CN114091549A - 一种基于深度残差网络的设备故障诊断方法 - Google Patents
一种基于深度残差网络的设备故障诊断方法 Download PDFInfo
- Publication number
- CN114091549A CN114091549A CN202111145014.9A CN202111145014A CN114091549A CN 114091549 A CN114091549 A CN 114091549A CN 202111145014 A CN202111145014 A CN 202111145014A CN 114091549 A CN114091549 A CN 114091549A
- Authority
- CN
- China
- Prior art keywords
- fault
- residual error
- data
- equipment
- error network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000009413 insulation Methods 0.000 claims description 6
- 238000013021 overheating Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000000825 ultraviolet detection Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度残差网络的设备故障容错诊断方法，该方法包括如下步骤：采集输变电设备的运行状态数据；按照一定时间间隔对采集到的状态数据进行特征值提取，得到各设备不同运行状态下的时域特征；对提取到的时域特征数据按照设备类型及运行状态进行分类并编码；构造训练集和测试集，将分类和编码后数据输入深度残差网络进行深度网络模型的训练；利用训练好的深度残差网络模型进行输变电设备状态的差异化及精细化识别。本发明通过采集输变电设备的运行参数，提取出关键参量的时域波形，借助深度残差网络，训练出各设备不同运行状态下的时域特性，并与输入的时域特征进行比较，以实现设备的状态识别及故障诊断。
Description
技术领域
本发明属于电力系统设备故障诊断领域，具体涉及一种基于深度残差网络的设备故障诊断方法。
背景技术
准确评估关键输变电设备的运行状态，及时制定针对性的运维检修策略，对保证电力系统安全、可靠和经济运行具有重要意义。随着智能电网技术、信息技术和智能运维技术的快速发展，输变电设备的状态数据逐渐呈现体量大、类型多和增长快等大数据特征。如何实现多元数据的高效利用，深入挖掘各类数据与设备状态间的关联，实现设备状态的精细化评估成为了电力系统输变电设备故障诊断的重点研究内容。
现有建立在设备试验数据基础上的状态评估方法大多根据单一或有限的状态参量，缺乏多环节多维度的考量，评估结果的准确度和针对性有待提高。此外，由于缺陷或故障属于小概率事件，现有的缺陷和故障样本数据无法满足智能评估方法对建模样本的需求，导致评估模型的关键参数主要依靠经验选择，严重制约了评估结果的准确度和评估方法的实用性。因此，亟需探索新的状态评估方法，建立综合考虑外部因素影响的状态评估模型，提高评估的准确性。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于深度残差网络的设备故障诊断方法，基于输变电设备运行状态的历史数据，进行深度残差网络模型的训练及验证，实现对输变电设备运行状态的差异化及精细化评估，做到输变电设备状态的精准辨识。
本发明采用如下的技术方案：
一种基于深度残差网络的设备故障容错诊断方法，该方法包括如下步骤：
步骤1：采集输变电设备的运行状态数据；
步骤2：按照一定时间间隔对采集到的状态数据进行特征值提取，得到各设备不同运行状态下的时域特征；
步骤3：对提取到的时域特征数据按照设备类型及运行状态进行分类并编码；
步骤4：构造训练集和测试集，将分类和编码后数据输入深度残差网络进行深度网络模型的训练；
步骤5：利用训练好的深度残差网络模型进行输变电设备状态的差异化及精细化识别。
优选的，步骤1中，状态数据来源于设备数据、监测数据及外部数据；
设备数据包括铭牌参数、台账数据、运行数据、巡视数据、缺陷/消缺数据、以及故障/检修记录；
检测数据包括带电检测数据和在线监测数据；带电监测数据包括红外检测、紫外检测、以及超声检测；在线监测数据包括油中溶解气体、局部放电、铁芯接地电流、以及气体压力；
外部数据包括气象、环境、地理、电网调度、以及负荷。
优选的，按照一定时间间隔对采集到的状态参数进行特征值提取，得到各设备不同运行状态下的时域特征；
通过比较数据集中不同类型状态量的重要程度，删除无关属性和冗余属性，提取出关键状态参量；
选择出关键参量后，根据时域分析方法，得到各设备不同运行状态下的时域特征。
优选的，步骤3中，对提取到的时域特征数据按照设备类型和运行状态进行分类，并对不同类型的数据进行编码，打上相应标签。
优选的，设备类型包括电力变压器、高压断路器、隔离开关、电压/电流互感器、及输电线路；
