CN115423009A - 一种面向云边协同的电力设备故障识别方法及系统 - Google Patents

Abstract

本发明公开了一种面向云边协同的电力设备故障识别方法及系统，包括：获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。本发明通过边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件，解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。

Description

一种面向云边协同的电力设备故障识别方法及系统

技术领域

本发明属于电网故障诊断技术领域，具体涉及一种面向云边协同的电力设备故障识别方法及系统。

背景技术

电力物联网为电力系统能源生产、传输、配售等各环节提供信息和数据支持，对优化电网运行、降低管理成本、提升经济效益、提高服务质量有极大的促进作用。

为了有效提升数据共享能力，提升信息管理、信息价值挖掘、大数据及人工智能分析等水平，现阶段采用云计算架构，将感知层数据上传到云平台集中处理应用。但在海量数据背景下存在以下问题：一方面云平台数据传输时延大，造成业务响应不及时，另一方面数据集中于云平台，造成网络传输、云端计算资源的巨大负担等。随着电力物联网数字化转型的不断深入，在相对数以万计接入需求下云平台的信息系统架构在业务处理时效性、中心数据处理能力等方面的局限性显现出来。云边协同技术的提出为上述问题提供了解决思路，其核心思想是将部分数据处理、分析、相关应用程序部署至靠近数据源的边缘层中，以降低数据处理时延，缓解云平台的资源压力。

边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，可以满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。电力行业开展边缘计算的研究应用已经启动。边缘层采用“统一硬件平台+边缘操作系统+APP业务应用软件”的技术架构，考虑通过边缘计算技术提高业务处理的实时性，降低云主站通讯和计算的压力。

变压器作为电网节点的核心设备，其运行状态评估技术发展近年来备受关注，许多科研机构、高校、企业投入研究，开发了油中气体在线监测、局部放电在线监测、套管绝缘在线监测、铁芯接地电流在线监测及其评估诊断系统。变压器故障主要有绕组故障、铁芯故障、主绝缘故障、引线故障、分接故障、套管故障。不同故障的发展对应着状态特征量的变化，例如：围屏放电、匝间短路、绝缘浸渍不良等引起局部放电，过负荷或冷却不良引起绕组过热，不良工况引起绕组变形、主绝缘/纵绝缘损伤等；在电性故障或过热故障作用下，绝缘油的分解产生各种低分子烃和氢气，油纸绝缘发生裂解，释放出CO和CO₂。对于过热特征量的监测手段有红外热像、油温、内置光纤测温、噪声等监测方法；对于电气特征量有油色谱、局部放电、噪声、电压、电流等监测方法。通过传感器监测故障现象往往不能准确定位故障原因和故障部件，例如：油中含有水，可以与铁作用生成氢气；温度较高时，油中有氧时，设备中某些油漆在某些不锈钢的催化下，可能生成大量的氢；设备检修时暴露在空气中的油可吸收空气中的CO₂等。因此通过多餐量传感器监测到多种故障现象，基于多种故障现象评估故障原因和故障部件是提高变电设备故障定位精度的必要方法。故现有技术存在云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题。

发明内容

针对上述存在的不足，本发明的目的是提供一种面向云边协同的电力设备故障识别方法及系统，本发明通过边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件，解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。

为达到上述目的，本发明采用以下技术方案予以实现：

一种面向云边协同的电力设备故障识别方法，包括：

获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；

将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

作为本发明的进一步改进，所述预先训练的故障原因识别模型的训练方法包括：

基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。

作为本发明的进一步改进，所述采用stacking集成学习方法，包括：

将数据集划分为训练集、测试集，选择多种基模型作为弱分类器进行训练，每种基模型的训练方式如下：

把训练集分为平均k份，第一次训练时，将train k作为基测试集，将train1到train(k-1)作为基训练集，对基模型进行训练，训练得到了第一基模型，采用第一基模型对基测试集train k进行预测，得到第一结果矩阵；

将train1到train(k-1)分别作为基测试集，去除选定的基测试集后剩余的k-1份数据作为基训练集，进行训练分别得到第二基模型～第k基模型，然后由第二基模型～第k基模型分别对train1到train(k-1)基测试集进行预测，得到k-1个结果矩阵；

