CN114282608A

CN114282608A - 一种电流互感器隐性故障诊断预警方法及系统

Info

Publication number: CN114282608A
Application number: CN202111583021.7A
Authority: CN
Inventors: 邵庆祝; 谢民; 章昊; 汪伟; 俞斌; 于洋; 叶远波; 张骏; 王栋; 丁津津; 孙辉; 张峰; 许旵鹏; 刘之奎; 张军
Original assignee: Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd; State Grid Anhui Electric Power Co Ltd
Current assignee: Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd; State Grid Anhui Electric Power Co Ltd
Priority date: 2021-12-22
Filing date: 2021-12-22
Publication date: 2022-04-05

Abstract

本发明提供一种电流互感器隐性故障诊断预警方法包括：获取并处理电流互感器的电流数据和告警信息数据，以得到故障特征数据；整合故障特征数据，据以构建训练样本集；获取层构建参数并根据层构建参数初始化循环卷积网络；从训练样本集中获取训练样本数据；处理并根据层构建参数，获取循环卷积层、池化层、全连接层；以循环卷积层、池化层及全连接层构成循环卷积网络；利用训练样本数据训练循环卷及网络，据以获取诊断网络模型；利用诊断网络模型诊断电流数据和告警信息数据，据以得到故障诊断预警数据。本发明充分利用了保护系统采集的时序信息时间与空间上的依赖关系，提高了电流互感器的隐性故障诊断率。

Description

一种电流互感器隐性故障诊断预警方法及系统

技术领域

本发明涉及电路故障诊断技术，具体是一种通过构建并训练隐性故障诊断循环卷积网络，以得到诊断网络模型预警电流互感器故障的电流互感器故障诊断预警方法。

背景技术

保护系统是特高压换流站安全运行的重要保障，要求能够在一次系统处于任何状态时都能够具有很好的适应性，动作快速、安全、可靠。特高压换流站保护系统的电流测量回路主要由互感器、合并单元、传输通道和交换机等组成，而互感器作为保护系统核心的电流测量元件，关系着继电保护动作的准确性和可靠性。当电流互感器出现隐性故障时，保护系统不会使继电器立刻动作，而是当特高压换流站由于某些干扰而引起继电器或控制元件误动或拒动时，其隐形故障才会显现出对保护系统的影响,这是电流互感器隐性故障的最大特征,也是它最危险的方面。因此，对电流互感器的在线监测及早期隐性故障诊断在实际应用中具有十分重要的意义。

目前，对电流互感器的故障诊断研究较少。第一类方法分析了影响电流互感器可靠性和稳定性的因素，并采取了相应措施提高其可靠性，如申请号为201710571200.6的发明专利《多因素驱动架空线路故障率建模方法》根据架空线路的材料，计算得到架空线路期望寿命；根据架空线路实际运行时间及其所处环境温度统计数据，计算得到架空线路等效服役时间；根据所研究地区架空线路故障率与天气情况的统计数据，通过假设检验的方式得到各种天气因素与架空线路故障率的相关性，并通过加权的方式得到天气综合状况评分值；根据架空线路的基准故障率函数、天气综合状况评分值、线路健康状态值和负载率得到综合故障率函数；得到适用于该地区的多因素驱动架空线路故障率模型。第二类方法中提出了一种可靠性预测方法，使得电流互感器的稳定性因素被定量分析，但该方法不侧重于故障检测；第三类方法根据小波和分形理论结合检测电流互感器故障。将小波理论在检测信号奇异值方面的能力和分形理论在信号特征提取方面的优势进行结合；还有一类方法是根据小波神经网络对电子式互感器的故障进行诊断，小波变换提取信号的频率特性作为特征向量，并利用神经网络实现故障诊断。

但是，上述方法只是对互感器的可靠性和稳定性进行分析，或者检测已发生的故障问题，无法做到对互感器的早期隐性故障诊断。但是此类方法受地区环境差异影响大，且由于计算复杂度高会导致故障检测实时性差，并不适合特高压换流站保护系统中电流互感器这种关键器件的隐性故障检测。同时，上述方法在故障检测精度上也不能满足实际特高压换流站保护系统的需求。

