CN113486291B - 一种基于深度学习的石油钻机微电网故障预测方法 - Google Patents

一种基于深度学习的石油钻机微电网故障预测方法 Download PDF

Info

Publication number
CN113486291B
CN113486291B CN202110675591.2A CN202110675591A CN113486291B CN 113486291 B CN113486291 B CN 113486291B CN 202110675591 A CN202110675591 A CN 202110675591A CN 113486291 B CN113486291 B CN 113486291B
Authority
CN
China
Prior art keywords
layer
data
fault
auxiliary information
unit
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.)
Active
Application number
CN202110675591.2A
Other languages
English (en)
Other versions
CN113486291A (zh
Inventor
李波
周章宁
胡家文
洪涛
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110675591.2A priority Critical patent/CN113486291B/zh
Publication of CN113486291A publication Critical patent/CN113486291A/zh
Application granted granted Critical
Publication of CN113486291B publication Critical patent/CN113486291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)

Abstract

本发明公开了一种基于深度学习的石油钻机微电网故障预测方法，涉及电网预测技术领域，具体地，本发明将降水量、风速、雷击密度、气压、温度、运行时长等作为辅助信息量，并对辅助信息量有效的进行组合赋权量化，并作为预测模型的子网络输入，建立石油钻机微电网电气量(电流、电压、有功功率)的预测模型，进一步，基于多任务学习网络的诊断分类模型，以电气量预测值作为输入，通过改进的softmax分类器输出故障预测结果，本文提出的故障预测方法，可以有效地提高石油钻机微电网故障预测的精度，而提高石油钻机系统的可靠性。

