一种基于数据联动的设备健康度预测方法与流程

1.本发明涉及电力信息系统领域，尤其涉及一种基于数据联动的设备健康度预测方法。


背景技术：

2.目前，随着电力信息设备自动化、智能化水平的提高，电力数据的体量急速上升，电力部门设备使用的数目和复杂度随之提升。
3.现有资产管理系统大多使用简单的数据库统计方法进行设备运行状态管理，结合历史数据，基于多元归回分析等统计技术进行设备健康度的预测。这种方法直接使用了设备基本数据与运行中的各项数据，为预测结果带来了一定的可解释性，但此类方法相对基础，实际的健康度预测结果与现实状态偏差较大。
4.深度学习技术的发展为设备健康度预测提供了新的方法。lstm、transformer等序列学习模型被应用于设备历史运行数据的学习，并对未来某一时间点的设备状态进行预测。这种方法能够相对准确地判断设备的健康度，但是只能进行单一设备的健康度预测，若针对每一台设备均使用序列模型进行预测，将带来极大的计算开销，无法在真实场景中落地应用。
5.基于图模型的预测技术能够只经过一个训练过程便得到所有受关注的对象的预测结果，但相关研究大多停留在社交网络、网络安全等领域，其所需要的数据结构与类型导致相关方法无法直接应用于设备健康度预测。


技术实现要素：

6.本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于数据联动的设备健康度预测方法，以降低训练的资源消耗，提升健康度预测的准确性和可行性为目的。为此，本发明采取以下技术方案。
7.一种基于数据联动的设备健康度预测方法，包括以下步骤：
8.1)基于设备之间的关联关系定义设备接口节点，并通过关联关系链接全部的接口节点，生成设备连接图，设备连接图g＝《v,e》是一类图结构，其中v为节点集合，e为边集合，设备连接图中的一个节点表征一台单独的物理设备，节点与设备一一对应，对任意两个节点而言，若两节点所表征的设备存在直接或间接的数据交互关系，则在这两个节点之间添加一条边；
9.2)若原始设备的健康度已知，则将该设备对应节点的标签设置为已知的健康度，否则将标签设置为待预测；
10.3)在生成设备连接图的全部节点后，将全部节点的属性向量升至所有属性中的最大维度，在添加的维度上用0补齐以避免对原始数据的影响；
11.4)针对设备关联图，利用图卷积神经网络gcn构建节点嵌入框架；
12.5)在获取全部点的嵌入结果后，将其作为预测模型的输入，使用有标签的节点的
嵌入对预测模型进行训练；
13.6)预测模型训练完成后，即可对标签为待预测的节点进行健康度的预测，预测模型的输出结果即为该节点对应设备的健康度预测值。
14.通过形式化定义的设备连接图针对电力信息化领域中常见的设备间数据联动场景进行了建模，设备连接图捕捉到了设备间的数据关联，存在数据交互的设备往往共享相似的使用环境，从而有着更紧密的关联，通过边的连接关系直接表征设备间的数据交互；
15.通过对异构节点进行直接的升维处理并通过补零来避免对原始数据的扰乱，极大地降低了计算开销，避免了现有异构图分析方法往往使用随机游走、元路径等基于序列的方法需要针对每一台设备单独训练而造成的大量计算资源的消耗；
16.基于设备连接图，基于gcn的嵌入和基于预测模型的健康度预测方法，通过不同节点嵌入表征原始设备，在训练过程中，节点的属性通过边相互交换，实现了基于数据交互关系的设备间数据联动，捕捉到了设备间数据的高层关联，可通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性，提升了健康度预测的准确率，预测效果更好。
17.作为优选技术手段：步骤1)中，设备连接图的生成包括以下步骤：
18.101)对单一设备进行节点的生成；
19.102)对节点进行属性和标签的生成；
20.103)判断是否所有设备都生成了节点，若否，则返回步骤101)，若是，执行下一步；
21.104)对全部设备生成的节点进行两两数据交互分析，以添加节点间的边。可方便实现设备连接图的自动生成。
