CN114062812A - 一种计量柜故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种计量柜故障诊断方法及系统，从故障数据库中获取计量柜正常状态和故障状态的状态波形；构建故障分类模型，对所述状态波形进行信号处理，得到正常状态和故障状态的波形图像，将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；同时将故障分类结果进行反馈，与历史数据库中存储的故障类型进行比较，是否为新的故障类型；采集计量柜实时监测数据，输入上述故障分类模型中，得到对应的故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修，结合算法和图像处理的方式，设置了基于图像的反馈模块，对于出现的新故障进行分析，提高了诊断准确度。

Description

一种计量柜故障诊断方法及系统

技术领域

本发明涉及配电技术领域，具体涉及一种计量柜故障诊断方法及系统。

背景技术

计量柜是配电系统的主要设备之一，主要起控制和保护其他电力设备的作用。在配电实际运用中，计量柜是配电网故障率最高的设备，对计量柜的状态故障诊断识别是保证配电系统稳定运行的主要环节，目前，对于计量柜的状态诊断的方法主要有综合评价方法和智能算法，综合评价方法主要包括模糊综合评价、灰色系统综合评价、主成分分析法、数据包络分析法等，智能算法主要包括神经网络、模糊控制、支持向量机分类算法等。对于综合评价主要存在的问题是：计算复杂、对于某些指标的权重量分配不合理、模糊隶属度分配精度不够等。而智能算法往往需要大量数据的训练，可能导致数据冗余、算法中存在对特征量的提取不敏感、容易陷入局部最优解等。模糊综合评价法有使用到故障的诊断中，使用模糊打分的方式对每一个状态进行评估，从而得到评分最低或最高的状态即是故障状态。但也存在很大的问题，分配隶属度函数需要很精确并且相邻的隶属度之间应该有交叉的域，分配的模糊推理层数不够(大部分模糊评价因为隶属度的问题难以确定模糊推理的层数)，而当模糊隶属度函数分配不恰当时就是导致诊断不精确，甚至诊断失败。

发明内容

本发明所要解决的技术问题是如何提高计量柜故障诊断的准确度，本发明的目的在于提出一种计量柜故障诊断方法及系统，利用图像生成的方法，将计量柜历史故障的一维数据生二维图像，再搭配图像识别模型，将计量柜故障状态进行分类诊断，结合算法和图像处理的方式使计量柜诊断更精确，并且基于二维图像，设置了基于图像的反馈模块，对于出现的新故障进行分析，另外，由于可视化的图像处理方便查看及时反馈，更加直观的得出诊断结果，提高了诊断准确度。

本发明通过下述技术方案实现：

一种计量柜故障诊断方法，包括以下步骤：

从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；

构建故障分类模型，包括：

对所述状态波形进行信号处理，得到正常状态和各种故障状态的波形图像，

将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；同时将故障分类结果进行反馈，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

采集计量柜实时监测数据，输入所述故障分类模型中，得到对应的故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

传统的数据驱动故障诊断过程一般包括数据采集、特征提取和故障分类，其中分类精度直接受到特征提取结果的影响。典型的卷积神经网络CNN就是这样的过程，具有特征自适应提取功能在故障诊断有一定的优势，但主要用于图像的识别，相对于一维简单的数据没有优势，另外，由于一般的诊断过程基于数据处理，根据后台的数据处理结果对计量柜状态进行判断，有时数据处理出现问题时不能及时发现。因此，为了能够更加直观的查看故障诊断结果，并且提高诊断准确度，本发明提出了一种具有反馈机制的基于图像识别的计量柜的故障诊断，采用信号处理的方法对波形进行处理，将计量柜历史运行的一维数据生二维图像，再搭配图像识别算法进行诊断，这样结合算法和图像处理的方法使计量柜诊断更精确，二维图像达到可视化诊断故障，更方便反馈模块对于新故障进行分析，可视化的图像处理给新故障识别创造了很大条件将其诊断精度大大提高。

