CN114897032B - 一种基于宽度学习的电流互感器故障诊断方法、装置 - Google Patents

一种基于宽度学习的电流互感器故障诊断方法、装置 Download PDF

Info

Publication number
CN114897032B
CN114897032B CN202210817107.XA CN202210817107A CN114897032B CN 114897032 B CN114897032 B CN 114897032B CN 202210817107 A CN202210817107 A CN 202210817107A CN 114897032 B CN114897032 B CN 114897032B
Authority
CN
China
Prior art keywords
width learning
current transformer
learning model
secondary side
domain
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.)
Active
Application number
CN202210817107.XA
Other languages
English (en)
Other versions
CN114897032A (zh
Inventor
陈勉舟
刘义
陈应林
代洁
周阳
饶芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Glory Road Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202210817107.XA priority Critical patent/CN114897032B/zh
Publication of CN114897032A publication Critical patent/CN114897032A/zh
Application granted granted Critical
Publication of CN114897032B publication Critical patent/CN114897032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于宽度学习的电流互感器故障诊断方法及装置，其方法包括:获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合；利用归一化后的多维特征数据集作为宽度学习模型的样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型；利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。本发明从多个维度提取电流互感器渐变性故障和突变性故障的特征，并结合宽度学习的方法，提高了模型对故障的识别准确率和鲁棒性。