22.作为优选技术手段：当场景中存在不同种类的数据交互模式时，为每种不同数据交互模式产生的边添加类型标签，使边拥有不同的类型标签。
23.作为优选技术手段：当边拥有不同的类型标签时，依据边的类型标签将设备连接图扩展为多层网络，随后使用多层网络学习框架针对每个节点进行嵌入并基于嵌入结果预测其健康度。
24.作为优选技术手段：当边拥有不同的类型标签时，设备健康预测包括以下步骤：
25.a)基于设备连接图构建多层网络；
26.b)为每层的图中的节点添加本轮训练初始属性；
27.c)基于单层图学习获取单层节点嵌入；
28.d)融合每层的嵌入结果获取本轮训练最终嵌入；
29.e)通过两层全连接层获取本轮健康度预测值；
30.f)判断是否训练收敛，若否，则返回步骤b),若是，则认为基于多层网络的预测模型训练完成，并进入步骤g)；
31.g)预测模型训练完成后，当需要预测时，通过基于多层网络的预测模型即能对标签为待预测的节点进行健康度的预测。
32.作为优选技术手段：步骤a)基于设备连接图构建多层网络包括步骤：
33.a1)获取设备连接图g＝《v,e》中边的种类数目d，记其为d，将d作为所构建的多层网络的层数，将每一类的边的集合记为e
type1
,e
type2
,
…
,e
typed
；
34.a2)构建m张图gi＝《vi,ei》，每张图的节点均为设备连接图中的全部节点，即vi＝
v；
35.a3)针对每个gi，其中包含的边为对应类型的全部的边，即ei＝e
typei
；
36.通过这种多层网络构建方法，m层网络中的每一层都包含了全部的设备信息与某一种数据交互信息。
37.作为优选技术手段：步骤b)、c)、d)、e)、f)为多层网络的健康度预测模型的训练；健康度预测模型的训练基于所构建的d层网络，使用基于多层网络的图学习方法预测设备健康度；在神经网络训练的每一次循环中，使用全部层叠加之后的节点嵌入作为每一个单一层次的节点属性值，随后针对每一个单一层次的图基于gcn计算新的节点嵌入，最后将全部层次中获取的新的节点嵌入叠加，作为本轮循环最终获得的节点嵌入值；
38.健康度预测模型训练时，记a1,
…
,ad为每层的图的邻接矩阵，hi为全部层叠加之后的节点嵌入，h
i,d
为具体的第i层的节点嵌入；计算公式如下：
39.在第k轮训练的过程中，计算
[0040][0041]
其中hk为上一轮训练后得到的节点嵌入矩阵，为第d层的图的节点属性矩阵；act为反正切函数，其作用为将数值量映射到(0,1)区间；
[0042]
针对每一层的网络，基于单层gcn融合邻居节点属性，获取新一轮次的节点嵌入计算结果；
[0043][0044]
其中，h
(k)
指所有节点的特征矩阵，即所有结点的嵌入结果；a是每一个子图的邻接矩阵，矩阵，是的度矩阵，从而是的归一化矩阵；w是每一层gcn网络的中间参数；σ是层与层之间所使用的激活函数；
[0045]
随后，将每层计算获得的节点嵌入融合，作为本轮训练最终获得的节点嵌入值，即
[0046][0047]
最终，在获取本轮节点嵌入后，添加两个全连接层以实现节点健康度的预测；定义l2损失函数作为神经网络参数更新的依据，即
[0048][0049]
其中yi为对应设备的已知健康值，f(xi)为相应的预测值。
[0050]
作为优选技术手段：σ采用sigmoid函数，sigmoid函数为σ(x)，即：
[0051][0052]
有益效果：
[0053]
1、通过形式化定义的设备连接图及自动化的生成方法，规避了传统数据联动分析过程中的人工干预，使得本发明可以在没有专家知识引入的前提下完成设备健康度的预测，增强了落地应用的可行性，并降低了应用难度。
[0054]
2、本发明所提出的健康度预测方法能够更好地表征设备间的健康度关系，相比于现有方法能够抽取到更多的数据高层特征，有助于预测准确率的提升。
[0055]
3、相比于现有的基于序列的方法需要针对每一台设备单独训练，本发明可通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性。
[0056]
4、本技术方案基于单一类型数据和多种数型数据进行预测模型分类，在不同的场景采用不同的预测模型，有助于提高处理速度和处理的准确性。