进一步地，所述计量柜正常运行和故障状态的状态波形包括：

变化快速的数据：包括局部放电时的TEV值；电能信息，电能信息包括电压的幅值及不平衡度、电压和电流谐波成分；

变化平缓的数据：局部放电时的超声波值；断路器的触头温度和断路器累计开断次数；环境湿度；负载率；柜门的磁场强度。

进一步地，对于变化快速的数据，采用连续小波变换的分析处理方法进行信号处理，具体过程为：

使用连续小波变换做滤波处理，得到时间-尺度的小波系数矩阵，其中小波变换的基函数使用Daubecheie小波系，分解层数选择5层；

通过Matlab脚本编程对所述小波系数矩阵进行数据采样，得到二维的灰阶图和二维的RGB波形图像。

进一步地，对于变化平缓的数据，采用滑动窗口取值的方法进行信号处理，具体过程为：

将滑动窗口的大小设定为N，在各类变化平缓的状态波形上截取N个单位的数据片段；

得到数据片段后，将滑动窗口向后移动M个单位，再次截取N个单位的数据片段，重复上述过程，直至将状态波形上的数据取完为止；

将所有的数据片段进行组合得到一个N*N的信号序列；

基于Matlab脚本编程将所述信号序列转换成RGB波形图像。

进一步地，数据采样时，采样频率的设置和连续小波变换的分解尺度相对应，使得到的波形图像为正方形的图像。

进一步地，所述图像识别模型对单通道的CNN模型进行改进，引入多尺度学习，则改进后的CNN模型包括特征学习模块、全连接层和分类层，其中，特征学习模块分为三个学习通道，每个学习通道均包括三个局部特征学习模块，每个局部特征学习模块均包括具有注意力机制的卷积层和平均池化层，则波形图像的故障分类过程为：

通过特征学习模块的三个学习通道分别提取波形图像的特征值；

全连接层将三个学习通道提取的特征值进行特征融合计算，得到状态特征值；

分类层根据状态特征值对波形图像进行分类。

进一步地，在每个通道中提取波形图像的特征值的过程为：

对于每个具有注意力机制的局部特征学习模块，注意力机制的输入Y_IN按全局平均值处理平均池化层，得到一个通道向量γ；

所述通道向量γ被输入到卷积层伴随着ReLu函数，则卷积层输出的向量为：

γ′＝δ(conv(γ))

其中δ为ReLu函数；conv表示带卷积的运算大小为M*M的内核；

重新校准卷积层输出的向量γ′，得到概率向量

其中，δ′为Sigmoid函数；

使用概率向量

重新校准注意力机制的输入Y_IN，得到校正值

其中，

表示逐元素乘法；

局部特征学习模块利用连接束输出，输出特征值Y_OUT：

进一步地，所述全连接层采用多尺度特征的融合，将三个学习通道提取的特征值先进行特征融合和卷积计算，输出状态特征值；分类层采用softmax函数计算每个波形图像状态特征值在不同故障状态下的预测类别的概率，根据预测类别的概率将计量柜故障状态分类如下：

若所有预测类别的概率均小于0.5，则计量柜处于正常状态；

若有两个或两个以上预测类别的概率相等或相差小于0.1，则计量柜需要检修。

进一步地，在进行比较时，通过机器视觉的方法获取波形图像的RGB三种颜色的直方图，通过与历史数据库中存储的故障类型对应图像的RGB直方图进行比较，判断是否属于新的故障类型。

另外，本发明提供一种计量柜故障诊断系统，包括：

数据采集模块，用于从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；

信号处理模块，对所述状态波形进行信号处理，得到正常状态和各种故障状态的波形图像；

故障分类模块，将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；

man-in-loop模块，用于根据反馈的故障分类结果，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

故障诊断模块，用于将采集的计量柜实时监测数据，输入所述故障分类模块和man-in-loop模块中，得到故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明对计量柜状态波形进行连续小波变换处理，实现一维数据到二维图像的转换，采取信号处理的方式对波形进行处理，避免了计量柜发送暂态故障时错失诊断或者因诊断困难导致失败的情况，利用二维图像参与到后续的图像识别算法中帮助提高计量柜诊断的准确度；另一方面，生成的二维图像还用于诊断识别后反馈给man-in-loop模块进行判断，帮助新故障类型的发现并存入故障数据库中，避免由于在图像识别算法诊断时可能会出现诊断失败或者不准确的结果，更新故障数据库的故障类型；可视化的图像处理方便查看及时反馈，更加直观的得出诊断结果，提高了诊断准确度。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为本发明的故障诊断方法整体结构示意图；

