第四向量对应的输出向量，其中，所述第四向量的值与所述第四向量对应的输出向量的值相同；[0030] 将所述第四向量对应的输出向量输入至所述第六全连接层，输出得到第五向量；[0031] 通过所述批量归一化层对所述第五向量进行归一化处理，得到所述一维输出向量。[0032] 具体地，所述基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备，包括：[0033] 若所述第一概率值不小于所述预设概率阈值且所述第二概率值小于所述预设概率阈值，则根据所述电力设备的实际状况，对所述电力设备进行维修处理；[0034] 若所述第一概率值小于所述预设概率阈值且所述第二概率值不小于所述预设概率阈值，则更换所述电力设备；[0035] 若所述第一概率值、所述第二概率值均小于所述预设概率阈值，则继续使用所述电力设备。[0036] 具体地，在所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值之后，所述方法还包括：[0037] 接收用户输入的模型更新指令，将所述当前运行数据与所述电力设备的历史运行数据合并为更新后的历史运行数据；[0038] 基于所述更新后的历史运行数据以及所述设备参数，更新所述电力设备判定模型，得到更新后的电力设备判定模型。[0039] 为实现上述目的，本申请还提供一种基于数据中台的电力设备处置装置，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；[0040] 所述装置包括：[0041] 第一单元，用于通过所述数据采集设备采集电力设备的当前运行数据；[0042] 第二单元，用于从所述服务器中获取所述电力设备的设备参数；[0043] 第三单元，用于通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；[0044] 第四单元，用于基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0045] 为实现上述目的，本申请还提供一种终端，包括存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行本申请所提供的任一种方法中的步骤。[0046] 为实现上述目的，本申请还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请所提供的任一种方法中的步骤。[0047] 本申请提供的一种基于数据中台的电力设备处置方法、装置、终端和存储介质，首先可以通过所述数据采集设备采集电力设备的当前运行数据，从所述服务器中获取所述电力设备的设备参数；然后，通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，准确生成第一概率值以及第二概率值，通过所述概率值来反映所述电力设备的当前状况的适配处置措施，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；最终基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处置所述电力设备。[0048] 本申请相较于现有的电力设备的处置方式，可以通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。附图说明[0049] 图1为本申请实施例提供的流程示意图；[0050] 图2为本申请实施例提供的基于数据中台的电力设备处置装置的结构示意图；[0051] 图3为本申请实施例提供的终端的结构示意图。具体实施方式[0052] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。[0053] 由于当前的管理方式可能更多地依赖于有经验的技术人员进行预防性维护，而不是根据设备的运行数据进行预测性维护，这样一来，特别是在相对复杂的电力设备设备的诊断和维修方面，可能导致对电力设备的运行状况的判断不准确，进而可能不及时处置电力设备，从而产生电网的安全隐患。故本申请实施例提供一种基于数据中台的电力设备处置方法、装置、终端和存储介质来解决实际技术问题。[0054] 在一些实施例中，该装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。[0055] 在一些实施例中，服务器也可以以终端的形式来实现。[0056] 其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN（ContentDeliveryNetwork，内容分发网络）、以及大数据和人工智能平台等基础云计算服务的云服务器。[0057] 其中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。