附图说明
[0057]
图1是本发明实施例一的流程示意图。
[0058]
图2是本发明中设备连接图的生成流程示意图。
[0059]
图3是本发明实施例二的流程示意图。
具体实施方式
[0060]
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
[0061]
实施例一：
[0062]
当应用场景中为相同种类的数据交互模式，为简化处理，产生的边为相同的类型，基于此，本实施例的流程如图1所示，一种基于数据联动的设备健康度预测方法，其过程包括以下步骤：
[0063]
s1：基于设备之间的关联关系定义设备接口节点，并通过关联关系链接全部的接口节点，生成设备连接图，设备连接图g＝《v,e》是一类图结构，其中v为节点集合，e为边集合，设备连接图中的一个节点表征一台单独的物理设备，节点与设备一一对应，设备连接图描述了整个场景中全部的设备之间的数据交互关系，从而在后续的健康度预测过程中实现设备间数据的联动，设备连接图中的边没有方向、没有权重，一条边连接两个顶点，对任意两个节点而言，若两节点所表征的设备存在直接或间接的数据交互关系，则在这两个节点之间添加一条边，这种定义方式使得设备连接图中节点的关联关系直接代表了现实场景中设备间数据的关联关系；
[0064]
s2：若原始设备的健康度已知，则将该设备对应节点的标签设置为已知的健康度，否则将标签设置为待预测；
[0065]
s3：在生成设备连接图的全部节点后，将全部节点的属性向量升至所有属性中的最大维度，在添加的维度上，用0补齐以避免对原始数据的影响；因为设备类型可能不止一种，不同类型的设备属性可能不同，因此需要升维处理，使得全部节点的属性向量维度相同。例如：若设备a厂家为1、使用时间为10，则其属性向量；设备b厂家为2、平均运行温度为60，则其属性向量。现在将二者的属性对齐，先归纳出全部的属性字段，包括厂家、使用时间、平均运行温度，设备a没有平均运行温度这一属性，因此在这个字段上填0；设备b同理。
[0066]
s4：针对设备关联图，利用图卷积神经网络gcn构建节点嵌入框架，其中，每一层的卷积公式如下所示：
[0067]
[0068]
其中，h
(l)
指第l层的所有节点的特征矩阵，即所有结点的嵌入结果；a是每一个子图的邻接矩阵，图的邻接矩阵，是的度矩阵，从而是的归一化矩阵；w是每一层gcn网络的中间参数；σ是层与层之间所使用的激活函数，这里采用sigmoid函数，即：
[0069][0070]
s5：在获取全部节点的嵌入结果后，将节点的嵌入结果作为预测模型的输入，例如：上一个批注中设备a的属性升维度结果为a1＝(1,10,0)，若其经过gcn训练后其嵌入向量变为a2＝(1,0.4,0.6)，则a2即为预测模型处理该节点时所使用的输入值；其他节点同理。预测模型中的每一个节点的传播公式为：
[0071]
output＝f(net-θ)
[0072]
net＝∑zi·
vi[0073]
其中，zi为上一层中第i个神经元的输出值，vi为上一层中第i个神经元链接本神经元的权重。θ为本神经元的偏差值，我们将其设置为0。f(x)为激活函数，我们将激活函数采用为sigmoid函数，使用有标签的节点的嵌入对预测模型进行训练；
[0074]
s6：预测模型训练完成后，即可对标签为待预测的节点进行健康度的预测，预测模型的输出结果即为该节点对应设备的健康度预测值。
[0075]
如图2所示，步骤s1)中，设备连接图的生成包括以下步骤：
[0076]
s101：对电力信息系统中的每台设备进行监测，获得设备信息和设备交互数据信息，对每台设备对应生成设备连接图中的节点；
[0077]
s102：对每个节点进行属性和标签的生成，节点的属性由两个部分构成：一是该设备的基本信息，例如：设备使用时间、设备类型等；二是设备运行历史信息，包括设备日均工作时间、设备月均告警次数等，其中连续值由下式归一化至[0,1]区间，离散值处理为独热码，
[0078]
标准化处理公式如下：
[0079][0080]
