CN106597231A - 基于多源信息融合和深度学习网络的gis故障检测系统及方法 - Google Patents

Abstract

一种基于多源信息融合和深度学习网络的GIS故障检测系统及方法，包括：多源信息采集与调理模块、深度学习模块以及信息融合与故障推理模块，其中：多源信息采集与调理模块分别采用局部放电时间解析方法、局部放电相位解析方法和超高频法对GIS系统进行故障状态监测，将得到的电流、电压和电磁信息中分别提取出对应的特征向量并输出至深度学习模块；深度学习模块基于离线学习优化得到的深度学习网络对三种特征向量进行在线模式识别得到对应的识别结论并输出至信息融合与故障推理模块，信息融合与故障推理模块将三种识别结论融合处理得到故障特征矩阵后通过CLIPS推理机得到故障结论。利用本发明可以快速、高效、准确的诊断出GIS系统的故障信息。

Description

基于多源信息融合和深度学习网络的GIS故障检测系统及 方法

技术领域

本发明涉及的是一种电气设备领域的技术，具体是一种基于多源信息融合和深度学习网络的GIS故障检测系统及方法。

背景技术

气体绝缘金属封闭开关设备(GIS，Gas Insulated Switchgear)作为高压配电装置的一种形式，将变电站中除变压器以外的所有一次设备，经优化设计有机地组合成一个整体，并封闭于金属壳内，充SF6气体作为灭弧和绝缘介质，构成一个封闭组合电器，最高配电电压可达1100kV。GIS克服了常规敞开式开关设备的许多限制，具有占地面积小，可靠性高，安全性强，维护工作量很小等的优点，使得高压、超高压输变电直接进入市区成为可能，近年来得到广泛使用。随着GIS的不断完善和电力系统发展的需要，高压开关设备选用GIS已成为整个世界的发展趋势。GIS正在朝共筒化、复合化、小型化、智能化、超高压大容量化方向发展。GIS主要部件有断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、套管、电缆终端、母线、外壳、SF6气体、SF6密度监视装置、GIS绝缘子等主要部件。其中断路器、隔离开关、接地开关统称GIS的开关设备，是GIS的核心元件。

高压GIS开关设备运行状态直接影响着电力系统的运行稳定性和供电可靠性。由于GIS设备的全封闭设计，操作人员无法直接观察到设备的状态，仅依据辅助接点的返回信号和操作人员的现场确认来判断设备是否分合到位。开关刀闸操作后，由于种种原因，可能出现监控后台及现场显示分合成功，但实际触头分合不到位的情况，从而引起电网安全事件，造成相当大的经济损失和严重的社会影响。

开关类设备是瞬动式的设备，在正常运行中其机构处于静止状态，偶而进行的操作或事故动作，其过程又极为短暂和高速，因而给监测带来很大困难。过去的经验是建立定期的停运检修制度，这种预防性的检修制不能及时的发现故障，盲目性大，过度的检修操作甚至还降低了开关的机械寿命。按照IEEE建议的断路器故障监测对象选择原则，对断路器分合闸过程中各时间参数、金属短接时间、总行程、插入行程、超行程、动触头速率、分合闸线圈电流、触头寿命及保护动作参数进行监测，对上述参数做了详细的分析，提出监测方法及分析判断方法，提出数据越限后的处理方案。但目前的技术大部分是针对开关设备机械特性的测量，且是基于间接量的测量，其有效性和可靠性还有待提高。

另外，目前对电力设备包括高压断路器实施状态监测的装置(系统)，大致可以分为：集中式在线监测系统和便携式在线监测系统。和理论研究相一致，在高压断路器在线状态监测装置(系统)方面，较多的情况是针对高压断路器的机械特性、机械振动、触头电寿命、绝缘性能的某一个或几个方面进行监测，这种监测装置的工作可靠性和正确性，还有待于实践的证实和不断的总结提高，需要考虑的问题包括：可靠性、可行性和经济性。以上因素也是制约开关设备状态检修普及和发展的主要原因。

发明内容

本发明针对现有检测方法所采用的BP等神经网络无法进行准确建模、多数检测方法均仅涉及一种评估机制导致判断结果误差较大等缺陷，提出一种基于多源信息融合和深度学习网络的GIS故障检测系统及方法，通过三种传感器信号采集的信息来进行GIS故障的诊断，增加诊断的准确性，减少误报的情况发生。

