CN111650453A - 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 - Google Patents

基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 Download PDF

Info

Publication number
CN111650453A
CN111650453A CN202010449882.5A CN202010449882A CN111650453A CN 111650453 A CN111650453 A CN 111650453A CN 202010449882 A CN202010449882 A CN 202010449882A CN 111650453 A CN111650453 A CN 111650453A
Authority
CN
China
Prior art keywords
hilbert
data
fault
power equipment
diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010449882.5A
Other languages
English (en)
Other versions
CN111650453B (zh
Inventor
何怡刚
吴晓欣
段嘉珺
刘小燕
李猎
曾昭瑢
许水清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010449882.5A priority Critical patent/CN111650453B/zh
Publication of CN111650453A publication Critical patent/CN111650453A/zh
Priority to US17/161,680 priority patent/US11520676B2/en
Application granted granted Critical
Publication of CN111650453B publication Critical patent/CN111650453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于加窗特征希尔伯特图像化的电力设备诊断方法及系统，属于电力设备故障诊断领域，该方法包括：获取包含电力设备故障特征的监测数据原始数据集；引入考虑对数约束的加窗特征计算对数据进行处理，得到特征序列；利用希尔伯特图像化方法进行进一步处理得到希尔伯特图像数据集，并将其用于卷积神经网络的训练及验证；最后，对新获取的测试样本数据，在进行了加窗特征计算及希尔伯特图像化处理后可直接输入到训练好的网络中进行故障诊断及定位。本发明利用加窗特征计算和希尔伯特图像化对电力设备监测数据进行处理，充分提取了故障特征，有效提高诊断准确率，利用卷积神经网络进行诊断，提高了诊断的智能化。

Description

基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
技术领域
本发明属于电力设备故障诊断领域，更具体地，涉及一种基于加窗特征希尔伯特图像化的电力设备诊断方法及系统。
背景技术
输变电设备的故障诊断是电力系统安全、经济运行的重要保障。随着智能电网建设的逐步推进，电力设备将朝着智能化、高集成化的方向不断发展。然而，目前电力设备故障诊断方法对电力设备故障特征提取能力较弱，因而诊断效果较不理想，无法满足智能电网的建设需求，且大多数研究只考虑电力设备故障类型诊断，其故障定位方法很少得到考虑。目前，电力设备实际诊断中，专家的经验仍然非常关键，这意味着专家需要对每个参数对监测曲线的影响有很强的先验知识。但这使得电力设备故障诊断往往需要由具备较强专业素质的技术人员来实现，不符合智能电网的发展趋势。为了克服这个局限，许多统计指标相关系数、均方根误差等被引入到设备诊断中。但大多数统计指标计算方法诊断准确率仍然较低，且定位能力不足。为进一步提取设备故障时的特征，提高诊断准确率，一些机器学习也被引入到电力设备故障诊断当中，例如将支持向量机引入电力设备故障诊断，取得了不错的效果，但支持向量机本质为二分类器，随着诊断种类的增加，其面临着更大的挑战。而一些数据图像化方法也被引入电力设备故障诊断中，但图像化方法的诊断仅限于视觉比对，没有设法进一步提高诊断的智能化。
深度学习能够实现异常状态的自动甄别和快速处理，是重要的人工智能方法。其中卷积神经网络(Convolutional Neural Networks，CNN)在图像处理领域表现出极大的优势，能够提取出图像的深层次特征。CNN等参数较多的深度学习方法需要大量训练数据。作为机器学习的一种，迁移学习可以将在B领域中学到的知识迁移到A领域，从而有效缩减训练所需数据集，提高准确率。将迁移学习与CNN结合，即得到深度迁移学习(Deep TransferLearning，DTL)，它能在数据量不够大的时候有效提取出复杂数据特征，获得不错的效果。利用电力设备监测数据训练深度网络，可以提高最终诊断效率及智能化水平。
