CN114819108A - 一种综合能源系统故障识别方法及装置 - Google Patents

Abstract

本发明涉及综合能源系统运维技术领域，具体提供了一种综合能源系统故障识别方法及装置，包括：获取综合能源系统中设备的故障量测数据；将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型。本发明提供的技术方案运用改进的堆叠自编码进行综合能源系统故障特征提取，实现综合能源系统故障特征识别，进而对综合能源系统进行故障预警、诊断，提高系统运行安全性。

Description

一种综合能源系统故障识别方法及装置

技术领域

本发明涉及综合能源系统运维技术领域，具体涉及一种综合能源系统故障识别方法及装置。

背景技术

综合能源系统设备往往装备量大、数据测点多且频率高、运行工况复杂多变，随着机械故障诊断进入了大数据时代，故障诊断面临数据总量大、形式多、价值密度低等新的挑战。

传统机械智能故障诊断通常采取“人工特征提取＋模式识别”的模式，需要诊断专家对特定部件在特定工况下进行分析后，人工设计特征对采集到的信号进行表征，然后再将特征输入到分类模型中进行识别，这显然不能满足机电大数据时代的需求，因而急需对相关理论进行研究，实现数据驱动的特征自动提取。

深度学习模型依靠多个隐含层可以很好地实现高变函数等复杂高维映射的表示，在特征自动提取上具有很多其他网络学习算法不可比拟的优势。由多个自编码网络堆叠而成的堆叠自编码网络是深度学习中最重要的模型之一，在机械故障诊断中取得了众多进展。

但是，由于综合能源系统设备种类多、数据测点多且频率高、运行工况复杂多变，每一部分的故障参数类型、特征差异比较大，构建综合能源系统故障特征库难度大。综合能源系统故障诊断技术研究处于初步探索阶段，缺乏系统性的故障诊断技术、专家知识及支撑工具。故障特征库是综合能源系统故障诊断和预测的关键，目前故障特征构建多采用人工提取的方法，该方法仅适用于信息量小的单一系统。例如：

名称为有源配电网故障特征库构建方法、系统及故障诊断的发明专利，具体包括获取历史正常录波和历史故障录波数据，作为样本数据，从样本数据中提取表征故障特性的样本特特征量；基于所述样本特征量的相关性，构建有缘配电网故障数据特征库；该技术通过小波基函数属性和分解层数，仅仅适用于单个设备的故障诊断，不适用于复杂的综合能源系统的故障诊断。

名称为一种综合能源的故障统一定位方法的发明专利，首先通过数据预处理提取数据采集装置的各能源子系统典型特征量并将其标准化；然后将异质特征量在空间和时间上聚合为高维矩阵；再利用Isomap等对该矩阵进行非线性降维，并基于局部稀疏系数的大小和节点关联关系对综合能源系统进行故障辨识和定位；该技术仅对综合能源系统的故障进行统一的定位，未建立综合能源系统特征库。

发明内容

为了克服上述缺陷，本发明提出了一种综合能源系统故障识别方法及装置。

第一方面，提供一种综合能源系统故障识别方法，所述综合能源系统故障识别方法包括：

获取综合能源系统中设备的故障量测数据；

将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型；

所述预先构建的堆叠自编码网络的获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

优选的，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

优选的，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

进一步的，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

进一步的，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

进一步的，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

进一步的，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

第二方面，提供一种综合能源系统故障识别装置，所述综合能源系统故障识别装置包括：

获取模块，用于获取综合能源系统中设备的故障量测数据；

识别模块，用于将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型；

所述识别模块中预先构建的堆叠自编码网络的获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

优选的，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

优选的，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

进一步的，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

进一步的，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

进一步的，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

进一步的，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

第三方面，提供一种计算机设备，包括：一个或多个处理器；

所述处理器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的综合能源系统故障识别方法。

第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的综合能源系统故障识别方法。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

本发明提供了一种综合能源系统故障识别方法及装置，包括：获取综合能源系统中设备的故障量测数据；将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型。本发明提供的技术方案运用改进的堆叠自编码进行综合能源系统故障特征提取，实现综合能源系统故障特征识别，进而对综合能源系统进行故障预警、诊断，提高系统运行安全性；