[0058] 以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。[0059] 本申请实施例提供一种基于数据中台的电力设备处置方法，所述方法可以通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。[0060] 一种基于数据中台的电力设备处置方法，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中。[0061] 数据中台（DataMiddlewarePlatform）是企业级数据管理与应用架构模式的一种，在现代数据驱动的业务环境中扮演着核心角色。数据中台的目标是统一和优化数据资源的管理和使用，以支持更高效、更灵活的数据分析和业务决策。具体地，数据中台具备以下特性：[0062] 数据整合：数据中台将来自不同来源、不同格式的数据进行集成和标准化，形成统一的数据视图，以消除信息孤岛，确保数据的一致性和准确性；[0063] 数据治理：提供了一套完整的数据管理流程，包括数据质量控制、数据安全、数据生命周期管理等，确保数据的合规性和可用性；[0064] 数据分析与服务：数据中台通过提供预处理的数据、模型和算法，支持实时分析、预测分析和智能决策，帮助企业快速响应市场变化；[0065] 数据共享与重用：促进了跨部门、跨系统的数据共享，减少重复建设，提高数据的复用率，降低数据获取和处理的成本；[0066] 灵活性与扩展性：数据中台采用微服务架构，可以轻松地扩展和调整，以适应业务的快速发展和变化；[0067] 技术栈：数据中台通常涉及大数据处理技术、数据仓库、数据湖、数据API、机器学习平台等组件；[0068] 在一些实施例中，所述数据采集设备可以设置于电网中的电力设备的关键部分或者是数据存储部分，便于采集所述电力设备的相关运行数据，所述服务器可以用于存储电力设备的运行数据和对运行数据进行分析处理。[0069] 如图1所示，所述方法的具体流程可以如下：[0070] S110、通过所述数据采集设备采集电力设备的当前运行数据。[0071] 在一些实施例中，所述数据采集设备可以是传感器和测量装置，例如电流互感器（CT）、电压互感器（PT）、温度传感器、振动传感器等，用于监测电力设备的各种参数，所述数据采集设备也可以是数据采集单元，例如数据采集器、智能电表、RTU（远程终端单元）、PLC（可编程逻辑控制器）等，用于收集传感器数据并进行初步处理。[0072] 电力设备的当前运行数据可以是实时或近实时收集的信息，用于监控设备的工作状态和性能。当前运行数据对于预防性维护、故障诊断、效率分析和系统优化至关重要。以下是电力设备的当前运行数据的数据内容或部分数据内容：[0073] 实时功率输出：电力设备当前正在输出的功率，对于发电机和变压器尤为重要；[0074] 电压和电流：实时监测的线路电压和电流，这对于检测过载、短路或不平衡情况非常重要；[0075] 温度：关键部件的温度，如绕组、铁芯、轴承等，高温可能指示过热或散热问题；[0076] 频率：供电系统的频率，用于监控电网稳定性；[0077] 负荷率：电力设备当前的负载与额定负载的比值，用于判断电力设备是否过载；[0078] 谐波分析：电网中电流或电压的谐波含量，用于评估电能质量；[0079] 绝缘电阻：电气设备的绝缘材料在运行中的电阻，用于监测绝缘老化或损坏；[0080] 油质分析：对于油浸式设备（如变压器），油的品质（水分、气体含量、酸值等）可以反映设备健康状况；[0081] 振动分析：电力设备运行时的振动水平，异常振动可能指示机械故障；[0082] 噪声水平：电力设备运行时的噪声，异常噪声可能指示潜在问题。[0083] S120、从所述服务器中获取所述电力设备的设备参数。[0084] 在一些实施例中，所述服务器用于存储电力设备的运行数据和对运行数据进行分析处理，电力设备在当前时刻之前的历史运行数据可以存储于所述服务器中，在需要的时候调用。[0085] 电力设备的设备参数是描述设备性能、规格和工作条件的一系列技术指标，对于设备的正确选型、运行维护和故障诊断都至关重要。设备参数可能因设备类型（如发电机、变压器、开关设备、电缆、电动机等）而异，以下是一些常见的电力设备的设备参数：[0086] 额定电压(RatedVoltage)：设备设计用于运行的最高电压等级；[0087] 额定电流(RatedCurrent)：设备在正常工作条件下能承受的最大电流；[0088] 额定功率(RatedPower)：设备的标称功率输出或输入能力；[0089] 短路容量(ShortCircuitCapacity)：对于变压器等设备，指在短路情况下能够承载的瞬间最大电流；[0090] 绝缘等级(InsulationClass)：设备的绝缘材料能够承受的最高温度等级；[0091] 频率(Frequency)：设备设计用于工作的交流电频率，如50Hz或60Hz；[0092] 效率(Efficiency)：设备在转换能量过程中的效率，通常以百分比表示；[0093] 功率因数(PowerFactor)：设备消耗的有功功率与视在功率的比值，反映设备使用电能的效率；[0094] 温升(TemperatureRise)：设备在满载运行时，其内部温度相对于环境温度的升高；[0095] 冷却方式(CoolingMethod)：设备的冷却方式，如自然冷却、风冷、水冷等；[0096] 保护等级(ProtectionRating)：设备外壳的防护等级，如IPXX，表示防尘防水能力。