数据图像化方法将大量数据直观地浓缩到一张二维图像上，有效节省存储空间的同时又对故障特征进行了凸显，有利于进行辨识。但在当前研究中，对监测曲线进行图像化往往是为了直观看出曲线数值变化情况，而非为了作为智能诊断网络的输入。因此，现有常见的是直接绘制电力设备监测曲线图，但这类图像往往存在大面积的留白，将这样的图像输入到CNN中进行训练，图像中的细微特征得不到很好的辨识。因此需要考虑借助二维填充曲线获取有别于传统曲线的图像，利用图形特征呈现故障特征。
因此，如何利用特征提取技术和图像化技术有效提取出电力设备监测数据中蕴含的故障特征，并利用CNN强大的特征提取能力提高电力设备的诊断准确率是目前亟需解决的技术难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于加窗特征希尔伯特图像化的电力设备诊断方法及系统，由此解决如何利用特征提取技术和图像化技术有效提取出电力设备监测数据中蕴含的故障特征，并利用CNN强大的特征提取能力提高电力设备的诊断准确率的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于加窗特征希尔伯特图像化的电力设备诊断方法，包括：
(1)获取包含电力设备不同故障位置、故障类型及严重程度的若干组监测数据，对各组所述监测数据进行分析，获取对应的故障状态标签，令各组所述监测数据与对应的故障状态标签组成目标数据集，其中，所述故障状态包括故障类型及故障位置；
(2)将所述目标数据集进行考虑对数约束的加窗特征计算，提取出其中蕴含的故障特征，得到特征序列数据集；
(3)对所述特征序列数据集中的各组数据进行希尔伯特图像化处理，得到希尔伯特图像数据集；
(4)构建故障诊断及定位模型，将所述希尔伯特图像数据集划分为训练集和验证集，利用所述训练集对所述故障诊断及定位模型进行训练，由所述验证集对训练后的故障诊断及定位模型进行验证；
(5)对待诊断数据进行同样的加窗特征计算及希尔伯特图像化后，即可由训练后的故障诊断及定位模型得到最终的诊断结果。
优选地，所述电力设备的若干组监测数据为：datai＝{ai,1,ai,2,...,ai,j,...,ai,N,si}i∈[1,K]，其中，K为K组电力设备监测数据，ai,j为第i组电力设备监测数据中第j(j∈[1,N])点对应的监测值，si为第i组电力设备监测数据对应的电力设备故障状态(包括故障类型及位置)，N为监测数据点数。
优选地，步骤(2)包括：
将电力设备正常状态时的监测曲线作为参照曲线，基于所述参照曲线进行考虑对数约束的加窗特征计算得到特征序列数据集，其中，特征值为自己定义的评价指标或者不同研究工作中提出的评价指标。
其中，特征值可以是自己定义的评价指标，也可以是不同研究工作中提出的评价指标，如相关系数(CC),均方根误差(RMSE)，平均绝对百分误差值(MAPE)等等。如MAPE加入对数约束后的计算公式为
Figure BDA0002507129520000031
其中，MAPE*指引入对数约束的MAPE，
Figure BDA0002507129520000032
为所取第k个窗口中，FR指纹曲线上的点的纵坐标，ykm为其他FR曲线上的点的横坐标，nw为每个窗口中的点数。
优选地，步骤(2)包括：
(2.1)定义具有指定长度Ww的窗口，该窗口从扫描频带范围的起点x0以步长s逐步扫描频带直至末端xn，窗口每移动一步，在窗口长度Ww频率区域内计算特征值，最终得到的特征序列长度为
Figure BDA0002507129520000041
其中，s和Ww是监测点最短间隔的正整数倍数，要扫描所有监测数据，则Ww≥2s，floor表示向下取整函数，并返回最大的先前整数；
(2.2)由
Figure BDA0002507129520000042
确定第k(k＝1,2,...,N')个窗口的对称轴横坐标，由
Figure BDA0002507129520000043
确定左边界横坐标，由
Figure BDA0002507129520000044
确定右边界横坐标，由
Figure BDA0002507129520000045
确定每个窗口包含点数，其中，Δf是两监测点间隔；
(2.3)基于选定的特征值评价指标，由所述对称轴横坐标、所述左边界横坐标、所述右边界横坐标及所述每个窗口包含点数得到考虑对数约束的加窗特征值，以此得到特征序列数据集。
优选地，进行加窗特征计算后得到的特征序列数据为：datai'＝{bi,1,bi,2,...,bi,j,...,bi,N',si}i∈[1,K]，其中，K为K组特征序列数据，bi,j为第i组特征序列数据中第j(j∈[1,N'])点对应的值，si为第i组特征序列数据对应的电力设备状态，N'为特征序列点数。