进一步的，本发明提供的技术方案将电力系统、天然气系统和热力系统之间不同的特征量统一为综合特征量；充分利用综合能源系统的海量数据，突破了单个系统的隔阂和限制，实现了综合能源系统故障特征库的建立。基于本发明提供的技术方案可以研发智慧能源运维系统故障诊断功能模块，未来在综合能源系统中进行推广应用，应用潜力巨大。

附图说明

图1是本发明实施例的综合能源系统故障识别方法的主要步骤流程示意图；

图2是本发明实施例的预先构建的堆叠自编码网络结构图；

图3是本发明实施例的综合能源系统故障识别装置的主要结构框图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

目前由于综合能源系统信息庞杂，综合能源系统设备往往装备量大、数据测点多且频率高、运行工况复杂多变，每一部分的故障参数类型、特征差异比较大，故障信号的特征提取是故障诊断和预测的关键。对于拥有海量信息的综合能源系统，现阶段仅能对故障进行定位，无法准确、高效的输出综合能源系统的故障类型，未建立故障特征库。

目前对于故障特征的提取和特征库的建立一般使用人工提取的方法，使用滤波、频域分析等方法建立故障特征库，对于海量信息的综合能源系统这一方法已经不适用了。

针对上述问题，本发明将电力系统、天然气系统和热力系统之间不同的特征量统一综合特征量；充分利用了综合能源系统的海量数据，突破了单个系统的隔阂和限制，提出一种基于自编码的综合能源系统故障特征库构建方法。本发明能够根据综合能源系统运行故障特征，基于一种堆叠自编码网络，在自编码网络的隐层加上全连接层和Softmax分类器，直接将标签信息融入到堆叠自编码每层的特征提取中。将分类器的输出与标签信息的交叉熵添加到原始的损失函数中，以该复合损失函数最小为目标对网络进行训练，最终构建综合能源系统特征库，利用该特征库可以对综合能源系统进行故障判断。本发明充分利用海量数据，将综合能源系统的故障进行编码，压缩信息存储，完成故障和编码数据之间一一对应的关系，输出故障类型，建立典型特征库，实现综合能源系统故障特征识别，提高系统整体安全性，解决了因系统庞大而难以构建特征库的问题。参阅附图1，图1是本发明的一个实施例的综合能源系统故障识别方法的主要步骤流程示意图。如图1所示，本发明实施例中的综合能源系统故障识别方法主要包括以下步骤：

步骤S101：获取综合能源系统中设备的故障量测数据；

步骤S102：将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型。

其中，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

进一步的，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

本实施例中，所述预先构建的堆叠自编码网络的获取过程中，首先需要获取每种故障设备的典型特征参数，设计适应故障特征提取及复合表达的自编码器结构对每个运行进行编码，以获取每个特征参数的唯一表达；在标准AE的隐层连接一个全连接层，加上分类器Softmax将分类器的输出与标签信息的交叉熵加入到原来的损失函数上，以该复合损失最小为目标对网络进行训练，所述预先构建的堆叠自编码网络结构如图2所示，具体获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

在一个实施方式中，使用ELU(exponential linear unit)编码函数对输入数据进行编码处理，编码通过下式以全连接和激活函数的方式将输入层映射到隐层，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

进一步的，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

进一步的，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

进一步的，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，在进行矢量重构时会产生重构误差，为了使输入数据和输出数据近似一致，要求得到的重构误差最小化，并考虑加入与分类相关的信息之后，构成所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

按上述方式进行编码，编码后的特征具有较好的分类信息，每一个输出就是独立且唯一的特征编码代表一类故障类型的特征编码；

最终，获取每种故障设备的典型特征参数，基于自编码器对故障特征进行编码，输出故障类型的特征编码，实现综合能源系统故障特征识别，系统典型故障入库。

实施例2

基于同一发明构思，本发明还提供一种综合能源系统故障识别装置，如图3所示，所述综合能源系统故障识别装置包括：

获取模块，用于获取综合能源系统中设备的故障量测数据；

识别模块，用于将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型。

优选的，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

优选的，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

优选的，所述识别模块中预先构建的堆叠自编码网络的获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

进一步的，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

进一步的，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

进一步的，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

进一步的，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

实施例3

基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种综合能源系统故障识别方法的步骤。

实施例4

基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种综合能源系统故障识别方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (16)

