本发明涉及大数据的技术领域，尤其涉及一种用于电力设备的运行状态评估方法及装置。
背景技术：
电力系统的稳定运行关系到国民的生产和生活，尤其是工业和生活用电，在整个电力系统的运行过程中，从发电到输电、配电，乃至最终的用电阶段，其可靠性一直是必须重点关注的过程。
在电力供应过程中，电力设备往往是电网中的脆弱环节，国内外很多电力公司都致力于找出高效准确的电网设备风险检测技术，并试图寻找出能够准确估测电网不同设备的健康程度和故障概率，而传统的设备故障预测方法拘泥于专家经验论，此方法往往因为设备所处位置特殊、外部环境变化、电网负荷过重等因素导致概率计算错误，造成不同程度的后果。
鉴于此，如何对电力设备的运行状态进行更为准确的评估检测，成为本领域技术人员亟待解决的问题。
技术实现要素：
本发明提供一种用于电力设备的运行状态评估方法，通过利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，并采用改进的电力状态数据抽样算法进行电力状态数据的抽样，从而根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，同时利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
为实现上述目的，本发明提供的一种用于电力设备的运行状态评估方法，包括：
获取电力设备的状态数据，并构成电力设备状态矩阵；
利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，得到清洗后的电力状态数据；
利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据；
根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态；
根据清洗后的电力状态数据，利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
可选地，所述将电力状态数据构成电力设备状态矩阵，包括：
所述电力设备的状态数据包括电力设备中的电流数据、气体密度以及压力数据、c2h2含量数据等，其中电力设备状态数据是由传感器进行检测的，因此将某一状态量的数据用单元时间序列的向量表示，所有状态量的时间序列向量逐一排列形成矩阵，构成电力设备x的状态数据矩阵：
其中：
xmn表示在时刻tn时刻电力设备x中状态量m的数值。
可选地，所述利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，包括：
1)对电力设备不同状态数据序列xmt进行时间序列模型的拟合，得到初始估计参数
其中：
xmt为电力设备x的状态量m的时序观测数据序列；
b表示延迟算子；
2)利用异常数据时序模型对xmt进行拟合，对于t＝1,2,…,n，计算每个观测点的检验统计量
其中：
ω为异常值影响因子；
该异常值即在时刻t的干扰直接形成附加异常值，而在时刻t以后的值不受影响；附加异常值通过未知的ω将噪声加在原始序列上，从而改变电力设备运行状态数据；
并计算检验统计量te：
其中：
σ为电力状态数据的方差；
3)设定阈值c，若te＞c，则确定在时刻t存在异常数据，从而对xmt进行修正：
4)通过重复上述步骤，完成电力状态数据的清洗。
可选地，所述利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，包括：
1)确定每个电力设备i对应的抽样层数n：
其中：
periods为所有电力设备的平均正常运行时长减去修复时长的周期值；
tfi为电力设备i的平均运行时长；
tri为电力设备i的平均修复时长；
根据所确定的抽样层数n，随机选取电力设备i的n中状态量数据作为抽样数据；
2)当电力设备i发生状态转换时，采用状态时长公式产生当前状态的持续时间ti，若ti＞c，则将发生改变的状态量数据作为抽样数据，其中c为预先设定的状态阈值，本发明将其设置为10，所述状态时长公式为：
其中：
ri为从正整数集合{1,2,…,ni}中随机不重复抽样得到的数；
αi为电力设备i的故障率。
可选地，所述利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，包括：
1)针对每个电力设备的抽样数据，通过训练神经网络模型得到电力设备的状态转移矩阵；所述自组织神经网络模型的训练过程为：
将待检测的电力设备抽样数据xt输入到神经网络中，输出节点为c＝{c1,c2,…,cn}，对抽样数据xt中的每个时序数据xt训练其属于输出节点cj的公式为：
j＝i(xt)＝argmind(xt,ci(t))
通过迭代法输出与xt距离最小的节点，从而将迭代得到的节点作为xt的输出节点，所述迭代公式为：
ci(t 1)＝ci(t) γ(t)[xt-ci(t)]
其中：