优选地，步骤(3)包括：
将扫频响应特征序列数据按照希尔伯特曲线的延伸方向排列，特征序列的数值用不同的颜色表示，最后将特征序列转换成图像，其中，所选希尔伯特曲线数据点数必须大于或等于特征序列数据点数，当希尔伯特点数较多时，后续的点可继续画一次特征序列或者置零，只要保证整个特征序列数据集的操作相同即可。
优选地，对所述特征序列数据集中的各组数据进行希尔伯特图像化处理，得到希尔伯特图像数据集，所述希尔伯特图像数据集表示为：datai”＝{ci,si}i∈[1,K]，其中，K为K组希尔伯特图像数据，ci为所述特征序列数据集中第i组数据参量转化的希尔伯特图像，si为第i组希尔伯特图像数据对应的电力设备状态。
优选地，当数据集足够大时，可直接构建基本的神经网络模型，利用希尔伯特图像数据集进行训练及验证，当数据量较小时，可导入利用大型图像数据库预训练的神经网络模型，并对网络最后一层进行替换：对于大多数网络，该层是完全连接层，将其替换为新的完全连接层，令其输出数量等于诊断标签类别数量；对于某些网络(例如SqueezeNet)，最后一个可学习层是1×1的卷积层。在这种情况下，用新卷积层替换旧卷积层，其中filter的数量等于诊断类别的数量。接着冻结预训练网络部分参数，将希尔伯特图像数据集输入到不同的预训练神经网络中进行迁移训练及验证。
按照本发明的另一方面，提供了一种基于加窗特征希尔伯特图像化的电力设备诊断系统，包括：
数据处理模块，用于获取包含电力设备不同故障位置、故障类型及严重程度的若干组监测数据，对各组所述监测数据进行分析，获取对应的故障状态标签，利用各组所述监测数据与对应的故障状态标签组成目标数据集，其中，所述故障状态包括故障类型及故障位置；
特征提取模块，用于对所述目标数据集中的各组数据进行考虑对数约束的加窗特征计算，提取出其中蕴含的故障特征，得到特征序列数据集；
图像化模块，用于对所述特征序列数据集中的各组数据希尔伯特图像化处理，得到希尔伯特图像数据集；
网络训练模块，用于构建故障诊断及定位模型，将所述希尔伯特图像数据集划分为训练集和验证集，利用所述训练集对所述故障诊断及定位模型进行训练，由所述验证集对训练后的故障诊断及定位模型进行验证；
诊断模块，用于在后期诊断过程中，对待诊断数据进行同样的加窗特征计算及希尔伯特图像化后，即可由训练后的故障诊断及定位模型得到最终的诊断结果。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的基于加窗特征希尔伯特图像化的电力设备诊断方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明利用加窗特征计算及希尔伯特图像化方法充分凸显了电力设备监测数据的故障特征，并充分利用了神经网络对复杂非线性特征的提取能力，提高了电力设备故障诊断及定位的准确率，同时提高了电力设备故障诊断及定位的智能化水平。
附图说明
图1是本发明实施例提供的一种考虑加窗特征计算和希尔伯特图像化的变压器深度视觉故障定位方法的流程示意图；
图2是本发明实施例提供的变压器故障位置划分示意图；
图3是本发明实施例提供的一种变压器绕组的等效电路示意图；
图4是本发明实施例提供的一种加窗特征计算及希尔伯特图像化过程示意图；
图5是本发明实施例提供的一种系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种基于加窗特征希尔伯特图像化的电力设备诊断方法，并且以变压器扫频响应分析的故障定位为具体实施例进行说明，但本发明不仅适用于变压器绕组扫频响应分析的故障定位，还可以推广至其他诊断及定位领域。
首先获取包含变压器故障特征的扫频响应原始数据集。接着，引入考虑对数约束的加窗特征计算对原始数据进行处理，得到特征序列。并利用希尔伯特图像化方法进一步突出特征序列的图形特征，得到希尔伯特图像数据集，将其用于深度卷积神经网络的迁移训练及验证。最后，对于新获取的扫频响应数据，在进行了加窗特征计算及希尔伯特图像化处理后可直接输入到训练好的网络中进行诊断，得到定位结果。本发明将一维频率响应数据转换为二维希尔伯特图像，为扫频响应指纹提供了一种新的表达方式。此外，在进行特征计算时引入对数约束，减小了极端数值对图像的影响，突出了特征序列的图形特征，最终，模型可以得到较高的准确率。
如图3所示，以电力变压器绕组的故障定位为例，如图1所示是本发明实施例基于加窗特征希尔伯特图像化的电力设备诊断方法的流程示意图，包括以下步骤：
S1：获取各变压器扫频响应的若干组监测数据，对各组监测数据进行分析，获取对应的故障状态标签，令各组监测数据与对应的故障状态标签组成目标数据集，其中，故障状态包括故障类型及故障位置；
在本发明实施例中，数据可以取自基于Pspice仿真获取的包含复杂故障特征的FR曲线数据及其对应的变压器故障状态；
在本发明实施例中，步骤S1中变压器扫频响应的若干组监测数据可以表示为：
