CN112651519A - 一种基于深度学习理论的二次设备故障定位方法及系统 - Google Patents

一种基于深度学习理论的二次设备故障定位方法及系统 Download PDF

Info

Publication number
CN112651519A
CN112651519A CN202110024276.3A CN202110024276A CN112651519A CN 112651519 A CN112651519 A CN 112651519A CN 202110024276 A CN202110024276 A CN 202110024276A CN 112651519 A CN112651519 A CN 112651519A
Authority
CN
China
Prior art keywords
fault
information
secondary equipment
deep learning
learning theory
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.)
Pending
Application number
CN202110024276.3A
Other languages
English (en)
Inventor
陈朝晖
郑茂然
黄河
余江
丁晓兵
张静伟
李正红
高宏慧
吴江雄
万信书
孙铁鹏
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202110024276.3A priority Critical patent/CN112651519A/zh
Publication of CN112651519A publication Critical patent/CN112651519A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开公开的一种基于深度学习理论的二次故障定位方法及系统，包括：实时采集二次设备的状态信息；从状态信息中提取特征信息；根据特征信息进行二次设备故障判断；将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。实现了对二次设备故障的快速准确定位。

Description

一种基于深度学习理论的二次设备故障定位方法及系统
技术领域
本发明涉及电力系统保护技术领域，尤其涉及一种基于深度学习理论的二次设备故障定位方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
智能变电站在电力系统当中占有重要的作用，近年来，人们对智能变电站愈发重视。目前针对二次设备的故障识别中，数据量太大且缺乏有效手段分析故障，很多重要信息被遗漏无法进行二次设备精确的故障定位。同时，二次设备之间的连接方式复杂和故障特征信息在运行传输过程中可能出现丢失和畸变的情况，常规方法无法准确快速的处理故障信息，针对智能变电站的二次设备的故障定位的准确率和效率不高。因此，针对目前二次设备故障定位存在的各种问题，研究一种快速准确的二次设备故障定位方法成为了必要，具有较高的实用价值。
发明内容
本公开为了解决上述问题，提出了一种基于深度学习理论的二次设备故障定位方法及系统，通过基于前馈全连接神经网络建立的故障定位模型进行二次设备的故障定位，提高了二次故障定位的准确率和效率。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于深度学习理论的二次设备故障定位方法，包括：
实时采集二次设备的状态信息；
从状态信息中提取特征信息；
根据特征信息进行二次设备故障判断；
将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
第二方面，提出了一种基于深度学习理论的二次设备故障定位系统，包括：
信息采集模块，用于实时采集二次设备的状态信息；
特征信息提取模块，用于从状态信息中提取特征信息；
故障判定模块，用于根据特征信息进行二次设备故障判断；
故障定位模块，用于将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
第三方面，提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于深度学习理论的二次设备故障定位方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于深度学习理论的二次设备故障定位方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开在判断二次设备故障的基础上，还实现了二次设备的故障定位。