Description

一种基于深度学习的石油钻机微电网故障预测方法
技术领域
本发明涉及电网预测技术领域，具体地，涉及一种基于深度学习的石油钻机微电网故障预 测方法。
背景技术
石油钻机微电网系统作为特殊的一种微电网结构，是一个集柴油发电机、储能系统、负荷 和控制系统为一体的系统单元。石油钻机微电网系统为石油钻机的转盘电机、绞车电机、泥浆 泵电机、制动电机等用电设备提供源源不断的电力。随着石油钻机规模的扩大和功能的升级， 保障微电网的电力系统安全是石油钻机可靠运行的稳定基础。其中线路跳闸故障是最常见的故 障，线路跳闸是线路出现异常情况的反映和最终结果，在石油钻机微电网系统中，线路跳闸故 障预测有利于提高系统运行的安全性，其中线路的跳闸故障情况主要表征在电流、电压、有功 功率三种电气量数据变化中。在系统识别到即将发生线路跳闸故障后，则需要采取相应的措施， 合理制定停电检修计划。因此本文的研究对象主要针对石油钻机为电网中的跳闸故障类型。
目前，大多数传统研究都是基于物理退化模型，这存在两个问题，一方面，没有充分利用 石油钻机微电网下的丰富数据资源，石油钻机微电网系统的用电设备由于受天气、认为等因素， 在长时间的累积作用下，对微电网故障存在一定的影响，如何去刻画对造成故障的影响程度是 一个需要解决的问题；另一方面，基于故障特征量预测的基础上，如何建立对应的跳闸故障类 型判断，考虑不同电气量的权重影响，获得最终的故障判断结果与故障概率，建立石油钻机微 电网故障预测模型是需要解决的另一个问题。
综上，本发明基于深度学习，建立对应的预测与分类诊断模型，深度挖掘丰富石油钻机微 电网下的丰富数据的有效信息。
发明内容
本发明针对现有技术对石油钻机微电网系统故障预测方法无法解决设备数据信息的有效 挖掘、预测精度不够可靠等缺点，提供了一种基于深度学习的石油钻机微电网故障预测方法。
本发明技术方案为一种基于深度学习的石油钻机微电网故障预测方法，该方法包括：
步骤1：整理石油钻机微电网系统电网线路历史数据，历史数据包括电流、电压、功率、 气象、温度，断路器时序开关量信息、保护器时序开关量信息、系统故障信息，然后整理成故 障样本、正常样本,以及无标签样本，进一步选取对应的辅助信息数据，最后对数据进行预处 理。对缺失数据样本补全，采用插值算法进行缺省插值填补。
其中，数据的无量纲化，采用(0,1)标准化处理，处理方法如下:
Figure BDA0003120902230000021
其中，xi为数据处理后结果，emax和emin是数据预处理后结果的最大值和最小值，xmax和 xmin是数据预处理前的最大值和最小值。
步骤2：采用基于G1和熵权法的组合赋权方法对辅助信息进行赋权量化处理。辅助信息 量包括降水量、风速、雷击密度、气压、温度、运行时长。
具体地，赋权方法如下：
步骤2.1：基于G1计算主观赋权
(1)评价专家通过自身标准在所有的辅助信息量因子集中选择出影响程度最大的因子， 将该指标记为x1；
(2)评价专家在其余的n-1个评价因子中，选择其中最为重要的评价因子，设为x1：
(3)在进行了t次挑选后，评价专家在剩下的n-(t-1)个评价因子中选出其中最为重要 的评价因子，标记为xt；
(4)在经过n-1次选择后，剩余最后的评价因子为xn；
步骤2.1.1：经过专家评价选择按重要程度从高到低确定了评价因子x1，x2，...，xn，建立了 各评价因子之间的序关系。
步骤2.1.2：在确定了因子间的序关系后需要进行各个因子的定量分析，设专家判断因子 xk-1与xk的重要程度之比ωk-1/ωk分别为：
ωk-1/ωk＝rk(k＝n，n-1，n-2，…，3，2)
其中ωk为第k辅助信息的主观权重。根据常用文化用语设定，对定量分析中的rk建立9 级的语气算子关系说明如下表1所示：
表1 rk与算子说明的对应说明
Figure BDA0003120902230000022
Figure BDA0003120902230000031
步骤2.1.3：根据实际情况给rk赋值后，根据归一化原则，计算出各辅助信息的主观权重；
步骤2.2：基于熵权法计算客观赋权
步骤2.2.1：构建初始评价矩阵，评价体系有n个辅助信息指标X1，X2，...，Xn，每个辅助信 息指标有m个样本量，具体为Xi＝{x1，x2，...，xm}，则构成初始矩阵R；
Figure BDA0003120902230000032
其中rij为第i个辅助信息的第j个样本数据；
步骤2.2.2：对R不同的元素进行归一化处理，计算rij的特征比重Pij，得到标准化初始矩 阵P；
Figure BDA0003120902230000033
其中，ri表示第i个辅助信息指标的所有样本量数据；
步骤2.2.3：计算第i个辅助信息量的信息熵Hi：
Figure BDA0003120902230000034
其中，参数k与数据的组数m有关；
步骤2.2.4：计算第i个辅助信息指标对应的熵权ωi：