运行状态包括正常状态及不同故障状态；电力变压器的故障状态包括过热故障、绕组故障、以及放电故障；高压断路器的故障状态包括机械故障、二次回路故障、以及密封失效故障等；隔离开关的故障状态包括过热故障、机械故障、以及绝缘故障；电压/电流互感器的故障状态包括机械故障、绝缘故障、二次回路故障、以及谐振故障，输电线路的故障状态包括接地故障、断路故障、断路故障、以及过负荷故障。
优选的，步骤4中，随机选取各设备不同运行状态时域特征数据的80％作为训练集及验证集，对深度残差网络模型进行参数训练；剩余的20％作为测试集对深度残差网络模型的性能进行分析和测试。
优选的，步骤4中，深度残差网络包括残差模块，多个残差模块的首尾相连搭建成了深度残差网络。
优选的，步骤4中，残差模块由卷积层、批量化归一层和激活函数层组成。
优选的，卷积层利用多个不同的卷积核提取输入数据的主要特征，对于一维输入数据，第l卷积层的输出为：
其中，
为第l卷积层的输出，
为第l层卷积层的输入，
为卷积核权值，
为对应偏置。
优选的，批量化归一层使得各层之间的输出均符合均值、方差相同的高斯分布，对于1个小批量数据xi，批量化归一层的运算表示为：
其中，μ为一组数据的均值，ε为极小量，σ为该组数据的方差，
为批量化归一层处理后的数据。
优选的，激活函数层采用Relu函数，表示为：
Relu(x)＝max(0,x)。
优选的，残差模块的最终输出为：
y＝x+F(x,wc)
其中，x为残差块输入，F为包含批量归一化层、激活函数层和卷积层的非线性函数，wc为该路径需要优化的参数。
优选的，所述深度残差网络包括9个卷积层，其中第一个卷积层采用宽卷积核，其余卷积层由4个残差模块组成，每个残差模块均包含2个卷积层；
残差模块后使用全局平均池化层，在全局平均池化层后添加Dropout层，最终通过Softmax分类器实现故障分类。
优选的，步骤4中，将提取出的时域特征数据按照6:2:2的比例划分为训练集、验证集及测试集；
将训练集和验证集分批输入到搭建的深度残差网络中，计算预测值与真实结果的误差；
训练集每完成1轮迭代，便采用验证集进行评估1次；
依据平均交叉熵算法对DRN网络的各层权重进行更新，并不断重复上述过程，直到损失函数最小，以得到最优的深度残差网络；
最后，将测试集输入到训练好的深度残差网络中，输出诊断结果，验证模型的诊断能力。
优选的，损失函数采用Softmax loss函数，
Softmax的功能是分类器，给定输入预测值xi以及对应的真实标签值yi，其计算公式为：
其中，xi表示第i个的输入特征；yi表示第i个输入对应类别的标签，
代表第i个样本真实类别对应的偏置，Wj表示第j类的权重向量，
表示输入对应类别标签的权重向量，T表示向量转置，bj表示该样本类别的偏置，n表示样本的类别数；
Softmax loss的计算公式为：
其中，Ls表示Softmax loss函数，即样本平均交叉熵；m表示训练样本的数量。
本发明的有益效果在于，与现有技术相比，基于输变电设备运行状态的历史数据，进行深度残差网络模型的训练及验证，可对输变电设备的运行参数进行分析，准确评估其运行状态，实现输变电设备状态的精准辨识，为调度人员掌握输变电设备信息提供支撑。本发明通过采集输变电设备的运行参数，提取出关键参量的时域波形，借助深度残差网络，训练出各设备不同运行状态下的时域特性，并与输入的时域特征进行比较，以实现设备的状态识别及故障诊断。
附图说明
图1是本发明的基于深度残差网络的设备故障容错诊断方法的步骤流程示意图；
图2是本发明的基于深度残差网络的设备故障容错诊断方法的更详细的步骤流程示意图；
图3是本发明的深度残差网络的典型残差单元的示意图；
图4是本发明的深度残差网络模型结构的示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1和图2所示，本发明的基于深度残差网络的设备故障容错诊断方法包括以下步骤：
步骤1：采集输变电设备的运行状态数据。
状态数据是评估输变电设备运行状态的基础，其主要来源于设备数据、监测数据及外部数据3个方面。设备数据包括铭牌参数、台账数据、运行数据、巡视数据、缺陷/消缺数据、以及故障/检修记录等。检测数据包括带电检测数据和在线监测数据，带电监测数据包括红外检测、紫外检测、超声检测等，在线监测数据包括油中溶解气体、局部放电、铁芯接地电流、气体压力等。外部数据包括气象、环境、地理、电网调度、负荷等。状态数据的来源以及具体种类如表1所示。
表1状态数据的来源
步骤2：按照一定时间间隔对采集到的状态数据进行特征值提取，得到各设备不同运行状态下的时域特征。
按照一定时间间隔对采集到的状态参数进行特征值提取，得到各设备不同运行状态下的时域特征。在本发明中，时间间隔是可以根据具体的要求灵活调整的，数据采集过程中，可以通过调整采集时间间隔来调整获取的数据量。通过比较数据集中不同类型状态量的重要程度，删除无关属性和冗余属性，提取出关键状态参量。常用的特征选择方法包括灰色关联分析、相关系数法、关联规则挖掘等，例如根据变压器的故障类型与状态参量的关联规则挖掘得出，其在不同状态下的关键状态参量如表2所示：
表2变压器部分故障模式的关键状态参量
选择出关键参量后，根据时域分析方法，得到各设备不同运行状态下的时域特征。时域分析是以时间为度量，得到各状态参量随时间变化的曲线。此时域波形将作为故障诊断的输入，与深度学习训练后得到的各运行状态波形进行比较，从而判别相应故障类型。步骤3：对提取到的时域特征数据按照设备类型及运行状态进行分类并编码。
