一种基于深度学习的电力设备状态集成监控系统及方法

本发明公开了一种基于深度学习的电力设备状态集成监控系统及方法，涉及电力设备维护技术领域，通过从原始运维记录中提取维护时间戳、操作类型编码与持续时间等行为信息构建结构化特征集合MFD，并计算平均周期与节奏偏差，生成维护行为节奏特征PTD，同时结合运维知识语义模型生成维护操作的语义向量集合EMB，并构建综合行为输入序列SEQ；通过将行为输入序列输入至深度序列建模网络中进行时序建模，输出用于量化维护行为潜在风险程度的行为状态反推得分BSS，有效实现了对设备状态的“反向感知”能力；提高了电力设备运行健康状态判断的灵敏度、预见性与响应精准度，有效解决了现有监测系统对“非显性劣化因素”识别不足的问题。