[0097] S130、通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率。[0098] 在一些实施例中，所述电力设备判定模型可以以应用程序的形式存储于数据中台，工作人员在使用时可以通过人机交互设备向数据中台输入操作指令，以启用电力设备判定模型，执行电力设备的当前状态的判定动作。[0099] 在一些实施例中，所述电力设备判定模型包括输入层、隐藏层以及输出层，所述输出层具有两个神经元。[0100] 输入层通常是神经网络模型的第一层，主要功能是接收和传递原始输入数据到网络的后续层进行处理，输入层的节点数通常等于输入数据的特征数，输入层的形状反映了输入数据的结构。对于一维数据，输入层将是一个向量。[0101] 隐藏层是指位于输入层和输出层之间的神经网络层，不直接与输入或输出数据交互，而是负责处理和转换输入数据，以提取特征并学习数据中的模式。隐藏层是神经网络能够执行复杂任务的关键，通过多层次的非线性变换，使得网络能够学习到数据的深层表示和特征。[0102] 输出层通常是神经网路模型的最后一个组成部分，负责将网络的最终计算结果转换为可解释的输出，这些输出通常对应于模型所要解决任务的具体目标。输出层的设计和配置依据模型的任务类型（如分类、回归、序列生成等）而定。[0103] 在一些实施例中，所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，包括如下所示的S121至S123的步骤内容：[0104] S121、通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量。[0105] 在一些实施例中，所述通过所述输入层，根据所述设备参数以及所述当前运行数据，生成电力设备对应的一维特征向量，包括如下所示的S1211至S1212的步骤内容：[0106] S1211、将所述设备参数以及所述当前运行数据合并为输入数组。[0107] 在一些实施例中，所述当前运行数据可以是当前监控的数据点对应的数据集，比如温度、电流、电压等，所述设备参数可以是设备的固有属性的数据集，比如包括型号、最大功率、额定电压等。[0108] 具体地，首先确定这两个数据集的具体结构和维度，然后根据需要进行拼接，假设设备参数和当前运行数据都是数值型的，并且可以被表示为一维或多维数组，则可以调用Python的numpy库，将两个数据集合并成一个数组，即所述输入数组。[0109] S1212、将所述输入数组输入至所述输入层，输出得到所述一维特征向量。[0110] 在一些实施例中，输入层的节点数等于特征的总数，包括设备参数和当前运行数据的特征数量，假设共有n个特征，则输入层将有n个节点。[0111] S122、通过所述隐藏层，根据所述一维特征向量，生成一维输出向量。[0112] 在一些实施例中，所述隐藏层包括第一全连接层、第二全连接层以及第三全连接层，所述第一全连接层具有第一数量个神经元，所述第二全连接层具有第二数量个神经元，所述第三全连接层具有第三数量个神经元，所述第二数量为所述第一数量的二分之一，所述第三数量为所述第二数量的二分之一。[0113] 全连接层（FullyConnectedLayer，简称FC层）是神经网络中的一种常见结构，全连接层的特点是其每个神经元与前一层的所有神经元都有连接，形成完全的连通性。通常，在一个全连接层中，每个神经元的输入是由前一层所有神经元的输出通过权重矩阵加权求和得到的。[0114] 神经元是人工神经网络的基本单位，灵感来源于生物神经系统中的神经细胞。在人工神经网络中，神经元（也称为节点）负责接收输入，处理这些输入，并产生输出。[0115] 具体地，所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括如下所示的A1至A3的步骤内容：[0116] A1、将所述一维特征向量输入至所述第一全连接层，输出得到第一向量。[0117] 在一些实施例中，所述第一全连接层可以是具有128个神经元的全连接层，使用的激活函数为ReLU函数。[0118] ReLU函数ReLU函数，全称为RectifiedLinearUnit（修正线性单元），是深度学习中广泛使用的一种激活函数。ReLU函数的数学定义为：对于任何输入值? ，ReLU函数? (? )的输出定义为：? (? )=max(0,? )，这意味着，如果输入是正数，函数返回? 