2、本公开通过前馈全连接神经网络建立了故障定位模型，通过该故障定位模型进行故障定位时，提高了二次设备故障定位的准确率和效率。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开的故障定位流程图；
图2为本公开实施例1公开的故障定位模型训练图；
图3为本公开实施例1中涉及的二次设备故障定位推理知识库；
图4为本公开实施例1中公开的前馈全连接神经网络结构图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
为了解决现有方法进行二次设备故障定位时效率和准确率低的技术问题，该实施例公开了一种基于深度学习理论的二次故障定位方法，如图1所示，包括：
实时采集二次设备的状态信息；
从状态信息中提取特征信息；
根据特征信息进行二次设备故障判断；
将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
进一步的，特征信息包括二次设备的报文接收状态信息、电压电流采样值、运行环境信息和在线运行信息。
进一步的，运行环境信息包括温度、发送功率、接收功率及光强。
进一步的，将各特征信息分别与设定阈值进行比较，当特征信息大于等于设定阈值时，判定二次设备发生故障。
进一步的，对发生故障的二次设备的特征信息进行归一化处理，将归一化处理后的特征信息输入训练好的故障定位模型中进行故障定位。
进一步的，前馈全连接神经网络的结构为单向多层，整个网络无反馈，信号单向的从输入传送至输出。
进一步的，采用随机梯度下降优化算法对前馈全连接神经网络进行训练。
结合图1-4，对本实施例公开的一种基于深度学习理论的二次设备故障定位方法进行详细说明。
(1)设置触发二次设备故障定位的判别过程，具体为：实时采集二次设备的状态信息，从状态信息中提取特征信息，当特征信息大于等于设定阈值时，判定二次设备故障，触发二次设备的故障定位过程，否则，没有发生故障，追踪到发送端并修正。
二次设备发生故障时，有一些故障类型可通过现有的推理知识库简单推理得知，推理知识库如图3所示。利用故障信息形成故障特征集。
提取的特征信息包括二次设备的报文接收状态信息、电压电流采样值、运行环境信息和在线运行信息等。
(2)利用故障信息形成故障特征集Xi，具体为：由于特征信息包括二次设备的报文接收状态信息、电压电流采样值、运行环境信息和在线运行信息等多种信息，故为了让不同特征量之间可以相互比较，且提高故障定位模型计算的精度，将故障信息数据进行了归一化处理，选取Min-Max法进行数据归一化处理,具体公式如下:
Figure BDA0002889630060000061
式中Xmax,Xmin分别为最大值和最小值。
故障特征集用Xi表示。
Xi＝{XSGi,XCYi,XHJi,XZYi} (2)
式中Xi表示第i个故障事件的故障特征集，XSGi指二次设备的报文接收状态信息，包括测控装置、智能终端、线路和母线保护的保护装置、合并单元等二次设备的报文接收状况，XCYi指采样值信息，XHJi指温度光强等运行环境信息，XZYi指二次设备的在线运行信息。
Figure BDA0002889630060000071
式中n为报文数，Mj为第j条报文的接收状态信息，Mj1—Mjs表示s个订阅该报文的二次设备，若二次设备p接收到报文则Mjp＝0，若未接受到则为1并发出断链告警。XCYi指模拟量三相电压电流采样值，XHJi中Tei,Sei,Rei,Lii分别表示温度越限、发送功率越限、接受功率越限以及光强越限，若其中一个元素越限，对应位置为1，否则为0。XZYi结合了合并单元，保护装置，测控单元以及智能终端的自检信息，即二次设备的在线运行信息，l、m、n、p分别为合并单元，保护装置，测控装置以及智能终端的总数。XH_a、XB_b、XC_c、XZ_d分别为第a个合并单元，第b个保护装置，第c个测控装置，第d个智能终端的自检信息，包括RAM出错E，自检异常F，同步异常G，装置闭锁H等。
利用上述故障特征集采用前馈全连接网络神经学习的方法即可建立故障特征与故障类型之间的非线性映射：
Figure BDA0002889630060000072
式中，m为输入向量的维数，n为故障类型编码位数。
(3)基于前馈全连接神经网络建立故障定位模型，选用前馈全连接神经网络搭建设备故障定位模型，选择代价函数，优化模型以及确定输出单元的形式，采用交叉熵损失函数来量化模型当前的性能。在前馈全连接神经网络的前向传播过程中，隐藏单元激活函数采用sigmoid函数，在前馈全连接神经网络的反向传播过程中采用梯度下降法来更新网络参数。