图2为本发明构造故障分类模型的方法流程图；

图3为本发明的波形图像的故障分类过程示意图；

图4为本发明改进后的CNN模型；

图5为本发明具有注意力机制的局部特征学习模块的处理过程；

图6为本发明一种具体实施方式中全连接层的输出示意图；

图7为本发明一种具体实施方式中对某类故障分类的过程；

图8为本发明的系统整体结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，本实施例提供一种计量柜故障诊断方法，包括步骤S1-S3：

S1、从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；并根据故障状态的不同对各种故障状态的状态波形添加不同的标签；将打上标签的状态波形分为训练集和测试集；

具体地，获取如表1所示的计量柜历史运行正常状态和各种故障状态下的状态量，根据各状态量随时间变化的波形，得到各种状态量对应的状态波形量；

表1

又因为局部放电中的TEV值、电能信息值(包括电压的幅值及不平衡度、电压和电流谐波成分)，因为存在短暂性、突变性等，可划分为变化快速的数据在后续信号处理时，采用小波分析处理方法处理能达到很好的分析效果，而对于表1中其他的数据：局部放电时的超声波值；断路器的触头温度和断路器累计开断次数；环境湿度；负载率；柜门的磁场强度等变化缓慢的值，可以划分为变化平缓的数据采用滑动窗口取值的方法进行处理(断路器累计开断次数变化少的量可以利用计数器计数)。

S2、构造故障分类模型，利用训练集训练故障分类模型，得到训练好的故障分类模型，并利用测试集进行验证，得到故障分类结果，分类过程如图2所示，具体过程包括S21-S23：

S21、对所述状态波形进行信号处理，得到正常状态和各种故障状态的波形图像，具体地，本实施例中根据状态波形的变化趋势不同，主要使用小波变换和滑动窗口取值两种信号处理的方法得到数据到图像的转换，采取信号处理的方式对状态波形进行处理，避免发生暂态故障时错失诊断或者因诊断困难导致失败。从一维的状态量到二维的图像的转换，这是由于每个图像都是由数据矩阵组成，转换成图像的目的是可视化故障的类型以及变化；为后面反馈模块提供帮助；使系统闭环自动化程度高；也为后续CNN的图像识别诊断提供输入图像。

使用小波变换对状态波形进行处理，一般小波变换(WT)包括了连续小波变换(CWT)和离散小波变换(DWT)，由于计量柜运行状态随时间连续变化，则使用连续小波变换效果更好；小波变换的基本思想是对母小波函数进行平移和伸缩变换，得到一组称为小波函数簇的二维基地，用该基底去表示或逼近某一信号；例如假设选取的母小波函数为ψ(t)，定义伸缩因子和平移因子a,b，则生成的小波函数簇Ψ_a,b(t)为:

在本实施例中，对于变化快速的状态量，采用连续小波变换的分析处理方法进行信号处理，具体过程为：

使用连续小波变换做滤波处理，得到时间-尺度的小波系数矩阵，其中小波变换的基函数使用Matlab工具箱中的Daubecheies(dbN)小波系，分解层数选择5层；还可以选择计量柜故障时间段能反应故障的状态量波形进行连续小波变换，以达到更好的诊断效果；

通过Matlab脚本编程对所述小波系数矩阵进行数据采样，得到二维的灰阶图和二维的RGB波形图像，后续用于故障分类诊断时主要使用RGB图像，此处的灰阶图只是作为数据转换成RGB图像的过渡过程，其中RGB波形图像能更快的被反馈，快速反应出故障类型；在数据采样时，为了满足图像的利用，采样频率的设置和连续小波变换的分解尺度相对应，使得到的波形图像为正方形的图像。