其中yi指字段i的标准化结果，xi指字段i的值，max(x)与min(x)指字段i上的最大值与最小值；
[0081]
s103：根据设备信息表判断是否所有设备都生成了节点，若否，则返回步骤s101，若是，执行下一步；
[0082]
s104：通过设备交互数据信息，对全部设备生成的节点进行两两数据交互分析，以添加节点间的边。可方便实现设备连接图的自动生成。
[0083]
通过形式化定义的设备连接图针对电力信息化领域中常见的设备间数据联动场景进行了建模，设备连接图捕捉到了设备间的数据关联，存在数据交互的设备往往共享相似的使用环境，从而有着更紧密的关联，通过边的连接关系直接表征设备间的数据交互；通过对异构节点进行直接的升维处理并通过补零来避免对原始数据的扰乱，极大地降低了计算开销，避免了现有异构图分析方法往往使用随机游走、元路径等基于序列的方法需要针对每一台设备单独训练而造成的大量计算资源的消耗；基于设备连接图，基于gcn的嵌入和基于预测模型的健康度预测方法，通过不同节点嵌入表征原始设备，在训练过程中，节点的
属性通过边相互交换，实现了基于数据交互关系的设备间数据联动，捕捉到了设备间数据的高层关联，通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性，提升了健康度预测的准确率，预测效果更好。
[0084]
本实施例相比现有技术具有以下的优点：
[0085]
1设备连接图的构建方法
[0086]
不同于现有技术基于序列模型或单一定义的图模型进行健康度预测，本技术方案通过形式化定义的设备连接图针对电力信息化领域中常见的设备间数据联动场景进行了建模，通过边的连接关系直接表征设备间的数据交互，实现了跨设备的数据联动。
[0087]
2对异构节点的升维
[0088]
现有异构图分析方法往往使用随机游走、元路径等技术，虽然能够取得较好的训练结果，但是消耗了多大的计算资源，难以在真实场景中落地使用。本技术方案对异构节点进行直接的升维处理并通过补零来避免对原始数据的扰乱，极大地降低了本方法应用的计算开销。
[0089]
3基于设备连接图的异常检测方法
[0090]
基于设备连接图，本技术方案采用基于gcn的嵌入和基于预测模型的健康度预测方法，通过不同节点嵌入表征原始设备，在训练过程中，节点的属性通过边相互交换，实现了基于数据交互关系的设备间数据联动，捕捉到了设备间数据的高层关联，提升了健康度预测效果。
[0091]
以路由设备为例，单一的路由器中包含自身的设备基本信息与转发数据包的情况，部分设备已知健康度。
[0092]
首先依据每一台单一的设备生成对应的节点并添加属性与标签，随后对全部的节点进行二轮遍历，如果其对应的两台路由器之间存在直接的或间接的数据交互，则在这两个节点之间添加一条边，由此构成设备连接图。
[0093]
随后，考察设备连接图中的所有节点，获得所有节点属性向量的最高维度，并通过补零将所有节点的维度升至这一维度。进而搭建一个gcn网络以实现节点嵌入，最终将有标签的节点嵌入结果作为预测模型的输入以训练预测模型，训练结束后将标签待预测的节点作为预测模型的输入，输出即为对应节点所表征的设备的健康度预测结果。
[0094]
实施例二：
[0095]
实施例一为针对单一类型的边的设备健康度预测方法，但在现实应用场景中有着不同种类的数据交互模式，因此需为每种不同数据交互模式产生的边添加类型标签。即图中的边拥有不同的类型。为此本实施例针对多种类型的边进行设备健康度预测。在本实施例中，依据边的类型将设备连接图扩展为多层网络，随后使用多层网络学习框架针对每个节点进行嵌入并基于嵌入结果预测其健康度。流程如图3所示：
[0096]
a)基于设备连接图构建多层网络；
[0097]
b)为每层的图中的节点添加本轮训练初始属性；
[0098]
c)基于单层图学习获取单层节点嵌入；
[0099]
d)融合每层的嵌入结果获取本轮训练最终嵌入；
[0100]
e)通过两层全连接层获取本轮健康度预测值；
[0101]
f)判断是否训练收敛，若否，则返回步骤b),若是，则认为基于多层网络的预测模