前馈全连接神经网络由输入层、隐藏层、输出层构成，完成输入x到隐含层h再到输出y的关系映射。前馈全连接神经网络的结构为单向多层，如图4所示，各神经元可以接收前一层神经元的信号，并产生输出到下一层，整个网络无反馈，信号单向地从输入传送到输出。前馈全连接网络的输出向量形式如下：
y(k)＝f(ω(k)y(k-1)+b(k)) (5)
式中ω(k)指第k层权重矩阵，b(k)指第k层的偏置列向量，y(k)指第k层输出列向量
如公式所示，需要学习算法来确定权重和偏差来计算输出，同时还需要激活函数学习网络中的非线性特征。深度学习网络不仅需要计算产生的数据输出，还需要对网络进行训练。
前馈全连接神经网络的训练过程：引入监督学习算法，给未训练的神经网络输入训练样本集进行训练，将产生的输出与目标输出进行比较，基于两者之间计算误差值进行网络权重和偏差的更新以减少产生与目标输出之间差异，达到更好的训练性能。两者之间的误差值通过代价损失函数J衡量，使用训练数据和模型预测之间的交叉熵作为代价函数JMLE，通常后面结合一个正则项，两者相加形成总代价函数J，训练的目的就是为了最小化权重和偏置的代价函数，代价函数越小，训练性能越佳。
在训练过程中采用梯度下降算法优化，梯度下降算法工作的方式就是重复计算梯度，然后沿着相反的方向移动，找到使代价损失函数接近最小值时的网络参数。训练时由于样本集，输入以及目标输出固定，代价损失函数可以看成是权重的函数。
Figure BDA0002889630060000091
式中JMLE为交叉熵代价函数，x表示样本，y表示目标输出值，a表示实际输出值，n表示样本的总数。λ为系数，ω为权重，总代价函数J包含了交叉熵代价函数JMLE和系数为λ的权重衰减项(也称为正则化项)。最后一个式子为正则化项，
Figure BDA0002889630060000092
指第l-1层第j个神经元到第l层第i个神经元连接的权重。
前向传播：每一个神经元以上一层的各个节点输出作为输入，通过变换和非线性激活函数，得到节点输出并向前传播给下层节点，直至传播到输出层。前馈神经网络通过不断迭代下面公式进行信息传播：
Figure BDA0002889630060000093
式中z(l)指第l层的净输入，a(l)指第l层的输出，fl指第l层神经元的激活函数，ω(l)指第l层的权重矩阵，
Figure BDA0002889630060000094
就是第l层第j个神经元的激活函数的带权输入，
Figure BDA0002889630060000101
第l-1层第k个神经元到第l层第j个神经元连接的权重，
Figure BDA0002889630060000102
指第l-1层第k个神经元的输出值。该式表示通过第l-1层神经元的输出计算出第l层的净输入，然后经过一个激活函数得到第l层的输出。
整个网络可以看作一个复合函数，将向量x作为第1层的输入a(0)通过逐层的信息传递得到最后的输出。
隐藏层选用整流线性单元，整流线性单元使用激活函数：
g(z)＝max{0，z} (8)
根据独立高斯随机变量来选择权重和偏置，其被归一化为均值为0，标准差1。
输出单元选用sigmoid输出单元，该单元使用sigmoid激活函数：
Figure BDA0002889630060000103
首先它使用一个线性层来计算ω(l)a(l-1)+b(l)，其次，它使用sigmoid激活函数将z转化为最终的输出，前馈网络设计层数为3层。
反向传播：计算代价函数的梯度需要反向传播算法，反向传播的核心是一个对代价函数关于任何权重ω(或者偏置b)的偏导数
Figure BDA0002889630060000104
的表达式。前馈全连接神经网络模型需要找到最优参数(权重和偏置)，对产生输出与目标输出最佳逼近，通过代价损失函数衡量逼近效果，损失函数最小时参数最优。在前向计算完成后，递归地使用链式法则来实现反向传播，从输出层开始向后计算，将关于层输出的梯度转化为非线性激活输入前的梯度，然后计算关于权重和偏置的梯度，紧接着再计算关于下一层的隐藏层的传播梯度，一直计算到第一个隐藏层。
网络参数更新过程如下所示：
Figure BDA0002889630060000111
式中δL指输出层误差的方程，⊙表示按元素的乘积，这里
Figure BDA0002889630060000112
被定义成一个向量，其元素是偏导数
Figure BDA0002889630060000113
Figure BDA0002889630060000114
看成是J关于输出激活值的改变速度，σ′(zL)指σ(zL)的导数。第二个式子代表使用下一层的误差向量δl+1来表示当前层的误差向量δl，(ωl+1)T指l+1层权重矩阵(ωl+1)的转置。第三个式子表示的是代价函数关于网络中任意偏置的改变率，
