CN114266301A - 基于图卷积神经网络的电力设备故障智能预测方法 - Google Patents
基于图卷积神经网络的电力设备故障智能预测方法 Download PDFInfo
- Publication number
- CN114266301A CN114266301A CN202111542143.1A CN202111542143A CN114266301A CN 114266301 A CN114266301 A CN 114266301A CN 202111542143 A CN202111542143 A CN 202111542143A CN 114266301 A CN114266301 A CN 114266301A
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph convolution
- convolution neural
- monitoring information
- power equipment
- 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
Images
Abstract
本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法,步骤如下:采集待预测的电力设备的历史监测信息,对历史监测信息进行预处理,预处理后的监测信息和电力数据中心采集的数据集组成训练样本;构建图卷积神经网络,初始化神经网络参数;将监测信息作为图卷积神经网络的每个节点的输入,利用图卷积神经网络对监测信息进行故障分类;利用训练样本对步骤二构建的图卷积神经网络进行训练,得到优化图卷积神经网络模型;采集待检测设备的实时监测信息并进行预处理,将预处理后的监测信息输入到优化图卷积神经网络模型,获得故障预测结果。本发明具有较好的通用性,预测准确率较高,使用、部署和升级维护简单,无需硬件设备的升级改造。
Description
技术领域
本发明涉及故障预测的技术领域,尤其涉及一种基于图卷积神经网络的电力设备故障智能预测方法。
背景技术
电力是人们现代化生活的主要能源,电力设备是构建电力电网的基本单元,因此,维护电力设备的正常运转是电力管理的重要工作。电力设备故障之后再维修不仅造成了用电间断,而且也对设备造成了二次损害。电力设备故障的预测与检修可以防患于未然,是当前智能电网中的重要需求。智能电网中,故障预测是通过采集电力设备的运转数据,结合相关的分析算法或专家经验,对设备即将发生的故障做出判断。目前,学术界和产业界已经提出了多种电力设备故障预测的方法。诸如:1)专家经验,结合专家知识对相关的检测参数进行阈值设定,该方法简单易行,但有较高的假阳性而造成人力检修的麻烦;2)传统的基于卡尔曼滤波器、贝叶斯网络、马尔科夫链等算法,依赖对输入数据的预处理,使得预测的准确率较低,难以在市场中推广应用;3)基于BP神经网络、支持向量机等机器学习算法,这些算法虽然涉及到了人工智能,但处理方式未能较好匹配电力设备采集数据的特征,预测的故障准确率也是较低,需要进一步的改进。
发明内容
针对的技术问题,本发明提出一种基于图卷积神经网络的电力设备故障智能预测方法,结合电力设备采集数据的特征,基于新型的神经网络---图卷积神经网络(GraphConvolutional Network,GCN),对电力设备的故障进行预测,具有较高的预测准确率,应用推广价值高。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于图卷积神经网络的电力设备故障智能预测方法,其步骤如下:
步骤一:采集待预测的电力设备的历史监测信息,对历史监测信息进行预处理,预处理后的监测信息和电力数据中心采集的数据集组成训练样本;
步骤二:构建图卷积神经网络,初始化神经网络参数;将监测信息作为图卷积神经网络的每个节点的输入,利用图卷积神经网络对监测信息进行故障分类;
步骤三:利用训练样本对步骤二构建的图卷积神经网络进行训练,得到优化图卷积神经网络模型;
步骤四:采集待检测设备的实时监测信息并进行预处理,将预处理后的监测信息输入到优化图卷积神经网络模型,获得故障预测结果。
所述监测信息电力设备的电压、电流和红外图像;所述预处理包括两部分:1)数据清洗,将电压、电流、红外图像中的噪声、无关数据进行清除;2)数据规约,将电压、电流采用标准差的方法进行归一化处理。
所述图卷积神经网络有n个节点,以直线的拓扑结构排列,节点i的输入为<ui,ai,gi>;节点i与节点i+1间的链路权值为λn-i,链路权值λn-i在卷积神经网络训练中确定;图卷积神经网络能够提取输入数据在时间上的依赖特征。
所述图卷积神经网络包括连接的二维卷积神经网络和全连接神经网络,二维卷积神经网络的输入为红外图像,二维卷积神经网络的输出以及监测信息中电压、电流输入全连接神经网络,全连接神经网络输出为是否发生故障以及故障的类型。
采集n个电压信息表示为<u1,u2,…un>,ui是某一时刻设备的电压;采集n个电流信息表示为<a1,a2,…an>;采集n个红外图像信息表示为<g1,g2…gn>,gi表示彩色图像的三维张量;其中,gi作为二维卷积神经网络的输入,ui和ai以及二维卷积神经网络的输出作为全连接神经网络的输入,全连接神经网络的输出(Y0,Y1…Ym)表示是否发生故障以及故障的类型。
设图卷积神经网络输出的空间特征为{ht-p,...,ht-1,ht},即包含p个隐藏状态,采用迭代计算的更新过程:
zt=σ(W(z)f(A,gt)+U(z)ht-1) (1)
ct=tanh(W(c)f(A,gt)) (2)
ht=zt⊙ht-1+(1-zt)⊙ct (3)
其中,f(A,gt)是图卷积过程,A是卷积核,gt是节点t的红外图像表示,zt在节点t处的渲染操作,ct是节点t连接处的激活函数,每个节点之间数据的传递由ct和链路权重λn-i计算;ht是空间特征t的迭代输出,图卷积神经网络中待训练的参数σ、W(z)、U(z)、W(c)且σ为激活层参数,W(z)为全连接层参数,U(z)为渲染操作中对空间特征ht-1的变换权重参数,W(c)为全连接层参数,⊙为异或操作,tanh为正切函数。
在全连接神经网络中,连接空间特征{ht-p,...,ht-1,ht}之后的为4个隐含层,最后一层采用softmax层,实现电力设备故障的分类预测。
所述步骤三中图卷积神经网络的训练采用监督学习的方法为:
(1)从电力数据中心采集的数据集G中取出10000组训练数据(x,y);
(3)对于每组数据计算出的误差loss,采用随机梯度下降算法优化图卷积神经网络中的网络参数;
(4)从电力数据中心采集的数据集G中随机抽取出100组测试数据,按照步骤(2)中的方法计算误差值,并求其平均误差lossavg,若平均误差lossavg在5%范围以内,则满足精度要求,停止训练;否则,返回步骤(1)进行下一批训练。
本发明的有益效果:本发明相对于市场上已有预警设备中所使用的方法,具有以下三点显著优势:1)具有较好的通用性,对于不同单位/设备采集的数据集,在训练模型收敛之后即可达到较高的预测准确率,无需对模型结构或超参数进行调节;2)预测准确率较高,基于已有采集的数据,可以达到80%以上的准确率,相对于常用的算法,准确率能够提高15%左右;3)使用、部署和升级维护简单,在模型完成训练之后,即可将固定参数的模型算法嵌入到预警设备之中,在后期设备的更新维护中仅需更新模型中参数,无需硬件设备的升级改造。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明的流程示意图。
图2为本发明图卷积神经网络的直线拓扑结构图。
图3为本发明每个节点的互连架构示意图。
图4为本发明的仿真对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种基于图卷积神经网络的电力设备故障智能预测方法,其步骤如下:
步骤一:采集待预测的电力设备的历史监测信息,对历史监测信息进行预处理,预处理后的监测信息和电力数据中心采集的数据集组成训练样本。
这里所使用到预处理包括两部分:1)数据清洗,将原始数据(包括电压、电流、红外图像)中的噪声和无关数据进行清除,防止后续神经网络训练的不收敛;2)数据规约,将原始数据(包括电压、电流)采用标准差的方法进行归一化处理,以加速后续神经网络训练的收敛。
对于一台待预测的电力设备,统计记录其监测信息,包括电压、电流、红外图像等数据,将最近一段时间内的上述监测信息输入至图卷积神经网络GCN,来预测该设备在未来一段时间内的故障信息,包括是否发生故障,以及故障的类型。
最近一段时间内采集n个电压信息,表示为<u1,u2,…un>,ui是某一时刻设备的电压,是一维的标量;采集n个电流信息,表示为<a1,a2,…an>,ai是一维的标量;采集n个红外图像信息,表示为<g1,g2…gn>。其中,ui和ai是一维的标量,而gi是常规表示彩色图像的三维张量。
步骤二:构建图卷积神经网络,初始化神经网络参数;将监测信息作为图卷积神经网络的每个节点的输入,利用二维卷积神经网络和全连接神经网络对监测信息进行故障分类。
初始化是神经网络训练中常规的操作,方法可以为全零初始化、随机初始化。如图2所示,本发明所使用的图卷积神经网络GCN有n个节点,以直线的拓扑结构排列,节点i的输入为<ui,ai,gi>。节点i与节点i+1间的链路权值设为λn-i,λ的取值在后续神经网络训练中确定。该拓扑架构的GCN能够提取输入数据在时间上的依赖特征。
图卷积神经网络输入的n个节点是以时间序列直线拓扑排列的,是可以提取时间上的依赖特征,图卷积神经网络就有这个功能,通过图卷积神经网络的推理计算得到,就像卷积神经网络的池化层可以提取图像的局部特征一样。依赖特征是数据以时间维度为依赖关系而生成的数据值,这里的依赖特征具体是指红外图像数据在这段时间上所呈现的特征,包括稳定变化、异常加剧、异常减弱等一系列人为直观上可以认识的特征属性及其数值。
对于节点i内的数据处理,采用2维卷积神经网络2D-CNN和全连接神经网络FNN的互连架构,如图3所示。其中,gi作为2D-CNN的输入,ui和ai以及2D-CNN的输出作为FNN的输入,FNN的输出(Y0,Y1…Ym),输出表示是否发生故障以及故障的类型。m个输出采用独热码编码(one-hot),若全0表示没有故障;若第j位为1,则表示为j号故障。
在图卷积过程中,设定输出的空间特征为{ht-p,...,ht-1,ht},即包含的p个隐藏状态(h),采用迭代计算的更新过程,如下公式所示。其中,f(A,gt)是图卷积过程,A是卷积核,神经网络中的算法,也是待训练的参数,在使用时编码调用相关的算法即可,gt是时间节点t的红外图像表示,zt在时间节点t处的渲染操作,空间特征ht渲染操作之后用zt表示,渲染是AI算法中的一个具体算法操作。ct是节点t连接处的激活函数,每个节点之间数据的传递由ct和链路权重λn-i来计算。ht是空间特征t的迭代输出,其余变量σ、W(z)、U(z)、W(c)是神经网络中待训练的参数,分别表示神经网络中不同地方(与公式中的位置相对应)的参数,是后续训练过程中要确定的。