对预测得到的k-1个结果矩阵进行分类顺序拼接，得到最终的结果矩阵，作为基训练集；

分别用训练得到的多个基模型对测试集进行预测，进而构建后续的测试集，得到最终训练集和测试集；

基于最终训练集和测试集对LR算法模型进行训练，得到最终的故障原因识别模型。

作为本发明的进一步改进，所述分别用练得到的基模型对测试集进行预测，进而构建后续的测试集，包括：

由第一基模型～第k基模型对测试集进行预测，得到k个矩阵，通过分类求平均，得到平均矩阵，作为基测试集；

由多种基模型训练得到的基模型分别对测试集进行预测，并分别通过分类求平均，得到多种平均矩阵；

对多种平均矩阵进行顺序扩展拼接，得到后续的测试集。

作为本发明的进一步改进，所述对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件，包括：

确定对不同故障原因对应的量化分析指标；

根据量化分析指标形成各故障原因对应的分析张量；

基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；

将关联度与量化分析指标得到的值概率归一化后进行D-S证据理论融合以得到对应的故障部件。

作为本发明的进一步改进，所述根据量化分析指标形成各故障原因对应的分析张量；包括：

对于电力设备的一条故障原因，将确定的量化分析指标作为张量中的一个元素，所述张量元素的具体数值为多个量化分析指标的量化数值的权重，张量构成分析所用的变量；张量为Y＝Y(k)|k＝1，2...n；张量元素为X_i＝X_i(k)|k＝1，2...，n，i＝1，2...m。

作为本发明的进一步改进，所述基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；包括：

先进行数据的无量纲化处理，再计算关联度ζ_i；

其中，X_i(k)表示某一量化分析指标的无量纲化计算后的结果，ζ_i表示绕组变形故障与第i种故障部件的关联度计算结果。

作为本发明的进一步改进，所述将关联度与量化分析指标得到的值概率归一化后进行D-S证据理论融合以得到对应的故障部件；包括：

利用softmax函数对关联度与量化分析指标进行概率归一化处理，softmax函数的计算过程为：对于关联度的集合ζ{ζ₁，ζ₂，......ζ_n}，ζ_i表示ζ中的第i个元素，元素ζ_i的softmax值为：

softmax函数计算的是ζ_i元素的指数，与所有元素{ζ₁，ζ₂，......ζ_n}指数和的比值，将多个关联度通过softmax函数进行归一化处理，得到一故障原因下各故障部件的故障概率值；

针对不同故障原因得到对应各故障部件的故障概率值，通过对多种故障原因对应故障部件的故障概率值求均值，得到各部件发生故障的初步概率值，记为m₁，m₂，···，m_n；通过D-S证据理论依据如下公式进行计算：

其中，K值为多个故障部件概率的归一化系数，m(A)为某故障部件的最终概率值；

进而得到故障原因到故障部件的映射分析。

一种面向云边协同的电力设备故障识别系统，包括：

获取模块，用于获取电力设备实时监测参量，由实时监测参量得到故障现象数据；

故障原因识别模块，用于将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

故障部件定位模块，用于对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

一种面向云边协同架构，包括：终端、边缘端、网络端及云端；

所述终端的传感器采集电力设备实时监测参量；边缘端基于电力设备实时监测参量，并对故障实时分类和定位，形成数据集；网络端上传数据集至云端；云端基于数据集训练得到故障原因识别模型；

云端将故障原因识别模型通过网络端下发至终端；

终端基于故障原因识别模型对目标电力设备进行故障识别。

一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述面向云边协同的电力设备故障识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述面向云边协同的电力设备故障识别方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明面向云边协同的技术模式，结合变电场站电力设备在线监测业务，提出一种智能故障识别应用架构和实现方法，应用于终端，利用了云端完成识别模型构建、下发，将训练模型下发到边缘物联终端或者采集终端，通过边缘物联终端或者采集终端实时采集数据进行故障现象识别故障原因，故障原因定位故障部件；在边缘侧利用状态感知数据完成故障的识别，仅传输故障标注信息和识别结果，避免了状态感知数据的大量传输、云端计算压力扩大，提高了状态故障的识别时效性。因此，本发明技术方案解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。