datai＝{ai,1,ai,2,...,ai,j,...,ai,N,si}i∈[1,K]
其中，K为K组扫频响应监测数据，ai,j为第i组溶解气体监测数据中第j(j∈[1,N])点频率对应的响应值，si为第i组扫频响应监测数据对应的变压器故障状态(包括故障类型和故障位置)，N为扫描频率点数。
在本发明实施例中，如图2所示，将变压器故障位置(状态)分为8种，分别为正常状态和七种不同位置发生故障，对应标签0～7，同一个位置可能发生不同的故障，但对应的标签是相同的，具体数据如表1所示：
表1变压器绕组扫频响应分析数据集
Figure BDA0002507129520000081
S2：将目标数据集进行考虑对数约束的加窗特征计算得到特征序列数据集；
步骤S2中，如图4所示，需要将变压器正常状态时的扫频响应曲线(如FR指纹曲线)取出作为参照，基于此进行特征值计算，特征值可以是不同研究工作中提出的FR曲线评价指标。如相关系数(Correlation Coefficient，CC)，均方根误差(Root Mean SquareError，RMSE)，平均绝对百分误差值(Mean Absolute Percentage Error，MAPE)等等。如MAPE加入对数约束后的计算公式为
Figure BDA0002507129520000091
其中，MAPE*指引入对数约束的MAPE，
Figure BDA0002507129520000092
为所取第k个窗口中，FR指纹曲线上的点的纵坐标，
Figure BDA0002507129520000093
为其他FR曲线上的点的横坐标，nw为每个窗口中的点数。
进行考虑对数约束的加窗特征计算时，首先，定义具有指定长度Ww的窗口，该窗口从扫描频带范围的起点x0以步长s逐步扫描频带直至末端xn。窗口每移动一步，在窗口长度Ww频率区域内计算特征值，最终得到的特征序列长度为N',计算公式为
Figure BDA0002507129520000094
其中，s和Ww是FR扫描频率间隔的正整数倍数。要扫描FR的整个频带，Ww≥2s。floor表示向下取整函数，并返回最大的先前整数。第k(k＝1,2,...,N')个窗口的对称轴横坐标
Figure BDA0002507129520000095
左边界横坐标
Figure BDA0002507129520000096
右边界横坐标
Figure BDA0002507129520000097
每个窗口包含点数为
Figure BDA0002507129520000098
其中Δf是扫描频率间隔。
进行加窗特征计算后得到的特征序列数据为：datai'＝{bi,1,bi,2,...,bi,j,...,bi,N',si}i∈[1,K]，其中，K为K组扫频响应特征序列数据，bi,j为第i组扫频响应特征序列数据中第j(j∈[1,N'])点对应的值，si为第i组扫频响应特征序列数据对应的变压器状态，N'为特征序列点数。
S3：对特征序列数据集中的各组数据进行希尔伯特图像化处理，得到希尔伯特图像数据集；
在步骤S3中，如图4所示，选取6阶希尔伯特曲线进行数据图像化，由于所选希尔伯特曲线数据点数必须大于或等于特征序列数据点数才能将特征序列完全呈现在图像上，当希尔伯特点数较多时，后续的点可继续画一次特征序列或者置零，只要保证整个特征序列数据集的操作相同即可。本实施例中采用继续画一次特征序列的做法。
S4：构建CNN故障定位模型，将希尔伯特图像数据集划分为训练集和验证集，利用训练集对CNN故障定位模型进行训练，由验证集对训练后的CNN诊断模型进行验证；
作为一种可选的实施方式，在希尔伯特图像数据集数量大于等于预设数量阈值时，说明数据量足够大，可构建最基本的CNN诊断模型，并利用大数据对CNN诊断模型进行训练及验证；在希尔伯特图像数据集数量小于等于预设数量阈值时，说明数据量较小，可利用迁移学习对经典模型如ResNet50进行迁移训练及验证；按8:2划分训练集及验证集。
其中，预设数量阈值可以根据实际需要确定，本发明实施例不做唯一性限定。
在本发明实施例中，CNN诊断模型还可以选用其它模型，本发明实施例不做唯一性限定。
作为一种可选的实施方式，步骤S4利用迁移学习对经典模型ResNet50进行迁移训练及验证，首先对ResNet50的最后一层全连接层进行替换，令其输出数量等于诊断标签类别数量，在本实施例为8。接着冻结预训练网络前50％层的参数，最后对基于ResNet50模型的迁移训练超参数进行设置如表3所示，输入训练集对网络未冻结部分进行训练，利用验证集进行验证。
表3：CNN诊断模型超参数设置
Figure BDA0002507129520000101
Figure BDA0002507129520000111
最终得本实施例变压器绕组故障定位模型的定位准确率为94.53％。
如图5所示是本发明实施例提供的一种考虑加窗特征计算和希尔伯特图像化的变压器深度视觉故障定位系统结构示意图，包括：