对提取到的时域特征数据按照设备类型及运行状态进行分类并进行编码。对采集到的数据按照设备类型和运行状态进行分类，并对不同类型的数据进行编码，打上相应标签。
其中，设备类型包括电力变压器、高压断路器、隔离开关、电压/电流互感器、及输电线路等，运行状态包括正常状态及不同故障状态。不同设备的故障状态可能不同，例如电力变压器的故障状态包括过热故障、绕组故障、放电故障等，高压断路器的故障状态包括机械故障、二次回路故障、密封失效故障等，隔离开关的故障状态包括过热故障、机械故障、绝缘故障等，电压/电流互感器的故障状态包括机械故障、绝缘故障、二次回路故障、谐振故障等，输电线路的故障状态包括接地故障、断路故障、断路故障、过负荷故障等。
输变电设备的设备类型以及典型故障状态分类如表3所示：
表3输变电设备的设备类型和典型故障状态分类
步骤4：构造训练集和测试集，将分类和编码后数据输入深度残差网络进行模型训练。
构造训练集和测试集，将分类和编码后的数据输入深度残差网络(Deep ResidualNetwork，DRN)进行模型训练及验证，找到时域特征数据和设备运行、运行状态之间的关系，从而可以根据时域特征数据准备判断出运行状态。
随机选取各设备不同运行状态时域特征数据的80％作为训练集及验证集，对DRN模型进行参数训练；剩余的20％作为测试集对DRN模型的性能进行分析和测试。即，深度残差网络的输入数据是步骤3处理后的时域曲线。
深度残差网络模型建立在卷积神经网络(CNN)基础之上，通过增添的残差模块解决深层网络结构的梯度消失问题。
残差模块是深度残差网络的核心，多个残差模块的首尾相连搭建成了深度残差网络。残差模块由卷积层、批量化归一层(BN层)和激活函数层组成，其结构如图3所示。
卷积层利用多个不同的卷积核提取输入数据的主要特征。对于一维输入数据，卷积过程如下，第l卷积层的输出为：
式中，
为第l卷积层的输出，
为第l层卷积层的输入，
为卷积核权值，
为对应偏置。
BN层使得各层之间的输出均符合均值、方差相同的高斯分布，使数据更稳定，加速训练。对于1个小批量(mini-batch)数据xi，BN的运算可表示为：
式中μ为一组数据的均值，ε为极小量，σ为该组数据的方差，
为BN处理后的数据。
Relu是常用的激活函数，可表示为：
Relu(x)＝max(0,x)
残差模块的最终输出为：
y＝x+F(x,wc)
式中x为残差块输入，F为包含BN层、激活函数层和卷积路径的非线性函数，wc为该路径需要优化的参数。
本发明搭建的深度残差网络模型结构如图4所示。此模型共9个卷积层，其中第一个卷积层采用宽卷积核，其余卷积层由4个残差模块组成，每个残差模块包含2个卷积层。在残差模块后使用全局平均池化层，以减小计算量，同时为了抑制过拟合，在全局平均池化层后添加Dropout层，最终通过Softmax分类器实现故障分类。
池化层，也称下采样层，在这一层进行下采样降维操作，主要作用为减小数据和参数的数量，减轻计算负载，有效控制过拟合，并使输入数据具有“平移不变性”。常见的池化方式有：最大池化(max pooling)、均值池化(mean pooling)、随机池化(stochasticpooling)、混合池化(mixed pooling)等。最大池化是在采样区域内取最大值，均值池化是在采样区域内取平均值，随机池化是在采样区域内按一定的概率随机取值，混合池化是对最大池化和均值池化的组合。其中，平均池化的公式为：
最大池化的公式为：
其中，
为池化结果，
表示第l卷积层输出的第k个特征图中的第(i,j)个元素，p和q分别表示池化窗口的长和宽。
全局平均池化即是把平均池化窗口的长宽设定为输入数据窗口的长宽，所有数据进行计算。本发明使用全局平均池化代替全连接层。
此外，深度学习训练过程中，如果训练样本不足，容易产生过拟合现象。过拟合现象会导致实际预测的效果降低。Dropout层的概念于2012年提出，其本质是在训练的时候，神经元以概率P变为0，不参与前向传播的过程，使得模型对于局部特征依赖度降低，因此模型具有更好的泛化能力。经过实验验证，dropout层不仅能够有效降低过拟合现象，预测错误率也降低了许多。
将提取出的时域特征数据按照6:2:2的比例划分为训练集、验证集及测试集。将训练集和验证集分批输入到搭建的DRN网络中，计算预测值与真实结果的误差。训练集每完成1轮迭代，便采用验证集进行评估1次。依据平均交叉熵算法对DRN网络的各层权重进行更新，并不断重复上述过程，直到损失函数最小，以得到最优的深度残差网络模型。最后，将测试集输入到训练好的深度残差网络中，输出诊断结果，验证模型的诊断能力。
机器学习中损失函数的优化目标是最小化。损失函数越小，DRN模型的抗扰动性越强。在本发明中，DRN模型训练选择Softmax loss函数，Softmax loss函数是Softmax的交叉熵损失函数。Softmax的功能是分类器，给定输入预测值xi以及对应的真实标签值yi，其计算公式为：
其中，xi表示第i个的输入特征；yi表示第i个输入对应类别的标签，
代表第i个样本真实类别对应的偏置，Wj表示第j类的权重向量，
表示输入对应类别标签的权重向量，T表示向量转置，bj表示该样本类别的偏置，n表示样本的类别数。
Softmax loss的计算公式为：
其中，Ls表示Softmax loss函数，即样本平均交叉熵；m表示训练样本的数量。