本发明是通过以下技术方案实现的：

本发明涉及一种基于多源信息融合和深度学习网络的GIS故障检测系统，包括：多源信息采集与调理模块、深度学习模块以及信息融合与故障推理模块，其中：多源信息采集与调理模块分别采用局部放电时间解析(time resolved partial discharge，TRPD)方法、局部放电相位解析(phase resolved partial discharge，PRPD)方法和超高频法(ultrahigh frequency，UHF)对GIS系统进行故障状态监测，将得到的电流、电压和电磁信息中分别提取出对应的特征向量并输出至深度学习模块；深度学习模块基于离线学习优化得到的深度学习网络对三种特征向量进行在线模式识别得到对应的识别结论并输出至信息融合与故障推理模块，信息融合与故障推理模块将三种识别结论融合处理得到故障特征矩阵后通过CLIPS推理机得到故障结论。

所述的CLIPS推理机包括：故障知识库、推理规则库以及推理机，其中：推理规则库包括：GIS系统发生故障的概率、发生故障会引起的后果、处理故障的措施。

所述的多源信息采集与调理模块利用多源信号采集方法，监测GIS开关系统的工作状态，并利用信号调理模块、特征提取模块将多源信号采集方法的电流、电压、电磁信号，调理为计算机能够识别的数字信号，并利用特征提取模块进行特征矩阵的提取，该多源信息采集与调理模块包括：多源信号采集单元、信号调理单元和特征提取单元，其中：多源信号采集单元将传感器检测到的电流、电压、电磁信号输出至信号调理单元，信号调理单元利用模拟-数字转换电路转换对应的数字信号并输出至特征提取单元，特征提取单元将三种数字信号进行矩阵的降维处理，得到反映信号主要特征的向量，即特征向量T、特征向量P、特征向量U并输出至深度学习模块。

所述的深度学习模块利用多源信息采集方法输入的特征向量，进行深度学习网络的构建、参数调优、输入输出计算操作，最后得出多源信息对应的识别结论；深度学习模块可以根据季节变化、GIS设备的气候特征、GIS的使用周期情况，自动调节系统的参数，使系统达到最优的输出，该深度学习模块中设有深度学习网络，该深度学习网络接收来自多源信息采集与调理模块的特征向量T、特征向量P以及特征向量U，并分别计算出相对应的三种识别结论后输出至信息融合与故障推理模块。

所述的深度学习网络采用多层网络结构，包括：输入层、卷积层、降维层、卷积层、降维层、隐含层和输出层，其中：隐含层由若干子层组成，具体数值根据需求来确定。

所述的深度学习网络采用监督学习的方式进行不同层次的、从输入到输出层的逐层训练方式，从而可以进行非线性数据的无限逼近。

所述的信息融合与故障推理模块将深度学习网络输出的识别结论进行多信息融合方法的聚合，聚合后的故障信息矩阵输入到故障推理单元中进行最终的推理决策。识别结论主要是：GIS系统在TRPD、PRPD、UHF三种方法监测下，发生故障的概率和故障的特征权值；该信息融合与故障推理模块包括：多融合方法聚合单元和故障推理单元，其中：多融合方法聚合单元将三种识别结论分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合后，再通过模糊融合得到故障特征矩阵后输出至故障推理单元，故障推理单元经过逻辑判断得出最终决策。

本发明涉及上述系统的GIS故障检测方法，具体包括以下步骤：

步骤1：多元信息采集与调理模块通过TRPD、PRPD、UHF三种测量方法采集故障数据；然后通过信号调理模块将不同的电压、电流、电磁信号统一调制成数字信号；最后通过特征提取模块提取出TRPD、PRPD、UHF测量方法对应的特征向量T、特征向量P和特征向量U。

步骤2：深度学习模块通过深度学习网络来输出三种测量方法对应的识别结论，从不同的侧面来反映故障的信息。

步骤3信息融合与故障推理模块将三种特征向量进行识别后，分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合生成两种融合结论，再将融合的结果输入到CLIPS推理机融合后的故障特征矩阵中，CLIPS推理机根据其中预存的故障知识库以及推理规则来判断当前状态下的最终决策，即故障类型，诊断故障的原因，提供故障的维修方案。

技术效果

与现有技术相比，本发明可以基于多种传感器信号采集的信息来进行GIS故障的诊断，增加诊断的准确性，减少误报的情况发生。本发明既可以根据当前GIS开关的工作状态判断本次开关是否正常工作，也可以根据多源信息预报处下一次GIS开关工作是否会发生故障，对故障起到了预报的作用。本发明也可以根据GIS开关的日常工作状态的异常，判断出GIS将要发生故障的可能，提前消除可能发生的后果。本发明，主要工作在软件中实现，对硬件要求低，大幅节约系统成本。