γ(t)表示学习率，取值在0-1之间，随着t的增大而减小；
根据神经元的状态转移概率，得到电力设备的状态转移矩阵，所述神经元的状态转移概率公式为：
其中：
ci2,ci1∈c，为神经网络中的输出节点；
本发明将神经元的输出节点转移概率作为电力设备中状态数据矩阵中的值，从而得到电力设备的状态转移矩阵；
2)将所有电力设备的历史数据输入到dbscan算法中，得到m个正常聚类簇；
3)针对待测的实时数据流，对单个电力设备的数据流通过转移概率矩阵转换为转移概率序列，对整体的数据流进行聚类并判断各时间点的电力设备数据是否隶属的m个正常聚类簇；
4)若电力设备的转移概率序列不存在0值，且整体数据流中的数据都隶属m个正常聚类簇，则判断电力设备正常运行；若仅有少数的转移概率序列存在0值，且数据流中存在少量数据不属于m个正常聚类簇，则判断传感器中所收集的电力设备状态数据中存在少量噪声，这些噪声属于可以忽略的传感器异常；当k个(k>5)转移概率序列存在一段0值，且数据流中一大段数据不属于m个正常聚类簇，则该设备的状态数据出现了异常，设备运行状态异常，对于电力设备的异常运行状态，根据k个转移概率序列的过零点，判断电力设备发生异常的时间。
可选地，所述利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测，包括：
1)利用双指数模型对电力设备的退化数据进行拟合，描述为：
y＝aebk cedk
其中：
y表示电力设备的退化百分比；
k表示采集的时间序列序号；
a,b,c,d为模型参数；
2)对当前电力设备的拟合模型进行初始化：
y(k)＝a(k)exp(b(k)*k) c(k)exp(d(k)*k) v(k)
其中：
v(k)为测量噪声，均值为0；
设置采样粒子数n＝2000，有效粒子阈值为1000；
3)利用粒子滤波算法进行模型参数的更新，所述模型参数的更新步骤为：
初始化各模型参数的权重wi；采用重采样的方法消减权重小的参数，并繁殖权重大的参数，即若nef＜nt，则采用重采样方法进行参数更新，其中nt为1/有效粒子阈值；
wmk为在k时刻，第m个参数的权重；
根据参数更新值，计算当前电力设备的退化百分比y，并进行滚动轴承未来退化值的预测；
4)当预测的退化值达到失效阈值时，记录其横坐标位置，即为状态数据失效时的采样序号，记为n，表示预测的全寿命周期数据一共采样了n次，因为采样间隔为10s，因此对于第k次采样，电力设备剩余使用寿命值计算如下：
r＝(n-k)*10
5)若预测的退化值没有达到失效阈值时，重复步骤3)～4)。
此外，为实现上述目的，本发明还提供一种用于电力设备的运行状态评估装置，所述装置包括：
数据获取装置，用于获取电力设备的状态数据；
数据处理器，用于利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗；并利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据；
电力设备状态评估装置，用于利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，并利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有电力设备状态评估程序指令，所述电力设备状态评估程序指令可被一个或者多个处理器执行，以实现如上所述的在大数据集群中处理深度学习任务的实现方法的步骤。
相对于现有技术，本发明提出一种用于电力设备的运行状态评估方法，该技术具有以下优势：
首先，由于电力设备中的状态数据为时序数据，因此本发明提出一种基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，首先本发明对电力设备不同状态数据序列xmt进行时间序列模型的拟合，得到初始估计参数
其中：
其中：
其中：xmt为原始电力状态数据序列，x′mt为修正后的电力状态数据序列；相较于传统算法，本发明依据时序数据的分布情况，进行异常数据的拟合，即可对电力设备的状态数据进行修正，亦可找出其中的异常数据，进行更为合理的电力设备运行状态评估。
同时在在实际的设备运维中，绝大多数是通过简单阈值判定的方法对单一系统的部分设备信息进行异常检测，这种利用阈值进行判定的方法具有一定的局限性，一方面状态评价正确率和设备信息利用率都偏低，另一方面很难检测出设备的故障类别及潜伏性故障。因此本发明提出一种基于状态转移矩阵的运行状态检测算法用来检测电力设备的运行状态，首先通过神经网络模型得到电力设备的状态转移矩阵，即将待检测的电力设备抽样数据xt输入到神经网络中，输出节点为c＝{c1,c2,…,cn}，对抽样数据xt中的每个时序数据xt训练其属于输出节点cj的公式为：
j＝i(xt)＝argmind(xt,ci(t))
通过迭代法输出与xt距离最小的节点，从而将迭代得到的节点作为xt的输出节点，所述迭代公式为：