型训练完成，并进入步骤g)；
[0102]
g)预测模型训练完成后，当需要预测时，通过基于多层网络的预测模型即能对标签为待预测的节点进行健康度的预测。
[0103]
其可概括为基于设备连接图的多层网络构建、基于多层网络的设备健康度预测训练和设备健康度预测。以下就部分步骤做进一步的说明：
[0104]
1基于设备连接图的多层网络构建
[0105]
多层网络是一种特殊的图结构，其每一层均为一个由节点和边构成的普通图。所有层中的图的节点相同，但是每层中包含的边不同。这种结构使得每一层都描述了原始数据中的某种数据关联。
[0106]
因此，需要基于设备连接图构建多层网络以更好地表征设备之间的复杂关联。具体地，多层网络构建方法如下。
[0107]
i)获取设备连接图g＝《v,e》中边的种类数目d，记其为d，将d作为所构建的多层网络的层数，将每一类的边的集合记为e
type1
,e
type2
,
…
,e
typed
；
[0108]
ii)构建m张图gi＝《vi,ei》，每张图的节点均为设备连接图中的全部节点，即vi＝v；
[0109]
iii)针对每个gi，其中包含的边为对应类型的全部的边，即ei＝e
typei
；
[0110]
通过这种多层网络构建方法，m层网络中的每一层都包含了全部的设备信息与某一种数据交互信息。
[0111]
2基于多层网络的健康度预测
[0112]
基于所构建的d层网络，使用基于多层网络的图学习方法预测设备健康度。其具体过程为在神经网络训练的每一次循环中，使用全部层叠加之后的节点嵌入作为每一个单一层次的节点属性值，随后针对每一个单一层次的图基于gcn计算新的节点嵌入，最后将全部层次中获取的新的节点嵌入叠加，作为本轮循环最终获得的节点嵌入值。
[0113]
具体地，记a1,
…
,ad为每层的图的邻接矩阵，hi为全部层叠加之后的节点嵌入，h
i,d
为具体的第i层的节点嵌入。具体计算公式如下：
[0114]
在第k轮训练的过程中，计算
[0115][0116]
其中hk为上一轮训练后得到的节点嵌入矩阵，为第d层的图的节点属性矩阵。act为反正切函数，其作用为将数值量映射到(0,1)区间。
[0117]
针对每一层的网络，基于单层gcn融合邻居节点属性，获取新一轮次的节点嵌入计算结果。
[0118][0119]
其中，h
(k)
指所有节点的特征矩阵，即所有结点的嵌入结果；a是每一个子图的邻接矩阵，矩阵，是的度矩阵，从而是的归一化矩阵；w是每一层gcn网络的中间参数；σ是层与层之间所使用的激活函数，这里采用sigmoid函数，即：
[0120]
[0121]
随后，将每层计算获得的节点嵌入融合，作为本轮训练最终获得的节点嵌入值，即
[0122][0123]
最终，在获取本轮节点嵌入后，添加两个全连接层以实现节点健康度的预测。定义l2损失函数作为神经网络参数更新的依据，即
[0124][0125]
其中yi为对应设备的已知健康值，f(xi)为相应的预测值。
[0126]
在训练完成后即可直接读取健康度未知的设备的健康度预测值。
[0127]
本实施例基于设备连接图，通过不同节点嵌入表征原始设备，在训练过程中，不同层次上的节点的属性通过边相互交换，实现了基于数据交互关系的设备间数据联动，捕捉到了设备间数据的高层关联，提升了健康度预测效果。
[0128]
为进一步了解本实施例，以信息设备为例，单一设备中包含自身的基本信息以及与之相关的数据交换信息，例如：路由器中包含设备信息以及转发数据包的情况，具体业务下位机包含设备信息以及业务数据等，部分设备已知其健康度。
[0129]
首先，依据每一台单一的设备生成对应的节点并添加属性与标签，其属性的构建方式如前所述，例如：某一信息设备为厂商1生产，持续使用2年时间，日均工作32400秒，月均告警45次，其属性可构建为[0,0,1,2,32400,45]，归一化结果可能为[0,0,1,0.31,0.83,0.32]，其中前三位为生产厂商独热码；健康度已知的设备的标签即为其健康度，健康度未知的设备的标签为未知。
[0130]