附图说明

图1是本发明的整体结构图；

图2是本发明深度学习工作流程的示意图；

图3是本发明多信息融合方法聚合的结构图；

图4是本发明故障推理单元的结构图。

具体实施方式

如图1所示，本实施例包括：多源信息采集与调理模块、深度学习模块和信息融合与故障推理模块，其中：多源信息采集与调理模块将不同信号源对应的传感器系统采集的信号，统一调制为数字信号、统一输入成矩阵的形式，并通过特征提取的方法，去掉相关的向量得到每个信号源的特征向量。为后续深度学习模块提供输入数据；深度学习模块利用多源信息采集方法输入的特征向量，进行深度学习网络的构建、参数调优、输入输出计算操作，最后得出多源信息对应的识别结论。深度学习模块的工作模式为两种：深度学习网络的构建环节、深度学习网络的应用环节。本模块的主要作用：使整体系统具有自学习能力。可以根据季节变化、GIS设备的气候特征、GIS的使用周期情况，自动调节系统的参数，使系统达到最优的输出；信息融合与故障推理模块将深度学习网络输出的识别结论进行多信息融合方法的聚合，聚合后的故障信息矩阵输入到故障推理单元中进行最终的推理决策。识别结论主要是：GIS系统在TRPD、PRPD、UHF三种方法监测下，发生故障的概率和故障的特征权值。推理决策主要包括：GIS系统发生故障的概率、发生故障会引起的后果、处理故障的措施。

如图2所示，为本系统深度学习模块的工作流程，具体包括：

步骤1)离线学习优化，具体步骤包括：

1.1)采集训练数据，并将训练数据加入标签，也就是标明本次训练数据是否是发生故障的数据。

1.2)将标签后的训练数据，进行特征的提取，去掉相关的无用数据，仅留下有用的数据，也就是特征。

1.3)将特征输入到深度学习网络中进行模型的训练，得到最适合训练数据的最优模型，并将最优模型的参数的数值记录，传递给深度学习模型。

步骤2)在线模式识别，具体步骤包括：

2.1)采集输入数据，但在运行的时候，不需要标明本次数据是否发生故障，将输入数据进行特征提取处理。

2.2)特征提取后得到的特征矩阵输入到训练环节得到了最优模型中进行计算。

2.3)得到模型的输出，也就是得到深度学习网络输出的识别结论。

深度学习模块的工作流程，主要分为两种工作的模式：模型训练模式和模型运行模式。模型训练模式是采集训练数据，经过数据标签后进行特征提取处理。数据标签为标明本次的数据是否发生故障。经过特征提取之后，特征向量输入到深度学习模型中继续模型的训练。模型完毕之后，本模型的参数就达到了最优的配置。模型的运行模式为，输入运行的数据，经过特征提取后，特征矩阵输入到模型中进行计算，最后得到模型的输出。

如图3所示，为本系统信息融合与故障推理模块的多信息融合流程，具体包括：

步骤i)三种识别结论：识别结论1、识别结论2、识别结论3分别为三种由深度学习网络计算得到的故障检测方法对应的故障特征，将该三种识别结论输入到贝叶斯方法决策融合和DS证据理论决策融合两种融合方法(此处深度学习模块的具体内容，以及多种融合方法涉及学术保密问题，再次公开不是很合适)中。

步骤ii)由贝叶斯方法决策融合输出第一种融合结论、由DS证据方法决策融合输出第二种融合结论。

所述的融合结论包括：故障的来源、故障的损害程度、故障的置信度、故障来源的置信度。

步骤iii)根据上述两种融合结论进行聚合处理，具体为：将不同置信度的来源信息进行加权，得到一种具有上述两种融合结论的信息，包括：本次故障检测的损坏程度加权结论、故障置信度加权结论、故障信息来源置信度加权结论以及位置信息加权结论。上述的两种融合结论的信息会传入到CLIPS推理机中进行故障的推理。上述进行会传入到CLIPS推理机中进行故障的推理。

不同的识别结论主要为深度学习网络计算的本故障诊断方法判断的GIS系统发生故障的概率，三种检测方法对应的识别结论为GIS发生故障的概率，三种识别结论输入到不同的融合方法中进行信息的融合得出信息融合的结论。如图中，贝叶斯方法和DS证据方法分别得出结论。本类型结论为GIS系统本时间内发生故障的概率。两种方法判断的故障概率不同，需要进行再一次的融合处理，采用模糊聚合的方法，得到同一个故障特征矩阵。故障特征矩阵包括了：本时刻的GIS系统故障概率，以及前后n(n为大于0的整数)各时刻的故障信息。

如图4所示，为本系统信息融合与故障推理模块的故障推理流程，具体包括：

步骤一、故障推理模块首先接受多融合方法聚合模块传递的当前故障信息，具体包括：当前状态下故障检测的损坏程度加权结论、故障置信度加权结论、故障信息来源置信度加权结论以及位置信息加权结论，利用上述信息进行故障的推理。