发明内容

本发明所要解决的技术问题在于如何提前对电流互感器的隐性故障进行预警。

本发明是采用以下技术方案解决上述技术问题的：电流互感器隐性故障诊断预警方法，应用于电流互感器的隐性故障诊断和预测，方法包括：

获取并处理所述电流互感器的互感器电流数据和互感器告警信息数据，以得到互感器故障特征数据；

整合所述互感器故障特征数据，据以构建训练样本集；

获取层构建参数并根据所述层构建参数初始化所述循环卷积网络；

从所述训练样本集中获取训练样本数据；

处理并根据所述层构建参数，以下述逻辑：

获取隐性故障诊断循环卷积层,式(1)中

为第r个隐性故障诊断循环卷积层在时间步t处输出的状态变量，

为第r-1个循环卷积层在时间步t处输出的状态变量，

为第r个隐性故障诊断循环卷积层在时间步t-1处由循环连接反馈的存储状态，f(.)是非线性激活函数，r∈[1,R]；

以下述逻辑：

获取池化层,式(2)中，

为第r个池化层在时间步t处的存储状态,p是池化大小，s是池化步长，pool(.)是下采样函数；

以下述逻辑：

获取全连接层，式(3)中，

为第i个全连接层在时间步t处的输出，

是第i个全连接层在时间步t处的输入，即前一个全连接层的输出，Wⁱ是第i个全连接层的权重矩阵，bⁱ是第i个全连接层的偏置向量，i∈[1,2]；

以所述隐性故障诊断循环卷积层、所述池化层及所述全连接层构成所述循环卷积网络；

利用所述训练样本数据训练所述循环卷及网络，据以获取诊断网络模型；

利用所述诊断网络模型诊断所述互感器电流数据和所述互感器告警信息数据，据以得到故障诊断预警数据。而本发明提出的循环卷积网络在应用于电流互感器隐性故障的诊断场景时，充分利用了特高压换流站保护系统采集的时序信息时间与空间上的依赖关系，实现对电流互感器的隐性故障的预测和诊断。

作为更具体的技术方案，获取并处理所述电流互感器的电流数据和告警信息数据，以得到故障特征数据的步骤，包括：

提取所述互感器电流数据和所述互感器告警信息数据中的时间段信息；

根据所述时间段信息划分所述互感器电流数据和所述互感器告警信息数据，据以得到所述互感器故障特征数据，并且更易于网络捕获时序数据的长期依赖性关系，提升了模型对不明显特征的检测能力，非常契合电流互感器隐性故障的诊断。

作为更具体的技术方案，整合所述互感器故障特征数据，据以构建训练样本集的步骤，包括：

归一化处理所述互感器故障特征数据，以得到整合特征数据；

获取滑动取值数据；

根据所述滑动取值数据处理所述整合特征数据，据以构建所述训练样本集。通过设计门机制，减少了爆炸梯度对网络的影响。

作为更具体的技术方案，初始化所述循环卷积网络的步骤，包括：

初始化所述循环卷积网络的迭代参数；

初始化所述循环卷积网络的训练参数。

作为更具体的技术方案，所述处理并根据所述层构建参数，以预设逻辑获取隐性故障诊断循环卷积层的步骤，包括：

处理所述层构建参数，据以得到卷积梯度维持数据；

处理所述卷积梯度维持数据和所述层构建参数，据以获取所述隐性故障诊断循环卷积层。

以下述逻辑处理所述层构建参数：

，据以获取卷积时序记忆数据，其中f(·)是非线性激活函数，如sigmoid，tanh和线性整流单元(ReLU)，

是输入变量，

是时间步t-1处由循环连接反馈的存储状态；

根据下述逻辑处理所述层构建参数和所述卷积时序记忆数据：

据以得到卷积门控数据，其中δ(·)是sigmoid激活函数，*表示卷积操作，

和

是卷积核，

和

是偏置项；

根据下述逻辑处理所述卷积门控数据和所述层构建参数：

，据以得到卷积记忆状态数据；

根据所述卷积记忆状态数据获取卷积梯度维持数据。

根据所述卷积梯度维持数据获取所述卷积隐性故障诊断循环卷积层。卷积隐性故障诊断循环卷积层能够记忆时间信息，并充分利用来自传感器数据的时序信息对设备故障进行建模。同时减轻消失和爆炸梯度的影响并捕获长期依赖性，在循环卷积层中引入了门机制。这有助于网络记住长期信息，解决梯度消失的问题。