步骤5：利用训练好的深度残差网络进行输变电设备状态的识别。
将采集到的待识别的各输变电设备状态参数时域特征输入到训练好的DRN模型中，利用深度残差网络实现对输变电设备运行状态及故障类型的差异化及精细化识别。
本发明的有益效果在于，与现有技术相比，基于输变电设备运行状态的历史数据，进行深度残差网络模型的训练及验证，可对输变电设备的运行参数进行分析，准确评估其运行状态，实现输变电设备状态的精准辨识，为调度人员掌握输变电设备信息提供支撑。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (15)
1.一种基于深度残差网络的设备故障容错诊断方法，其特征在于，该方法包括如下步骤：
步骤1：采集输变电设备的运行状态数据；
步骤2：按照一定时间间隔对采集到的状态数据进行特征值提取，得到各设备不同运行状态下的时域特征；
步骤3：对提取到的时域特征数据按照设备类型及运行状态进行分类并编码；
步骤4：构造训练集和测试集，将分类和编码后数据输入深度残差网络进行深度网络模型的训练；
步骤5：利用训练好的深度残差网络模型进行输变电设备状态的差异化及精细化识别。
2.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤1中，状态数据来源于设备数据、监测数据及外部数据；
设备数据包括铭牌参数、台账数据、运行数据、巡视数据、缺陷/消缺数据、以及故障/检修记录；
检测数据包括带电检测数据和在线监测数据；带电监测数据包括红外检测、紫外检测、以及超声检测；在线监测数据包括油中溶解气体、局部放电、铁芯接地电流、以及气体压力；
外部数据包括气象、环境、地理、电网调度、以及负荷。
3.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，
按照一定时间间隔对采集到的状态参数进行特征值提取，得到各设备不同运行状态下的时域特征；
通过比较数据集中不同类型状态量的重要程度，删除无关属性和冗余属性，提取出关键状态参量；
选择出关键参量后，根据时域分析方法，得到各设备不同运行状态下的时域特征。
4.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤3中，对提取到的时域特征数据按照设备类型和运行状态进行分类，并对不同类型的数据进行编码，打上相应标签。
5.如权利要求4所述的深度残差网络的设备故障容错诊断方法，其特征在于，
设备类型包括电力变压器、高压断路器、隔离开关、电压/电流互感器、及输电线路；
运行状态包括正常状态及不同故障状态；电力变压器的故障状态包括过热故障、绕组故障、以及放电故障；高压断路器的故障状态包括机械故障、二次回路故障、以及密封失效故障等；隔离开关的故障状态包括过热故障、机械故障、以及绝缘故障；电压/电流互感器的故障状态包括机械故障、绝缘故障、二次回路故障、以及谐振故障，输电线路的故障状态包括接地故障、断路故障、断路故障、以及过负荷故障。
6.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤4中，随机选取各设备不同运行状态时域特征数据的80％作为训练集及验证集，对深度残差网络模型进行参数训练；剩余的20％作为测试集对深度残差网络模型的性能进行分析和测试。
7.如权利要求1所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤4中，深度残差网络包括残差模块，多个残差模块的首尾相连搭建成了深度残差网络。
8.如权利要求7所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤4中，残差模块由卷积层、批量化归一层和激活函数层组成。
9.如权利要求8所述的深度残差网络的设备故障容错诊断方法，其特征在于，
卷积层利用多个不同的卷积核提取输入数据的主要特征，对于一维输入数据，第l卷积层的输出为：
其中，
为第l卷积层的输出，
为第l层卷积层的输入，
为卷积核权值，
为对应偏置。
10.如权利要求8所述的深度残差网络的设备故障容错诊断方法，其特征在于，
批量化归一层使得各层之间的输出均符合均值、方差相同的高斯分布，对于1个小批量数据xi，批量化归一层的运算表示为：
其中，μ为一组数据的均值，ε为极小量，σ为该组数据的方差，
为批量化归一层处理后的数据。
11.如权利要求8所述的深度残差网络的设备故障容错诊断方法，其特征在于，
激活函数层采用Relu函数，表示为：
Relu(x)＝max(0,x)。
12.如权利要求8所述的深度残差网络的设备故障容错诊断方法，其特征在于，
残差模块的最终输出为：
y＝x+F(x,wc)
其中，x为残差块输入，F为包含批量归一化层、激活函数层和卷积层的非线性函数，wc为该路径需要优化的参数。
13.如权利要求12所述的深度残差网络的设备故障容错诊断方法，其特征在于，
所述深度残差网络包括9个卷积层，其中第一个卷积层采用宽卷积核，其余卷积层由4个残差模块组成，每个残差模块均包含2个卷积层；
残差模块后使用全局平均池化层，在全局平均池化层后添加Dropout层，最终通过Softmax分类器实现故障分类。
14.如权利要求12所述的深度残差网络的设备故障容错诊断方法，其特征在于，