步骤二、CLIPS推理机首先将故障信息与当前故障知识库中的知识进行匹配，搜索出于当前故障信息最接近的知识；然后利用当前的故障信息与知识，在推理规则下，得到最终决策，即故障类型，诊断故障的原因，提供故障的维修方案。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (7)

1.一种基于多源信息融合和深度学习网络的GIS故障检测系统，其特征在于，包括：多源信息采集与调理模块、深度学习模块以及信息融合与故障推理模块，其中：多源信息采集与调理模块分别采用局部放电时间解析方法、局部放电相位解析方法和超高频法对GIS系统进行故障状态监测，将得到的电流、电压和电磁信息中分别提取出对应的特征向量并输出至深度学习模块；深度学习模块基于离线学习优化得到的深度学习网络对三种特征向量进行在线模式识别得到对应的识别结论并输出至信息融合与故障推理模块，信息融合与故障推理模块将三种识别结论融合处理得到故障特征矩阵后通过CLIPS推理机得到故障结论。

2.根据权利要求1所述的系统，其特征是，所述的CLIPS推理机包括：故障知识库、推理规则库以及推理机，其中：推理规则库包括：GIS系统发生故障的概率、发生故障会引起的后果、处理故障的措施。

3.根据权利要求1所述的系统，其特征是，所述的多源信息采集与调理模块利用多源信号采集方法，监测GIS开关系统的工作状态，并利用信号调理模块、特征提取模块将多源信号采集方法的电流、电压、电磁信号，调理为计算机能够识别的数字信号，并利用特征提取模块进行特征矩阵的提取，该多源信息采集与调理模块包括：多源信号采集单元、信号调理单元和特征提取单元，其中：多源信号采集单元将传感器检测到的电流、电压、电磁信号输出至信号调理单元，信号调理单元利用模拟-数字转换电路转换对应的数字信号并输出至特征提取单元，特征提取单元将三种数字信号进行矩阵的降维处理，得到反映信号主要特征的向量，即特征向量T、特征向量P、特征向量U并输出至深度学习模块。

4.根据权利要求1所述的系统，其特征是，所述的深度学习模块利用多源信息采集方法输入的特征向量，进行深度学习网络的构建、参数调优、输入输出计算操作，最后得出多源信息对应的识别结论；深度学习模块可以根据季节变化、GIS设备的气候特征、GIS的使用周期情况，自动调节系统的参数，使系统达到最优的输出，该深度学习模块中设有深度学习网络，该深度学习网络接收来自多源信息采集与调理模块的特征向量T、特征向量P以及特征向量U，并分别计算出相对应的三种识别结论后输出至信息融合与故障推理模块。

5.根据权利要求1所述的系统，其特征是，所述的深度学习网络采用多层网络结构，包括：输入层、卷积层、降维层、卷积层、降维层、隐含层和输出层，其中：隐含层由若干子层组成，具体数值根据需求来确定；

所述的深度学习网络采用监督学习的方式进行不同层次的、从输入到输出层的逐层训练方式，从而可以进行非线性数据的无限逼近。

6.根据权利要求1所述的系统，其特征是，所述的信息融合与故障推理模块将深度学习网络输出的识别结论进行多信息融合方法的聚合，聚合后的故障信息矩阵输入到故障推理单元中进行最终的推理决策。识别结论主要是：GIS系统在TRPD、PRPD、UHF三种方法监测下，发生故障的概率和故障的特征权值；该信息融合与故障推理模块包括：多融合方法聚合单元和故障推理单元，其中：多融合方法聚合单元将三种识别结论分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合后，再通过模糊融合得到故障特征矩阵后输出至故障推理单元，故障推理单元经过逻辑判断得出最终决策。

7.一种基于权利要求1～6中任一所述系统的GIS故障检测方法，具体包括以下步骤：

步骤1：多元信息采集与调理模块通过TRPD、PRPD、UHF三种测量方法采集故障数据；然后通过信号调理模块将不同的电压、电流、电磁信号统一调制成数字信号；最后通过特征提取模块提取出TRPD、PRPD、UHF测量方法对应的特征向量T、特征向量P和特征向量U；

步骤2：深度学习模块通过深度学习网络来输出三种测量方法对应的识别结论，从不同的侧面来反映故障的信息；

步骤3：信息融合与故障推理模块将三种特征向量进行识别后，分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合生成两种融合结论，再将融合的结果输入到CLIPS推理机中，CLIPS推理机根据其中预存的故障知识库以及推理规则来判断当前状态下的最终决策，即故障类型，诊断故障的原因，提供故障的维修方案。