数据处理模块201，用于获取包含电力设备不同故障位置、故障类型及严重程度的若干组监测数据，对各组监测数据进行分析，获取对应的故障状态标签，利用各组监测数据与对应的故障状态标签组成目标数据集，其中，故障状态包括故障类型及故障位置；
特征提取模块202，用于对目标数据集中的各组数据进行考虑对数约束的加窗特征计算，提取出其中蕴含的故障特征，得到特征序列数据集；
图像化模块203，用于对特征序列数据集中的各组数据希尔伯特图像化处理，得到希尔伯特图像数据集；
网络训练模块204，用于构建故障诊断及定位模型，将希尔伯特图像数据集划分为训练集和验证集，利用训练集对故障诊断及定位模型进行训练，由验证集对训练后的故障诊断及定位模型进行验证；
诊断模块205，用于在后期诊断过程中，将新获取的扫频响应数据经过特征提取模块及图像化模块后直接输入到训练好的网络中进行诊断，得出最终的故障定位结果。
其中，各模块的具体实施方式可以参考方法实施例的描述，本发明实施例将不再复述。
在本发明的另一实施例中，还提供了一种计算机可读存储介质，其上存储有程序指令，该程序指令被处理器执行时实现上述方法实施例中的基于加窗特征希尔伯特图像化的电力设备诊断方法。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于加窗特征希尔伯特图像化的电力设备诊断方法，其特征在于，包括：
(1)获取包含电力设备不同故障位置、故障类型及严重程度的若干组监测数据，对各组所述监测数据进行分析，获取对应的故障状态标签，令各组所述监测数据与对应的故障状态标签组成目标数据集，其中，所述故障状态包括故障类型及故障位置；
(2)将所述目标数据集进行考虑对数约束的加窗特征计算，提取出其中蕴含的故障特征，得到特征序列数据集；
(3)对所述特征序列数据集中的各组数据进行希尔伯特图像化处理，得到希尔伯特图像数据集；
(4)构建故障诊断及定位模型，将所述希尔伯特图像数据集划分为训练集和验证集，利用所述训练集对所述故障诊断及定位模型进行训练，由所述验证集对训练后的故障诊断及定位模型进行验证；
(5)对待诊断数据进行同样的加窗特征计算及希尔伯特图像化后，即可由训练后的故障诊断及定位模型得到最终的诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述电力设备的若干组监测数据为：datai＝{ai,1,ai,2,...,ai,j,...,ai,N,si}i∈[1,K]，其中，K为K组电力设备监测数据，ai,j为第i组电力设备监测数据中第j(j∈[1,N])点对应的监测值，si为第i组电力设备监测数据对应的电力设备故障状态，N为监测数据点数。
3.根据权利要求2所述的方法，其特征在于，步骤(2)包括：
将电力设备正常状态时的监测曲线作为参照曲线，基于所述参照曲线进行考虑对数约束的加窗特征计算得到特征序列数据集，其中，特征值为自己定义的评价指标或者不同研究工作中提出的评价指标。
4.根据权利要求2或3所述的方法，其特征在于，步骤(2)包括：
(2.1)定义具有指定长度Ww的窗口，该窗口从扫描频带范围的起点x0以步长s逐步扫描频带直至末端xn，窗口每移动一步，在窗口长度Ww频率区域内计算特征值，最终得到的特征序列长度为
Figure FDA0002507129510000021
其中，s和Ww是监测点最短间隔的正整数倍数，要扫描所有监测数据，则Ww≥2s，floor表示向下取整函数，并返回最大的先前整数；
(2.2)由
Figure FDA0002507129510000022
确定第k(k＝1,2,...,N')个窗口的对称轴横坐标，由
Figure FDA0002507129510000023
确定左边界横坐标，由
Figure FDA0002507129510000024
确定右边界横坐标，由
Figure FDA0002507129510000025
确定每个窗口包含点数，其中，Δf是两监测点间隔；
(2.3)基于选定的特征值评价指标，由所述对称轴横坐标、所述左边界横坐标、所述右边界横坐标及所述每个窗口包含点数得到考虑对数约束的加窗特征值，以此得到特征序列数据集。
5.根据权利要求4所述的方法，其特征在于，进行加窗特征计算后得到的特征序列数据为：datai'＝{bi,1,bi,2,...,bi,j,...,bi,N',si}i∈[1,K]，其中，K为K组特征序列数据，bi,j为第i组特征序列数据中第j(j∈[1,N'])点对应的值，si为第i组特征序列数据对应的电力设备状态，N'为特征序列点数。
6.根据权利要求5所述的方法，其特征在于，步骤(3)包括：
将扫频响应特征序列数据按照希尔伯特曲线的延伸方向排列，特征序列的数值用不同的颜色表示，最后将特征序列转换成图像，其中，所选希尔伯特曲线数据点数必须大于或等于特征序列数据点数，当希尔伯特点数较多时，后续的点可继续画一次特征序列或者置零，只要保证整个特征序列数据集的操作相同即可。
