[發明專利]應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法

在審

• 申請號: 201711046984.7
• 申請日: 2017-10-31
• 公開（公告）號: CN107862406A
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 梁壽愚;方文崇;黃雄;何超林;朱文;周志烽
• 申請（專利權）人: 中國南方電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06F8/20
• 代理公司: 廣州粵高專利商標代理有限公司44102
• 代理人: 林麗明

技術領域

本發明屬于電力調度自動化領域，特別是一種涉及設備風險預測方法，屬于應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法創新技術。

背景技術

隨著國民經濟和電力系統的發展，對電力系統安全可靠運行的要求不斷提高，電力系統在線狀態監測及狀態檢修已經成為重要的科學研究和工程應用方向。電力設備在線狀態監測可以實時監控電力設備在實際運行狀況下的健康狀況，為系統的安全穩定運行提供保證。通過利用多種在線監測手段，綜合設備的應用環境、氣候等因素，對設備狀態進行縱向（歷史和現狀）、橫向（同類設備的運行狀況）的比較分析，識別故障的早期征兆，并對故障部位、故障嚴重程度及發展趨勢作出判斷并預警，確定最佳檢修時機，從而實現配電設備全壽命周期管理。

隨著各類狀態監測數據、運行數據、環境數據的增加，如何利用這些數據，對設備未來發生問題的風險進行分析，為計劃檢修、資源分配等提供指導，成為一個重要的問題。風險是由故障概率和故障后果共同決定的。通過對設備數據、運行數據以及巡檢信息等，基于設備狀態評估規則進行評估，計算設備的故障風險概率。傳統被動式的安全管理模式已不能適應現代化電網企業安全生產管理的需要，需要有效的技術手段實現風險超前預警、分析、評估與預警，從而有效避免事故發生。

為了進行電網的風險分析，需要對前述的海量電網運行數據和相關環境數據進行挖掘分析處理。但是傳統的數據挖掘算法在面對海量數據時，會面臨諸多瓶頸，比如數據的存儲問題和它的處理性能等，這就造成了數據挖掘算法不能有效地對海量數據進行處理。云計算具有高可靠性、虛擬性、分布式存儲和強大的并行計算能力，并且具有良好的擴展性能，這些特點和數據挖掘相結合就能解決傳統數據挖掘所面臨的問題。

發明內容

本發明的目的在于考慮上述問題而提供一種應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法。本發明解決基于海量數據的挖掘分析并進行電網風險預測的問題。

本發明的技術方案是：本發明的應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,包括有如下步驟：1）深度學習進行預測；2）改進算法；3）基于MapReduce的并行化Apriori算法的實現；4）將深度學習算法得到的結果和Apriori的結果結合。

本發明為了有效地對海量電力數據進行風險預測分析和分類，采用基于深度學習和關聯規則Apriori倆種學習類算法，并針對算法本身的特點提出改進方案。深度學習算法需要根據數據特征建立響應的學習網絡。關聯規則Apriori算法中頻繁項集的獲取需要重復的計算，在這方面對算法進行并行化改進。最后，采用云計算技術中的MapReduce編程框架以及HBase分布式數據庫等技術，對數據挖掘算法進行改進，并設計相應的Map和Reduce函數，提高其處理海量數據的能力。本發明利用深度學習算法需要根據數據特征建立學習網絡對設備風險進行預測；利用MapReduce框架對關聯規則Apriori算法進行并行化改進，在實際應用中，利用關聯規則Apriori算法去分析多種因素對電網運行風險的影響。把二者結果結合作為對設備風險的最終預測。基于實際數據的測試證明，計算結果與實際情況相符，且經過并行化處理之后的算法在效率方面有了較大幅度的改進。

本發明使用電網調度運行積累的大量運行數據以及與設備狀態相關的數據，對設備運行的風險進行預測。需要處理數據關聯分析的問題。本發明采用深度學習網絡、Apriori算法這兩種方法進行分析并對其進行并行化改進，使其適用于電網風險分析的多因素和大運算量特點，以支持在準實時的時間范圍內得到預測結果。本發明基于云平臺的并行化計算框架和相關的處理函數，以實現風險預測的在線運行和準實時計算。本發明是一種方便實用的。

附圖說明

圖1為本發明深度學習算法的原理圖；

圖2為本發明改進Apriori算法的流程圖。

具體實施方式

實施例：

本發明深度學習算法的原理圖如圖1所示，本發明的應用深度學習和改進Apriori算法綜合的一次設備風險預測的方法,包括有如下步驟：

1）深度學習進行預測；

2）改進算法；

3）基于MapReduce的并行化Apriori算法的實現；

4）將深度學習算法得到的結果和Apriori的結果結合。

上述步驟1）深度學習進行預測的具體方法如下：