而对于变化平缓的状态量，采用滑动窗口取值的方法对状态波形进行信号处理，具体过程为：

将滑动窗口的大小设定为N，对于每个变化平缓的状态波形，在状态波形上截取N个单位的数据片段；

得到数据片段后，将滑动窗口向后移动M个单位，再次截取N个单位的数据片段，重复上述过程，直至将状态波形上的数据取完为止；

将所有的数据片段进行组合得到一个N*N的信号序列；

基于Matlab脚本编程将所述信号序列转换成RGB波形图像。

S22、将所述波形图像输入到图像识别模型中进行分类，这里的分类是指正常状态、局部放电故障状态、断路器故障状态、环境信息故障状态、负荷信息故障状态、电能信息故障状态、柜门信息故障状态，总共7种状态分类，得到故障分类结果；

在图像处理的算法模型中常用的有KNN、CNN等，由于步骤S21中已经得到了RGB的波形图像，因此只需要对按照步骤S2得到的计量柜各状态量对应的波形图像进行分类，区分出正常图像和各种故障图像，且波形图像简单，仅有线条组成，则采用CNN模型在图像分类有很大优势。

为了使得CNN模型能更好地突出波形图像中重要信息，加强表征故障的特征值的提取，因此本实施例在现有的单通道的CNN模型的基础上进行改进，在CNN模型的特征提取部分加入注意力机制(AM)，注意力机制的基本思想是控制以目标驱动的方式集中注意力，是一个侧重于某一个方面的权重矩阵，因为每个通道学习图像不同、学习方式也不同、需要得到的特征信息也不同，所以设置相应的权重矩阵来获取最能代表计量柜状态的特征向量，这样能有效的重校准特征通道，突出重要信息，加强表征故障特征值的提取。

具体地，将按照步骤S21得到的大量状态量对应的状态图像作为图像识别模型的输入，所述图像识别模型对单通道的CNN模型进行改进，引入多尺度学习，多尺度的学习主要是对每一个特征通道赋予不同的权重来提升特征的提取，将不同尺度的特征进行融合以加强重要特征值的把握，则改进后的CNN模型如图4所示，包括特征学习模块、全连接层和分类层，其中，特征学习模块分为三个学习通道，每个学习通道均包括三个局部特征学习模块，每个局部特征学习模块均包括具有注意力机制的卷积层和平均池化层，通过一个卷积层和一个池化层构成一个局部特征学习模块来收集输入数据的局部相关性，进而提取特征值，则波形图像的故障分类过程如图3所示，包括A1-A3：

A1、通过特征学习模块的三个学习通道分别提取波形图像的特征值；

具体地，输入的图片进入三个学习通道时，在每个学习通道的每个局部特征学习模块，首先进入卷积层；卷积层采用了3*3的卷积核，步长为1的对图片进行特征提取。提取特征值后的图片进入池化层，采取2*2平均池化，步长为2，提取重要特征值，并且去掉其他不重要的部分，避免数据冗余。接着就是进入局部模块的注意力机制层，注意力机制是对重要的信息给予更多的关注，也就是在平均池化层的基础上再一次提取重要特征。

注意力机制的过程如下：

如图5所示，对于每个具有注意力机制的局部特征学习模块，由于注意力机制的核心是学习特征值之间的对齐渠道，从而给关键的信息更多的关注，将注意力机制的输入Y_IN表示为y_i∈R^W*1,而Y_IN＝[y₁,y₂,y₃,…y_C]，其中C表示每个局部特征学习模块中注意力机制计算的通道号，Y_IN按全局平均值处理平均池化层，得到一个通道向量γ∈R^1*C，γ的第m个元素的公式如下：

y_m∈Y_IN

Y_IN＝[y₁,y₂,y₃,…y_c]

y_c∈R^W*1

其中，AvgPool是平均池化层，W是输入Y_IN中的列数，y_m是输入向量Y_IN中第m列向量，n是y_m向量中元素的个数之和，γ_m是为了注意力机制中计算的中间参数，γ_m的作用是引入注意力机制的向量表达，其作用应该体现在Y_OUT上。

所述通道向量γ被输入到卷积层伴随着ReLu函数，则卷积层输出的向量为：

γ′＝δ(conv(γ))