1.一种综合能源系统故障识别方法，其特征在于，所述方法包括：

获取综合能源系统中设备的故障量测数据；

将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型；

所述预先构建的堆叠自编码网络的获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

2.如权利要求1所述的方法，其特征在于，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

3.如权利要求1所述的方法，其特征在于，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

4.如权利要求1所述的方法，其特征在于，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

5.如权利要求4所述的方法，其特征在于，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

6.如权利要求1所述的方法，其特征在于，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

7.如权利要求1所述的方法，其特征在于，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

8.一种综合能源系统故障识别装置，其特征在于，所述装置包括：

获取模块，用于获取综合能源系统中设备的故障量测数据；

识别模块，用于将所述故障量测数据输入至预先构建的堆叠自编码网络，得到所述预先构建的堆叠自编码网络输出的设备故障类型；

所述识别模块中预先构建的堆叠自编码网络的获取过程包括：

在初始堆叠自编码网络的标准AE的隐层后依次连接全连接层和分类器Softmax；

对综合能源系统中设备的故障量测数据进行语义标注，并将所述故障量测数据划分为训练数据、验证数据和测试数据；

利用所述训练数据、验证数据和测试数据对堆叠自编码网络进行训练，得到所述预先构建的堆叠自编码网络。

9.如权利要求8所述的装置，其特征在于，所述设备包括下述中的至少一种：热泵、电锅炉、风机、光伏板。

10.如权利要求8所述的装置，其特征在于，所述设备故障类型包括下述中的至少一种：机组不运转、水泵运行状态不正常、压缩机停止工作、风扇不运转、机械故障、安全阀故障、轴承振动、轴承温度过高、动叶卡涩、保护装置误动作、逆变器不并网、逆变器屏幕无显示、PV过压、漏电流故障、交流侧过压。

11.如权利要求8所述的装置，其特征在于，所述全连接层的输出向量为：

O_i=f(W_oH_s+b_o)

上式中，O_s为全连接层的输出向量，f为ELU函数，W_o为全连接层的权值，H_s为隐层神经元的激活值向量，b_o为全连接层的偏置。

12.如权利要求11所述的装置，其特征在于，所述ELU函数的表达式为：

上式中，x为函数自变量，e为自然常数。

13.如权利要求8所述的装置，其特征在于，所述分类器Softmax的输出为：

上式中，y_i为第i个分类器Softmax的输出量，o_i为第i个全连接层的输出量，e为自然常数，t为设备故障类型数。

14.如权利要求8所述的装置，其特征在于，采用梯度返向传播的相关算法对堆叠自编码网络进行训练，其中，所述梯度返向传播的相关算法采用的损失函数为：

上式中，J(θ)为损失函数值，θ={W_a∈R^D×d，W_s∈R^d×D，b_a∈R^d，b_s∈R^D}，W_a为输入层与隐层之间的权值向量，R为实数集，D为输入层神经元个数，d为隐层神经元个数，W_s为对于第s个样本隐层与输出层之间的权值向量，b_a为输入层与隐层之间的偏置向量，b_s为对于第s个样本隐层与输出层之间的偏置向量，m为样本个数，Z_s为对于第s个样本输出层神经元的激活值向量，X_s为对于第s个样本输入数据向量，μ为平衡重构误差与交叉熵之间的常数，l _si 为对于第s个样本使用one-hot编码表示第i种备故障类型的标签值, y_si为对于第s个样本第i个分类器Softmax的输出量，t为设备故障类型数。

15.一种计算机设备，其特征在于，包括：一个或多个处理器；

所述处理器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至7中任意一项所述的综合能源系统故障识别方法。

16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任意一项所述的综合能源系统故障识别方法。

Images