随后，针对已生成的节点构建关联关系以形成设备连接图。具体地，对全部的节点进行二轮遍历，如果其对应的两台设备之间存在直接的或间接的数据交互，例如：设备a向设备b通过协议α发送了数据，则在其对应的节点a、b之间添加边，边的类型为α；设备a向设备c通过协议β发送了数据，则在其对应的节点a、c之间添加边，边的类型为β；此构成设备连接图。
[0131]
随后，基于设备连接图依照规则构建多层网络。具体地，对每一种类型的边都构建一张单层图。在上例中，在α层中保留a、b、c三个节点，并保留所有类型为α的边；在β层中保留a、b、c三个节点，并保留所有类型为β的边。
[0132]
随后，基于所获取的多层网络进行训练以实现节点嵌入。具体地，在上例中，节点a在α层的嵌入结果与β层的嵌入结果不同，但二者都是全连接层的输入。全连接层的引入使得每一轮训练结果都直接对应了一次预测，因此当训练收敛时，最后一轮的预测结果可以直接作为最终的健康度预测结果。
[0133]
本发明具体以下优点：
[0134]
1规避了专家知识等人工干预的必要
[0135]
通过形式化的设备连接图的定义与自动化的生成方法，规避了传统数据联动分析过程中的人工干预，使得本发明可以在没有专家知识引入的前提下完成设备健康度的预测，增强了落地应用的可行性，并降低了应用难度。
[0136]
2基于数据交互的有效联动
[0137]
设备连接图捕捉到了设备间的数据关联。存在数据交互的设备往往共享相似的使用环境，从而有着更紧密的关联。基于这种数据联动模式，本发明所提出的健康度预测方法能够更好地表征设备间的健康度关系，相比于现有方法能够抽取到更多的数据高层特征，有助于预测准确率的提升。
[0138]
3降低计算开销
[0139]
相比于现有的基于序列的方法需要针对每一台设备单独训练，本发明通过一次训练过程便能够获取全部设备的健康度预测值，极大地降低了计算的开销与复杂度，增强了方法应用的可行性。基于单一类型数据和多种数型数据进行预测模型分类，当为单一类型数据时，采用实施例一的预测模型进行预测，当为多种类型数据中，采用实施例二的预测模型进行预测。在不同的场景采用不同的预测模型，有助于提高处理速度和处理的准确性。
[0140]
以上所示的一种基于数据联动的设备健康度预测方法是本发明的具体实施例，已经体现出本发明突出的实质性特点和显著进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

技术特征：
1.一种基于数据联动的设备健康度预测方法，其特征在于包括以下步骤：1)基于设备之间的关联关系定义设备接口节点，并通过关联关系链接全部的接口节点，生成设备连接图，设备连接图g＝<v,e>是一类图结构，其中v为节点集合，e为边集合，设备连接图中的一个节点表征一台单独的物理设备，节点与设备一一对应，对任意两个节点而言，若两节点所表征的设备存在直接或间接的数据交互关系，则在这两个节点之间添加一条边；2)若原始设备的健康度已知，则将该设备对应节点的标签设置为已知的健康度，否则将标签设置为待预测；3)在生成设备连接图的全部节点后，将全部节点的属性向量升至所有属性中的最大维度，在添加的维度上用0补齐以避免对原始数据的影响；4)针对设备关联图，利用图卷积神经网络gcn构建节点嵌入框架；5)在获取全部节点的嵌入结果后，将其作为预测模型的输入，使用有标签的节点的嵌入对预测模型进行训练；6)预测模型训练完成后，即可对标签为待预测的节点进行健康度的预测，预测模型的输出结果即为该节点对应设备的健康度预测值。2.根据权利要求1所述的一种基于数据联动的设备健康度预测方法，其特征在于：步骤1)中，设备连接图的生成包括以下步骤：101)对单一设备进行节点的生成；102)对节点进行属性和标签的生成；103)判断是否所有设备都生成了节点，若否，则返回步骤101)，若是，执行下一步；104)对全部设备生成的节点进行两两数据交互分析，以添加节点间的边。3.根据权利要求1所述的一种基于数据联动的设备健康度预测方法，其特征在于：当场景中存在不同种类的数据交互模式时，为每种不同数据交互模式产生的边添加类型标签，使边拥有不同的类型标签。4.