Figure BDA0002889630060000115
指第l层第j个神经元的误差，
Figure BDA0002889630060000116
指第l层第j个神经元的偏置。第四个式子表示代价函数关于任何一个权重的改变率，
Figure BDA0002889630060000117
指第l-1层第k个神经元到第l层第j个神经元连接的权重，
Figure BDA0002889630060000118
指第l-1层第k个神经元的输出值。
(4)采用以往的二次设备的故障记录信息作为样本集对前馈全连接神经网络进行训练，训练完成后，获得二次设备的故障定位模型，如图2所示。
(6)将通过二次设备的故障信息形成的故障特征集输入训练好的故障定位模型中，获得二次设备的故障定位结果。
本实施例在判断二次设备故障的基础上，还实现了二次设备的故障定位，通过前馈全连接神经网络建立了故障定位模型，通过该故障定位模型进行故障定位时，提高了二次设备故障定位的准确率和效率。
实施例2
在该实施例中，公开了一种基于深度学习理论的二次设备故障定位系统，包括：
信息采集模块，用于实时采集二次设备的状态信息；
特征信息提取模块，用于从状态信息中提取特征信息；
故障判定模块，用于根据特征信息进行二次设备故障判断；
故障定位模块，用于将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种基于深度学习理论的二次设备故障定位方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种基于深度学习理论的二次设备故障定位方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于深度学习理论的二次故障定位方法，其特征在于，包括：
实时采集二次设备的状态信息；
从状态信息中提取特征信息；
根据特征信息进行二次设备故障判断；
将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
2.如权利要求1所述的一种基于深度学习理论的二次故障定位方法，其特征在于，特征信息包括二次设备的报文接收状态信息、电压电流采样值、运行环境信息和在线运行信息。
3.如权利要求2所述的一种基于深度学习理论的二次故障定位方法，其特征在于，运行环境信息包括温度、发送功率、接收功率及光强。
4.如权利要求1所述的一种基于深度学习理论的二次故障定位方法，其特征在于，将各特征信息分别与设定阈值进行比较，当特征信息大于等于设定阈值时，判定二次设备发生故障。
5.如权利要求1所述的一种基于深度学习理论的二次故障定位方法，其特征在于，对发生故障的二次设备的特征信息进行归一化处理，将归一化处理后的特征信息输入训练好的故障定位模型中进行故障定位。
6.如权利要求1所述的一种基于深度学习理论的二次故障定位方法，其特征在于，前馈全连接神经网络的结构为单向多层，整个网络无反馈，信号单向的从输入传送至输出。
7.如权利要求1所述的一种基于深度学习理论的二次故障定位方法，其特征在于，采用随机梯度下降优化算法对前馈全连接神经网络进行训练。
8.一种基于深度学习理论的二次设备故障定位系统，其特征在于，包括：
信息采集模块，用于实时采集二次设备的状态信息；
特征信息提取模块，用于从状态信息中提取特征信息；
故障判定模块，用于根据特征信息进行二次设备故障判断；
故障定位模块，用于将发生故障的二次设备的特征信息输入训练好的故障定位模型中获取故障定位结果，其中，故障定位模型通过二次设备的历史故障信息对前馈全连接神经网络进行训练获得。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的基于深度学习理论的二次设备故障定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的基于深度学习理论的二次设备故障定位方法的步骤。
CN202110024276.3A 2021-01-08 2021-01-08 一种基于深度学习理论的二次设备故障定位方法及系统 Pending CN112651519A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110024276.3A CN112651519A (zh) 2021-01-08 2021-01-08 一种基于深度学习理论的二次设备故障定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110024276.3A CN112651519A (zh) 2021-01-08 2021-01-08 一种基于深度学习理论的二次设备故障定位方法及系统