附图说明

图1“智云管边端”五层电力物联网架构示意图；

图2变电站在线监测识别架构示意图；

图3变电设备的故障现象与故障原因、故障部件的关系图；

图4由故障现象诊断故障原因的图；

图5针对单个基模型训练得到基训练集与基测试集的过程示意图；

图6由基训练集与基测试集得到新训练集与新测试集的过程示意图；

图7由新训练集与新测试集训练LR算法模型示意图；

图8基于集成学习的故障原因分类流程示意图；

图9由故障原因到故障部件的分析示意图；

图10从故障原因到故障部件的关联度融合分析方法；

图11故障原因对应的量化指标；

图12为本发明一种面向云边协同的电力设备故障识别方法流程图；

图13为本发明考虑节点网损的面向云边协同的电力设备故障识别系统；

图14为本发明一种电子设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

电力物联网技术在电力系统得到广泛应用，其中云边协同的技术方案是解决当前云端处理方式存在的业务处理时效性、中心数据处理能力不足等方面存在的问题。

中国专利申请202010473960.5提出一种基于云边协同的分布式光伏发电控制系统和方法，包括：网络层，对感知层和平台层数据进行接入和传输；平台层，接收稳态调控目标，基于稳态调控目标生成稳态调控指令并下发至感知层；感知层，实时采集光伏发电设备运行数据，对光伏发电进行暂态调控。本发明提升了暂态和稳态控制的响应速度。中国专利申请202010496752.7提出一种基于云边协同计算的新能源电站功率预测系统，包括：基于边缘计算功率预测终端、监控终端和云端，基于边缘计算功率预测终端与监控终端、云端、电力调度机构以及移动设备中的APP连接。202010744737.X提出基于云边协同计算架构的配用电业务分配方法法、装置、存储介质和计算机设备，将配用电业务拆分成多个微服务，并根据计算资源和通信压力分配运行，形成“数据就地处理”“云中心计算结果”的计算模式。202011466048.3提出基于Mongo集群技术的配电物联网边缘计算架构设计方法，在边缘计算节点标准框架的核心环节应用Mongo DB数据库集群技术，同时针对边缘计算架构可能面临的安全威胁，制定一种有效的安全防护策略。上述专利提到了信息系统的架构“感知层、网络层、平台层”，针对云边计算的需求提出了加强边缘计算的应用模式和计算方法。

上述专利分别就新能源发电的控制系统、新能源的功率监测系统、配用电物联网应用系统的云边协同模式进行描述，结合业务应用提出了很多加强边缘计算的应用模式和计算方法。

本发明提出基于变电设备多参量监测方式和基于人工智能故障分析的方法实现的变电设备状态监测和智能故障识别系统，有效提高变电设备的故障诊断能力，同时在减少信息传输困难，提高故障诊断时效性，降低云端计算复杂性方面产生良性效果。

如图12所示，本发明第一目的是提供一种面向云边协同的电力设备故障识别方法，应用于终端，包括：

获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；

将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

其中，本发明的电力设备可以为变压器等，本文主要以变压器为主进行举例说明。其他电力设备也可以采用本发明的方法进行故障识别。

本发明技术方案针对云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，提出了基于云边端协同架构的变电设备运行状态监测与智能故障分析架构及实现方法，采用了云边端协同的模式，将云端基于样本训练获得的故障分析模型下发到变电设备的边缘物联终端或者边缘智能终端，利用变电设备状态监测传感器采集的故障状态量和故障识别模型对故障原因和故障部件进行识别，将变电设备运行状态评估和故障分析任务放在本地处理，仅传输监测周期内的平均状态和故障信息，避免了大量监测数据的传输。

本发明面向云边协同的技术模式，结合输变电设备状态在线监测业务，采用了云边端协同的模式，将云端基于样本训练获得的故障分析模型下发到变电设备的边缘物联终端或者边缘智能终端，利用变电设备状态监测传感器采集的故障状态量和故障识别模型对故障原因和故障部件进行识别，将变电设备运行状态评估和故障分析任务放在本地处理，仅传输监测周期内的平均状态和故障信息，避免了大量监测数据的传输。本发明技术方案解决了云端计算架构模式下现场传感器信息处理时效性不足、信息传输难度大、现场故障诊断难于实施等众多问题，具有显著的应用价值。