7.根据权利要求6所述的方法，其特征在于，对所述特征序列数据集中的各组数据进行希尔伯特图像化处理，得到希尔伯特图像数据集，所述希尔伯特图像数据集表示为：datai”＝{ci,si}i∈[1,K]，其中，K为K组希尔伯特图像数据，ci为所述特征序列数据集中第i组数据参量转化的希尔伯特图像，si为第i组希尔伯特图像数据对应的电力设备状态。
8.根据权利要求1所述的方法，其特征在于，步骤(4)包括：
在所述希尔伯特图像数据集数量大于等于预设数量阈值时，构建基本神经网络模型，利用所述希尔伯特图像数据集进行训练及验证；
在所述希尔伯特图像数据集数量小于所述预设数量阈值时，导入利用大型图像数据库预训练的神经网络模型，并对导入的神经网络模型的最后一层进行替换，令其输出数量等于诊断标签类别数量，接着冻结预训练的神经网络模型的部分参数，将所述希尔伯特图像数据集输入到不同的预训练神经网络模型中进行迁移训练及验证。
9.一种基于加窗特征希尔伯特图像化的电力设备诊断系统，其特征在于，包括：
数据处理模块，用于获取包含电力设备不同故障位置、故障类型及严重程度的若干组监测数据，对各组所述监测数据进行分析，获取对应的故障状态标签，利用各组所述监测数据与对应的故障状态标签组成目标数据集，其中，所述故障状态包括故障类型及故障位置；
特征提取模块，用于对所述目标数据集中的各组数据进行考虑对数约束的加窗特征计算，提取出其中蕴含的故障特征，得到特征序列数据集；
图像化模块，用于对所述特征序列数据集中的各组数据希尔伯特图像化处理，得到希尔伯特图像数据集；
网络训练模块，用于构建故障诊断及定位模型，将所述希尔伯特图像数据集划分为训练集和验证集，利用所述训练集对所述故障诊断及定位模型进行训练，由所述验证集对训练后的故障诊断及定位模型进行验证；
诊断模块，用于在后期诊断过程中，对待诊断数据进行同样的加窗特征计算及希尔伯特图像化后，即可由训练后的故障诊断及定位模型得到最终的诊断结果。
10.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现如权利要求1至8任一所述的基于加窗特征希尔伯特图像化的电力设备诊断方法。
CN202010449882.5A 2020-05-25 2020-05-25 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 Active CN111650453B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010449882.5A CN111650453B (zh) 2020-05-25 2020-05-25 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
US17/161,680 US11520676B2 (en) 2020-05-25 2021-01-29 Method and system for power equipment diagnosis based on windowed feature and Hilbert visualization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010449882.5A CN111650453B (zh) 2020-05-25 2020-05-25 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统

Publications (2)

Publication Number Publication Date
CN111650453A true CN111650453A (zh) 2020-09-11
CN111650453B CN111650453B (zh) 2021-03-30

Family

ID=72346782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010449882.5A Active CN111650453B (zh) 2020-05-25 2020-05-25 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统

Country Status (2)

Country Link
US (1) US11520676B2 (zh)
CN (1) CN111650453B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112486096A (zh) * 2020-12-09 2021-03-12 中国兵器装备集团自动化研究所 一种机床运行状态的监控方法
CN112862008A (zh) * 2021-03-29 2021-05-28 中信银行股份有限公司 偏好预测模型的训练方法及用户偏好的预测方法