Publications (1)

Publication Number Publication Date
CN112651519A true CN112651519A (zh) 2021-04-13

Family

ID=75367914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110024276.3A Pending CN112651519A (zh) 2021-01-08 2021-01-08 一种基于深度学习理论的二次设备故障定位方法及系统

Country Status (1)

Country Link
CN (1) CN112651519A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884809A (zh) * 2021-09-28 2022-01-04 国网黑龙江省电力有限公司 一种基于神经网络的二次设备故障定位方法及系统
CN114236458A (zh) * 2021-11-18 2022-03-25 深圳供电局有限公司 基于测试数据流的双芯智能电表故障定位方法和装置
CN116613006A (zh) * 2023-05-21 2023-08-18 江苏云峰科技股份有限公司 基于储能数据分析的储能断路器动态管理系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908928A (zh) * 2017-12-21 2018-04-13 天津科技大学 一种基于深度学习技术的血红蛋白动态光谱分析预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107908928A (zh) * 2017-12-21 2018-04-13 天津科技大学 一种基于深度学习技术的血红蛋白动态光谱分析预测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
BIAO WANG 等: "Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery", 《NEUROCOMPUTING》 *
BIAO WANG 等: "Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery", 《NEUROCOMPUTING》, 31 October 2019 (2019-10-31), pages 1 - 13 *
WANG JINYONG 等: "Software reliability prediction using a deep learning model based on the RNN encoder–decoder", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 *
WANG JINYONG 等: "Software reliability prediction using a deep learning model based on the RNN encoder–decoder", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》, 25 October 2017 (2017-10-25), pages 1 - 10 *
XIAOPING LIU 等: "Fault location of secondary equipment in smart substation based on switches and deep neural networks", 《IOP CONF. SERIES: EARTH AND ENVIRONMENTAL SCIENCE》, 11 December 2020 (2020-12-11), pages 1 - 12 *
任博 等: "基于深度学习的智能变电站二次设备故障定位研究", 《电网技术（网络首发）》 *
任博 等: "基于深度学习的智能变电站二次设备故障定位研究", 《电网技术（网络首发）》, 26 April 2020 (2020-04-26), pages 1 - 10 *
邱锡鹏: "神经网络与深度学习", 机械工业出版社, pages: 91 - 105 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884809A (zh) * 2021-09-28 2022-01-04 国网黑龙江省电力有限公司 一种基于神经网络的二次设备故障定位方法及系统
CN114236458A (zh) * 2021-11-18 2022-03-25 深圳供电局有限公司 基于测试数据流的双芯智能电表故障定位方法和装置
CN116613006A (zh) * 2023-05-21 2023-08-18 江苏云峰科技股份有限公司 基于储能数据分析的储能断路器动态管理系统
CN116613006B (zh) * 2023-05-21 2024-01-30 江苏云峰科技股份有限公司 基于储能数据分析的储能断路器动态管理系统

Similar Documents

Publication Publication Date Title
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN110175386B (zh) 变电站电气设备温度预测方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN108764568B (zh) 一种基于lstm网络的数据预测模型调优方法及装置
CN111815053B (zh) 一种针对工业时序数据的预测方法及系统
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN115081316A (zh) 基于改进麻雀搜索算法的dc/dc变换器故障诊断方法及系统
CN111488946A (zh) 基于信息融合的雷达伺服系统故障诊断方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN115392141A (zh) 一种自适应的电流互感器误差评估方法
CN112149896A (zh) 一种基于注意力机制的机械设备多工况故障预测方法
CN117148197A (zh) 一种基于集成Transformer模型的锂离子电池寿命预测方法
Halpin et al. Applicability of neural networks to industrial and commercial power systems: A tutorial overview
Berenguel et al. Modelling the free response of a solar plant for predictive control
CN114781875A (zh) 一种基于深度卷积网络的微电网经济运行状态评估方法
Abiyev Fuzzy wavelet neural network for prediction of electricity consumption
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN117154845A (zh) 一种基于生成式决策模型的电网运行调整方法
CN112014757A (zh) 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法
CN116303786A (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN115800274A (zh) 一种5g配电网馈线自动化自适应方法、装置及存储介质

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