具体方案介绍各部分如下：

1)一种基于云边协同模式的变电场站在线监测变压器故障识别框架，首先实现变电场变压器电流电压、设备振动、运行噪声、局部放电、运行温度、泄露电流等参量采集，直接上传至云端平台或经过边缘物联代理上传至云端平台。经人工智能平台训练形成的故障识别模型下载至边缘端分布式人工智能平台或者感知终端分布式人工智能平台开展本地故障识别的应用。

2)一种在线监测电力设备故障识别实现方法，首先依据stacking集成学习方法，建立由故障现象得出故障原因的分类模型，对故障原因进行分类。然后使用灰色关联理论，对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，最终根据故障原因得到对应何种故障部件。

3)基于云边协同模式的变电场站电力设备故障识别方法，结合云端人工智能管理平台和边缘物联代理终端/智能感知终端实现，人工智能管理平台完成边缘侧识别模型的安装、配置、升级和卸载等操作，保障模型应用的效率。边缘侧物联代理终端/智能感知终端利用采集状态感知数据完成故障的识别，仅传输故障标注信息和识别结果。

本发明所采取的详细的技术方案说明如下：

一种基于云边端协同架构的智能故障识别框架，采用的云边端协同架构包括“智、云、管、边、端”五层架构；智是智能应用，对应在“云、管、边、端”的智能应用描述为云端智能、网络智能、边缘智能、终端智能；云层以云平台为核心，包括运管平台、物联管理平台、企业中台等主要功能实体。针对不同的物联网规模，选择部署公有云、私有云或混合云，“云”作为云化的主站平台，在云上部署有多种微服务实现平台的功能；“管”是指通信通道及网络管理，包括远程通信通道和本地接入通道，是端和云之间的数据传输通道；“边”是指边缘物联代理，是在靠近端侧设备或数据源头的网络边缘侧，就近提供边缘计算服务，在边缘计算节点部署多个微应用；“端”是电力物联网架构中的状态感知和执行控制主体，实现对电力系统设备运行环境、设备状态、电气量信息这些基础数据的监测、采集和感知；如图1所示的“智云管边端”五层电力物联网架构。

基于电力物联网“智云管边端”体系架构，结合变电站重要设备在线监测业务，提出了一种变电设备状态监测系统架构与智能故障识别架构，实现变电设备电流电压、设备振动、运行噪声、局部放电、运行温度、泄露电流等参量采集，直接上传至云端平台或经过边缘物联代理上传至云端平台。经人工智能平台训练形成的故障识别模型下载至边缘端分布式平台或者下载至感知终端分布式平台开展本地故障识别的应用。图2为变电站在线监测识别架构。

具体实现过程包括变电站的感知层电流电压、设备振动、运行噪声、局部放电、运行温度、泄露电流等监测传感器产生了结构化数据和非结构化数据。

方案一是在感知终端上直接经过预处理和标注后，形成可用于训练的样本数据，然后经边缘物联代理汇聚、上传至云端(或者直接上传至云端)，经物联管理平台接入，汇集至样本库；

方案二是在边缘侧边缘物联代理上经过预处理和标注后，形成可用于训练的样本数据，上传至云端，经物联管理平台接入，归集至样本库。人工智能平台(即云端平台配置人工智能应用模块)，可利用样本库的样本数据组织开展模型训练，训练过程中产生的样本或样本目录重新传输至样本库。

模型数据流向：模型按照来源不同可分为自研模型和外采模型，自研模型由人工智能平台(即平台的训练环境)产生并导入模型库，外采模型直接以模型文件或镜像的形式导入模型库。应用时，将模型由模型库导入人工智能平台(即平台的运行环境)进行部署，为上层应用部署提供服务。当模型精度无法满足需求时，可通过人工智能平台(即平台训练环境)进行迭代优化。模型应用主要在边缘物联代理终端侧和采集终端侧，识别对象模型经过人工智能平台(即平台的运行环境)通过网络通道下发至边缘侧物联代理终端或终端侧采集装置后，物联代理终端和采集装置基于分布式人工智能运行环境(边缘侧深度学习网络模型)可以进行目标对象的识别，对识别结果记录并根据设置参数进行评估，识别记录和评估结果通过信息采集通道反馈至人工智能平台。云边端协同模式下支持云端智能平台对边缘侧的训练模型进行下发、更新、卸载等管理。

