CN115128410A - 一种基于tpa-lstm的直流电缆局部放电故障模式识别方法 - Google Patents

Abstract

本发明公开了一种基于TPA‑LSTM的直流电缆局部放电故障模式识别方法，采用了LSTM神经网络，其由一系列的LSTM单元组成，包括遗忘门、输入门、输出门，具体包括如下步骤：步骤1，遗忘门决定上一时刻状态信息保留度；步骤2，由输入门决定该单元的状态是否更新；步骤3，输出门决定单元的最终输出值；步骤4，时序模式的获取；步骤5，计算权值；步骤6，TPA输出。本发明能够实现局放的精确监测。

Description

一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法

技术领域

本发明涉及一种用于局放故障监测领域的基于TPA-LSTM的直流电缆局部放电故障模式识别方法。

背景技术

局部放电作为表征电气设备绝缘状态的重要参数之一，在故障诊断和状态评估领域应用非常广泛。局部放电故障诊断方法大致可分为以下三类：

通过图信号和图卷积网络相结合进行故障模式识别：例如文献(张翼等.图信号与图卷积网络相结合的局部放电模式识别方法[J].中国电机工程学报,2021,41(18))基于时频谱灰度矩阵的局部放电图信号构建方法，该方法除了保留时频谱的特征信息外，还添加了表征时频谱局部区域关联性的结构信息，采用GCN层+SAGPool构建图卷积网络，能够融合局放图信号的节点特征信息和拓扑结构，自适应地提取特征并诊断局放类型，然而该方法受限于较小规模样本下才能表现出较好性能。

通过深度信念网络模型进行故障模式识别：例如文献(黄光磊.直流电缆局部放电与泄漏电流特性及类型识别研究[D].上海:上海交通大学,2019.)对采集的局部放电脉冲波形信号进行预处理，使用自适应矩估计算法优化的深度信念网络局部放电脉冲电流识别模型，并使用ADAM方法对深度学习联合训练方式进行改进，识别效果更好，且在数据规模较大时具有性能更佳。然而此方法只考虑单一缺陷下的机理和特征，对多重缺陷条件下的局部放电与泄漏电流故障识别并不适用。

通过卷积神经网络进行故障模式识别：例如文献(朱煜峰.直流电缆的局部放电诊断和状态评估方法[D].上海:上海交通大学,2020.)将经过预处理的局部放电信号特征图谱作为卷积神经网络的输入，通过调节网络结构和训练参数，使训练后的网络框架针对直流电缆不同缺陷模式和老化严重程度模式均拥有更高的识别准确性。采用Alexnet网络对卷积神经网络算法提升模式识别效果，结果表明卷积神经网络能捕捉到具有强随机性的直流电缆局部放电信号图谱更高维的特征，在多种老化程度混合场景下针对缺陷模式的模式识别中识别正确率更高。然而该方法研究的直流电缆缺陷模型是基于可能的故障类型模拟设计的，在实际应用中可能并没有所假设故障类型。

因此，如何在系统存在干扰和不确定性时，在不受限样本规模的情况下，能够提升直流电缆局部放电故障识别准确率，并能够在实际场景中应用，成为直流电缆局部放电故障模式识别的重要问题。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法，能够实现局放的精确监测。

实现上述目的的一种技术方案是：一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法，其特征在于，采用了LSTM神经网络，其由一系列的LSTM单元组成，包括遗忘门、输入门、输出门；

据故障监测特征量将电缆局部故障拟分为4种类型，如下表所示：

表1直流电缆故障类型

故障类型编号	电缆故障类型
		y1	尖端放电
y2	悬浮放电
		y3	绝缘纸放电
y4	匝间放电

本方法具体包括如下步骤：

步骤1，遗忘门决定上一时刻状态信息保留度，数学表达式如下：

d_t＝σ(ω_d·HI_t-1+α_d·h_m,t-1+b_d) (1)·

式中d_t和{HI_t-1,h_m,t-1}分别为t-1时刻健康指标和隐含层输出值，表示遗忘门在时刻t处的输出和输入，{ω_d,α_d,b_d}表示遗忘门的输入权值、循环权值和偏置量，σ(·)表示sigmoid激活函数；

步骤2，由输入门决定该单元的状态是否更新，主要分为两部分：一是根据公式(2)决定更新信息，即i_t，根据公式(3)生成备选更新信息，即C_t；二是根据公式(4)将上面得到的两类数据联合起来，更新该单元的状态信息；

i_t＝σ(ω_i·HI_t-1+α_i·h_m,t-1+b_t) (2)