Figure BDA0003120902230000035
步骤2.3：基于G1和熵权法的组合赋权方法计算组合权重；
Figure BDA0003120902230000036
其中ω1i为通过G1法获得的第i个辅助信息指标的主观权重，ω2i为通过熵权法获得的第i个 因子的客观权重，Wi为通过综合赋权得到第i个辅助信息指标的综合权重。
步骤3：基于门控循环单元(GRU,Gate Recurrent Unit)建立预测模型，分别为电流、电 压、有功功率三种电气量建立预测模型。
具体的，预测模型具体步骤如下，流程图如图4所示。
步骤3.1将预测日上一周当天的电气量曲线数据和预测日辅助信息量化后数据合并得到 网络的训练集和测试集；
步骤3.3利用训练集训练附图2的石油钻机微电网电气量预测模型，并利用测试集测试， 得到最终的石油钻机微电网线路电气量预测网络，电气量预测神经网络的结构包括3个模块， 其中：
模块一为电气量预测输入模块，输入P1表示电气量数据，包括由电流序列、电压序列、有 功功率序列三种电气量，三种电气量单独作为输入进行预测。对应输入数据的分割步长设置为 (6,16)。GRU网络由300个GRU单元连接构成，300个GRU单元通过更新门、重置门、输出门 进行连接，对数据输入进行运算。
模块二为辅助信息量输入模块，输入的辅助信息量包括组合赋权后的降水量、风速、雷击 密度、气压、温度、运行时长数据，然后通过两层全连接层连接，全连接层的单元数量为100。
模块三为结果输出模块，将模块一和模块二的输出结果通过融合层将结果进行合并，融合 层单元数量为400；融合层后接BN(Batch Normalization，BN)层，融合层的每一个单元输 出都与BN层的每一个单元连接，BN层单元步长分割设置为(6,16)；BN层后连接Dropout层， BN层的每一个单元输入对应与Dropout的单元进行连接，Dropout层单元数量为400；Dropout 层后连接两层全连接层，全连接层的单元数量为100；采用RMSprop进行梯度下降优化；学习 率设置为0.001；Dropout概率设置为0.55；最后输出结果单元为96。
步骤4：基于长短期记忆网络(LSTM,Long Short-Term Memory)建立石油钻机微电网故 障预测
步骤4.1基于步骤3获得电流、电压、有功功率时间历史序列样本和预测值样本，并整 理四个微电网线路运行状态的故障数据(正常、过电流、设备缺陷、外力破坏)
步骤4.2进行数据补全和0-1标准化预处理，根据K-CV检验方法，随机分组得到训练集 和测试集；
步骤4.3具体地，故障预测流程图如图5所示，如图3故障预测网络结构所示，其中故 障分类诊断模型的结构为两个模块，其中：
模块一为电气量序列输入模块，由电流序列、电压序列、有功功率序列作为对应LSTM子 网络的输入，输入时间步数设置为25，输入步长设置为20；LSTM子网络由300个单元连接构 成，每个单元结构通过输入门、更新门、输出门、Cell单元进行连接计算；每批次的样本量 为32；采用RMSprop进行梯度下降优化；学习率设置为0.001；Dropout概率设置为0.55。
模块二为故障分类结果输出模块，由模块一中三个LSTM子网络的输出作为融合层的输入， 进行特征融合，融合层的单元数量为300；融合层后接BN(Batch Normalization，BN)层， 融合层的每一个单元输出都与BN层的每一个单元连接，BN层单元步长分割设置为(20，25)； BN层后连接Dropout层，BN层的每一个单元输入对应与Dropout的单元进行连接，Dropout 层单元数量为400；Dropout层后连接一层全连接层，全连接层的单元数量为100；全连接层 后连接改进的Softmax作为分类器，其中改进的分类器采用的损失函数如下：
Figure BDA0003120902230000051
其中，{x(i)，y(i)}是训练样本，i＝1，2，3...n，y(i)∈{1，2，3，...，k}，表示y(i)分为k个不同类别，
Figure BDA0003120902230000053
表示采用交叉熵损失Softmax分类中估计第i个样本下第j个类别的概率估计，示范性函数
Figure BDA0003120902230000052
q表示Box-Cox变换中的阶数。
最后输出结果单元数量为4，输出表示正常、过电流、设备缺陷、外力破坏故障的类型和 对应的概率。
步骤4.4利用训练集对多个LSTM的模型进行训练，对三种电气量信息进行时间特征的提 取和融合，并利用测试集进行测试；
步骤4.5将提取的特征(全连接层)送入softmax分类器中，进行最终的故障分类结果；
步骤4.6将电气量预测值输入故障分类模型，获得故障预测结果。