作为更具体的技术方案，以所述训练样本数据训练所述循环卷积网络，以得到所述诊断网络模型的步骤，包括：

从所述训练样本数据中获取训练分组数据；

根据所述训练分组数据训练所述循环卷积网络，以得到所述诊断网络模型。

作为更具体的技术方案，根据所述训练分组数据训练所述循环卷积网络，以得到所述诊断网络模型的步骤，包括：

迭代训练所述循环卷积网络，以获取循环训练数据和训练误差数据；

获取误差条件数据和迭代条件数据；

根据所述误差条件数据和所述迭代条件数据分析所述训练误差数据，以得到循环最优数据；

根据所述循环最优数据从所述循环训练数据中获取所述诊断网络模型。

作为更具体的技术方案，利用所述诊断网络模型诊断所述电流数据和所述告警信息数据，据以得到故障诊断预警数据，包括：

获取边缘侧设备信息；

根据所述边缘侧设备信息采集所述电流互感器的实时告警信息和电流时序数据；

利用所述诊断网络模型诊断所述实时告警信息和电流时序数据，据以得到电流互感器诊断数据。

作为更具体的技术方案，一种电流互感器隐性故障诊断预警系统，应用于电流互感器的故障诊断，所述系统包括：故障特征采集单元、样本集构建单元、网络初始化单元、训练样本获取单元、循环卷积层获取单元、池化层构建单元、全连接层构建单元、网络构建单元、模型训练单元、诊断预警单元，

故障特征采集单元，用以获取并处理所述电流互感器的互感器电流数据和互感器告警信息数据，以得到互感器故障特征数据；

样本集构建单元，用以整合所述互感器故障特征数据，据以构建训练样本集，所述样本构建单元连接所述故障特征采集单元；

网络初始化单元，用以获取层构建参数并根据所述层构建参数初始化所述循环卷积网络；

训练样本获取单元，用以从所述训练样本集中获取训练样本数据，所述训练样本获取单元连接样本集构建单元；

循环卷积层构建单元，用以处理并根据所述层构建参数，以下述逻辑：

获取隐性故障诊断循环卷积层,式(1)中

为第r-1个隐性故障诊断循环卷积层在时间步t处输出的状态变量，

为第r个隐性故障诊断循环卷积层在时间步t-1处由循环连接反馈的存储状态，f(.)是非线性激活函数，r∈[1,R]，所述循环卷积层构建单元连接所述网络初始化单元；

池化层构建单元，用以处理并根据所述层构建参数，以下述逻辑：

获取池化层,式(2)中，

为第r个池化层在时间步t处的存储状态,p是池化大小，s是池化步长，pool(.)是下采样函数，所述池化层构建单元连接所述网络初始化单元；

全连接层构建单元，用以处理并根据所述层构建参数，用于以下述逻辑：

获取全连接层，式(3)中，

为第i个全连接层在时间步t处的输出，

是第i个全连接层在时间步t处的输入，即前一个全连接层的输出，Wⁱ是第i个全连接层的权重矩阵，bⁱ是第i个全连接层的偏置向量，i∈[1,2]，所述全连接层构建单元连接所述网络初始化单元；

网络构建单元，用于以所述隐性故障诊断循环卷积层、所述池化层及所述全连接层构成所述循环卷积网络，网络构建单元连接于所述循环卷积层构建单元、所述池化层构建单元及所述全连接层构建单元；

模型训练单元，用于利用所述训练样本数据训练所述循环卷及网络，据以获取诊断网络模型，模型训练单元连接所述网络构建单元及所述训练样本获取单元；

诊断预警单元，用于利用所述诊断网络模型诊断所述互感器电流数据和所述互感器告警信息数据，据以得到故障诊断预警数据，诊断预警单元连接所述模型训练单元。

本发明相比现有技术具有以下优点：本发明提出的循环卷积网络在应用于电流互感器隐性故障的诊断场景时，充分利用了特高压换流站保护系统采集的时序信息时间与空间上的依赖关系，实现对电流互感器的隐性故障的预测和诊断，并且更易于网络捕获时序数据的长期依赖性关系，提升了模型对不明显特征的检测能力，通过设计门机制，减少了爆炸梯度对网络的影响，非常契合电流互感器隐性故障的诊断，根据所述卷积梯度维持数据获取所述卷积隐性故障诊断循环卷积层。卷积隐性故障诊断循环卷积层能够记忆时间信息，并充分利用来自传感器数据的时序信息对设备故障进行建模。同时减轻消失和爆炸梯度的影响并捕获长期依赖性，在循环卷积层中引入了门机制。这有助于网络记住长期信息，解决梯度消失的问题。