C_t＝d_t*C_t-1+i_t*C_t (4)

式中，{ω_i,α_i,b_i}和{ω_C,α_C,b_C}分别表示输入门和单元状态的输入权值、循环权值和偏置，

表示双曲正弦激活函数；

步骤3，输出门决定单元的最终输出值，具体实现方法如公式(5)和公式(6)所示；

o_t＝σ(ω_o·HI_t-1+α_o·h_m,t-1+b_o) (5)

h_m,t＝o_t*φ(C_t) (6)

式中，{ω_o,α_o,b_o}表示输出门的输入权值、循环权值和偏置；φ()表示双曲正切激活函数；

步骤4，时序模式的获取，设h＝{h_m,t-w+1,…,h_m,t}为LSTM网络隐含层输出值，作为TPA的输入，其中w为序列长度，m表示单一LSTM单元输出值的维数；C＝{C₁,C₂,…,C_T}为CNN滤波器，其中T表示注意力机制的最大长度，假定w＝T；通过h与C做卷积运算可以得到不同的时序模式，如公式(7)所示；

步骤5，为了计算权值，定义如公式(8)所示的分数函数；

式中，

表示H^C的第i个行向量W_a∈R^k×m；所以注意力权值为：

式中，sigmoid()为激活函数，用于权值归一化；

步骤6，TPA输出由以下得出，经过注意力机制获取的第t时刻隐含层权值为；

h'_m,t＝W_hh_m,t+W_VV_t (11)

式中，W_h∈R^m×m,W_V∈R^m×k。

故可以得到TPA的输出为

HI＝W_h'h_m,t (12)

式中，W_h'∈R^n×m，HI_t为t时刻网络输出值。

与现有技术相比，本技术的有益效果如下：

本发明一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法，在工况不变的情况下，采用了结合时序模式注意力机制的LSTM模型进行直流电缆局部放电模式识别，相较于图信号和图卷积网络相结合、深度信念网络、卷积神经网络模式识别精度更高。

附图说明

图1为本发明的基于TPA-LSTM局部放电诊断流程图；

图2为TPA机制示意图；

图3为LSTM结构单元。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

请参阅图1至图3，本发明提出一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法。TPA-LSTM模型是利用TPA机制对LSTM模型隐含层输出值进行运算，相比于LSTM模型，关注以往不同时刻的隐含层输出值与当前时刻隐含层输出值之间的关联，即通过计算两者相关性确定以往隐含层输出值的权值，获得最终隐含层输出值。LSTM神经网络由一系列的LSTM单元组成，包括遗忘门，输入门，输出门。将LSTM层的输出向量做为Attention层的输入，注意力机制的本质为计算某一特征向量的的加权求和，通过时空Attention机制提取局部放电信息

据故障监测特征量将电缆局部故障拟分为4种类型，如表1所示。

表1直流电缆故障类型

故障类型编号	电缆故障类型
		y1	尖端放电
y2	悬浮放电
		y3	绝缘纸放电
y4	匝间放电

本方法具体包括如下步骤：

步骤1，遗忘门决定上一时刻状态信息保留度，数学表达式如下：

d_t＝σ(ω_d·HI_t-1+α_d·h_m,t-1+b_d) (1)·

式中d_t和{HI_t-1,h_m,t-1}分别为t-1时刻健康指标和隐含层输出值，表示遗忘门在时刻t处的输出和输入，{ω_d,α_d,b_d}表示遗忘门的输入权值、循环权值和偏置量，σ(·)表示sigmoid激活函数；

步骤2，由输入门决定该单元的状态是否更新，主要分为两部分：一是根据公式(2)决定更新信息，即i_t，根据公式(3)生成备选更新信息，即C_t；二是根据公式(4)将上面得到的两类数据联合起来，更新该单元的状态信息；

i_t＝σ(ω_i·HI_t-1+α_i·h_m,t-1+b_t) (2)

C_t＝d_t*C_t-1+i_t*C_t (4)

式中，{ω_i,α_i,b_i}和{ω_C,α_C,b_C}分别表示输入门和单元状态的输入权值、循环权值和偏置，

表示双曲正弦激活函数；

步骤3，输出门决定单元的最终输出值，具体实现方法如公式(5)和公式(6)所示；

o_t＝σ(ω_o·HI_t-1+α_o·h_m,t-1+b_o) (5)

h_m,t＝o_t*φ(C_t) (6)