本身；如果输入是负数，则返回0。ReLU函数的图形是一个分段线性函数，斜率在? >0时为1，在? ≤0时为0。[0119] A2、将所述第一向量输入至所述第二全连接层，输出得到第二向量。[0120] 在一些实施例中，所述第二全连接层可以是具有64个神经元的全连接层，使用的激活函数为ReLU函数。[0121] A3、将所述第二向量输入至所述第三全连接层，输出得到所述一维输出向量。[0122] 在一些实施例中，所述第三全连接层可以是具有32个神经元的全连接层，使用的激活函数为ReLU函数。[0123] 在一些实施例中，所述隐藏层包括第四全连接层、第一随机失活层、第五全连接层、第二随机失活层、第六全连接层以及批量归一化层。[0124] 随机失活层（DropoutLayer）是一种常用于训练深度学习模型的正则化技术，旨在防止神经网络过拟合。[0125] 批量归一化层（BatchNormalizationLayer）是一种在深度学习中广泛使用的正则化和加速训练的技术，作用是减少所谓的“内部协变量移位”（InternalCovariateShift），即在网络训练过程中，中间层的输入分布发生变化，导致后续层需要不断适应这些变化，从而降低了学习速度。[0126] 具体地，所述通过所述隐藏层，根据所述一维特征向量，生成一维输出向量，包括如下所示的B1至B6的步骤内容：[0127] B1、将所述一维特征向量输入至所述第四全连接层，输出得到第三向量。[0128] B2、将第三向量输入至所述第一随机失活层，输出得到第三向量对应的输出向量，其中，所述第三向量的值与所述第三向量对应的输出向量的值相同。[0129] 在一些实施例中，所述电力设备判定模型在训练阶段时，第一随机失活层随机选择一定比例的神经元，并将它们的输出设置为0，这个过程称为“失活”或“丢弃”。被丢弃的神经元不会参与前向传播和反向传播的过程，即它们在当前训练迭代中不起作用。这个比例通常是一个超参数，称为丢弃率（dropoutrate），一般设置在0.2到0.5之间。在预测阶段时，所述输出向量的值将保持不变，直接传递到下一神经网络层。[0130] B3、将所述第三向量对应的输出向量输入至所述第五全连接层，输出得到第四向量。[0131] B4、将所述第四向量输入至所述第二随机失活层，输出得到第四向量对应的输出向量，其中，所述第四向量的值与所述第四向量对应的输出向量的值相同。[0132] 接续上述实施例，所述电力设备判定模型在训练阶段时，所述第二随机失活层随机选择一定比例的神经元，并将被选择的神经元的输出设置为0。在预测阶段时，所述输出向量的值将保持不变，直接传递到下一神经网络层。[0133] B5、将所述第四向量对应的输出向量输入至所述第六全连接层，输出得到第五向量。[0134] B6、通过所述批量归一化层对所述第五向量进行归一化处理，得到所述一维输出向量。[0135] 接续上述实施例，所述第五向量可以被减去移动平均均值，得到的差再除以移动平均方差的平方根，最后乘以缩放参数γ（scaleparameter），所得到的乘积再加上偏移参数β（shiftparameter），以此得到所述一维输出向量。[0136] 缩放参数γ是一个可学习的参数，用于在归一化后的特征上进行缩放，以恢复网络的表达能力。具体地，对于每一个特征，缩放参数γ是一个与特征维度相同的向量，缩放参数γ与归一化后的特征值逐元素相乘，从而可以放大或缩小这些特征的值。[0137] 偏移参数β也是一个可学习的参数，用于在缩放操作之后对归一化后的数据进行偏移，从而调整输出的均值。偏移参数β允许模型在归一化后的数据基础上，进一步微调输出的分布，使其更适应网络的后续层或最终的预测任务。具体地，偏移参数β是以加法形式添加到缩放后的特征值上的，对于每一个特征，偏移参数β是一个与特征维度相同的向量，偏移参数β与缩放操作后的特征值逐元素相加，从而可以向上或向下平移这些特征的值。[0138] S123、通过所述输出层的两个神经元，根据所述一维输出向量，生成所述第一概率值以及所述第二概率值。[0139] 在一些实施例中，所述输出层的两个神经元分别对应生成的所述第一概率值和所述第二概率值，所述输出层使用的激活函数为Softmax函数。[0140] Softmax函数是一种输出层的激活函数，主要用于多分类问题中，可将神经网络的最后一层的输出转换为概率分布，使得输出可以被解释为各个类别的概率。Softmax函数将一组任意实数转换为概率分布，即输出值在0到1之间，且所有输出值的总和为1。[0141] 具体地，通过所述输出层，将所述一维输出向量转化为数值对应的两种分布概率，包括以下两种分布概率：[0142] 所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率。