附图说明

图1是电流互感器隐性故障诊断预警方法的流程示意图；

图2显示为特高压换流站保护系统总体配置示意图；

图3是电流互感器故障模型训练预测示意图；

图4是电流互感器故障模型循环卷积层示意图；

图5是二次回路多点接地隐性故障下二次电流时序图；

图6是TA饱和隐性故障下二次电流时序图；

图7是循环卷积块网络训练收敛示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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作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。

实施例1：如图1及图2所示，利用安徽某地特高压换流站母线电流互感器隐性故障的电流时序数据，说明本专利的具体诊断过程，并验证本专利的可行性和有效性。在线监测系统包括采集、控制等操作，可以对互感器的重要信息进行监测，并将电流和电压的实际值发送到主机。网络监控由四部分组成:采集子系统、数据库子系统、传输子系统和操作系统，采集子系统由传感器和数据处理设备组成；数据子系统由数据操作、处理以及分析单构成，传输子系统由光纤传输和信号放大器构成；操作系统由人机交互平台、软件控制分析以及后台控制单元构成。

在电流互感器发生故障的早期，电流值通常会发生异常，并且后台也会相应地发出一系列告警信息。在后台嵌入本文提出的基于循环卷积块神经网络的电流互感器隐性故障诊断模型，输入采集的电流和后台响应的告警信息，以期实现对电流互感器隐性故障的有效判断。

如图5至图7所示，根据电网保护信息系统中储存的电流互感器异常工作状态提取三种异常状态TA二次回路多点接地、TA饱和与TA二次回路接触不良、开路时的电流时序数据。其中TA二次回路多点接地和TA饱和，如图5及图6所示，每个样本包含电流互感器发生隐性故障后共200ms内的电流变化过程。

采集相同时间段下电流采样数据异常/无效告警以及保护TA断线的告警信息时序数据进行编码，与标准化后的电流时序数据进行拼接。利用滑动窗口机制对拼接后的时序数据进行截取操作，共得到300个样本。为了保证模型训练效果，设置样本如表3所示。TA二次回路多点接地、TA饱和与TA二次回路接触不良、开路故障数据，即电流与告警时序数据，输入到循环卷积块网络中。

表3样本安排

类型	训练数据/组	测试数据/组
			TA二次回路多点接地	70	30
TA饱和	70	30
			TA二次回路接触不良、开路	70	30

将处理后的数据输入到循环卷积块网络模型中，采用Adam优化器算法来自适应调整学习率来加速模型收敛。本文使用其默认参数，设置学习率lr为0.001，当迭代到42次时模型收敛，结果如图7所示。

使用循环卷积块网络的故障诊断模型进行5次试验，结果如表4所示，测试集最高准确度为99.764％，最低为96.221％，5次试验测试集平均准确度为98.255％，训练时间为102.6s。

试验编号	训练集准确度/％	测试集准确度/％	训练时间/s
				1	97.836％	96.221％	97
2	98.331％	97.500％	101
				3	98.552％	98.302％	105
4	99.637％	99.490％	106
				5	100％	99.764％	104

表4基于循环卷积块网络的隐性故障诊断结果

如图1所示，步骤1、获取电流互感器的电流数据以及告警信息数据。将电流互感器故障前换流站保护系统端与数据采集有关的信息整理筛选出来，便得到了与电流互感器隐性故障相关的数据，均为与电流采样有关的波形与告警信号。电流互感器隐性故障的因果关系表如表1所示。