CN115221982A (zh) * 2022-09-21 2022-10-21 石家庄铁道大学 牵引供电运维方法、装置、终端及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330500B (zh) * 2021-11-30 2024-04-26 南京国电南自电网自动化有限公司 基于storm平台的电网电力设备在线并行诊断方法及系统
CN114186589A (zh) * 2021-12-08 2022-03-15 国网上海市电力公司 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法
CN114176571A (zh) * 2022-01-18 2022-03-15 北京航空航天大学 一种基于足底压力的运动状态检测系统
CN115936166A (zh) * 2022-09-28 2023-04-07 海南电网有限责任公司 一种电能表检定误差分析预测方法
CN116304848B (zh) * 2023-05-26 2023-08-22 广东石油化工学院 一种滚动轴承故障诊断系统及方法
CN116541800A (zh) * 2023-07-06 2023-08-04 利维智能（深圳）有限公司 基于振动和声音数据的融合诊断方法、系统、设备及介质
CN116704266B (zh) * 2023-07-28 2023-10-31 国网浙江省电力有限公司信息通信分公司 一种电力设备故障检测方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160011268A1 (en) * 2014-07-10 2016-01-14 National Cheng Kung University Motor fault detecting method and motor fault detecting system
CN105652204A (zh) * 2015-11-26 2016-06-08 哈尔滨理工大学 基于dsp和瞬时解调功率谱的风力发电机故障诊断装置
CN108182445A (zh) * 2017-12-13 2018-06-19 东北大学 基于大数据智能核独立元分析的过程故障识别方法
CN108627741A (zh) * 2018-06-29 2018-10-09 广东电网有限责任公司清远英德供电局 一种基于故障指示器的行波—阻抗法双端带支路配电网故障定位方法
CN109117784A (zh) * 2018-08-08 2019-01-01 上海海事大学 一种改进经验模态分解的船舶电力推进系统故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858948B (zh) * 2009-04-10 2015-01-28 阿海珐输配电英国有限公司 用于在三相中压配电系统中进行暂态和间歇性接地故障检测和方向确定的方法和系统
CN103675589B (zh) * 2013-11-19 2016-05-18 中国矿业大学 开关磁阻电机功率变换器短路故障母线电流诊断方法
US9541586B2 (en) * 2014-11-24 2017-01-10 Rockwell Automation Technologies, Inc. Capture of power quality information at the time a device fails
US10651645B2 (en) * 2015-03-19 2020-05-12 Abb Inc. Secured fault detection in a power substation
US11047898B2 (en) * 2019-02-12 2021-06-29 Bae Systems Information And Electronic Systems Integration Inc. Vector processing using amplitude or power detectors

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160011268A1 (en) * 2014-07-10 2016-01-14 National Cheng Kung University Motor fault detecting method and motor fault detecting system
CN105652204A (zh) * 2015-11-26 2016-06-08 哈尔滨理工大学 基于dsp和瞬时解调功率谱的风力发电机故障诊断装置
CN108182445A (zh) * 2017-12-13 2018-06-19 东北大学 基于大数据智能核独立元分析的过程故障识别方法
CN108627741A (zh) * 2018-06-29 2018-10-09 广东电网有限责任公司清远英德供电局 一种基于故障指示器的行波—阻抗法双端带支路配电网故障定位方法