ci(t 1)＝ci(t) γ(t)[xt-ci(t)]
其中：γ(t)表示学习率，取值在0-1之间，随着t的增大而减小；根据神经元的状态转移概率，得到电力设备的状态转移矩阵，所述神经元的状态转移概率公式为：
其中：ci2,ci1∈c，为神经网络中的输出节点；因此本发明将神经元的输出节点转移概率作为电力设备中状态数据矩阵中的值，从而得到电力设备的状态转移矩阵；进而将所有电力设备的历史数据输入到dbscan算法中，得到m个正常聚类簇；针对待测的实时数据流，对单个电力设备的数据流通过转移概率矩阵转换为转移概率序列，对整体的数据流进行聚类并判断各时间点的电力设备数据是否隶属的m个正常聚类簇，从而进行电力设备的评估。在本发明所述方案中，若电力设备的转移概率序列不存在0值，且整体数据流中的数据都隶属m个正常聚类簇，则判断电力设备正常运行；若仅有少数的转移概率序列存在0值，且数据流中存在少量数据不属于m个正常聚类簇，则判断传感器中所收集的电力设备状态数据中存在少量噪声，这些噪声属于可以忽略的传感器异常；当k个(k>5)转移概率序列存在一段0值，且数据流中一大段数据不属于m个正常聚类簇，则该设备的状态数据出现了异常，设备运行状态异常，对于电力设备的异常运行状态，根据k个转移概率序列的过零点，判断电力设备发生异常的时间。
附图说明
图1为本发明一实施例提供的一种用于电力设备的运行状态评估方法的流程示意图；
图2为本发明一实施例提供的一种用于电力设备的运行状态评估装置的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
通过利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，并采用改进的电力状态数据抽样算法进行电力状态数据的抽样，从而根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，同时利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。参照图1所示，为本发明一实施例提供的用于电力设备的运行状态评估方法示意图。
在本实施例中，用于电力设备的运行状态评估方法包括：
s1、获取电力设备的状态数据，并利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，得到清洗后的电力状态数据。
首先，本发明获取电力设备的状态数据，所述电力设备的状态数据包括电力设备中的电流数据、气体密度以及压力数据、c2h2含量数据等，其中电力设备状态数据是由传感器进行检测的，因此将某一状态量的数据用单元时间序列的向量表示，所有状态量的时间序列向量逐一排列形成矩阵，构成电力设备x的状态数据矩阵：
其中：
xmn表示在时刻tn时刻电力设备x中状态量m的数值；
进一步地，本发明利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，其数据清洗流程为：
1)对电力设备不同状态数据序列xmt进行时间序列模型的拟合，得到初始估计参数
其中：
xmt为电力设备x的状态量m的时序观测数据序列；
b表示延迟算子；
2)利用异常数据时序模型对xmt进行拟合，对于t＝1,2,…,n，计算每个观测点的检验统计量
其中：
ω为异常值影响因子；
该异常值即在时刻t的干扰直接形成附加异常值，而在时刻t以后的值不受影响；附加异常值通过未知的ω将噪声加在原始序列上，从而改变电力设备运行状态数据；
并计算检验统计量te：
其中：
σ为电力状态数据的方差；
3)设定阈值c，若te＞c，则确定在时刻t存在异常数据，从而对xmt进行修正：
4)通过重复上述步骤，完成电力状态数据的清洗。
s2、利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据。
进一步地，本发明利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，所述改进的电力状态数据抽样算法流程为：
1)确定每个电力设备i对应的抽样层数n：
其中：
periods为所有电力设备的平均正常运行时长减去修复时长的周期值；
tfi为电力设备i的平均运行时长；
tri为电力设备i的平均修复时长；
根据所确定的抽样层数n，随机选取电力设备i的n中状态量数据作为抽样数据；
2)当电力设备i发生状态转换时，采用状态时长公式产生当前状态的持续时间ti，若ti＞c，则将发生改变的状态量数据作为抽样数据，其中c为预先设定的状态阈值，本发明将其设置为10，所述状态时长公式为：
其中：
ri为从正整数集合{1,2,…,ni}中随机不重复抽样得到的数；
αi为电力设备i的故障率。
s3、根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态。