本发明根据石油钻机微电网系统运行的特点，充分考虑可能影响线路跳闸短路故障的因素， 通过组合赋权量化后辅助信息为预测模型的提供辅助输入训练，有效提高了预测模型的准确率。 进一步，在获得电气量预测结果基础上，基于LSTM建立石油钻机微电网故障预测模型，有效 提高了石油钻机微电网系统故障预测模型的准确性和可靠性。
附图说明
图1为本发明方法的流程图
图2为基于GRU网络的石油钻机微电网电气量预测模型结构图
图3为基于MLSTM的石油钻机微电网系统故障预测模型结构图
图4为基于GRU网络的石油钻机微电网电气量预测流程图
图5为基于MLSTM的石油钻机微电网系统故障预测流程图
图6为基于某石油钻机平台微电网故障预测5-CV模型结果图
具体实施方式
下面对本发明的实施例程详细说明(图1)，本实施例程在以本发明技术方案为前提下进 行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例 程。
对发明内容步骤2中定量分析的rk建立9级的语气算子关系说明如下表1所示：
表1 rk与算子说明的对应说明
Figure BDA0003120902230000061
实施例程主要依次为以下几个步骤：
步骤1：整理石油钻机微电网系统电网线路历史数据，历史数据包括电流、电压、功率、 气象、温度等监测数据，断路器和保护等时序开关量信息、系统故障信息等数据，其中气象数 据通过当地气象局查询获得，进一步，整理成故障样本、正常样本,以及无标签样本，进一步 选取对应的辅助信息数据，最后对数据进行预处理。对缺失数据样本补全，采用插值算法进行 缺省插值填补。本实验数据来源于某石油钻机微电网线路的电压、电流、功率、温度、运行时 长、气象数据，数据包含2017-2019年历史数据。
步骤2：辅助信息量的组合赋权量化。
步骤2.1选取辅助信息量，具体如表2所示。
表2 微电网电力电气量预测的精细辅助信息量
Figure BDA0003120902230000071
步骤2.2基于石油钻机微电网专家、气象专家和高校研究学者组成的专家团对表2的致 灾因素的重要性进行排序，参考表1确定的因子顺序间的重要性定量标度，排序结果如表3 所示：
表3 辅助信息量排序结果
Figure BDA0003120902230000072
步骤2.3计算主客观权重ω1、ω2，通过拉格朗日公式可得到综合了主客观权重的综合权 重，对应的，综合权重系数乘以对应的辅助信息量，作为预测模型的辅助输入，具体主观、客 观、组合赋权系数数值如表4所示
表4 辅助信息权重
Figure BDA0003120902230000073
Figure BDA0003120902230000081
步骤3：石油钻机微电网电气量预测。石油钻机微电网系统电气量预测模型的网络结构如 图2所示。训练集数据时间范围是2017年1月到2019年9月份，测试集数据是2019年10 月到2019年12月。每一类中取2条线路，作为训练集和测试集，样本数分别为63000和9000。 其中微电网线路一天的电气量数据作为一个样本记为P。采样时间间隔为15分钟，所以P的维 度为96。网络结构有两个输入，其中输入1：P1是预测时间前一天内电气量变化数据。输入2： x1,x2，…，xn是温度、运行时长、气压、降水量、雷击密度、风速辅助信息量。
步骤3.1构建预测网络结构参数，图表5所示
表5 GRU预测网络结构
Figure BDA0003120902230000082
步骤4：石油钻机微电网故障预测。其中故障分类分为：过电流、设备缺陷、外力因素、 正常。基于故障发生在线路上电气量反映的整个过程和实验经验，我们采集的电气量数据为故 障时刻前500个采样点的时间序列，并且带有故障记录标签。而电气量数据包括三种类型:线 路电流、电压、有功功率，其中有历史数据和基于步骤3的预测结果数据。
步骤4.1：样本量设置，图表6所示
表6故障分类实验数据集样本数
Figure BDA0003120902230000091
步骤4.2：构建故障分类网络训练参数，图表7所示
表7 故障分类模型参数设置
Figure BDA0003120902230000092
步骤5：交叉检验，将原始数据平均分成K组，将每一个子集分别作为一个测试集，其余 的K-1组子集合并起来作为一个训练集。这样处理后，将得到K组训练集和测试集，能训练岀 K个模型，最后求出这个K个模型的平均性能，即对这K个测试集测试所得的准确率进行平均， 作为最终的网络性能。对故障预测模型进行交叉检验中参数K取5。基于5-CV的实验结果如 图4所示，得到故障诊断分类平均准确率为86.02％。
由发明内容和实施实例可知，本发明一种基于深度学习的石油钻机微电网故障预测方法是 深度学习算法和组合赋权方法的改进模型，其中基于GRU的电气量预测模型中在加入辅助信息 的同时，对辅助信息有效的进行组合赋权量化，有效地提高预测模型的精度，基于MLSTM的故 障诊断分类模型对电气量预测值进行诊断分类，有效识别未来可能发生短路跳闸故障的类型和 概率，能大大地提高系统的可靠性。

Claims (6)

1.一种基于深度学习的石油钻机微电网故障预测方法，该方法包括：
步骤1：整理石油钻机微电网系统电网线路历史数据，然后将获得历史数据整理成故障样本、正常样本、无标签样本；选取对应的辅助信息数据；采用插值算法对辅助信息进行缺省插值填补、最后进行归一化处理；
步骤2：对辅助信息进行赋权量化处理；
步骤3：基于门控循环单元(Gated Recurrent Unit，GRU)建立电气量预测神经网络，分别为电流、电压、有功功率三种电气量建立电气量预测神经网络，具体步骤如下：
步骤3.1：将预测日上一周当天的电气量曲线数据和预测日辅助信息量化后数据合并得到网络的训练集和测试集；
步骤3.3：利用训练集训练电气量预测神经网络，并利用测试集测试，得到最终的电流、电压、有功功率三种电气量预测神经网络；
步骤4：基于长短期记忆网络建立石油钻机微电网故障预测模型；
步骤4.1：基于步骤3的电气量预测神经网络，获得电流、电压、有功功率时间历史序列样本和预测值样本，并对应整理四个微电网线路运行状态的故障数据：正常、过电流、设备缺陷、外力破坏；
步骤4.2：对步骤4.1得到的数据进行数据补全和0-1标准化预处理，根据K-CV检验方法，随机分组得到训练集和测试集；
步骤4.3：建立故障分类诊断神经网络，输入为电流、电压、有功功率，输出为对应的故障分类；采用步骤3得到的训练集和测试集对故障预测神经网络进行训练和测试；
步骤5：采用训练好的电气量预测神经网络和故障分类神经网络对待检测数据进行故障预测。
2.根据权利要求1所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤2为采用基于G1和熵权法的组合赋权方法，其具体方法为：
步骤2.1：基于G1计算主观赋权；
步骤2.1.1：根据影响程度大小对n个辅助信息进行从大到小排序，依次记为x1,x2，…,xn，
步骤2.1.2：建立辅助信息之间的重要程度之比rk，xk-1与xk的主观权重之比ωk-1/ωk分别为：
ωk-1/ωk＝rk
其中,k＝n,n-1,n-2,…,3,2，ωk为第k辅助信息的主观权重；
步骤2.1.3：根据实际情况给rk赋值后，根据归一化原则，计算出各辅助信息的主观权重；
步骤2.2：基于熵权法计算客观赋权；
步骤2.2.1：构建初始评价矩阵，评价体系有n个辅助信息指标X1,X2,…,Xn，每个辅助信息指标有m个样本量，具体为Xi＝{x1,x2，…，xm}，则构成初始矩阵R；
Figure FDA0003120902220000021
其中rij为第i个辅助信息的第j个样本数据；
步骤2.2.2：对R不同的元素进行归一化处理，计算rij的特征比重Pij，得到标准化初始矩阵P；
Figure FDA0003120902220000022
其中，ri表示第i个辅助信息指标的所有样本量数据；
步骤2.2.3：计算第i个辅助信息量的信息熵Hi：
Figure FDA0003120902220000023
其中，m为数据的组数；
步骤2.2.4：计算第i个辅助信息指标对应的熵权ωi：
Figure FDA0003120902220000024
步骤2.3：基于G1和熵权法的组合赋权方法计算组合权重；
Figure FDA0003120902220000025
其中ω1i为通过G1法获得的第i个辅助信息指标的主观权重，ω2i为通过熵权法获得的第i个因子的客观权重，Wi为通过综合赋权得到第i个辅助信息指标的综合权重。
3.根据权利要求1所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤3.3中的电气量预测神经网络的结构包括3个模块，其中：
模块一为电气量预测输入模块，输入P1表示电气量数据，包括由电流序列、电压序列、有功功率序列三种电气量，三种电气量单独作为输入进行预测， 对应输入数据的分割步长设置为(6,16)；GRU网络由300个GRU单元连接构成，300个GRU单元通过更新门、重置门、输出门进行连接，对数据输入进行运算；
模块二为辅助信息量输入模块，输入的辅助信息量包括组合赋权后的降水量、风速、雷击密度、气压、温度、运行时长数据，然后通过两层全连接层连接，全连接层的单元数量为100；
模块三为结果输出模块，将模块一和模块二的输出结果通过融合层将结果进行合并，融合层单元数量为400；融合层后接BN层，融合层的每一个单元输出都与BN层的每一个单元连接，BN层单元步长分割设置为(6,16)；BN层后连接Dropout层，BN层的每一个单元输入对应与Dropout的单元进行连接，Dropout层单元数量为400；Dropout层后连接两层全连接层，全连接层的单元数量为100；采用RMSprop进行梯度下降优化；学习率设置为0.001；Dropout概率设置为0.55；最后输出结果单元为96。
4.根据权利要求1所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤4.3中的故障分类诊断模型的结构为两个模块，其中：
模块一为电气量序列输入模块，由电流序列、电压序列、有功功率序列作为对应LSTM子网络的输入，输入时间步数设置为25，输入步长设置为20；LSTM子网络由300个单元连接构成，每个单元结构通过输入门、更新门、输出门、Cell单元进行连接计算；每批次的样本量为32；采用RMSprop进行梯度下降优化；学习率设置为0.001；Dropout概率设置为0.55；
模块二为故障分类结果输出模块，由模块一中三个LSTM子网络的输出作为融合层的输入，进行特征融合，融合层的单元数量为300；融合层后接BN层，融合层的每一个单元输出都与BN层的每一个单元连接，BN层单元步长分割设置为(20,25)；BN层后连接Dropout层，BN层的每一个单元输入对应与Dropout的单元进行连接，Dropout层单元数量为400；Dropout层后连接一层全连接层，全连接层的单元数量为100；全连接层后连接改进的Softmax作为分类器，其中改进的分类器采用的损失函数Lq如下：
Figure FDA0003120902220000031
其中，{x(i)，y(i)}是训练样本，i＝1，2，3…n，y(i)∈{1,2,3,…,k},表示y(i)分为k个不同类别，
Figure FDA0003120902220000041
表示采用交叉熵损失Softmax分类中估计第i个样本下第j个类别的概率估计，示范性函数
Figure FDA0003120902220000042
q表示Box-Cox变换中的阶数；
最后输出结果单元数量为4，输出表示正常、过电流、设备缺陷、外力破坏故障的类型和对应的概率。
5.根据权利要求1所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤1中历史数据包括：电流、电压、有功功率、气象、温度，断路器时序开关量信息和保护器时序开关量信息、系统故障信息，所述辅助信息量包括降水量、风速、雷击密度、气压、温度、运行时长。
6.根据权利要求2所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤2.2.3中的参数
Figure FDA0003120902220000043
CN202110675591.2A 2021-06-18 2021-06-18 一种基于深度学习的石油钻机微电网故障预测方法 Active CN113486291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110675591.2A CN113486291B (zh) 2021-06-18 2021-06-18 一种基于深度学习的石油钻机微电网故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110675591.2A CN113486291B (zh) 2021-06-18 2021-06-18 一种基于深度学习的石油钻机微电网故障预测方法

Publications (2)

Publication Number Publication Date
CN113486291A CN113486291A (zh) 2021-10-08
CN113486291B true CN113486291B (zh) 2023-04-07

Family

ID=77935677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110675591.2A Active CN113486291B (zh) 2021-06-18 2021-06-18 一种基于深度学习的石油钻机微电网故障预测方法

Country Status (1)

Country Link
CN (1) CN113486291B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757393A (zh) * 2022-03-18 2022-07-15 广东电网有限责任公司广州供电局 一种电力业扩项目时长的预测方法和装置
CN116542170A (zh) * 2023-04-10 2023-08-04 郑州大学 基于ssae和mlstm的排水管道淤积病害动态诊断方法
CN117559502B (zh) * 2023-11-24 2024-05-10 许昌中天宇光电气技术有限公司 一种新能源储能变流升压一体舱

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898686A (zh) * 2020-08-04 2020-11-06 重庆大学 基于门控循环单元网络的轴承故障识别方法
CN112069591A (zh) * 2020-08-11 2020-12-11 中车长春轨道客车股份有限公司 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法
CN112215512A (zh) * 2020-10-22 2021-01-12 上海交通大学 计及微电网功能特性的综合评价指标权重量化方法及系统
CN112507479A (zh) * 2020-11-19 2021-03-16 电子科技大学 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN112729531A (zh) * 2020-12-25 2021-04-30 国网浙江省电力有限公司电力科学研究院 配电变压器设备故障研判方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11379284B2 (en) * 2018-03-13 2022-07-05 Nec Corporation Topology-inspired neural network autoencoding for electronic system fault detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898686A (zh) * 2020-08-04 2020-11-06 重庆大学 基于门控循环单元网络的轴承故障识别方法
CN112069591A (zh) * 2020-08-11 2020-12-11 中车长春轨道客车股份有限公司 一种基于ResNet与GRU的动车组车轴剩余寿命预估方法
CN112215512A (zh) * 2020-10-22 2021-01-12 上海交通大学 计及微电网功能特性的综合评价指标权重量化方法及系统
CN112507479A (zh) * 2020-11-19 2021-03-16 电子科技大学 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN112729531A (zh) * 2020-12-25 2021-04-30 国网浙江省电力有限公司电力科学研究院 配电变压器设备故障研判方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Bidirectional deep recurrent neural networks for process fault classification;Gavneet Singh Chadha 等;《ISA Transactions》;第106卷;第330-342页 *
双向LSTM神经网络的航空发动机故障预测;曾慧洁 等;《空军工程大学学报(自然科学版)》;第20卷(第4期);第26-32页 *
基于深度学习的石油钻机微电网故障预测与维护研究;周章宁;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第01期);第B019-162页 *

Also Published As

Publication number Publication date
CN113486291A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN113486291B (zh) 一种基于深度学习的石油钻机微电网故障预测方法
CN110570122B (zh) 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法
CN111582700B (zh) 一种配电网设备故障率计算方法
CN111669123B (zh) 用于对光伏组串进行故障诊断的方法和装置
CN109936113B (zh) 一种基于随机森林算法的保护动作智能诊断方法及系统
CN108876163A (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN114370380A (zh) 一种计及气象因素的风电机组故障诊断方法
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN116226469B (zh) 一种储能设备故障的智能诊断方法及系统
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN115358347B (zh) 一种针对不同子系统下智能电表的剩余寿命预测方法
CN110794254B (zh) 一种基于强化学习的配电网故障预测方法及系统
CN115146739A (zh) 基于堆叠时间序列网络的电力变压器故障诊断方法
CN112288147B (zh) 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法
CN112632840A (zh) 基于自适应差分进化算法与elm的电网暂态稳定评估方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN115564310A (zh) 一种基于卷积神经网络的新能源电力系统可靠性评估方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN116415724A (zh) 一种光伏电站运维检修时间的预测方法及装置
CN116644361A (zh) 一种架空输电线路故障诊断方法及计算机可读介质
CN113139601B (zh) 一种基于lstm和注意力机制的道岔故障检测方法
CN114897262A (zh) 一种基于深度学习的轨道交通设备故障预测方法
CN114021743A (zh) 一种风电机组的故障预警建模方法及系统
Huang et al. Data-driven fault risk warning method for distribution system
CN115865627B (zh) 一种基于模式提取进行表征学习的蜂窝网络故障诊断方法

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