表1电流互感器隐性故障的因果关系表

表中，1代表采样信息与互感器隐性故障类型有因果关系，0代表采样信息与互感器隐性故障类型没有因果关系。采集告警信息的时间序列数据x_info＝{x_i},i＝1,...,k，其中x_i表示保护系统后台发出的第i个类型的告警信息。x_i＝(x₁,...x_t,...,x_n)^T,其中x_t∈{0.01，0.99}，当发出告警信息时，x_t＝0.99，当未发出告警信息时，x_t＝0.01。将告警信息的时间序列x_info与电流采样时间序列x_curr拼接得到x_input＝(x_curr,x_info)作为神经网络的输入；

步骤1.1、获取包含电流互感器运行时产生不同故障类型以及正常状态的L个时间段；将所述L个时间段中任意第l个时间段记为T_l，将所述第l个时间段T_l划分为N个等间隔时刻，在任意第n个等间隔时刻内，采集电流互感器的电流数据

同时采集k个告警信息的数据

从而构成行数为1+k,列数为N×L的电流互感器故障特征矩阵，其中，l∈[1,L]，n∈[1,N]，N>1+k。电流互感器隐性故障诱因和电流采样数据。因此，需要将电流互感器发生故障前采集的电流数据和告警信号编码后作为故障诊断的输入信号，由于各类采集的电流数据和告警信号编码信号均为一维时序数据的特点，针对于该特点，本发明设计了隐性故障诊断循环卷积层。

如图3所示，步骤2、对电流数据和告警信息数据进行预处理并整合，构建训练样本集；

步骤2.1、将上述电流互感器故障特征矩阵进行归一化操作，得到归一化操作后的电流互感器故障特征矩阵。在线监测系统采集的时间序列数据中，电流和相角的量纲和取值范围不同，如果直接对其进行降维，会导致样本数据空间分布不均匀，从而影响分析结果。此外，在电流和相角构成的极坐标空间中，一个绕原点旋转的电流向量会在经过极轴时使相角的取值产生从0°到360°或从360°到0°的跳变，这也会对结果产生影响。因此，需要对原始样本数据进行预处理操作。

常见的预处理方法是对数据进行正态化(normalization)或标准化(standardization)：正态化缩放每个样本的值，使其单位范数为1；标准化则首先假设样本的每个特征均服从正态分布，然后按照x＝(x-μ)/δ将特征转化为标准正态分布。但是，两种方法都不适用以时间序列作为输入参数的数据预处理。因此，本文提出了如下数据预处理的方法。

令电流为I，相角为θ，利用式(1)将电流和相角转换为电流实部I_r和电流虚部I_i的形式，这两者具有相同的量纲，而且具有相同的电流和相角的取值范围，在保留完整信息的基础上，实现了数据归一化的效果。

然后对每个时刻t的电流实部

和电流虚部

有：

式中，

为初始时刻的基础向量，如此可以抵消每个输入时间序列样本的偏差，消除初始状态对结果的影响，使每个样本都具有相同的分布；

步骤2.2、设定滑动窗口大小为(1+k)×m，步长为Δ，对所述归一化操作后的电流互感器故障特征矩阵进行横向滑动取值，得到N×L-k组(1+k)×m的矩阵作为训练集T_res，其中，m为滑动窗口的宽度。本发明设计了隐性故障诊断循环卷积层，在传统的卷积层上加入提取时间依赖信息特征的能力，获取电流数据的空间与时间信息特征，提高网络的特征表达性能。并加入池化操作减少参数量，降低计算复杂度，最后通过全连接层对电流互感器隐性故障类型进行诊断。对于时序数据的故障诊断问题，如何将有用的时间信息嵌入到诊断模型的输入中是一个重要的考虑因素。如果诊断模型仅使用在单个采样时间步长处获取的数据作为输入，则与当前时间相关的先前时间信息将被忽略，从而限制模型的诊断性能。针对这一问题，本文采用时间窗嵌入策略对神经网络的输入序列x_input进行处理，其中，固定大小的时间窗口用于将在连续采样时间步获得时序数据串联成高维向量，然后将该向量作为输入馈送至循环卷积块神经网络。因此，在每个采样时间步，通过时间窗嵌入获得的输入向量由在当前时间步及其先前S-1时间步采样的多源时间序列数据组成，其可由式(3)表示为：

其中S是时间窗口的大小。本文采用大小为20的时间窗用于在每个时间步将多源时间序列数据封装到输入向量中。本发明通过设计门机制，减少了爆炸梯度对网络的影响，并且更易于网络捕获时序数据的长期依赖性关系，提升了模型对电流互感器隐性故障不明显特征的检测能力，从而实现智能诊断；