用于变压器等变电设备的故障识别模型包括：

1)模型功能：

变电站重要变电设备的故障部件、故障原因、故障现象和监测终端的关系如下图3所示。变压器故障主要有绕组故障、铁芯故障、主绝缘故障、引线故障、分接头故障、套管故障等。

部件故障原因与故障现象有着复杂的关系，同一故障现象对应着多种故障原因，例如：围屏放电、匝间短路、绝缘浸渍不良等产生局部放电现象，过负荷、冷却不良、绕组短路等产生温度升高现象等；同一故障原因也存在着多种故障现象，匝间短路会引起高频电流分量增加、温度升高、振动幅度增加、油中溶解气体含量增加等异常现象。故障现象可以通过各种传感终端测量，比如高频电流传感器可以检测到电流的各次高频分量，振动传感器检测到变压器设备的振动强度，温度传感器检测到变压器的温度变化等。因此要实现变压器等故障识别需要解决通过故障现象中的监测数据分析故障原因，进而通过故障原因判断得出故障部件的方法。如图3为变电设备的故障现象与故障原因、故障部件的关系图。

2)模型建立方法如下：

首先依据stacking集成学习方法，建立由故障现象得出故障原因的分类模型，对故障原因进行分类。然后使用灰色关联理论，对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，最终根据故障原因得到对应何种故障部件。主要通过以下两个步骤实现从故障现象到故障原因，再到故障部件的诊断。

以下对本发明的方法进行详细说明。

作为优选方案，所述预先训练的故障原因识别模型的训练方法包括：

基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。

步骤一：基于集成学习实现由故障现象识别故障原因的方法

如图4由故障现象诊断故障原因的图，技术内容如下，首先基于上图中最左侧的变压器故障量测数据构建数据集，然后采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析结果。

所述采用stacking集成学习方法，包括：

将数据集划分为训练集、测试集，选择多种基模型作为弱分类器进行训练，每种基模型的训练方式如下：

把训练集分为平均k份，第一次训练时，将train k作为基测试集，将train1到train(k-1)作为基训练集，对基模型进行训练，训练得到了第一基模型，采用第一基模型对基测试集train k进行预测，得到第一结果矩阵；

将train1到train(k-1)分别作为基测试集，去除选定的基测试集后剩余的k-1份数据作为基训练集，进行训练分别得到第二基模型～第k基模型，然后由第二基模型～第k基模型分别对train1到train(k-1)基测试集进行预测，得到k-1个结果矩阵；

对预测得到的k-1个结果矩阵进行分类顺序拼接，得到最终的结果矩阵，作为基训练集；

分别用练得到的基模型对测试集进行预测，进而构建后续的测试集，得到最终训练集和测试集；

基于最终训练集和测试集采用对LR算法模型进行训练，得到故障原因识别模型。

具体举例，基于Stacking模式的算法分为四步：

将数据集按m:n的比例划分为训练集、测试集，为便于阐明技术原理，本发明以7500:2500的比例进行举例说明，记为train_basic与test_basic，假设分别为7500个、2500个。选择基模型作为弱分类器进行训练。基于Stacking模式的集成学习可选择多种基模型，本发明中选用SVM、ANN、KNN、CNN这4种模型作为基模型，分别对四种基模型进行训练，每种基模型的训练方式如下：

(1)针对SVM的训练

1)以SVM作为基模型进行训练为例，把训练集分为从train1到train5的平均五份(每份1500个)，第一次训练时，将train5作为基测试集，将train1到train4作为基训练集，对SVM基模型进行训练，训练得到了一个基模型SVM₁，此时SVM₁对基测试集train5进行预测，本发明以包含5个数值的向量为例进行说明，得到一个1500*5的结果矩阵，其中1500为基测试集数据的数量，5为算法分类结果的数量。