根据权利要求3所述的一种基于数据联动的设备健康度预测方法，其特征在于：当边拥有不同的类型标签时，依据边的类型标签将设备连接图扩展为多层网络，随后使用多层网络学习框架针对每个节点进行嵌入并基于嵌入结果预测其健康度。5.根据权利要求4所述的一种基于数据联动的设备健康度预测方法，其特征在于：当边拥有不同的类型标签时，设备健康预测包括以下步骤：a)基于设备连接图构建多层网络；b)为每层的图中的节点添加本轮训练初始属性；c)基于单层图学习获取单层节点嵌入；d)融合每层的嵌入结果获取本轮训练最终嵌入；e)通过两层全连接层获取本轮健康度预测值；f)判断是否训练收敛，若否，则返回步骤b),若是，则认为基于多层网络的预测模型训练完成，并进入步骤g)；g)预测模型训练完成后，当需要预测时，通过基于多层网络的预测模型即能对标签为待预测的节点进行健康度的预测。6.根据权利要求5所述的一种基于数据联动的设备健康度预测方法，其特征在于：步骤
a)基于设备连接图构建多层网络包括步骤：a1)获取设备连接图g＝<v,e>中边的种类数目d，记其为d，将d作为所构建的多层网络的层数，将每一类的边的集合记为e
type1
,e
type2
,
…
,e
typed
；a2)构建m张图g
i
＝<v
i
,e
i
>，每张图的节点均为设备连接图中的全部节点，即v
i
＝v；a3)针对每个g
i
，其中包含的边为对应类型的全部的边，即e
i
＝e
typei
；通过这种多层网络构建方法，m层网络中的每一层都包含了全部的设备信息与某一种数据交互信息。7.根据权利要求6所述的一种基于数据联动的设备健康度预测方法，其特征在于：步骤b)、c)、d)、e)、f)为多层网络的健康度预测模型的训练；健康度预测模型的训练基于所构建的d层网络，使用基于多层网络的图学习方法预测设备健康度；在神经网络训练的每一次循环中，使用全部层叠加之后的节点嵌入作为每一个单一层次的节点属性值，随后针对每一个单一层次的图基于gcn计算新的节点嵌入，最后将全部层次中获取的新的节点嵌入叠加，作为本轮循环最终获得的节点嵌入值；健康度预测模型训练时，记a1,
…
,a
d
为每层的图的邻接矩阵，h
i
为全部层叠加之后的节点嵌入，h
i,d
为具体的第i层的节点嵌入；计算公式如下：在第k轮训练的过程中，计算其中h
k
为上一轮训练后得到的节点嵌入矩阵，为第d层的图的节点属性矩阵；act为反正切函数，其作用为将数值量映射到(0,1)区间；针对每一层的网络，基于单层gcn融合邻居节点属性，获取新一轮次的节点嵌入计算结果；其中，h
(k)
指所有节点的特征矩阵，即所有结点的嵌入结果；a是每一个子图的邻接矩阵，阵，是的度矩阵，从而是的归一化矩阵；w是每一层gcn网络的中间参数；σ是层与层之间所使用的激活函数；随后，将每层计算获得的节点嵌入融合，作为本轮训练最终获得的节点嵌入值，即最终，在获取本轮节点嵌入后，添加两个全连接层以实现节点健康度的预测；定义l2损失函数作为神经网络参数更新的依据，即其中y
i
为对应设备的已知健康值，f(x
i
)为相应的预测值。8.根据权利要求7所述的一种基于数据联动的设备健康度预测方法，其特征在于：σ采用sigmoid函数，sigmoid函数为σ(x)，即：

技术总结
本发明公开了一种基于数据联动的设备健康度预测方法，涉及电力信息系统领域。现有资产管理系统大多使用简单的数据库统计方法进行设备运行状态管理，结合历史数据，基于多元回归分析等统计技术进行设备健康度的预测，实际的健康度预测结果与现实状态偏差较大。本方法过程包括：生成设备连接图；设备对应节点的标签设置；将节点属性升至同一维度；利用GCN构建节点嵌入；训练预测模型；基于预测模型预测健康度。实现了基于数据交互关系的设备间数据联动，极大地降低了计算的开销与复杂度，增强了方法应用的可行性，提升了健康度预测的准确率。率。率。


技术研发人员：张超 陈浩 王豪磊 李剑 陈宵 胡松苗 甘纯 张引贤 陈勇 蔡铁林 许震
受保护的技术使用者：国网浙江省电力有限公司信息通信分公司
技术研发日：2023.01.17
技术公布日：2023/7/11