zt=σ(W(z)f(A,gt)+U(z)ht-1) (1)
ct=tanh(W(c)f(A,gt)) (2)
ht=zt⊙ht-1+(1-zt)⊙ct (3)
其中,σ为激活层参数,W(z)为全连接层参数,U(z)为渲染操作中对空间特征ht-1的变换权重参数,W(c)为全连接层参数,⊙为异或操作,tanh为正切函数。
在FNN中,连接空间特征{ht-p,...,ht-1,ht}之后的为4个隐含层,神经网络规模为(64,256,256,64),最后一层采用softmax层,实现电力设备故障的分类预测。
隐含层进一步抽象提取归类数据之间的关联性。通过softmax层实现了分类预测,这是监督学习的基本原理,只是把这个过程中用到的算法和模型具体化应用到一个具体的设备故障检测的场景。
步骤三:利用训练样本对步骤二构建的图卷积神经网络进行训练,得到优化图卷积神经网络模型。
对于上述图卷积神经网络GCN的训练,采用监督学习的方法,过程如下:
(1)从电力数据中心采集的数据集G中取出10000组训练数据(x,y);
(3)对于每组数据计算出的误差loss,采用随机梯度下降算法优化GCN中的网络参数;
网络参数具体上面的激活层参数σ、全连接层参数W(z)和W(c)、渲染操作中对特征ht-1的变换权重参数U(z)。
(4)从电力数据中心采集的数据集G中随机抽取出100组测试数据,按照步骤(2)中的方法计算误差值,并求其平均误差lossavg,若平均误差lossavg在5%范围以内,则满足精度要求,停止训练;否则,返回步骤(1)进行下一批训练。
步骤四:采集待检测设备的实时监测信息并进行预处理,将预处理后的监测信息输入到优化图卷积神经网络模型,获得故障预测结果。
基于采集的一组规模为10000的数据,对比测试了当前主流的集中方法,测试结果如图4所示。由图4可以看出,本发明所提出的方法可以达到80%以上的准确率,相对于常用的算法,准确率能够提高15%左右。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,其步骤如下:
步骤一:采集待预测的电力设备的历史监测信息,对历史监测信息进行预处理,预处理后的监测信息和电力数据中心采集的数据集组成训练样本;
步骤二:构建图卷积神经网络,初始化神经网络参数;将监测信息作为图卷积神经网络的每个节点的输入,利用图卷积神经网络对监测信息进行故障分类;
步骤三:利用训练样本对步骤二构建的图卷积神经网络进行训练,得到优化图卷积神经网络模型;
步骤四:采集待检测设备的实时监测信息并进行预处理,将预处理后的监测信息输入到优化图卷积神经网络模型,获得故障预测结果。
2.根据权利要求1所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,所述监测信息电力设备的电压、电流和红外图像;所述预处理包括两部分:1)数据清洗,将电压、电流、红外图像中的噪声、无关数据进行清除;2)数据规约,将电压、电流采用标准差的方法进行归一化处理。
3.根据权利要求1或2所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,所述图卷积神经网络有n个节点,以直线的拓扑结构排列,节点i的输入为<ui,ai,gi>;节点i与节点i+1间的链路权值为λn-i,链路权值λn-i在卷积神经网络训练中确定;图卷积神经网络能够提取输入数据在时间上的依赖特征。
4.根据权利要求3所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,所述图卷积神经网络包括连接的二维卷积神经网络和全连接神经网络,二维卷积神经网络的输入为红外图像,二维卷积神经网络的输出以及监测信息中电压、电流输入全连接神经网络,全连接神经网络输出为是否发生故障以及故障的类型。
5.根据权利要求4所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,采集n个电压信息表示为<u1,u2,…un>,ui是某一时刻设备的电压;采集n个电流信息表示为<a1,a2,…an>;采集n个红外图像信息表示为<g1,g2…gn>,gi表示彩色图像的三维张量;其中,gi作为二维卷积神经网络的输入,ui和ai以及二维卷积神经网络的输出作为全连接神经网络的输入,全连接神经网络的输出(Y0,Y1…Ym)表示是否发生故障以及故障的类型。
6.根据权利要求4所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,设图卷积神经网络输出的空间特征为{ht-p,...,ht-1,ht},即包含p个隐藏状态,采用迭代计算的更新过程:
zt=σ(W(z)f(A,gt)+U(z)ht-1) (1)
ct=tanh(W(c)f(A,gt)) (2)
ht=zt⊙ht-1+(1-zt)⊙ct (3)
其中,f(A,gt)是图卷积过程,A是卷积核,gt是节点t的红外图像表示,zt在节点t处的渲染操作,ct是节点t连接处的激活函数,每个节点之间数据的传递由ct和链路权重λn-i计算;ht是空间特征t的迭代输出,图卷积神经网络中待训练的参数σ、W(z)、U(z)、W(c)且σ为激活层参数,W(z)为全连接层参数,U(z)为渲染操作中对空间特征ht-1的变换权重参数,W(c)为全连接层参数,⊙为异或操作,tanh为正切函数。