其中δ为ReLu函数；conv表示带卷积的运算大小为M*M的内核；

重新校准卷积层输出的向量γ′，得到概率向量

其中，δ′为Sigmoid函数；

使用概率向量

重新校准注意力机制的输入Y_IN，得到校正值

其中，

表示逐元素乘法；

受到残差网络的影响，AM机制利用连接束来避免退化问题，于是局部特征学习模块输出的特征值Y_OUT为：

对三个学习通道中的每个局部特征学习模块均采用上述方法进行特征值的输出，同时，同一个学习通道的三个局部特征学习模块之间，前面的局部特征学习模块的输出作为下一个局部特征学习模块的输入，由此，得到三个学习通道提取到的波形图像的特征值。

通道中，每个卷积层(Conv)操作时，在局部感受器中构造输入信号特征，AM(注意力机制)捕捉全局特征和不同通道特征的重要性，这样不仅得到了特征信息，也强调了计量柜得状态分类，在每个模块中细化，从而在整个CNN模型的分类结果中得到体现。

A2、全连接层采用多尺度特征的融合，将三个学习通道提取的特征值进行特征融合和卷积计算，得到状态特征值；将不同尺度的特征进行组合以增强信息的多样性；如图6所示，假设从三个学习通道得到的特征向量分别为B₁,B₂,B₃，首先把三个特征向量连接成B＝[B₁,B₂,B₃]，以获得丰富的特征，接着使用输入到总注意力机制层，在全连接层的最后一步使用卷积计算，输出为：

x＝conv(AM[B₁,B₂…B_m])

其中特征融合结合了注意力机制AM，可以聚合三个学习通道输出的特征之间以相互增强特征，由上述公式经过注意力机制层和卷积层，最后得到了最终三个通道的向量，紧接着就进入Softmax分类层。

A3、分类层根据状态特征值对波形图像进行分类；即检测出计量柜的七种状态，具体地，分类层位于总注意力机制层之后，分类层的输入是总注意力机制层的输出，在分类层转换成概率的新输出层，本实施例主要针对表1中6个影响计量柜状态的状态量进行分类，即分类层通过CNN训练好的故障分类模型，利用测试集分类出该波形图像属于6个数据来源的哪一个，由此对应的得到是什么原因引起的故障，即故障类别。

本实施例中分类层采用softmax函数计算每个波形图像状态特征值在不同故障状态下的预测类别概率P：

其中，X是输入，预测类别为j的概率为P，

表示全连接层输出的属于预测类别j的概率，

表示全连接层输出的所有故障状态对应的预测类别概率之和；预测类别包括：正常状态、局部放电故障状态、断路器故障状态、环境信息故障状态、负荷信息故障状态、电能信息故障状态、柜门信息故障状态；

则计量柜故障状态分类如下：

若所有预测类别的概率均小于0.5，则计量柜处于正常状态；

若有两种或以上预测类别的概率相等或相差小于0.1，则计量柜需要检修，且所有故障状态对应的位置都需要检修。

更具体地，对于计量柜需要检修时的故障分类如下：比较波形图像在各个预测类别时的概率，

若最后由softmax得到所有故障状态的预测类别概率都小于0.5，则计量柜的故障分类结果为正常；

若预测类别概率是局部放电概率最大，且大于0.5，则计量柜的故障分类结果为局部放电引起故障；

若预测类别概率是断路器概率最大，且大于0.5，则计量柜的故障分类结果为断路器引起故障；

若预测类别概率是环境温度概率最大，且大于0.5，则计量柜的故障分类结果为环境温度引起故障；

若最预测类别概率是负载概率最大，且大于0.5，则计量柜的故障分类结果为负载引起故障；

若预测类别概率是电能信息概率最大，且大于0.5，则计量柜的故障分类结果为电能信息引起故障；

若预测类别概率是柜门信息概率最大，且大于0.5，则计量柜的故障分类结果为柜门信息引起故障；

若预测类别概率是负载概率最大，且大于0.5，则计量柜的故障分类结果为负载引起故障；

若其余发生两个或以上状态故障的预测类别概率相等，且均大于0.5，则计量柜的故障分类结果为同时检修计量柜所有故障状态对应的位置。

S23、同时将上述故障分类结果进行反馈，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

新的故障模式经过计算机验证后及时反馈，故障对应的信息将被储存在故障数据库中。当没有新故障时，反馈过程不需要计算机干预。当有新的故障模式时，发生故障数据库中故障模式之外的故障，则触发信息反馈，可以收集定义、验证新的故障模式。