进一步地，根据所述抽样数据，本发明利用基于状态转移矩阵的运行状态检测算法，以完成对电力设备运行状态的检测；所述基于状态转移矩阵的运行状态检测算法的检测流程为：
1)针对每个电力设备的抽样数据，通过训练神经网络模型得到电力设备的状态转移矩阵；所述自组织神经网络模型的训练过程为：
将待检测的电力设备抽样数据xt输入到神经网络中，输出节点为c＝{c1,c2,…,cn}，对抽样数据xt中的每个时序数据xt训练其属于输出节点cj的公式为：
j＝i(xt)＝argmind(xt,ci(t))
通过迭代法输出与xt距离最小的节点，从而将迭代得到的节点作为xt的输出节点，所述迭代公式为：
ci(t 1)＝ci(t) γ(t)[xt-ci(t)]
其中：
γ(t)表示学习率，取值在0-1之间，随着t的增大而减小；
根据神经元的状态转移概率，得到电力设备的状态转移矩阵，所述神经元的状态转移概率公式为：
其中：
ci2,ci1∈c，为神经网络中的输出节点；
本发明将神经元的输出节点转移概率作为电力设备中状态数据矩阵中的值，从而得到电力设备的状态转移矩阵；
2)将所有电力设备的历史数据输入到dbscan算法中，得到m个正常聚类簇；
3)针对待测的实时数据流，对单个电力设备的数据流通过转移概率矩阵转换为转移概率序列，对整体的数据流进行聚类并判断各时间点的电力设备数据是否隶属的m个正常聚类簇；
4)若电力设备的转移概率序列不存在0值，且整体数据流中的数据都隶属m个正常聚类簇，则判断电力设备正常运行；若仅有少数的转移概率序列存在0值，且数据流中存在少量数据不属于m个正常聚类簇，则判断传感器中所收集的电力设备状态数据中存在少量噪声，这些噪声属于可以忽略的传感器异常；当k个(k>5)转移概率序列存在一段0值，且数据流中一大段数据不属于m个正常聚类簇，则该设备的状态数据出现了异常，设备运行状态异常，对于电力设备的异常运行状态，根据k个转移概率序列的过零点，判断电力设备发生异常的时间。
s4、根据清洗后的电力状态数据，利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
进一步地，根据清洗后的电力状态数据，本发明利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测，所述基于粒子滤波的电力设备寿命检测算法流程为：
1)利用双指数模型对电力设备的退化数据进行拟合，描述为：
y＝aebk cedk
其中：
y表示电力设备的退化百分比；
k表示采集的时间序列序号；
a,b,c,d为模型参数；
2)对当前电力设备的拟合模型进行初始化：
y(k)＝a(k)exp(b(k)*k) c(k)exp(d(k)*k) v(k)
其中：
v(k)为测量噪声，均值为0；
设置采样粒子数n＝2000，有效粒子阈值为1000；
3)利用粒子滤波算法进行模型参数的更新，所述模型参数的更新步骤为：
初始化各模型参数的权重wi；采用重采样的方法消减权重小的参数，并繁殖权重大的参数，即若nef＜nt，则采用重采样方法进行参数更新，其中nt为1/有效粒子阈值；
wmk为在k时刻，第m个参数的权重；
根据参数更新值，计算当前电力设备的退化百分比y，并进行滚动轴承未来退化值的预测；
4)当预测的退化值达到失效阈值时，记录其横坐标位置，即为状态数据失效时的采样序号，记为n，表示预测的全寿命周期数据一共采样了n次，因为采样间隔为10s，因此对于第k次采样，电力设备剩余使用寿命值计算如下：
r＝(n-k)*10
5)若预测的退化值没有达到失效阈值时，重复步骤3)～4)。
下面通过一个算法实验来说明本发明的具体实施方式，并对发明的处理方法进行测试。本发明算法的硬件测试环境为：操作装置是ubuntu16.04，计算机处理器为inteli5-8500cpu@3ghz×6，显卡为英伟达gtx10606gb，内存条的大小为16g，tensorflow-gpu1.18版本，keras2.24版本，另外使用cuda9.0以及cudnn7.05进行加速处理；对比评估方法为基于随机森林的状态评估方法以及基于层次分析法的状态评估方法。
在本发明所述算法实验中，数据集为5t的电力状态运行数据。本实验将电力状态运行数据输入到本发明所述方法以及对比方法中，将电力设备运行状态的评估准确率。
根据实验结果，基于随机森林的状态评估方法的评估准确率为86.31％，基于层次分析法的状态评估方法的评估准确率为88.78％，本发明所述方法的评估准确率为91.22％，相较于对比方法，本发明所提出的用于电力设备的运行状态评估方法具有更高的评估准确率。
发明还提供一种用于电力设备的运行状态评估装置。参照图2所示，为本发明一实施例提供的用于电力设备的运行状态评估装置的内部结构示意图。
在本实施例中，所述用于电力设备的运行状态评估装置1至少包括数据获取装置11、数据处理器12、电力设备状态评估装置13，通信总线14，以及网络接口15。