步骤4中，将提取出的时域特征数据按照6:2:2的比例划分为训练集、验证集及测试集；
将训练集和验证集分批输入到搭建的深度残差网络中，计算预测值与真实结果的误差；
训练集每完成1轮迭代，便采用验证集进行评估1次；
依据平均交叉熵算法对DRN网络的各层权重进行更新，并不断重复上述过程，直到损失函数最小，以得到最优的深度残差网络；
最后，将测试集输入到训练好的深度残差网络中，输出诊断结果，验证模型的诊断能力。
15.如权利要求14所述的深度残差网络的设备故障容错诊断方法，其特征在于，
损失函数采用Softmax loss函数，
Softmax的功能是分类器，给定输入预测值xi以及对应的真实标签值yi，其计算公式为：
其中，xi表示第i个的输入特征；yi表示第i个输入对应类别的标签，
代表第i个样本真实类别对应的偏置，Wj表示第j类的权重向量，
表示输入对应类别标签的权重向量，T表示向量转置，bj表示该样本类别的偏置，n表示样本的类别数；
Softmax loss的计算公式为：
其中，Ls表示Softmax loss函数，即样本平均交叉熵；m表示训练样本的数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145014.9A CN114091549A (zh) | 2021-09-28 | 2021-09-28 | 一种基于深度残差网络的设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111145014.9A CN114091549A (zh) | 2021-09-28 | 2021-09-28 | 一种基于深度残差网络的设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114091549A true CN114091549A (zh) | 2022-02-25 |
Family
ID=80296253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111145014.9A Pending CN114091549A (zh) | 2021-09-28 | 2021-09-28 | 一种基于深度残差网络的设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091549A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294411A (zh) * | 2022-10-08 | 2022-11-04 | 国网浙江省电力有限公司 | 基于神经网络的电网输变电图像数据处理方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
| CN116973684A (zh) * | 2023-07-31 | 2023-10-31 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于drn模型的高压直流输电系统故障诊断方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110702411A (zh) * | 2019-09-23 | 2020-01-17 | 武汉理工大学 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
| CN111339872A (zh) * | 2020-02-18 | 2020-06-26 | 国网信通亿力科技有限责任公司 | 一种基于分类模型的电网故障分类方法 |
| CN112132052A (zh) * | 2020-09-24 | 2020-12-25 | 三峡大学 | 基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法 |
| CN113052218A (zh) * | 2021-03-15 | 2021-06-29 | 杭州电子科技大学 | 工业过程的多尺度残差卷积与lstm融合性能评估方法 |
-
2021
- 2021-09-28 CN CN202111145014.9A patent/CN114091549A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110702411A (zh) * | 2019-09-23 | 2020-01-17 | 武汉理工大学 | 一种基于时频分析的残差网络滚动轴承故障诊断方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
| CN111339872A (zh) * | 2020-02-18 | 2020-06-26 | 国网信通亿力科技有限责任公司 | 一种基于分类模型的电网故障分类方法 |
| CN112132052A (zh) * | 2020-09-24 | 2020-12-25 | 三峡大学 | 基于首层宽卷积核深度残差网络的输电线路短路故障诊断方法 |