2)按照步骤1)的方法，将train1～train4分别作为基测试集，去除选定的基测试集后剩余的4份数据作为基训练集，进行训练分别得到基模型SVM₂～SVM₅，然后由基模型SVM₂～SVM₅分别对train1～train4基测试集进行预测，得到四个1500*5的结果矩阵，其中1500为测试集数据的数量，5为算法分类结果的数量。

3)对预测得到的5个1500*5的结果矩阵进行分类顺序拼接，得到7500*5的结果矩阵，作为基训练集。

(2)针对ANN的训练

类似(1)SVM训练方法，将train1～train5分别作为测试集，训练得到ANN₁～ANN₅，进而得到5个1500*5的结果矩阵，拼接得到7500*5的矩阵。

(3)针对KNN的训练

类似(1)SVM训练方法，将train1～train5分别作为测试集，训练得到KNN₁～KNN₅，进而得到5个1500*5的结果矩阵，拼接得到7500*5的矩阵。

(4)针对CNN的训练

类似(1)SVM训练方法，将train1～train5分别作为测试集，训练得到CNN₁～CNN₅，进而得到5个1500*5的结果矩阵，拼接得到7500*5的矩阵。

训练过程如下：

将第一步中针对四个基模型得到的4个7500*5的结果矩阵进行顺序扩展拼接，得到7500*20的矩阵，该矩阵作为后续的训练集。

分别用第一步中训练得到的基模型对测试集test_basic进行预测，进而构建后续的测试集。具体为：

由第一步的SVM₁～SVM₅对测试集test_basic进行预测，得到5个2500*5的矩阵，通过分类求平均，得到2500*5的矩阵，作为基测试集。

类似地，由第一步的ANN、KNN、CNN的基学习器分别对测试集test_basic进行预测，并分别通过分类求平均，得到3个2500*5的矩阵。

(3)对上述的四个矩阵进行顺序扩展拼接，得到2500*20的矩阵作为测试集。

利用矩阵大小为7500*20的训练集，矩阵大小为2500*20的测试集，对LR模型进行训练，从而得到一个最终的综合基模型。采用得到的综合基模型对新采集的变电设备测量数据进行识别，进而可输出故障原因的结果。

上述步骤的示意图如图5所示，为针对单个基模型训练得到基训练集与基测试集的过程；图6为由基训练集与基测试集得到新训练集与新测试集的过程；图7为由新训练集与新测试集训练LR算法模型

上述四个步骤的流程图如图8基于集成学习的故障原因分类流程。

步骤二：基于证据理论实现从故障原因到故障部件的关联度分析方法，方法步骤如图9由故障原因到故障部件的分析示意图；图10为从故障原因到故障部件的关联度融合分析方法。

步骤二的技术目标为融合分析故障原因与故障部件的关联度，最终根据故障原因判断故障部件。

如图9与图10所示，本发明提出从故障原因到故障部件的关联度分析方法，技术内容主要分为四步：

第一步为确定各故障原因对应的量化分析指标；

第二步为根据第一步信息形成各故障原因对应的分析张量；

第三步为用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；

第四步为将关联度与步骤一得到的值概率归一化后进行D-S证据理论融合以得到最终结论。

以下以绕组变形故障为例进行说明。

第一步，确定各故障原因对应的量化分析指标。以绕组过热为例，如图11所示，为图11故障原因对应的量化指标；其对应的多种指标为短路电抗、油色谱、绝缘电阻、绕组电阻初值、绕组电阻、绕组电容、绕组频响、振动各频段初值等作为多个量化分析指标。根据电力设备状态评价导则，相关指标的具体量化数值包括短路电抗初值差、总烃含量、绕组绝缘电阻、绕组直流电阻初值差、绕组直流电阻不平衡率、绕组电容量初值差、绕组频响数值、振动信号等，根据电力设备状态评价导则以及工作人员经验，设置各个量化数值的权重值。