步骤3、构建循环卷积网络并初始化网络参数；

步骤3.1、构建循环卷积网络记为R-NET，使R-NET按顺序包含第1个循环卷积层、第1个池化层、。。。、第r个循环卷积层、第r个池化层、。。。、第R个循环卷积层、第R个池化层、第1个全连接层、第2个全连接层；

如图4所示，步骤3.2、定义上述第r个循环卷积层的实现如下式(4)：

其中，

为第r个循环卷积层在时间步t处输出的状态变量，

为第r-1个循环卷积层在时间步t处输出的状态变量，

为第r个循环卷积层在时间步t-1处由循环连接反馈的存储状态，f(·)是非线性激活函数，r∈[1,R]。在卷积神经网络中，卷积层是核心的构造块，能够从输入的时间序列传感器数据中自动提取空间特征。然而卷积层中信息只会向前流动。相应地，在每个时间步，CNNs只考虑当前输入并且忽略先前的退化信息。因此，CNNs无法捕捉数据的时序特征，影响了CNNs的诊断精度和泛化能力。

为了解决这一问题，提高网络的诊断性能，本文提出了一种新的核心构造模块—循环卷积层。与单一方向上传递信息的卷积层不同，循环卷积层在输出和输入之间附加了一个连接，将层的输出反馈回输入构成循环回路，形成信息的循环。循环卷积层的输出不仅取决于当前输入，而且还取决于所有过去输入循环卷积层存储的状态，因此循环卷积层能够记忆时间信息，并充分利用来自传感器数据的时序信息对设备故障进行建模。对于第i个循环卷积层，其在时间步t处的状态变量

可以写成式(5)。

其中f(·)是非线性激活函数，如sigmoid，tanh和线性整流单元(ReLU)，

是输入变量，即输入的传感器时间序列数据或第i-1个循环卷积层输出的特征图，

是时间步t-1处由循环连接反馈的存储状态。理论上，循环连接能够使循环卷积层从输入的传感器数据中学习任意的长期依赖关系。然而，在实际应用中，由于循环卷积层在训练过程中经常遇到梯度消失或爆炸的问题，使得它只能回溯几个时间步。因此，为了减轻消失和爆炸梯度的影响并捕获长期依赖性，在循环卷积层中引入了门机制。如图3所示，在循环卷积层中有两个门，即复位门r_t ⁱ和更新门

它们可以分别由式(6)和式(7)计算得到。

其中δ(·)是sigmoid激活函数，*表示卷积操作，

和

是卷积核，

和

是偏置项。在每个时间步t，门控循环卷积层的状态变量

可以通过式(8)和式(9)得到。

通过引入门机制，循环卷积层具有忘记或强调历史和当前信息的能力。一方面，复位门r_t ⁱ决定遗忘多少过去的信息。例如，在等式(6)中，如果复位门r_t ⁱ接近0，则当前候选状态

将被强制忽略先前的状态

并用当前输入

表示。另一方面，更新门

控制先前状态传递到当前状态的信息量。这有助于网络记住长期信息，解决梯度消失的问题。此外，应该注意的是，由于循环卷积层中的每个特征映射具有单独的复位和更新门，因此它能够自适应地捕获不同时间尺度上的依赖关系。如果复位门经常处于活动状态，则相应的特征映射将学习捕捉短期相关性或当前输入的信息。相反，如果特征映射的更新门经常处于活动状态，它们将捕获长期的依赖关系。

步骤3.3、定义上述第r个池化层的实现如下式(10)：

其中，

为第r个池化层在时间步t处的存储状态，p是池化大小，s是池化步长，pool(·)是下采样函数。除了循环卷积层外，神经网络还采用了池化层和全连通层。池化层的使用能够减少特征表示的维数，使提取的特征更加紧凑。在循环卷积神经网络中，池化层放置在循环卷积层之后，对输出的特征图进行池化操作，并输出前一个特征图的局部信息量，特别是，这种操作对小的位移和畸变产生了不变性，这极大地提高了网络的统计效率；