Description

一种基于宽度学习的电流互感器故障诊断方法、装置
技术领域
本发明属于电流互感器故障检测技术领域，具体涉及一种基于宽度学习的电流互感器故障诊断方法、装置。
背景技术
电流互感器作为电能传输的重要设备，其可靠性是电力系统安全稳定运行的重要保证。由于户外型电流互感器长期运行在高温及强电磁干扰的复杂环境中，使其性能逐步劣化，引发电流互感器出现故障，导致输出信号异常。电流互感器的故障类型按照故障程度可以分为渐变性故障和突变性故障两类。
其中，电流互感器渐变性故障包括漂移偏差和变比偏差。漂移偏差故障：电流互感器因为长期工作后性能下降，测量值和真实值的差值出现随着时间增加而发生累积的一类故障；变比偏差故障：电流互感器因为工作环境的影响或者自身出现故障，变比发生突变，导致互感器的输出信号随之发生变化。
电流互感器的突变故障是指电流互感器在工作过程中经某一瞬间后偏离其正常工作状态，有以下几种表现形式：偏差突然增大、信号传感突然失效、变比突然改变。发生突变故障的显著特征是电流互感器输出信号发生畸变。
发明内容
为提高对电流互感器的突变性故障和渐变性故障识别的准确率和鲁棒性的问题，在本发明的第一方面提供了一种基于宽度学习的电流互感器故障诊断方法，包括：获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合；对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型；利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
在本发明的一些实施例中，所述获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合包括：对每个电流互感器的二次侧电流信号分别从时域、频域、时频域及角域的特征提取，得到13维特征集合；基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样，然后利用精细复合多尺度波动散布熵对角域重采样后的信号进行特征提取，得到3维角域特征。
进一步地，所述基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样包括：构建电流互感器的二次侧电流信号的变分模态模型，引入二次惩罚因子α与拉格朗日算子对变分模态模型进行优化；通过混沌精英哈里斯鹰算法对二次惩罚因子α和变分模态模型中的分解后的模态数k进行参数寻优；根据参数寻优后的二次惩罚因子α和分解后的模态数k，对优化后的变分模态模型求解，得到每个电流互感器的二次侧电流信号的重采样信号。
优选的，优化后的变分模态模型表示为：
Figure 766583DEST_PATH_IMAGE001
，
其中
Figure 119941DEST_PATH_IMAGE002
，
Figure 837362DEST_PATH_IMAGE003
，
Figure 170254DEST_PATH_IMAGE004
分别表示二次侧电流信号经希尔伯特变换得到的第k个模态、第k个模态的频率中心、拉格朗日乘法算子；
Figure 624107DEST_PATH_IMAGE005
为狄拉克函数，f（t）表示二次侧电流信号。
在本发明的一些实施例中，所述通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优包括：通过萤火虫算法对所述宽度学习模型的学习权重和偏置进行寻优；通过禁忌搜索算法调整所述宽度学习模型的特征节点个数n、增强节点个数m、特征节点的神经元个数p和增强节点的神经元个数q。
在上述的实施例中，还包括根据未知故障类型对所述宽度学习模型进行更新。
本发明的第二方面，提供了一种基于宽度学习的电流互感器故障诊断装置，包括：获取模块，用于获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合；筛选模块，用于对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；训练模块，用于将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型；诊断模块，用于利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明在第一方面提供的宽度学习的电流互感器故障诊断方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的宽度学习的电流互感器故障诊断方法。
本发明的有益效果是：
本发明分别从电流互感器的二次侧电流信号中提取时域、频域、时频域和角域特征提取特征，渐变性故障和突变性故障，即从样本上保证了模型对渐变性故障和突变性故障识别的准确率和鲁棒性；利用萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，加快模型的收敛；最终，利用训练完成的宽度学习模型诊断电流互感器故障，为消除智能变电站电流互感器故障提供依据，维护了电网的安全可靠运行。
附图说明
图1为本发明的一些实施例中的基于宽度学习的电流互感器故障诊断方法的基本流程示意图；
图2为本发明的一些实施例中的基于宽度学习的电流互感器故障诊断方法的具体流程示意图；
图3为本发明的一些实施例中的宽度学习模型结构示意图之一；
图4为本发明的一些实施例中的宽度学习模型结构示意图之二；
图5为本发明的一些实施例中的基于宽度学习的电流互感器故障诊断装置的结构示意图；
图6为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1与图2，在本发明的第一方面，提供了一种基于宽度学习的电流互感器故障诊断方法，包括：S100.获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合；S200.对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；S300.将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型；S400.利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