第二步，形成各故障原因对应的分析张量。对于变压器的一条故障原因，将第一步中确定的量化分析指标如“短路阻抗、油色谱......振动各频段均值”作为张量中的一个元素，该张量元素的具体数值为多个量化分析指标的量化数值的权重，如“短路阻抗初值差、总烃含量......振动信号”等的量化数值的权重，进而张量可构成分析所用的变量。设张量为Y＝Y(k)|k＝1，2...n；张量元素为X_i＝X_i(k)|k＝1，2...，n，i＝1，2...m。

第三步，用灰色关联理论处理分析张量以得到初步代表各因素重要程度的关联度。先进行数据的无量纲化处理，再计算关联度ζ_i。

其中，X_i(k)表示某一量化分析指标的无量纲化计算后的结果，ζ_i表示绕组变形故障与第i种故障部件的关联度计算结果。

第四步，将关联度进行归一化处理，然后利用D-S证据理论融合得到最终结论。D-S证据理论融合是针对概率而言的，而关联度与步骤一结果不满足数值之和为1的条件，故先利用softmax函数对其进行概率归一化处理，softmax函数的计算过程为：对于关联度的集合ζ{ζ₁，ζ₂，......ζ_n}，ζ_i表示ζ中的第i个元素，那么这个元素ζ_i的softmax值就是

也就是说，softmax函数计算的是ζ_i元素的指数，与所有元素{ζ₁，ζ₂，......ζ_n}指数和的比值，由此将多个关联度通过softmax函数进行归一化处理，从而得到了某一故障原因下，各故障部件的故障概率值。

进而针对不同故障原因，如图11中的“匝间短路”等其他故障原因，都可以得到对应某种故障原因下的各故障部件的故障概率值，通过对多种故障原因对应的故障部件故障概率值求均值，求得各部件发生故障的初步概率值，记为m₁，m₂，···，m_n，代表各部件发生故障的初步预测概率值。进而，通过D-S证据理论，对m₁，m₂，···，m_n各数值依据如下公式进行计算，

从而得到的K值为多个故障部件概率的归一化系数，m(A)为某故障部件的最终概率值。

从而可实现从故障原因到故障部件的映射分析。

如图13所示，本发明还提供一种面向云边协同的电力设备故障识别系统，应用于边缘侧物联代理终端或终端侧，包括：

获取模块，用于获取电力设备实时监测参量，由实时监测参量得到故障现象数据；

故障原因识别模块，用于将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

故障部件定位模块，用于对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

本发明提供了一种面向云边协同架构，包括：终端、边缘端、网络端及云端；

所述终端的传感器采集电力设备实时监测参量；边缘端基于电力设备实时监测参量，并对故障实时分类和定位，形成数据集；网络端上传数据集至云端；云端基于数据集训练得到故障原因识别模型；

云端将故障原因识别模型通过网络端下发至终端；

终端基于故障原因识别模型对目标电力设备进行故障识别。

其中，所述故障原因识别模型的训练方法包括：

基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。

如图14所示，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述面向云边协同的电力设备故障识别方法的步骤。该电子设备应用于终端的设备上。

所述面向云边协同的电力设备故障识别方法包括以下步骤：

获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；

将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述面向云边协同的电力设备故障识别方法的步骤。该计算机可读存储介质应用于终端的设备上。

所述面向云边协同的电力设备故障识别方法包括以下步骤：

获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；

将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

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 (12)

1.一种面向云边协同的电力设备故障识别方法，其特征在于，包括：

获取目标电力设备实时监测参量，由实时监测参量得到故障现象数据；

将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

2.根据权利要求1所述的面向云边协同的电力设备故障识别方法，其特征在于，所述预先训练的故障原因识别模型的训练方法包括：

基于故障现象数据和故障原因数据构建数据集，采用stacking集成学习方法，训练得到多个弱分类器，然后对多个弱分类器进行集成，得到综合分析训练得到故障原因识别模型。

3.根据权利要求2所述的面向云边协同的电力设备故障识别方法，其特征在于，所述采用stacking集成学习方法，包括：

将数据集划分为训练集、测试集，选择多种基模型作为弱分类器进行训练，每种基模型的训练方式如下：

把训练集分为平均k份，第一次训练时，将train k作为基测试集，将train1到train(k-1)作为基训练集，对基模型进行训练，训练得到了第一基模型，采用第一基模型对基测试集train k进行预测，得到第一结果矩阵；