具体地，在上述步骤中已经形成了数据到图像的转换，在算法诊断时可能会出现诊断失败或者不准确的结果，这时最后经过算法分类后的2*1的RGB图像就进行反馈，在进行比较时，可通过机器视觉的方法获取波形图像的RGB三种颜色的直方图，通过与历史数据库中存储的故障类型对应图像的RGB直方图进行比较，判断是否属于新的故障类型。

S3、采集计量柜实时监测数据，输入所述故障分类模型中，得到故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

为了更好地说明本发明的有益效果，如图7所示，上述分类公式中的

为当前输入的波形图像与模型中已经训练好的故障图片相似的概率，属于深度网络的参数计算，预测类别是凭借计算的概率大小来对故障状态进行的划分，比如当前图片和计量柜状态中局部放电的图片相识程度高则被分类为局部放电故障。由最后的总注意力机制层得到了如图6所示的3个C*W的矩阵，将全连接层输出的状态特征权重矩阵的偏置与预测类别为j的权重矩阵w_j相乘，权重矩阵w_j是将n个(-∞，+∞)的实数映射到K个(-∞，+∞)的实数(分数)。Softmax将K个(-∞，+∞)的实数映射为K个(0，1)的实数(概率)，同时保证他们的和为1。三张经过多级处理的波形图片，送入到Softmax层中，以其中一张图片为例子：若分类层的输入为

则当前图片与故障图片相似的概率

为：

则根据如图7所示的计算过程，得到该波形图像在各种故障情况下的概率分布，且由如图7的计算结果可知，当输出的预测类别概率中，负荷信息故障状态对应的预测类别概率最大为0.9，则认为该波形图像对应的计量柜故障分类结果为负载引起故障。

以上只列举了四类故障的比较，正常运行故障状态可能是多种多样的，因此需要结合反馈进行综合判断，通过计算机识别图像自动反馈，而不是将故障的特征作为技术的关键，计算机根据机器视觉实时弥补未完成的数据收集，避免了故障特征值提取不全导致新的故障类型识别不了，而且新的状态故障数据和机器视觉验证是反馈故障模式，是触发故障特征的优化过程。基于数据波形的二维图像达到可视化诊断故障，更方便反馈后对于新故障分析，可视化的图像处理给新故障识别创造了很大条件将其诊断精度大大提高。

实施例2

如图8所示，本实施例与实施例1的区别在于，本实施例2提供一种计量柜故障诊断系统，包括：

数据采集模块，用于从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；

信号处理模块，对所述状态波形进行连续小波变换的信号处理，得到正常状态和各种故障状态的波形图像；

故障分类模块，将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；

man-in-loop模块，用于根据反馈的故障分类结果，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

故障诊断模块，用于将采集的计量柜实时监测数据，输入所述故障分类模块和man-in-loop模块中，得到故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

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。

本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种计量柜故障诊断方法，其特征在于，包括以下步骤：

从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；

构建故障分类模型，包括：

对所述状态波形进行信号处理，得到正常状态和各种故障状态的波形图像，

将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；同时将故障分类结果进行反馈，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

采集计量柜实时监测数据，输入所述故障分类模型中，得到对应的故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