| CN113052218A (zh) * | 2021-03-15 | 2021-06-29 | 杭州电子科技大学 | 工业过程的多尺度残差卷积与lstm融合性能评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 唐文虎等: "数据驱动的人工智能技术在电力设备状态分析中的研究与应用", 《高电压技术》, vol. 46, no. 9, pages 2985 - 2999 * |
| 廖瑞金等: "输变电设备状态评估方法的研究现状", 《高电压技术》, vol. 44, no. 11, pages 3454 - 3464 * |
| 王有元等: "基于红外图像的变电设备热缺陷自调整残差网络诊断模型", 《高电压技术》, no. 09, 30 September 2020 (2020-09-30) * |
| 赵文清等: "基于残差BP神经网络的变压器故障诊断", 《电力自动化设备》, no. 02, 29 February 2020 (2020-02-29) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294411A (zh) * | 2022-10-08 | 2022-11-04 | 国网浙江省电力有限公司 | 基于神经网络的电网输变电图像数据处理方法 |
| CN115294411B (zh) * | 2022-10-08 | 2022-12-30 | 国网浙江省电力有限公司 | 基于神经网络的电网输变电图像数据处理方法 |
| CN115902615A (zh) * | 2023-01-09 | 2023-04-04 | 佰聆数据股份有限公司 | 电力断路器缺陷分析方法及装置 |
| CN116973684A (zh) * | 2023-07-31 | 2023-10-31 | 中国南方电网有限责任公司超高压输电公司电力科研院 | 基于drn模型的高压直流输电系统故障诊断方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Data-based line trip fault prediction in power systems using LSTM networks and SVM | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| Wu et al. | A genetic-algorithm support vector machine and DS evidence theory based fault diagnostic model for transmission line | |
| CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
| CN105718958B (zh) | 基于线性判别分析和支持向量机的断路器故障诊断方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN107561997A (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
| CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
| CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
| Wang | Grey-extension method for incipient fault forecasting of oil-immersed power transformer | |
| McGrail et al. | Data mining techniques to assess the condition of high voltage electrical plant | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
| CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
| Todeschini et al. | An image-based deep transfer learning approach to classify power quality disturbances | |
| CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
| CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及系统 | |
| Shan et al. | Power system fault diagnosis based on logistic regression deep neural network | |
| Lima et al. | A modified negative selection algorithm applied in the diagnosis of voltage disturbances in distribution electrical systems |
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 |