[0143] S140、基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0144] 在一些实施例中，所述基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备，包括如下所示的具体实施过程：[0145] 若所述第一概率值不小于所述预设概率阈值且所述第二概率值小于所述预设概率阈值，则根据所述电力设备的实际状况，对所述电力设备进行维修处理；[0146] 若所述第一概率值小于所述预设概率阈值且所述第二概率值不小于所述预设概率阈值，则更换所述电力设备；[0147] 若所述第一概率值、所述第二概率值均小于所述预设概率阈值，则继续使用所述电力设备。[0148] 在一些实施例中，根据所述输出层输出的概率值做出对于所述电力设备的处置决策：[0149] 如果用于表征所述电力设备处于需要维修但可以不更换的数值的分布概率较高，则可以表明设备需要维修但可以不更换；如果用于表征所述电力设备处于需要立即更换的数值的分布概率较高，则可以表明设备需要立即更换。[0150] 在一些实施例中，在所述通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值之后，所述方法还包括如下所示的T110至T120的步骤内容：[0151] T110、接收用户输入的模型更新指令，将所述当前运行数据与所述电力设备的历史运行数据合并为更新后的历史运行数据。[0152] T120、基于所述更新后的历史运行数据以及所述设备参数，更新所述电力设备判定模型，得到更新后的电力设备判定模型。[0153] 在一些实施例中，从所述设备参数和更新后的历史运行数据中选择与所述电力设备状态最相关的特征。这可能包括设备类型、使用年限、温度、电压、电流等，去除或填充缺失值，处理异常值，并对所有特征进行缩放，确保它们处于相似的尺度上，这有助于神经网络的学习过程。将所述设备参数和所述更新后的历史运行数据所组成的数据集分为训练集、验证集和测试集，使用训练集数据进行模型训练，监控验证集上的性能，防止过拟合，根据验证集上的性能反馈调整超参数，如学习率、批量大小、层数、神经元数量等，最后使用测试集评估模型的最终性能，确保模型的泛化能力。通过上述操作得到所述更新后的电力设备判定模型。[0154] 由上可知，本申请实施例首先可以通过所述数据采集设备采集电力设备的当前运行数据，从所述服务器中获取所述电力设备的设备参数；然后，通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，准确生成第一概率值以及第二概率值，通过所述概率值来反映所述电力设备的当前状况的适配处置措施，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；最终基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处置所述电力设备。[0155] 综上，本申请实施例相较于现有的电力设备的处置方式，可以通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。[0156] 为了更好地实施以上方法，本申请实施例还提供一种基于数据中台的电力设备处置装置，该装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。[0157] 比如，在本实施例中，将以基于数据中台的电力设备处置装置具体集成在终端中为例，对本申请实施例的方法进行详细说明。[0158] 例如，如图2所示，该基于数据中台的电力设备处置装置可以包括第一单元201、第二单元202、第三单元203以及第四单元204，应用于数据中台，所述数据中台包括数据采集设备以及服务器，所述数据采集设备以及所述服务器均处于同一网络中；[0159] 所述装置包括：[0160] 第一单元201，用于通过所述数据采集设备采集电力设备的当前运行数据；[0161] 第二单元202，用于从所述服务器中获取所述电力设备的设备参数；[0162] 第三单元203，用于通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；[0163] 第四单元204，用于基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0164] 具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。[0165] 由上可知，本申请实施例可以通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。[0166] 本申请实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。[0167] 在一些实施例中，该基于数据中台的电力设备处置装置还可以集成在多个电子设备中，比如，基于数据中台的电力设备处置装置可以集成在多个服务器中，由多个服务器来实现本申请的基于数据中台的电力设备处置方法。