为了提高模型识别（特别是突变性故障）的准确性和鲁棒性，在特征提取或样本阶段需要保证样本或特征的多样性，因此在本发明的一些实施例的步骤S100中，所述获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合包括：S101.对每个电流互感器的二次侧电流信号分别从时域、频域、时频域及角域的特征提取，得到13维特征集合；
具体地，采集的二次侧电流信息进行时域特征的提取，提取的5维时域分布特征包括最值、期望、方差、偏度、峰度；对采集的二次侧电流信息进行FFT变换，提取的5维频域特征包括平均频率、均方频率、均方根频率、频率方差、频率标准差；
S102.基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样，然后利用精细复合多尺度波动散布熵对角域重采样后的信号进行特征提取，得到3维角域特征。具体地，对采集的二次侧电流信息的进行小波变换，提取的3维时频域特征包括能量熵、小波尺度熵、小波奇异熵。其中，小波奇异熵的求解步骤包括：对二次侧电流信号进行小波包分解，得到子带，重构分量，使信号和原信号一样长；求每个节点的第二二范数，乘以平方才是能量，将各节点能量求和得到小波总能量，根据小波总能量求得能量熵；计算各个子带的小波尺度熵，在各尺度上求的是香农熵；先求取奇异值，将奇异值构造向量即得到奇异值谱，进行奇异值分解得到小波奇异熵。传统的粗粒化多尺度方法由于截取的是非重叠片段，没有充分考虑每个片段两端相邻元素之间的关系，随着比例因子的增加，计算结果的稳定性变差。所以用精细复合多尺度化方法进行替代，其计算过程如下:
对于给定的时间序列u={u1,u2,……，uL}对于尺度因子τ粗粒化过程中不同的起点，创建不同的时间序列。原始序列u的第k个粗粒化时间序列为：
Figure 118673DEST_PATH_IMAGE006
（1），
然后计算平均概率：
Figure 494029DEST_PATH_IMAGE007
（2），
精细复合多尺度波动散布熵定义为这些位移序列散布模式概率平均值的香农熵：
Figure 99453DEST_PATH_IMAGE009
（3）。
进一步地，在步骤S102中，所述基于混沌精英哈里斯鹰和变分模态分解算法，对每 个电流互感器的二次侧电流信号进行角域重采样包括：构建电流互感器的二次侧电流信号 的变分模态模型，引入二次惩罚因子
Figure 440436DEST_PATH_IMAGE010
与拉格朗日算子对变分模态模型进行优化；通过混沌 精英哈里斯鹰算法对二次惩罚因子
Figure 807701DEST_PATH_IMAGE010
和变分模态模型中的分解后的模态数k进行参数寻优； 根据参数寻优后的二次惩罚因子
Figure 499714DEST_PATH_IMAGE010
和分解后的模态数k，对优化后的变分模态模型求解，得 到每个电流互感器的二次侧电流信号的重采样信号。
1）具体地，构建变分模型并对其进行求解的过程，如下：
Figure 174409DEST_PATH_IMAGE011
（4）；
1）2）引入二次惩罚因子
Figure 868433DEST_PATH_IMAGE010
与拉格朗日算子
Figure 704802DEST_PATH_IMAGE012
对变分约束模型的求解过程，如下所 示：
Figure 821794DEST_PATH_IMAGE013
（5），
其中
Figure 736398DEST_PATH_IMAGE002
，
Figure 317552DEST_PATH_IMAGE003
，
Figure 308510DEST_PATH_IMAGE014
分别表示二次侧电流信号经希尔伯特变换得到的第k个模态、第k个模态的频率中心、拉格朗日乘法算子；
Figure 208071DEST_PATH_IMAGE005
为狄拉克函数，f（t）表示二次侧电流信号。
在对信号进行分解前，往往需要预设分解后的IMF（intrinsic mode functions， 固有模态函数）数量k，其中该值的选取对VMD算法的分解效果影响非常大；另外，参数
Figure 693410DEST_PATH_IMAGE010
的取 值决定了所得到的IMF频带是否精确。通常情况下，
Figure 129071DEST_PATH_IMAGE010
和k值的选取过程极度依赖于研究者的 经验。故在本发明中采用混沌精英哈里斯鹰算法（Chaotic Elite Harris Hawks Optimization,CEHHO）对VMD二次惩罚因子
Figure 71357DEST_PATH_IMAGE010
和分解后的IMF数量k进行改进。采用混沌精英 哈里斯鹰算法（CEHHO）对VMD二次惩罚因子
Figure 68000DEST_PATH_IMAGE010
和分解后的IMF数量K进行参数选优，寻优步骤 如下：
步骤1：初始化参数
Figure 622610DEST_PATH_IMAGE010
、K，并归一化寻优参数；
步骤2：种群初始化。根据搜索空间每一维的上界和下界，初始化每个个体；
步骤3：计算初始适应度。将适应度最优的个体位置设为当前猎物位置；
步骤4：位置更新。先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或开发行为中对应的位置更新策略；
步骤5：计算适应度。计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置；
重复步骤4和步骤5，当算法迭代次数达到最大迭代次数时。输出当前猎物位置作为目标的估计位置。