其中，数据获取装置11可以是pc(personalcomputer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是用于电力设备的运行状态评估装置1的内部存储单元，例如该用于电力设备的运行状态评估装置1的硬盘。数据处理器12在另一些实施例中也可以是用于电力设备的运行状态评估装置1的外部存储设备，例如用于电力设备的运行状态评估装置1上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，数据处理器12还可以既包括用于电力设备的运行状态评估装置1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于用于电力设备的运行状态评估装置1的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
电力设备状态评估装置13在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行数据处理器12中存储的程序代码或处理数据，例如电力设备状态评估程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在用于电力设备的运行状态评估装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及用于电力设备的运行状态评估装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对用于电力设备的运行状态评估装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，数据处理器12中存储有电力设备状态评估程序指令；电力设备状态评估装置13执行数据处理器12中存储的电力设备状态评估程序指令的步骤，与用于电力设备的运行状态评估方法的实现方法相同，在此不作类述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有电力设备状态评估程序指令，所述电力设备状态评估程序指令可被一个或多个处理器执行，以实现如下操作：
获取电力设备的状态数据，并构成电力设备状态矩阵；
利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，得到清洗后的电力状态数据；
利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据；
根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态；
根据清洗后的电力状态数据，利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
1.一种用于电力设备的运行状态评估方法，其特征在于，所述方法包括：
获取电力设备的状态数据，并构成电力设备状态矩阵；
利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，得到清洗后的电力状态数据；
利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据；
根据抽样数据，利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态；
根据清洗后的电力状态数据，利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
2.如权利要求1所述的一种用于电力设备的运行状态评估方法，其特征在于，所述将电力状态数据构成电力设备状态矩阵，包括：
将某一状态量的数据用单元时间序列的向量表示，所有状态量的时间序列向量逐一排列形成矩阵，构成电力设备x的状态数据矩阵：
其中：
xmn表示在时刻tn时刻电力设备x中状态量m的数值。
3.如权利要求2所述的一种用于电力设备的运行状态评估方法，其特征在于，所述利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗，包括：
1)对电力设备不同状态数据序列xmt进行时间序列模型的拟合，得到初始估计参数
其中：
xmt为电力设备x的状态量m的时序观测数据序列；
b表示延迟算子；
2)利用异常数据时序模型对xmt进行拟合，对于t＝1，2，...，n，计算每个观测点的检验统计量
其中：
ω为异常值影响因子；
并计算检验统计量te：
其中：
σ为电力状态数据的方差；
3)设定阈值c，若te＞c，则确定在时刻t存在异常数据，从而对xmt进行修正：
4)通过重复上述步骤，完成电力状态数据的清洗。
4.如权利要求3所述的一种用于电力设备的运行状态评估方法，其特征在于，所述利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，包括：
1)确定每个电力设备i对应的抽样层数n：