[0168] 在本实施例中，将以本实施例的电子设备是终端为例进行详细描述，比如，如图3所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：[0169] 该终端可以包括一个或者一个以上处理核心的处理器301、一个或一个以上存储介质的存储器302、电源303、输入模块304以及通信模块305等部件。本领域技术人员可以理解，图3中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：[0170] 处理器301是该终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。在一些实施例中，处理器301可包括一个或多个处理核心；在一些实施例中，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。[0171] 存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。[0172] 终端还包括给各个部件供电的电源303，在一些实施例中，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。[0173] 该终端还可包括输入模块304，该输入模块304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。[0174] 该终端还可包括通信模块305，在一些实施例中通信模块305可以包括无线模块，终端可以通过该通信模块305的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块305可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。[0175] 尽管未示出，终端还可以包括显示单元等，在此不再赘述。具体在本实施例中，终端中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：[0176] 通过所述数据采集设备采集电力设备的当前运行数据；[0177] 从所述服务器中获取所述电力设备的设备参数；[0178] 通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；[0179] 基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0180] 以上各个操作的具体实施可参见前面的实施例，在此不再赘述。[0181] 由上可知，本申请实施例可以通过数据中台和神经网络模型，准确提供电力设备的当前状况的适配处置措施，以及时对电力设备进行处置。[0182] 本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一存储介质中，并由处理器进行加载和执行。[0183] 为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种基于数据中台的电力设备处置方法中的步骤。例如，该指令可以执行如下步骤：[0184] 通过所述数据采集设备采集电力设备的当前运行数据；[0185] 从所述服务器中获取所述电力设备的设备参数；[0186] 通过电力设备判定模型，根据所述设备参数以及所述当前运行数据，生成第一概率值以及第二概率值，其中，所述第一概率值用于表征所述电力设备处于需要维修但可以不更换的状况下的概率，所述第二概率值用于表征所述电力设备处于需要立即更换的状况下的概率；[0187] 基于所述第一概率值、所述第二概率值以及预设概率阈值之间的比较结果，处理所述电力设备。[0188] 其中，该存储介质可以包括：只读存储器（ROM，ReadOnlyMemory）、随机存取记忆体（RAM，RandomAccessMemory）、磁盘或光盘等。[0189] 根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的各种可选实现方式中提供的方法。[0190] 由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种基于数据中台的电力设备处置方法中的步骤，因此，可以实现本申请实施例所提供的任一种基于数据中台的电力设备处置方法所能实现的有益效果，详见前面的实施例，在此不再赘述。[0191] 以上对本申请实施例所提供的一种基于数据中台的电力设备处置方法、装置、终端和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

专利地区：四川

专利申请日期：2024-08-06

专利公开日期：2024-11-29

专利公告号：CN118589693B