CN109117784A (zh) * 2018-08-08 2019-01-01 上海海事大学 一种改进经验模态分解的船舶电力推进系统故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PRATYAY KONAR 等: "Mechanical fault diagnosis of induction motor using Hilbert pattern", 《2013 IEEE 1ST INTERNATIONAL CONFERENCE ON CONDITION ASSESSMENT TECHNIQUES IN ELECTRICAL SYSTEMS》 *
何德鲁: "基于时频图像特征提取的旋转机械故障诊断研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
白雪倩: "融合多源特征的墨辊轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112486096A (zh) * 2020-12-09 2021-03-12 中国兵器装备集团自动化研究所 一种机床运行状态的监控方法
CN112862008A (zh) * 2021-03-29 2021-05-28 中信银行股份有限公司 偏好预测模型的训练方法及用户偏好的预测方法
CN115221982A (zh) * 2022-09-21 2022-10-21 石家庄铁道大学 牵引供电运维方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN111650453B (zh) 2021-03-30
US20210365342A1 (en) 2021-11-25
US11520676B2 (en) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111650453B (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
US11581130B2 (en) Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN110726898B (zh) 一种配电网故障类型识别方法
CN112215119A (zh) 一种基于超分辨率重建的小目标识别方法、装置及介质
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115661459A (zh) 一种使用差异信息的2D mean teacher模型
CN114283285A (zh) 交叉一致性自训练遥感图像语义分割网络训练方法及装置
CN116071352A (zh) 一种电力安全工器具表面缺陷图像的生成方法
WO2022206149A1 (zh) 基于生成对抗网络的三维频谱态势补全方法及装置
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN117058079A (zh) 基于改进ResNet模型的甲状腺显像图像自动诊断方法
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
CN116754213A (zh) 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备
CN114387524B (zh) 基于多层级二阶表征的小样本学习的图像识别方法和系统
CN115834161A (zh) 一种人工智能四层架构的电网假数据注入攻击检测方法
CN115712874A (zh) 基于时间序列特征的热能动力系统故障诊断方法及装置
CN109165586A (zh) 用于ai芯片的智能图像处理方法
CN115144211A (zh) 基于离散小波变换和门控循环单元的故障检测方法及装置
CN114596445A (zh) 一种提升采油机故障诊断精度方法
CN112396104A (zh) 一种基于机器学习的等离子体放电识别方法及系统
CN113255581B (zh) 弱监督深度学习水体提取方法、装置、计算机设备和介质
Subha et al. Analysis of Deep Learning based Optimization Techniques for Oral Cancer Detection
Mehra et al. AN EXPERIMENTAL SET-UP OF A GRAPHICAL USER INTERFACE FOR IMAGE ENHANCEMENT USING CNN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant