CN113762486A

CN113762486A - 换流阀故障诊断模型的构建方法、装置和计算机设备

Info

Publication number: CN113762486A
Application number: CN202111330101.1A
Authority: CN
Inventors: 杨洋; 石延辉; 张海凤; 袁海; 洪乐洲; 杨阳; 吴梦凡; 吴桐; 张朝斌; 张博; 黄家豪; 李凯协; 赖皓; 廖名洋; 张卓杰; 姚言超; 夏杰; 李金安; 秦金锋; 许浩强
Original assignee: Guangzhou Bureau of Extra High Voltage Power Transmission Co
Current assignee: Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority date: 2021-11-11
Filing date: 2021-11-11
Publication date: 2021-12-07
Anticipated expiration: 2041-11-11
Also published as: CN113762486B

Abstract

本申请涉及一种换流阀故障诊断模型的构建方法、装置和计算机设备。所述方法包括：获取换流阀的训练数据集；基于卷积门控递归神经网络的超参数构建卷积门控递归神经网络；通过训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络；判断训练后的卷积门控递归神经网络的适应度是否达到适应度阈值；若未达到，则对超参数进行优化，得到新的超参数，并返回基于超参数构建卷积门控递归神经网络的步骤；若达到，则将训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。采用本方法可以实现将换流阀的故障运行数据输入换流阀故障诊断模型，快速得到换流阀的故障类型，根据故障类型确定故障位置。

Description

换流阀故障诊断模型的构建方法、装置和计算机设备

技术领域

本申请涉及故障检测技术领域，特别是涉及一种换流阀故障诊断模型的构建方法、装置、计算机设备和存储介质。

背景技术

换流阀是高压直流输电系统的核心部件，是实现交流-直流变换的枢纽，因此，具有很高的安全要求。换流阀一般拥有大量的模块和监控参数，复杂的工作环境、长期连续的工作使得关键系统设备容易出现故障。因此，如果未能预先发现故障的发生，可能会导致严重的后果。更重要的是，虽然相关的操作人员通常都接受了足够的培训，但当换流阀发生故障时，操作人员很难在很短的时间内准确判断故障类型。

目前，换流阀的关键设备故障诊断多采用传统的监测方法或依赖工作人员的经验，不能完全处理复杂系统的故障诊断任务。

发明内容

基于此，有必要针对上述技术问题，提供一种能够使工作人员可以做出准确的判断和决策，有效防止局部故障进一步发展为严重事故，实现全生命周期的智能运维，减小系统安全风险和经济损失的换流阀故障诊断模型的构建方法、装置、计算机设备和存储介质。

一种换流阀故障诊断模型的构建方法，所述方法包括：

获取换流阀的训练数据集；

确定卷积门控递归神经网络的超参数，并基于所述超参数构建相应的卷积门控递归神经网络；

通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络；

获取所述训练后的卷积门控递归神经网络的适应度，并判断所述适应度是否达到适应度阈值；所述适应度用于表征所述训练后的卷积门控递归神经网络对所述换流阀的故障诊断准确性；

若所述适应度未达到所述适应度阈值，则对所述超参数进行优化，得到新的超参数，并返回所述基于所述超参数构建相应的卷积门控递归神经网络的步骤；

若所述适应度达到所述适应度阈值，则将所述训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。

在其中一个实施例中，所述获取换流阀的训练数据集，包括：

构建所述换流阀的数字孪生模型；

获取所述数字孪生模型的模拟运行数据和所述换流阀的历史故障数据，得到样本数据集；

从所述样本数据集中选取多组样本数据，形成训练数据集。

在其中一个实施例中，所述获取所述数字孪生模型的模拟运行数据，包括：

获取所述数字孪生模型在预设的多种故障类型下的模拟运行数据，作为故障运行数据，以及获取所述数字孪生模型在正常工作状态下的模拟运行数据，作为正常运行数据；

根据所述故障运行数据和所述正常运行数据，组成所述数字孪生模型的模拟运行数据。

在其中一个实施例中，所述通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，包括：

通过所述训练数据集对所述卷积门控递归神经网络进行训练，当训练结果满足训练终止条件时，得到所述卷积门控递归神经网络的模型参数；

基于所述模型参数，得到训练后的卷积门控递归神经网络。

将所述训练数据集分为多个批次，并将所述训练数据集随机打乱；

根据打乱处理后的训练数据集对所述卷积门控递归神经网络进行训练，得到所述训练后的卷积门控递归神经网络。

在其中一个实施例中，所述获取所述训练后的卷积门控递归神经网络的适应度，包括：

获取换流阀的测试数据集；

将所述测试数据集中的各组测试数据依次输入所述训练后的卷积门控递归神经网络，得到各组所述测试数据对应的识别结果；

根据各组所述测试数据对应的识别结果，计算所述训练后的卷积门控递归神经网络的适应度。

在其中一个实施例中，在对所述超参数进行优化，得到新的超参数之前，还包括：

确定对所述超参数进行优化的优化次数和优化时间；

当所述适应度未达到适应度阈值，且所述优化次数未超出优化次数阈值，且所述优化时间未达到时间阈值时，对所述超参数进行优化，得到新的超参数。

一种换流阀故障诊断模型的构建装置，所述装置包括：

获取模块，用于获取换流阀的训练数据集；

构建模块，用于确定卷积门控递归神经网络的超参数，并基于所述超参数构建相应的卷积门控递归神经网络；

训练模块，用于通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络；

判断模块，用于获取所述训练后的卷积门控递归神经网络的适应度，并判断所述适应度是否达到适应度阈值；所述适应度用于表征所述训练后的卷积门控递归神经网络对所述换流阀的故障诊断准确性；

优化模块，用于若所述适应度未达到所述适应度阈值，则对所述超参数进行优化，得到新的超参数，并返回所述基于所述超参数构建相应的卷积门控递归神经网络的步骤；

确定模块，用于若所述适应度达到所述适应度阈值，则将所述训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取换流阀的训练数据集；

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以下步骤：

获取换流阀的训练数据集；

上述换流阀故障诊断模型的构建方法、装置、计算机设备和存储介质，首先基于超参数构建一个卷积门控递归神经网络，然后采用训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，进一步，在训练后的卷积门控递归神经网络的适应度未达到适应度阈值，对所述超参数进行优化，得到新的超参数，基于新的超参数重新构建卷积门控递归神经网络，再次进行训练，直至适应度达到适应度阈值，将最后得到的训练后的卷积门控递归神经网络作为换流阀故障诊断模型。该方法通过训练得到换流阀故障诊断模型，使得后续在换流阀出现故障时，可将换流阀的故障运行数据输入换流阀故障诊断模型，得到换流阀的故障类型，由此，根据故障类型快速确定故障位置。

附图说明

图1为一个实施例中换流阀故障诊断模型的构建方法的应用环境图；

图2为一个实施例中门控循环单元GRU的门关循环机构示意图；

图3为一个实施例中卷积门控递归神经网络训练和粒子群优化算法对超参数寻优的流程示意图；

图4为一个实施例中EPSO中全局最优解决方案和平均适应度的变化示意图；

图5为一个实施例中采用训练数据集和采用测试数据集时模型精度的变化示意图；

图6为一个实施例中采用训练数据集和采用测试数据集时模型损失函数值的变化示意图；

图7为一个实施例中不同故障类型下的换流阀故障诊断模型的诊断精度示意图；

图8为一个实施例中换流阀故障诊断模型的构建装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种换流阀故障诊断模型的构建方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤S102，获取换流阀的训练数据集。

其中，训练数据集包含有故障运行数据和正常运行数据。

具体实现中，可获取换流阀的故障运行数据和正常运行数据，得到样本数据集，在得到换流阀的样本数据集后，可将样本数据集按照一定比例划分为样本数据集和测试数据集，以便于通过训练数据集对卷积门控递归神经网络进行训练，通过测试数据集对卷积门控递归神经网络进行测试。

步骤S104，确定卷积门控递归神经网络的超参数，并基于超参数构建相应的卷积门控递归神经网络。

其中，卷积门控递归神经网络（CGRU）包括多个卷积门控递归单元，递归神经网络是接收输入序列并从输入序列生成输出序列的神经网络。

其中，超参数包括卷积层的数量、每个卷积核的大小、卷积核的步进、池化层的大小、门控循环单元（GRU）的数量、门控循环单元（GRU）的大小、CGRU中每一层的丢弃比。

具体实现中，在确定卷积门控递归神经网络的超参数后，可基于超参数，利用张量流的框架构建卷积核和GRU网络。更具体地，包括构建输入层、具有多个卷积层的隐藏层、激活功能层、池化层和退出层。然后，叠加多层GRU层、退出层、全连层、输出层，完成卷积门控递归神经网络模型的构建。

步骤S106，通过训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络。

具体实现中，通过练数据集对卷积门控递归神经网络进行训练，当训练结果满足训练终止条件时，得到卷积门控递归神经网络的模型参数，基于模型参数，得到训练后的卷积门控递归神经网络，其中，模型参数可以为卷积门控递归神经网络的权重和偏差。

步骤S108，获取训练后的卷积门控递归神经网络的适应度，并判断适应度是否达到适应度阈值；适应度用于表征训练后的卷积门控递归神经网络对换流阀的故障诊断准确性。

具体实现中，可以通过换流阀的测试数据集对训练后的卷积门控递归神经网络进行测试，得到训练后的卷积门控递归网络的适应度，其中测试数据集中的每组测试数据标注有故障类型。在通过测试数据集进行测试时，将测试数据集中的每组测试数据输入训练后的卷积门控递归神经网络，得到各组测试数据对应的故障类型；将各组测试数据对应的故障类型，以及各组测试数据标注的故障类型进行比对，根据比对结果获取训练后的卷积门控递归神经网络的适应度。将适应度与适应度阈值进行比对，判断适应度是否达到适应度阈值。

步骤S110，若适应度未达到适应度阈值，则对超参数进行优化，得到新的超参数，并返回基于超参数构建相应的卷积门控递归神经网络的步骤。

其中，增强粒子群算法是一种寻找参数最优解的方法。

具体实现中，适应度阈值可以为95%，当训练后的卷积门控递归神经网络的适应度未达到适应度阈值，即适应度小于95%时，采用增强粒子群优化算法（EPSO）对超参数进行优化，寻找超参数的最优解。其中，对超参数的优化包括初始化EPSO中的CGRU网络结构、初始位置和速度、惯性权值、学习因子等参数，之后，各个超参数以粒子的形式呈现，以便于采用粒子群优化算法对超参数进行优化，更具体地，优化过程可表示为：

其中，v _i(t)是时间t处的速度，k是迭代计算的时间代数，

是个体最优极值，

是全局最优，r是（0,1）之间的随机数，惯性权重因子表示为w _k，而“认知”学习因子和“社会”分别表示为c _1k和c _2k。对于惯性的权值，与标准PSO的线性减重值相比，本申请采用了一种非线性调整算法，避免了与实际搜索过程的不匹配。具体计算结果如下：

w=a×exp（bk ²）×rand（0,1）

b=1/（K ²-1）In（W _max/W _min）

a=w _maxexp（-b）

在上述三个方程式中，k是当前的迭代次数，而k是最大的迭代次数。W _max和W _min分别表示惯性重量值的上限和下限。本申请的上限和下限分别为0.9和0.4。通过这种非线性切换，保证了惯性重量的整体趋势呈现出非线性趋势。因此，某一迭代时间的惯性权重不一定小于前一状态的值，也不一定大于后一状态的值，以避免快速惯性权重衰减的问题。

r（0,1）是区间（0,1）之间的随机数，δ是邻域中的干扰因子，可以根据实际问题进行动态调整。在计算出速度更新方程后，将时间t+1得到的速度值代替为以下等式，可以得到各维粒子的最新值。

x _i（t+1）=x _i（t）+v _i（t+1）

x _i（t）=[x _i1（t），x _i2（t），…，x _iD（t）]^T表示粒子在时间t处的位置，然后，与粒子位置对应的超参数值被去正化并传递前述的网络结构。经过样本数据训练后，将测试数据的故障诊断精度视为EPSO的适合度。在此基础上，通过比较时间T处每个粒子的适应度值与之前所有的粒子状态的适应度值，得到了具有最佳适应度的粒子，并保存为全局最优粒子。

为了解决粒子倾向于局部最优解的事实，利用遗传算法的思想进行自适应高频随机变化：

其中，rand和rand1表示0和1之间的两个独立随机数。

步骤S112，若适应度达到适应度阈值，则将训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。

具体实现中，若训练后的卷积门控递归神经网络的适应度达到了适应度阈值，即适应度≥95%，表明训练后的卷积门控递归神经网络已满足对换流阀进行故障诊断的要求，则可将训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。进一步地，可获取换流阀的实际运行数据，将实际运行数据输入换流阀故障诊断模型中，得到换流阀的故障类型，基于故障类型确定故障位置。

在一个实施例中，还可评价换流阀故障诊断模型的故障诊断结果，具体可采用混淆矩阵和准确率作为评价模型准确性和有效性的指标。

上述换流阀故障诊断模型的构建方法中，首先基于超参数构建一个卷积门控递归神经网络，然后采用训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，进一步，在训练后的卷积门控递归神经网络的适应度未达到适应度阈值，对所述超参数进行优化，得到新的超参数，基于新的超参数重新构建卷积门控递归神经网络，再次进行训练，直至适应度达到适应度阈值，将最后得到的训练后的卷积门控递归神经网络作为换流阀故障诊断模型。该方法通过训练得到换流阀故障诊断模型，使得后续在换流阀出现故障时，可将换流阀的故障运行数据输入换流阀故障诊断模型，得到换流阀的故障类型，由此，根据故障类型快速确定故障位置。另外，本申请提供的换流阀故障诊断模型的构建方法中，在采用换流阀的训练数据集对卷积门控递归神经网络进行训练，还通过增强粒子群优化算法对卷积门控递归神经网络的超参数进行优化，极大地提高了所得到的换流阀故障诊断模型的故障识别准确性。

在一示例性实施例中，上述步骤S102具体包括：构建换流阀的数字孪生模型；获取数字孪生模型的模拟运行数据和换流阀的历史故障数据，得到样本数据集；从样本数据集中选取多组样本数据，形成训练数据集。

在一个实施例中，获取数字孪生模型的模拟运行数据，包括：获取数字孪生模型在预设的多种故障类型下的模拟运行数据，作为故障运行数据，以及获取数字孪生模型在正常工作状态下的模拟运行数据，作为正常运行数据；根据故障运行数据和正常运行数据，组成数字孪生模型的模拟运行数据。

其中，数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

其中，预设的多种故障类型可包括：阀控装置异常（记为故障1），阀控通讯接口工作异常（记为故障2）以及阀本体元件故障（记为故障3）。

具体实现中，由于换流阀运行过程中，难以获取其在不同故障类型下的故障运行数据，且换流阀安全要求较高，不能直接在换流阀中进行模拟不同的故障类型，因此，本申请采用构建换流阀的数字孪生模型的方法，实现故障运行数据的获取。本申请构建的换流阀的数字孪生模型是一个交-直流变换过程的模拟模型，通过初始化和在线更新，仿真模型与典型条件下的实际换流阀同步，由此实现数字孪生。在将数字仿真模型在不同故障类型下进行运行，得到对应的故障数据后，还可根据故障类型对故障数据进行对应的标注，由此，得到具有标注故障类型的故障运行数据和正常运行数据，作为模拟运行数据，将模拟运行数据和换流阀的历史故障数据构成换流阀的训练样本集，存储至数据库中，以便于后续进行网络训练和测试。

在一个实施例中，得到模拟运行数据和历史故障数据后，还包括：对模拟运行数据和历史故障数据进行归一化处理，以避免数据之间的维度不一致。进一步地，还包括：以设定的间隔时间，设定的滑动窗口长度，将模拟运行数据和历史故障数据转换为三维堆叠数据块，其中，间隔时间可设定1s，滑动窗口长度可设定20s。如图2所示，图2为门控循环单元GRU的门关循环机构示意图，卷积层利用下面的方程式（1）来提取特征。卷积后，需要激活函数将信息输出到池化层。

（1）

其中l是卷积层，k是卷积核，b是偏置参数，

是l层的输出，

是l-1层的输入，特征映射为M _j。在卷积层之后，应用泄漏单元激活功能。该函数处理死节点问题，使神经元更加稀疏。此外，相关的特征可以很容易地理解和挖掘，用于训练。

在此基础上，为了实现高级特征抽象和改进网络泛化，在卷积层和激活函数之后引入了池层。池层的主要目的是使用下采样压缩式（2）计算的数据来减少参数：

（2）

在方程（2）中，

是层l的输出，

是层l-1的输入，向下是池化函数，b是层l的多重偏差，b是偏差。在池化层之后，可以通过不断引入卷积层、激活函数和池化层来进一步探索数据。最后，维度相对较低的特征被认为是没有监督的原始数据的高抽象。在CNN结构中，相关的超参数包括每一层的卷积核的数量、卷积核的大小、步幅的大小、最大池层的大小等。

其中，z _t和r _t表示更新门和复位门，

和h _t是候选的隐藏状态和隐藏状态，x _t是给定时间步长t的输入，而y _t是输出层的输出。对于W _xz、W _xr和

它们分别表示具有更新门、重置门和候选隐藏状态的输入层的权重矩阵。并且，W _hz和W _hr表示圆形连接的权重矩阵。b _z、b _r和

是相应的偏差向量。另外，r是符号函数，tanh是双曲切线函数，

是点积运算。

上述实施例中，通过数字孪生模型的模拟运行数据结合换流阀的历史故障数据，形成样本数据集，这种通过实际的故障数据构成样本数据集的方法，可以提高采用该样本数据集训练得到的换流阀故障诊断模型故障诊断的准确性。

在一示例性实施例中，上述步骤S106具体包括：通过训练数据集对卷积门控递归神经网络进行训练，当训练结果满足训练终止条件时，得到卷积门控递归神经网络的模型参数；基于模型参数，得到训练后的卷积门控递归神经网络。

其中，训练终止条件可以设置为一定的训练次数，即当训练达到一定次数时，结束训练，得到模型参数；训练终止条件也可以设置为训练准确度达到预设准确度阈值，即当训练后的卷积门控递归神经网络的故障类型识别准确度达到一定阈值时，结束训练，得到模型参数。

具体实现中，可以通过损失函数计算训练准确度，其中，损失函数可以为交叉熵损失函数，为了优化卷积门控递归神经网络的权重和偏差，可使用随机梯度下降算法（SGD）使损失函数的数值最小化。当训练达到一定次数或训练准确度达到预设准确度阈值时，得到卷积门控递归神经网络的模型参数，基于模型参数，得到训练后的卷积门控递归神经网络。

本实施例中，通过将训练次数达到训练次数阈值作为训练终止条件，可以避免卷积门控递归神经网络的无休止训练。

在一示例性实施例中，上述步骤S106还包括：将训练数据集分为多个批次，并将训练数据集随机打乱；根据打乱处理后的训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络。

本实施例中，通过将训练数据集分为多个批次，并将训练数据集随机打乱；根据打乱处理后的训练数据集对卷积门控递归神经网络进行训练，以减少不确定性，防止数据的过度拟合。

在一示例性实施例中，获取换流阀的测试数据集；将测试数据集中的每组测试数据依次输入训练后的卷积门控递归神经网络，得到各组测试数据对应的识别结果；根据各组测试数据的识别结果，计算训练后的卷积门控递归神经网络的适应度。

其中，适应度可以理解为对各组测试数据识别后，识别准确的测试数据占所有测试数据总数目的百分比。

其中，测试数据集中的每组测试数据标注有正常数据或故障数据，若是故障数据，对应标注有故障类型。

具体实现中，可以将测试数据集中的每组测试数据依次输入训练后的卷积门控递归神经网络，得到各组测试数据对应的识别结果，将各组测试数据的识别结果分别与各组测试数据所标注的内容进行比对，当一组测试数据的识别结果与其标注的内容一致时，判定该组测试数据的识别是准确的，否则，不准确。将准确或不准确作为测试数据的识别结果，在对各组测试数据均进行识别后，计算识别准确的测试据占所有测试数据总数目的百分比，作为训练后卷积门控递归神经网络的适应度。

本实施例中，通过预先标注每组测试数据的内容，以便于在对测试数据识别后，可确定识别结果是否准确，进而确定训练后的卷积门控递归神经网络对故障模型的识别准确度，作为适应度。

在一示例性实施例中，还包括：确定对超参数进行优化的优化次数和优化时间；当适应度未达到适应度阈值，且优化次数未超出优化次数阈值，且优化时间未达到时间阈值时，对超参数进行优化，得到新的超参数。

具体实现中，还可根据优化时间和优化次数，确定是否需要采用粒子群优化算法对卷积门控递归神经网络的超参数进行优化。更具体地，若确定当前优化时间达到时间阈值，则将每个超参数对应的当前全局最优值，作为新的超参数，基于新的超参数构建新的卷积门控递归神经网络，并返回步骤S106，对新的卷积门控递归神经网络进行训练。若适应度未达到适应度阈值，则将优化次数加一，当优化次数达到优化次数阈值时，将最后一次寻优得到的超参数作为新的超参数。

本实施例中，通过设置适应度、优化时间和优化次数等多种优化终止条件，可避免对卷积门控递归神经网络的超参数的无休止寻优问题。

在一示例性实施例中，如图3所示，为卷积门控递归神经网络训练和粒子群优化算法对超参数寻优的流程示意图，具体流程如下：

步骤S1，通过构建数字孪生模型采集模拟运行数据；

步骤S2，将模拟运行数据和历史故障数据存储存入数据库，并将各数据分别进行故障类型标注；

步骤S3，归一化处理S2数据库中的数据；

步骤S4，重构相空间，将S3中的二维数据转换为三维堆叠数据块；

步骤S5，利用张量流的框架构建卷积核和GRU网络，构建CGRU网络；指定损失函数和参数优化算法；

步骤S6，对CGRU网络进行训练，具体包括：

设置最大迭代次数数目（即图中的最大代次数目），设置网络级数i，初始化第i个CGRU网络的权值和偏差，设置初始代次为1，计算隐藏值，输出值和损失函数值，利用优化算法更新权重和偏差，并计算训练和测试的准确性，当训练结果满足训练终止条件时，得到训练后的CGRU网络，否则，迭代次数加一，返回继续训练。

步骤S7，当CGRU网络的训练结果满足训练终止条件时，获取训练后的CGRU网络的适应度，设置优化次数N=1，若适应度大于95%，则直接将训练后的CGRU网络作为换流阀故障诊断模型。若适应度小于95%，则更新惯性权重和学习因子等参数，计算适应度并更新超参数个体和全局最优值，并进行邻域空间的综合搜索和自适应变异的大规模搜索，搜索完成后再次计算适应度并更新个体和全局最优值，判断优化次数N是否大于优化次数阈值，若是，则结束寻优，将最后一次寻优得到的超参数作为新的超参数。

本实施例提出的控制策略，能够对换流阀的故障进行诊断，实现根据历史数据和数字孪生模型得到的数据来快速提取局部特征，通过增强粒子群优化算法对所提出的诊断模型的关键参数进行寻优，进而对换流阀的故障进行诊断，具有良好的稳定性，适用于不同的系统以及其它类型的换流阀。

为了验证本本申请中采用的故障诊断方法的正确性和有效性，本申请基于数字孪生模型，将从数字孪生模型中获得的数据集随机分为训练数据集和测试数据集，并通过测试数据获得以下各种情况下的诊断精度，默认情况下，数据归一化为（0,1），噪声强度设置为30dBW。每个样本的默认长度为1000秒。此外，每个样本的800秒用于训练，其余的用于测试。已选择泄露单元作为CGRU中每一层的激活功能。同样对于EPSO，粒子数量被设置为20，最大进化值为20。使用CGRU中的测试数据进行故障诊断的准确度作为适应度功能。EPSO全局最优解和平均适应度的变化代数如图4所示。结果表明，全局最优解在迭代过程中迅速达到峰值，然后保持不变，而20个粒子群的平均适应度在全局最优解的范围内有所变化。这证明了解空间中的大多数粒子进行了全面的随机搜索，以通过大尺度变化和非线性加权因子调整来避免陷入局部最优。随后，通过细致的邻域搜索，得到了全局最优解。对应于全局最优解的全局最优粒子被用作CGRU的最优网络结构，如表1所示。

得到最优网络结构后，采用CGRU基于测试数据进行故障诊断。培训和测试精度的变化如图5所示。相应的损失函数也如图6所示。可以看出，测试精度略低于训练。损失函数均趋于最小值，并保持稳定，表明本申请所述方法给出了准确的故障诊断。为了进一步验证该方法的准确性，采用混淆矩阵显示了不同故障模式的模型诊断精度，如图7所示。除了故障1和故障2之外，CGRU的精度都保持在高水平。这主要是因为这些故障下参数趋势的变化相对较近，导致特征识别程度较低。尽管如此，该模型还是保持了很高的准确性。

应该理解的是，虽然图1和3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种换流阀故障诊断模型的构建装置，包括：获取模块802、构建模块804、训练模块806、判断模块808、优化模块810和确定模块812，其中：

获取模块802，用于获取换流阀的训练数据集；

构建模块804，用于确定卷积门控递归神经网络的超参数，并基于超参数构建相应的卷积门控递归神经网络；

训练模块806，用于通过训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络；

判断模块808，用于获取训练后的卷积门控递归神经网络的适应度，并判断适应度是否达到适应度阈值；适应度用于表征训练后的卷积门控递归神经网络对换流阀的故障诊断准确性；

优化模块810，用于若适应度未达到适应度阈值，则对超参数进行优化，得到新的超参数，并返回基于超参数构建相应的卷积门控递归神经网络的步骤；

确定模块812，用于若适应度达到适应度阈值，则将训练后的卷积门控递归神经网络，作为换流阀故障诊断模型。

在一个实施例中，上述获取模块802，具体用于构建换流阀的数字孪生模型；获取数字孪生模型的模拟运行数据和换流阀的历史故障数据，得到样本数据集；从样本数据集中选取多组样本数据，形成训练数据集。

在一个实施例中，上述获取模块802，还用于获取数字孪生模型在预设的多种故障类型下的模拟运行数据，作为故障运行数据，以及获取数字孪生模型在正常工作状态下的模拟运行数据，作为正常运行数据；根据故障运行数据和正常运行数据，组成数字孪生模型的模拟运行数据。

在一个实施例中，上述训练模块806，还用于通过训练数据集对卷积门控递归神经网络进行训练，当训练结果满足训练终止条件时，得到卷积门控递归神经网络的模型参数；基于模型参数，得到训练后的卷积门控递归神经网络。

在一个实施例中，上述训练模块806，还用于将训练数据集分为多个批次，并将训练数据集随机打乱；根据打乱处理后的训练数据集对卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络。

在一个实施例中，上述判断模块808，还用于获取换流阀的测试数据集；将测试数据集中的各组测试数据依次输入训练后的卷积门控递归神经网络，得到各组测试数据对应的识别结果；根据各组测试数据对应的识别结果，计算训练后的卷积门控递归神经网络的适应度。

在一个实施例中，上述优化模块810，还用于确定对超参数进行优化的优化次数和优化时间；当适应度未达到适应度阈值，且优化次数未超出优化次数阈值，且优化时间未达到时间阈值时，对超参数进行优化，得到新的超参数。

需要说明的是，本申请的换流阀故障诊断模型的构建装置与本申请的换流阀故障诊断模型的构建方法一一对应，在上述换流阀故障诊断模型的构建方法的实施例阐述的技术特征及其有益效果均适用于换流阀故障诊断模型的构建装置的实施例中，具体内容可参见本申请方法实施例中的叙述，此处不再赘述，特此声明。

此外，上述换流阀故障诊断模型的构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种换流阀故障诊断模型的构建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种换流阀故障诊断模型的构建方法，其特征在于，所述方法包括：

获取换流阀的训练数据集；

2.根据权利要求1所述的方法，其特征在于，所述获取换流阀的训练数据集，包括：

构建所述换流阀的数字孪生模型；

从所述样本数据集中选取多组样本数据，形成训练数据集。

3.根据权利要求2所述的方法，其特征在于，所述获取所述数字孪生模型的模拟运行数据，包括：

4.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，包括：

基于所述模型参数，得到训练后的卷积门控递归神经网络。

5.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，包括：

6.根据权利要求1所述的方法，其特征在于，所述获取所述训练后的卷积门控递归神经网络的适应度，包括：

获取换流阀的测试数据集；

7.根据权利要求1所述的方法，其特征在于，在对所述超参数进行优化，得到新的超参数之前，还包括：

确定对所述超参数进行优化的优化次数和优化时间；

8.一种换流阀故障诊断模型的构建装置，其特征在于，所述装置包括：

获取模块，用于获取换流阀的训练数据集；

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。