式中，{ω_o,α_o,b_o}表示输出门的输入权值、循环权值和偏置；φ()表示双曲正切激活函数；

通过对三个门的权值和偏置的调整，可以实现改变当前输入、历史状态等信息对输出的贡献度，信息逐层传递实现了网络对历史数据的记忆。

时序模式注意力机制通过使用CNN滤波器提取输入信息中的定长时序模式，使用评分函数确定各时序模式的权值，根据权值的大小得到最后的输出信息。

步骤4，时序模式的获取，设h＝{h_m,t-w+1,…,h_m,t}为LSTM网络隐含层输出值，作为TPA的输入，其中w为序列长度，m表示单一LSTM单元输出值的维数；C＝{C₁,C₂,…,C_T}为CNN滤波器，其中T表示注意力机制的最大长度，假定w＝T；通过h与C做卷积运算可以得到不同的时序模式，如公式(7)所示；

步骤5，为了计算权值，定义如公式(8)所示的分数函数；

式中，

表示H^C的第i个行向量W_a∈R^k×m；所以注意力权值为：

式中，sigmoid()为激活函数，用于权值归一化；

步骤6，TPA输出由以下得出，经过注意力机制获取的第t时刻隐含层权值为；

h'_m,t＝W_hh_m,t+W_VV_t (11)

式中，W_h∈R^m×m,W_V∈R^m×k。

故可以得到TPA的输出为

HI＝W_h'h_m,t (12)

式中，W_h'∈R^n×m，HI_t为t时刻网络输出值。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (1)

1.一种基于TPA-LSTM的直流电缆局部放电故障模式识别方法，其特征在于，采用了LSTM神经网络，其由一系列的LSTM单元组成，包括遗忘门、输入门、输出门；

据故障监测特征量将电缆局部故障拟分为4种类型，如下表所示：

表1直流电缆故障类型

故障类型编号 电缆故障类型 y1 尖端放电 y2 悬浮放电 y3 绝缘纸放电 y4 匝间放电

本方法具体包括如下步骤：

步骤1，遗忘门决定上一时刻状态信息保留度，数学表达式如下：

d_t＝σ(ω_d·HI_t-1+α_d·h_m,t-1+b_d) (1)·

式中d_t和{HI_t-1,h_m,t-1}分别为t-1时刻健康指标和隐含层输出值，表示遗忘门在时刻t处的输出和输入，{ω_d,α_d,b_d}表示遗忘门的输入权值、循环权值和偏置量，σ(·)表示sigmoid激活函数；

步骤2，由输入门决定该单元的状态是否更新，主要分为两部分：一是根据公式(2)决定更新信息，即i_t，根据公式(3)生成备选更新信息，即C_t；二是根据公式(4)将上面得到的两类数据联合起来，更新该单元的状态信息；

i_t＝σ(ω_i·HI_t-1+α_i·h_m,t-1+b_t) (2)

C_t＝d_t*C_t-1+i_t*C_t (4)

式中，{ω_i,α_i,b_i}和{ω_C,α_C,b_C}分别表示输入门和单元状态的输入权值、循环权值和偏置，

表示双曲正弦激活函数；

步骤3，输出门决定单元的最终输出值，具体实现方法如公式(5)和公式(6)所示；

o_t＝σ(ω_o·HI_t-1+α_o·h_m,t-1+b_o) (5)

h_m,t＝o_t*φ(C_t) (6)

式中，{ω_o,α_o,b_o}表示输出门的输入权值、循环权值和偏置；φ()表示双曲正切激活函数；

步骤4，时序模式的获取，设h＝{h_m,t-w+1,…,h_m,t}为LSTM网络隐含层输出值，作为TPA的输入，其中w为序列长度，m表示单一LSTM单元输出值的维数；C＝{C₁,C₂,…,C_T}为CNN滤波器，其中T表示注意力机制的最大长度，假定w＝T；通过h与C做卷积运算可以得到不同的时序模式，如公式(7)所示；

步骤5，为了计算权值，定义如公式(8)所示的分数函数；

式中，

表示H^C的第i个行向量W_a∈R^k×m；所以注意力权值为：

式中，sigmoid()为激活函数，用于权值归一化；

步骤6，TPA输出由以下得出，经过注意力机制获取的第t时刻隐含层权值为；

h'_m,t＝W_hh_m,t+W_VV_t (11)

式中，W_h∈R^m×m,W_V∈R^m×k。

故可以得到TPA的输出为

HI＝W_h'h_m,t (12)

式中，W_h'∈R^n×m，HI_t为t时刻网络输出值。

Images