7.根据权利要求4-6中任意一项所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,在全连接神经网络中,连接空间特征{ht-p,...,ht-1,ht}之后的为4个隐含层,最后一层采用softmax层,实现电力设备故障的分类预测。
8.根据权利要求1、4-6中任意一项所述的基于图卷积神经网络的电力设备故障智能预测方法,其特征在于,所述步骤三中图卷积神经网络的训练采用监督学习的方法为:
(1)从电力数据中心采集的数据集G中取出10000组训练数据(x,y);
(3)对于每组数据计算出的误差loss,采用随机梯度下降算法优化图卷积神经网络中的网络参数;
(4)从电力数据中心采集的数据集G中随机抽取出100组测试数据,按照步骤(2)中的方法计算误差值,并求其平均误差lossavg,若平均误差lossavg在5%范围以内,则满足精度要求,停止训练;否则,返回步骤(1)进行下一批训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542143.1A CN114266301A (zh) | 2021-12-16 | 2021-12-16 | 基于图卷积神经网络的电力设备故障智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111542143.1A CN114266301A (zh) | 2021-12-16 | 2021-12-16 | 基于图卷积神经网络的电力设备故障智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266301A true CN114266301A (zh) | 2022-04-01 |
Family
ID=80827509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111542143.1A Pending CN114266301A (zh) | 2021-12-16 | 2021-12-16 | 基于图卷积神经网络的电力设备故障智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266301A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
CN115242680A (zh) * | 2022-07-30 | 2022-10-25 | 北京理工大学 | 通信网络中基于多阶段训练的图神经网络的节点分类方法 |
CN117114657A (zh) * | 2023-10-23 | 2023-11-24 | 国网江西省电力有限公司超高压分公司 | 基于电力设备巡检知识图谱的故障信息预警系统及方法 |
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
-
2021
- 2021-12-16 CN CN202111542143.1A patent/CN114266301A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
CN115242680A (zh) * | 2022-07-30 | 2022-10-25 | 北京理工大学 | 通信网络中基于多阶段训练的图神经网络的节点分类方法 |
CN117114657A (zh) * | 2023-10-23 | 2023-11-24 | 国网江西省电力有限公司超高压分公司 | 基于电力设备巡检知识图谱的故障信息预警系统及方法 |
CN117540175A (zh) * | 2024-01-09 | 2024-02-09 | 海纳云物联科技有限公司 | 一种模型训练方法、预测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN115347915A (zh) | 一种电力线载波通信设备运行状态的检测方法及装置 | |
CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
CN116451117A (zh) | 一种基于联邦学习的电力数据异常检测方法 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN113283546B (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及系统 | |
CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
CN116484740A (zh) | 一种基于挖掘电网空间拓扑特征的线路参数辨识方法 | |
CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
CN115081551A (zh) | 基于K-Means聚类和优化RVM线损模型建立方法及系统 | |
CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 |
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 |