步骤3.4、定义上述第i个全连接层的实现如下式(11)：

其中，

为第i个全连接层在时间步t处的输出，

是第i个全连接层在时间步t处的输入，即前一层的输出，Wⁱ是第i个全连接层的权重矩阵，bⁱ是第i个全连接层的偏置向量，i∈[1,2]。使用全连接层来执行高级推理和回归分析。全连接层被放置在循环卷积网络的末端作为输出层，并被用于诊断二次保护系统的隐形故障。在全连接层中，每个神经元与前一层的所有神经元完全连接，这与传统的多层感知器原理相同。对于第i个循环卷积层，其中i＝1,2,3,...,N，所有卷积核具有相同的参数设置，卷积核的总个数为2^i-1M，大小为k×1。前N-1个池化层采用最大池化作为下采样函数，并使用非重叠窗口进行操作，即p＝s。第N个池化层利用全局最大池化进行下采样，并相应地将第N个循环卷积层的映射特征转化为一个大小为2^N-1M的向量。之后，将向量传输到L个连续的全连接层，以对二次保护系统的隐性故障进行诊断。在本文中，M＝32,K＝3。L＝3，也就是说，在该循环卷积神经网络中有3个全连接层。前两个全连通层各有64个神经元，均采用ReLU实现非线性激活。第三层全连通层只有3个神经元，作为网络的输出层，用于判断电流互感器是否发生隐性故障；

步骤3.5、定义循环卷积网络R-NET网络的迭代次数为μ，学习率为λ，初始化权重为w，偏置为b，μ＝1，设定最大迭代次数为μ_max；

步骤4、训练循环卷积网络R-NET；

步骤4.1、初始化j＝1。由多个循环卷积层(表示为RCL)、池化层(表示为PL)和全连接层(表示为FCL)组成。在该循环卷积块神经网络中，为了综合采集的不同变量的时间信息，采用大小为H×1×C的多通道时间序列数据作为网络的输入，其中H是每个时间序列的长度，C是采集变量的个数。然后，采用N个递归卷积层和N个池化层从输入的时序数据中自动学习特征表示，并对传感器数据的时间相关性进行建模；

步骤4.2、将训练集T_res中第j组训练样本作为输入特征矩阵输入到第μ次迭代的循环卷积网络R-NET中，并交替经过R个循环卷积层和R个池化层后，再经过2个全连接层输出第r组训练样本第μ次迭代的前向输出结果

步骤4.3、根据所述第r组训练样本第μ次迭代的前向输出结果

计算得到第r组训练样本第μ次迭代的误差

步骤4.4、将j+1赋值给j，判断j>N×L-k是否成立；若成立，则继续执行步骤4.5，否则返回步骤4.2；

步骤4.5、根据N×L-k组训练样本在第μ次迭代后的误差

计算得到第μ次迭代的循环卷积网络R-NET的交叉熵损失函数e_μ；

步骤4.6、判断e_μ>e₀和μ<μ_max是否均成立，若均成立，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的R-NET中的权重w和偏置b，返回执行步骤4.1；否则，将第μ次迭代的循环卷积网络模型作为最优模型，其中，e₀是预设的网络误差阈值；

步骤5、电流互感器隐形故障的诊断；

以电流互感器实时的电流数据和告警信息数据作为输入，利用最优模型计算得到故障类型数据。本文构建传统CNN、长短期记忆网络LSTM、残差网络ResNet-18作为对照组，其参数和优化策略与循环卷积块网络一致，评估结果如表5所示。从表5可以看到改进循环卷积块网络模型的准确度最高。

模型	最高准确度/％	最低准确度/％	五次平均准确度/％
				传统CNN	85.387％	82.214％	84.028％
ResNet-18	93.279％	90.252％	91.834％
				LSTM	95.321％	92.415	94.649％
循环卷积块网络	99.764％	96.221％	98.255％

表5评估结果

在本次实验中，计算机处理器为Inteli3 7100，内存为16GB的DDR3内存。迭代训练完成共计耗时102.6s。检测单个测试样本的时长为48ms。模型仅需要训练一次，该网络计算速度可以满足在线实时诊断的需要。相比于采用单一的传统卷积神经网络用于电流互感器隐性故障智能诊断模型中，本文提出的基于循环卷积块神经网络的电流互感器隐性故障智能诊断模型，充分利用了保护系统采集的时序信息时间与空间上的依赖关系，故障诊断率最高可达到99.764％，效果明显优于单一传统卷积网络的评估性能。