2.根据权利要求1所述的一种计量柜故障诊断方法，其特征在于，所述计量柜正常运行和故障状态的状态波形包括：

变化快速的数据：包括局部放电时的TEV值；电能信息，电能信息包括电压的幅值及不平衡度、电压和电流谐波成分；

变化平缓的数据：局部放电时的超声波值；断路器的触头温度和断路器累计开断次数；环境湿度；负载率；柜门的磁场强度。

3.根据权利要求2所述的一种计量柜故障诊断方法，其特征在于，对于变化快速的数据，采用连续小波变换的分析处理方法进行信号处理，具体过程为：

使用连续小波变换做滤波处理，得到时间-尺度的小波系数矩阵，其中小波变换的基函数使用Daubecheie小波系，分解层数选择5层；

通过Matlab脚本编程对所述小波系数矩阵进行数据采样，得到二维的灰阶图和二维的RGB波形图像。

4.根据权利要求2所述的一种计量柜故障诊断方法，其特征在于，对于变化平缓的数据，采用滑动窗口取值的方法进行信号处理，具体过程为：

将滑动窗口的大小设定为N，对每个变化平缓的状态波形，在状态波形上截取一定单位长度的数据片段；

得到数据片段后，将滑动窗口向后移动M个单位，再次截取N个单位的数据片段，重复上述过程，直至将状态波形上的数据取完为止；

将所有的数据片段进行组合得到一个N*N的信号序列；

基于Matlab脚本编程将所述信号序列转换成RGB波形图像。

5.根据权利要求3所述的一种计量柜故障诊断方法，其特征在于，数据采样时，采样频率的设置和连续小波变换的分解尺度相对应，使得到的波形图像为正方形的图像。

6.根据权利要求1所述的一种计量柜故障诊断方法，其特征在于，所述图像识别模型对单通道的CNN模型进行改进，引入多尺度学习，则改进后的CNN模型包括特征学习模块、全连接层和分类层，其中，特征学习模块分为三个学习通道，每个学习通道均包括三个局部特征学习模块，每个局部特征学习模块均包括具有注意力机制的卷积层和平均池化层，则波形图像的故障分类过程为：

通过特征学习模块的三个学习通道分别提取波形图像的特征值；

全连接层将三个学习通道提取的特征值进行特征融合计算，得到状态特征值；

分类层根据状态特征值对波形图像进行分类。

7.根据权利要求6所述的一种计量柜故障诊断方法，其特征在于，在每个学习通道中提取波形图像的特征值的过程为：

对于每个具有注意力机制的局部特征学习模块，注意力机制的输入Y_IN按全局平均值处理平均池化层，得到一个通道向量γ；

所述通道向量γ被输入到卷积层伴随着ReLu函数，则卷积层输出的向量为：

γ′＝δ(conv(γ))

其中δ为ReLu函数；conv表示带卷积的运算大小为M*M的内核；

重新校准卷积层输出的向量γ′，得到概率向量

其中，δ′为Sigmoid函数；

使用概率向量

重新校准注意力机制的输入Y_IN，得到校正值

其中，

表示逐元素乘法；

局部特征学习模块利用连接束输出，输出特征值Y_OUT：

8.根据权利要求6所述的一种计量柜故障诊断方法，其特征在于，所述全连接层采用多尺度特征的融合，将三个学习通道提取的特征值先进行特征融合和卷积计算，输出状态特征值；分类层采用softmax函数计算每个波形图像状态特征值在不同故障状态下的预测类别的概率，根据预测类别的概率将计量柜故障状态分类如下：

若所有预测类别的概率均小于0.5，则计量柜处于正常状态；

若有两个或两个以上预测类别的概率相等或相差小于0.1，则计量柜需要检修。

9.根据权利要求1所述的一种计量柜故障诊断方法，其特征在于，在进行比较时，通过机器视觉的方法获取波形图像的RGB三种颜色的直方图，通过与历史数据库中存储的故障类型对应图像的RGB直方图进行比较，判断是否属于新的故障类型。

10.一种计量柜故障诊断系统，其特征在于，包括：

数据采集模块，用于从故障数据库中获取计量柜正常状态和各种故障状态的状态波形；

信号处理模块，对所述状态波形进行连续小波变换的信号处理，得到正常状态和各种故障状态的波形图像；

故障分类模块，将所述波形图像输入到图像识别模型中进行分类，得到故障分类结果；

man-in-loop模块，用于根据反馈的故障分类结果，与历史数据库中存储的故障类型进行比较，是否为新的故障类型，若是，则根据所述故障分类结果更新故障数据库，若否，则删除所述故障分类结果；

故障诊断模块，用于将采集的计量柜实时监测数据，输入所述故障分类模块和man-in-loop模块中，得到故障分类结果，根据故障分类结果判断是否需要对计量柜进行检修。

Images