其中：
periods为所有电力设备的平均正常运行时长减去修复时长的周期值；
tfi为电力设备i的平均运行时长；
tri为电力设备i的平均修复时长；
根据所确定的抽样层数n，随机选取电力设备i的n中状态量数据作为抽样数据；
2)当电力设备i发生状态转换时，采用状态时长公式产生当前状态的持续时间ti，若ti＞c，则将发生改变的状态量数据作为抽样数据，其中c为预先设定的状态阈值，本发明将其设置为10，所述状态时长公式为：
其中：
ri为从正整数集合{1，2，...，ni}中随机不重复抽样得到的数；
αi为电力设备i的故障率。
5.如权利要求4所述的一种用于电力设备的运行状态评估方法，其特征在于，所述利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，包括：
1)针对每个电力设备的抽样数据，通过训练神经网络模型得到电力设备的状态转移矩阵；所述自组织神经网络模型的训练过程为：
将待检测的电力设备抽样数据xt输入到神经网络中，输出节点为c＝{c1，c2，...，cn}，对抽样数据xt中的每个时序数据xt训练其属于输出节点cj的公式为：
j＝i(xt)＝argmind(xt，ci(t))
通过迭代法输出与xt距离最小的节点，从而将迭代得到的节点作为xt的输出节点，所述迭代公式为：
ci(t 1)＝ci(t) γ(t)[xt-ci(t)]
其中：
γ(t)表示学习率，取值在0-1之间，随着t的增大而减小；
根据神经元的状态转移概率，得到电力设备的状态转移矩阵，所述神经元的状态转移概率公式为：
其中：
ci2，ci1∈c，为神经网络中的输出节点；
本发明将神经元的输出节点转移概率作为电力设备中状态数据矩阵中的值，从而得到电力设备的状态转移矩阵；
2)将所有电力设备的历史数据输入到dbscan算法中，得到m个正常聚类簇；
3)针对待测的实时数据流，对单个电力设备的数据流通过转移概率矩阵转换为转移概率序列，对整体的数据流进行聚类并判断各时间点的电力设备数据是否隶属的m个正常聚类簇；
4)若电力设备的转移概率序列不存在0值，且整体数据流中的数据都隶属m个正常聚类簇，则判断电力设备正常运行；若仅有少数的转移概率序列存在0值，且数据流中存在少量数据不属于m个正常聚类簇，则判断传感器中所收集的电力设备状态数据中存在少量噪声，这些噪声属于可以忽略的传感器异常；当k个转移概率序列存在一段0值，且数据流中一大段数据不属于m个正常聚类簇，则该设备的状态数据出现了异常，设备运行状态异常，对于电力设备的异常运行状态，根据k个转移概率序列的过零点，判断电力设备发生异常的时间，其中k＞5。
6.如权利要求5所述的一种用于电力设备的运行状态评估方法，其特征在于，所述利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测，包括：
1)利用双指数模型对电力设备的退化数据进行拟合，描述为：
y＝aebk cedk
其中：
y表示电力设备的退化百分比；
k表示采集的时间序列序号；
a，b，c，d为模型参数；
2)对当前电力设备的拟合模型进行初始化：
y(k)＝a(k)exp(b(k)*k) c(k)exp(d(k)*k) v(k)
其中：
v(k)为测量噪声，均值为0；
设置采样粒子数n＝2000，有效粒子阈值为1000；
3)利用粒子滤波算法进行模型参数的更新，所述模型参数的更新步骤为：
初始化各模型参数的权重wi；采用重采样的方法消减权重小的参数，并繁殖权重大的参数，即若nef＜nt，则采用重采样方法进行参数更新，其中nt为1/有效粒子阈值；
wmk为在k时刻，第m个参数的权重；
根据参数更新值，计算当前电力设备的退化百分比y，并进行滚动轴承未来退化值的预测；
4)当预测的退化值达到失效阈值时，记录其横坐标位置，即为状态数据失效时的采样序号，记为n，表示预测的全寿命周期数据一共采样了n次，因为采样间隔为10s，因此对于第k次采样，电力设备剩余使用寿命值计算如下：
r＝(n-k)*10
5)若预测的退化值没有达到失效阈值时，重复步骤3)～4)。
7.一种用于电力设备的运行状态评估装置，其特征在于，所述装置包括：
数据获取装置，用于获取电力设备的状态数据；
数据处理器，用于利用基于迭代循环的时间序列模型对电力设备的状态数据进行数据清洗；并利用改进的电力状态数据抽样算法对清洗后的电力状态数据进行抽样，得到抽样电力状态数据；
电力设备状态评估装置，用于利用基于状态转移矩阵的运行状态检测算法检测电力设备的运行状态，并利用基于粒子滤波的电力设备寿命检测算法对电力设备的寿命进行预测。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有电力设备状态评估程序指令，所述电力设备状态评估程序指令可被一个或者多个处理器执行，以实现如权利要求1至6中任一项所述的一种在大数据集群中处理深度学习任务的实现方法的步骤。
技术总结