实施例2：以某高压并联电抗器为例，以安装在高压并联电抗器中的故障传感器组获取电流互感器的电流数据以及告警信息数据，告警信息包括换流器旁路告警、换流器跳闸告警和电流采样数据异常/无效告警等；

将电流互感器的电流数据以及告警信息数据整合成故障特征数据，据以构建训练样本集，对电流数据和告警信息数据进行预处理并整合，构建训练样本集，整合操作可采用离差标准化方法；

利用训练样本集训练循环卷积网络，据以获得诊断网络模型，利用前述步骤得到的训练循环卷积网络R-NET。本发明基于循环卷积网络进行电流互感器隐性故障诊断，通过采集高压并联电抗器中的电流互感器的历史故障及正常运行数据作为训练样本，利用循环卷积网络强大的时序特征数据的空间提取能力，训练获得学习之后的故障预测网络模型，且模型显著提高了故障诊断的准确率；

利用诊断网络模型诊断电流数据和告警信息数据，据以得到故障诊断预警数据，以高压并联电抗器中电流互感器实时的电流数据和告警信息数据作为输入，利用最优模型计算得到故障类型数据，故障类型包括TA二次绕组层间短路、TA对地击穿、TA一次负荷电流过流等。本发明利用训练完成的网络模型，通过电流互感器输入实时的电流时序数据和告警信息时序数据，可以实现电流互感器隐性故障的在线检测，以达到故障提前预警的效果，提高了高压并联电抗器的稳定性。将电流互感器电流数据和保护系统告警信息数据拼接后的融合数据作为网络的输入特征。

实施例3：以变压器二次测保护系统为例，以安装在变压器二次测保护系统中的故障传感器组获取电流互感器的电流数据以及告警信息数据，告警信息包括电流采样数据异常/无效告警和保护TA断线告警等；

将电流互感器的电流数据以及告警信息数据整合成故障特征数据，据以构建训练样本集，可选的，在一实施例中，对电流数据和告警信息数据进行预处理并整合，构建训练样本集，在本实施例中，整合操作可采用标准差标准化方法；

利用训练样本集训练循环卷积网络，据以获得诊断网络模型，可选的，在一实施例中，利用前述步骤得到的训练循环卷积网络R-NET。本发明基于循环卷积网络进行电流互感器隐性故障诊断，通过采集电流互感器的历史故障及正常运行数据作为训练样本，利用循环卷积网络强大的时序特征数据的空间提取能力，训练获得学习之后的故障预测网络模型，且模型显著提高了故障诊断的准确率；

利用诊断网络模型诊断电流数据和告警信息数据，据以得到故障诊断预警数据，可选的，在一实施例中，以变压器二次测保护系统电流互感器实时的电流数据和告警信息数据作为输入，利用最优模型计算得到故障类型数据，可选的，在一实施例中，故障类型包括TA二次回路多点接地、TA饱和、TA二次回路接触不良/开路等。本发明利用训练完成的网络模型，通过电流互感器输入实时的电流时序数据和告警信息时序数据，可以实现电流互感器隐性故障的在线检测，以达到故障提前预警的效果，提高了变压器二次测保护系统的稳定性。将电流互感器电流数据和保护系统告警信息数据拼接后的融合数据作为网络的输入特征。

综上，本发明提供的一种电流互感器故障诊断预警方法及系统，本发明提出的循环卷积网络在应用于电流互感器隐性故障的诊断场景时，充分利用了特高压换流站保护系统采集的时序信息时间与空间上的依赖关系，实现对电流互感器的隐性故障的预测和诊断，并且更易于网络捕获时序数据的长期依赖性关系，提升了模型对不明显特征的检测能力，通过设计门机制，减少了爆炸梯度对网络的影响，非常契合电流互感器隐性故障的诊断，根据所述卷积梯度维持数据获取所述卷积隐性故障诊断循环卷积层。卷积隐性故障诊断循环卷积层能够记忆时间信息，并充分利用来自传感器数据的时序信息对设备故障进行建模。同时减轻消失和爆炸梯度的影响并捕获长期依赖性，在循环卷积层中引入了门机制。这有助于网络记住长期信息，解决梯度消失的问题。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。