本技术公开了一种基于AI大模型的电力设备的故障评估方法及系统,涉及电力设备故障评估技术领域。该基于AI大模型的电力设备的故障评估方法,包括以下步骤:收集处理电子式互感器故障数据,并进行对电子式互感器故障数据清洗、除噪和提取特征;选择循环神经网络模型用于序列数据处理,使用标记的故障数据集训练循环神经网络模型用于识别互感器的工作状态;交替使用标记的训练集和验证集来评估循环神经网络模型的泛化能力。本发明通过一种基于AI大模型的电力设备的故障评估方法及系统,达到了提高电子式互感器故障评估的可靠性的效果,解决了现有技术中存在电子式互感器故障评估的可靠性不足的问题。
背景技术
电力设备的故障背景技术主要涉及到电力系统的基本原理和电力设备的特性和运行机制,电子式互感器是电力系统中的一种重要设备,主要用于电压和电流的测量,以及电力系统的保护和控制。电子式互感器的故障评估是一个综合性的技术领域,涉及到电力系统、电子技术、通信技术、计算机技术等领域,需要对这些技术进行综合应用,才能实现对互感器故障的有效评估和处理。随着技术的发展,电子式互感器在精确度、稳定性、抗干扰能力等方面有了显著提升,但仍然存在一些技术问题。
现有的基于AI大模型的电力设备的故障评估方法及系统通过收集电子式互感器数据,对收集的电子式互感器数据进行清洗除噪,确定循环神经网络模型,利用清洗后的数据对循环神经网络模型进行训练,在训练期间,循环神经网络模型不断调整其参数,以提高预测的准确性。在循环神经网络模型训练完成后,需要对其进行评估和调试,以确定循环神经网络模型的性能,调试过程也会对循环神经网络模型的超参数进行调整,以提高循环神经网络模型的性能。
例如公开号为:CN116227788A专利申请公开的变电站电力设备故障诊断评估方法及系统,包括:采集变电站电力设备的状态数据,根据对采集的状态数据进行分析得到的故障系数进行判断,进而对电力设备进行故障诊断评估;将步骤一故障诊断评估结果进行二次验证,一种验证方式是通过实际运行概率值的角度进行分析,另一种验证方式是通过实际评分值的角度进行分析;实际运行概率值的角度进行分析时,对异常发热区域所对应的红外特征图像进行分析,降低异常发热区域对周边的影响,进而提高数据的准确性以及验证结果的真实性;通过验证交互式操作,判断两种方式验证结果是否正常,并通过反馈信号的方式对步骤一中的电力设备故障诊断评估结果进行信息反馈。
例如公开号为:CN116243230A专利申请公开的一种电压互感器故障在线诊断方法,包括:健康状态下,接入标准电压互感器,利用最小二乘法求取被测电压互感器的输入——输出数学模型;健康状态下,得到电压互感器偏离度指标阈值;运行状态下,接入标准电压互感器,以标准电压互感器输出为被测电压互感器输入——输出数学模型的输入矩阵,代入数学模型求解被测电压互感器的理论输出值;运行状态下,采集被测电压互感器实际输出值;比较被测电压互感器的理论输出值和实际输出值,计算电压互感器输出偏离度指标;将电压互感器偏离度指标和阈值进行比较,若偏离度指标小于阈值,则判断电压互感器处于正常状态;若偏离度指标大于阈值,则判断电压互感器处于故障状态。
但本申请在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,电子式互感器在发生故障时,会导致保护装置无法正确测量故障电流或电压,从而导致保护动作失效,无法及时切断故障电路,影响系统的安全稳定运行。虽然电子式互感器在设计上通常考虑了高可靠性,但在实际运行中,存在电子式互感器故障评估的可靠性不足的问题。
实现思路