参考图3，在本发明的一些实施例的步骤S300中，所述通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优包括：通过萤火虫算法对所述宽度学习模型的学习权重和偏置进行寻优；通过禁忌搜索算法调整所述宽度学习模型的特征节点个数n、增强节点个数m、特征节点的神经元个数p和增强节点的神经元个数q。
具体地，宽度学习（BLS）模型首先将输入数据映射成特征节点矩阵，经过增强变换形成增强节点矩阵，由特征映射节点和增强节点共同作为隐含层的输入，利用伪逆求解隐含层与输出层之间的权重矩阵。由图3可知，BLS的隐藏层由特征节点Z n和增强节点H n两个部分组成。通过对训练集进行线性映射和激活函数变换，可以得到Z n。
Figure 912777DEST_PATH_IMAGE015
（6），
式中：X为输入层数据；wfi，Bfi分别为权重和偏置；
Figure 527429DEST_PATH_IMAGE016
为线性或非线性激活函数；Z i 为含有p个神经元的第i组特征节点。
获得Z n之后，利用它可以计算H m：
Figure 136002DEST_PATH_IMAGE017
（7），
式中：Hj为含有q个神经元的第j组增强节点；ξj为非线性激活函数； whj,Bhj权重和偏置。
通过进一步计算可以得到宽度学习模型。
Figure 228723DEST_PATH_IMAGE018
（8），
式中：A为Z n和H m联合构成的隐藏层矩阵；Wm为由A到输出层Y之间的权值。
利用萤火虫算法和禁忌搜索算法对宽度学习（BLS）的超参数进行寻优。进一步地 利用萤火虫算法对宽度学习的权重
Figure 638976DEST_PATH_IMAGE019
、
Figure 391906DEST_PATH_IMAGE020
和偏置
Figure 254820DEST_PATH_IMAGE021
、
Figure 416811DEST_PATH_IMAGE022
进行寻优，具体寻优步骤如下：步骤1： 初始化寻优参数；步骤2：种群初始化；步骤3：对初始种群进行亮度计算，即目标评估；步骤 4：萤火虫移动；步骤5：更新迭代器；步骤6：循环，输出全局最优参数。
进一步地，采用禁忌搜索算法调整特征节点个数n、增强节点个数m、特征节点的神经元个数p、增强节点的神经元个数q。
利用加权交叉熵作为损失函数，为了提高算法的收敛性，将加权交叉熵作为损失函数：
Figure 415991DEST_PATH_IMAGE023
（9），
记训练集的样本数为
Figure 136560DEST_PATH_IMAGE024
，电流互感器故障类别的数量为v，
Figure 752349DEST_PATH_IMAGE025
代表第θ个样本是不是 属于
Figure 718031DEST_PATH_IMAGE026
样本；
Figure 102876DEST_PATH_IMAGE027
是第θ个样本经过宽度学习之后输出故障概率。
参考图4，在上述的实施例中，还包括根据未知故障类型对所述宽度学习模型进行更新。具体地，电流互感器遇到未知故障类型时，对故障诊断模型M进行增量学习，采用新增特征节点和新增增强节点的方式，对故障诊断模型M进行更新，得到增量后的故障诊断模型M。即：当未遇到未知故障类型时，采用故障诊断模型M对待评估的电流互感器进行故障诊断，输出诊断结果；当遇到未知故障类型时，先对故障诊断模型M进行增量学习更新，得到增量故障模型M，采用增量故障模型M对待评估的电流互感器进行故障诊断，输出诊断结果。
参考图3，基于上述实施例中的技术方案，在本发明的一个实施例中，基于宽度学习的电流互感器故障诊断方法包括：步骤1.过高频次高精度电流采集装置获取典型故障类型的电流互感器二次侧电流信号，其中，典型的电流互感器故障类型包括渐变性故障和突变性故障；步骤2.采集的二次侧电流信号分别进行时域、频域、时频域及角域的特征提取，获得16维特征集合；步骤3.核主成分分析法对步骤2中的16维特征集合进行特征筛选，并对筛选后的特征进行归一化处理与划分，得到训练集和测试集；步骤4.萤火虫算法和禁忌搜索算法对宽度学习的超参数进行寻优，对改进后的宽度学习进行诊断模型训练与测试，并采用加权交叉熵作为损失函数，训练得到故障诊断模型M；步骤4.流互感器遇到未知故障时，对故障诊断模型M进行增量学习，采用新增特征节点和新增增强节点的方式，对故障诊断模型M进行更新，得到增量后的故障诊断模型M；步骤5.故障诊断模型M或者增量故障模型M'对待评估的电流互感器进行自适应故障诊断。
实施例2
参考图5，本发明的第二方面，提供了一种基于宽度学习的电流互感器故障诊断装置1，包括：获取模块11，用于获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合；筛选模块12，用于对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；训练模块13，用于将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型；诊断模块14，用于利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
进一步地，所述获取模块11包括：第一提取单元，用于对每个电流互感器的二次侧电流信号分别从时域、频域、时频域及角域的特征提取，得到13维特征集合；第二提取单元，用于基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样，然后利用精细复合多尺度波动散布熵对角域重采样后的信号进行特征提取，得到3维角域特征。
实施例3
参考图6，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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，使得所述一个或多个处理器实现本发明在第一方面的基于宽度学习的电流互感器故障诊断方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，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 (6)

1.一种基于宽度学习的电流互感器故障诊断方法，其特征在于，包括：
获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合:对每个电流互感器的二次侧电流信号分别从时域、频域、时频域及角域的特征提取，得到13维特征集合；基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样:构建电流互感器的二次侧电流信号的变分模态模型，引入二次惩罚因子α与拉格朗日算子对变分模态模型进行优化；通过混沌精英哈里斯鹰算法对二次惩罚因子α和变分模态模型中的分解后的模态数k进行参数寻优；根据参数寻优后的二次惩罚因子α和分解后的模态数k，对优化后的变分模态模型求解，得到每个电流互感器的二次侧电流信号的重采样信号;然后利用精细复合多尺度波动散布熵对角域重采样后的信号进行特征提取，得到3维角域特征;
对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；
将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型:通过萤火虫算法对所述宽度学习模型的学习权重和偏置进行寻优；通过禁忌搜索算法调整所述宽度学习模型的特征节点个数n、增强节点个数m、特征节点的神经元个数p和增强节点的神经元个数q;
利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
2.根据权利要求1所述的基于宽度学习的电流互感器故障诊断方法，其特征在于，优化后的变分模态模型表示为：
Figure 861843DEST_PATH_IMAGE002
，
其中{uk}，{ω k}，{λ （t）}分别表示二次侧电流信号经希尔伯特变换得到的第k个模态、第k个模态的频率中心、拉格朗日乘法算子；δ（t）为狄拉克函数，f（t）表示二次侧电流信号。
3.根据权利要求1-2至任一项所述的基于宽度学习的电流互感器故障诊断方法，其特征在于，还包括根据未知故障类型对所述宽度学习模型进行更新。
4.一种基于宽度学习的电流互感器故障诊断装置，其特征在于，包括：
获取模块，用于获取多个电流互感器的二次侧电流信号，并对其进行时域、频域、时频域和角域的特征提取，得到多维特征集合:对每个电流互感器的二次侧电流信号分别从时域、频域、时频域及角域的特征提取，得到13维特征集合；基于混沌精英哈里斯鹰和变分模态分解算法，对每个电流互感器的二次侧电流信号进行角域重采样:构建电流互感器的二次侧电流信号的变分模态模型，引入二次惩罚因子α与拉格朗日算子对变分模态模型进行优化；通过混沌精英哈里斯鹰算法对二次惩罚因子α和变分模态模型中的分解后的模态数k进行参数寻优；根据参数寻优后的二次惩罚因子α和分解后的模态数k，对优化后的变分模态模型求解，得到每个电流互感器的二次侧电流信号的重采样信号;然后利用精细复合多尺度波动散布熵对角域重采样后的信号进行特征提取，得到3维角域特征;
筛选模块，用于对所述多维特征集合中的特征进行筛选，并对筛选后的特征进行归一化处理与划分，得到多维特征数据集；
训练模块，用于将所述多维特征数据集中的样本作为宽度学习模型的训练样本或测试样本，并通过萤火虫算法和禁忌搜索算法对所述宽度学习模型的超参数进行寻优，直至所述宽度学习模型加权交叉熵达到预设值且趋于稳定，得到训练完成的宽度学习模型:通过萤火虫算法对所述宽度学习模型的学习权重和偏置进行寻优；通过禁忌搜索算法调整所述宽度学习模型的特征节点个数n、增强节点个数m、特征节点的神经元个数p和增强节点的神经元个数q;
诊断模块，用于利用训练完成的宽度学习模型，对待测电流互感器进行故障诊断。
5.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其特征在于，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3任一项所述的基于宽度学习的电流互感器故障诊断方法。
6.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于宽度学习的电流互感器故障诊断方法。
CN202210817107.XA 2022-07-12 2022-07-12 一种基于宽度学习的电流互感器故障诊断方法、装置 Active CN114897032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210817107.XA CN114897032B (zh) 2022-07-12 2022-07-12 一种基于宽度学习的电流互感器故障诊断方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210817107.XA CN114897032B (zh) 2022-07-12 2022-07-12 一种基于宽度学习的电流互感器故障诊断方法、装置

Publications (2)

Publication Number Publication Date
CN114897032A CN114897032A (zh) 2022-08-12
CN114897032B true CN114897032B (zh) 2022-10-11

Family

ID=82730379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210817107.XA Active CN114897032B (zh) 2022-07-12 2022-07-12 一种基于宽度学习的电流互感器故障诊断方法、装置

Country Status (1)

Country Link
CN (1) CN114897032B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115326398B (zh) * 2022-10-17 2023-01-24 华东交通大学 一种基于模糊宽度学习模型的轴承故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN110243590A (zh) * 2019-06-25 2019-09-17 中国民航大学 一种基于主成分分析和宽度学习的转子系统故障诊断方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111461176A (zh) * 2020-03-09 2020-07-28 华南理工大学 基于归一化互信息的多模态融合方法、装置、介质及设备
CN112285632A (zh) * 2020-10-20 2021-01-29 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法
CN112414713A (zh) * 2020-11-04 2021-02-26 吉电(滁州)章广风力发电有限公司 一种基于实测信号的滚动轴承故障检测方法
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108414226A (zh) * 2017-12-25 2018-08-17 哈尔滨理工大学 基于特征迁移学习的变工况下滚动轴承故障诊断方法
CN110243590A (zh) * 2019-06-25 2019-09-17 中国民航大学 一种基于主成分分析和宽度学习的转子系统故障诊断方法
CN110595765A (zh) * 2019-08-26 2019-12-20 西安理工大学 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN111461176A (zh) * 2020-03-09 2020-07-28 华南理工大学 基于归一化互信息的多模态融合方法、装置、介质及设备
CN112285632A (zh) * 2020-10-20 2021-01-29 国网湖北省电力有限公司营销服务中心(计量中心) 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法
CN112414713A (zh) * 2020-11-04 2021-02-26 吉电(滁州)章广风力发电有限公司 一种基于实测信号的滚动轴承故障检测方法
CN113486868A (zh) * 2021-09-07 2021-10-08 中南大学 一种电机故障诊断方法及系统

Also Published As

Publication number Publication date
CN114897032A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN111046027B (zh) 时间序列数据的缺失值填充方法和装置
WO2021054402A1 (ja) 推定装置、訓練装置、推定方法及び訓練方法
CN114897032B (zh) 一种基于宽度学习的电流互感器故障诊断方法、装置
CN111881954A (zh) 基于渐进式簇净化网络的转导推理小样本分类方法
JP2022126618A (ja) 量子デバイスのノイズ除去方法および装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム
CN109934303A (zh) 一种非入侵式家用电器负荷识别方法、装置及存储介质
CN116560895B (zh) 用于机械装备的故障诊断方法
CN115795282B (zh) 激波管动态压力重构方法、装置、电子设备及存储介质
CN113777552A (zh) 一种电容式电压互感器计量误差的预测方法及系统
CN108832478A (zh) 一种高效激光控制系统及控制方法
CN113723618B (zh) 一种shap的优化方法、设备及介质
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN115392301A (zh) 换流变压器状态识别方法、装置、设备、介质和程序产品
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
Tang et al. Prediction about the vessel’s heave motion under different sea states based on hybrid PSO_ARMA model
CN111340950B (zh) 数字高程模型重建方法及装置
Su et al. PSR-LSTM model for weak pulse signal detection
CN113780573B (zh) 一种抗噪的高精度测距方法及装置
CN113298116B (zh) 基于注意力权重的图嵌入特征提取方法、装置及电子设备
CN114548254A (zh) 设备故障分类方法、装置、设备及介质
KR20230072920A (ko) 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치
US20210219048A1 (en) Acoustic signal separation apparatus, learning apparatus, method, and program thereof
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN113554000B (zh) 一种基于深度学习的压力传感器的故障诊断方法与装置
US20230394322A1 (en) Server apparatus

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A current transformer fault diagnosis method and device based on width learning

Effective date of registration: 20221230

Granted publication date: 20221011

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20221011

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PC01 Cancellation of the registration of the contract for pledge of patent right