将train1到train(k-1)分别作为基测试集，去除选定的基测试集后剩余的k-1份数据作为基训练集，进行训练分别得到第二基模型～第k基模型，然后由第二基模型～第k基模型分别对train1到train(k-1)基测试集进行预测，得到k-1个结果矩阵；

对预测得到的k-1个结果矩阵进行分类顺序拼接，得到最终的结果矩阵，作为基训练集；

分别用训练得到的多个基模型对测试集进行预测，进而构建后续的测试集，得到最终训练集和测试集；

基于最终训练集和测试集对LR算法模型进行训练，得到最终的故障原因识别模型。

4.根据权利要求3所述的面向云边协同的电力设备故障识别方法，其特征在于，所述分别用练得到的基模型对测试集进行预测，进而构建后续的测试集，包括：

由第一基模型～第k基模型对测试集进行预测，得到k个矩阵，通过分类求平均，得到平均矩阵，作为基测试集；

由多种基模型训练得到的基模型分别对测试集进行预测，并分别通过分类求平均，得到多种平均矩阵；

对多种平均矩阵进行顺序扩展拼接，得到后续的测试集。

5.根据权利要求1所述的面向云边协同的电力设备故障识别方法，其特征在于，所述对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件，包括：

确定对不同故障原因对应的量化分析指标；

根据量化分析指标形成各故障原因对应的分析张量；

基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；

将关联度与量化分析指标得到的值概率归一化后进行D-S证据理论融合以得到对应的故障部件。

6.根据权利要求5所述的面向云边协同的电力设备故障识别方法，其特征在于，所述根据量化分析指标形成各故障原因对应的分析张量；包括：

对于电力设备的一条故障原因，将确定的量化分析指标作为张量中的一个元素，所述张量元素的具体数值为多个量化分析指标的量化数值的权重，张量构成分析所用的变量；张量为Y＝Y(k)|k＝1，2...n；张量元素为X_i＝X_i(k)|k＝1，2...，n，i＝1，2...m。

7.根据权利要求5所述的面向云边协同的电力设备故障识别方法，其特征在于，所述基于分析张量用灰色关联理论处理分析数列以得到初步代表各因素重要程度的关联度；包括：

先进行数据的无量纲化处理，再计算关联度ζ_i；

其中，X_i(k)表示某一量化分析指标的无量纲化计算后的结果，ζ_i表示绕组变形故障与第i种故障部件的关联度计算结果。

8.根据权利要求5所述的面向云边协同的电力设备故障识别方法，其特征在于，所述将关联度与量化分析指标得到的值概率归一化后进行D-S证据理论融合以得到对应的故障部件；包括：

利用softmax函数对关联度与量化分析指标进行概率归一化处理，softmax函数的计算过程为：对于关联度的集合ζ{ζ₁，ζ₂，......ζ_n}，ζ_i表示ζ中的第i个元素，元素ζ_i的softmax值为：

softmax函数计算的是ζ_i元素的指数，与所有元素{ζ₁，ζ₂，......ζ_n}指数和的比值，将多个关联度通过softmax函数进行归一化处理，得到一故障原因下各故障部件的故障概率值；

针对不同故障原因得到对应各故障部件的故障概率值，通过对多种故障原因对应故障部件的故障概率值求均值，得到各部件发生故障的初步概率值，记为m₁，m₂，···，m_n；通过D-S证据理论依据如下公式进行计算：

其中，K值为多个故障部件概率的归一化系数，m(A)为某故障部件的最终概率值；

进而得到故障原因到故障部件的映射分析。

9.一种面向云边协同的电力设备故障识别系统，其特征在于，包括：

获取模块，用于获取电力设备实时监测参量，由实时监测参量得到故障现象数据；

故障原因识别模块，用于将故障现象数据输入采用预先训练的故障原因识别模型，对故障原因进行分类得到不同的故障原因；

故障部件定位模块，用于对不同故障原因在故障分析中的重要程度进行计算，获取基于故障原因判断故障部件时的权重组合，根据故障原因和权重组合定位对应的故障部件。

10.一种面向云边协同架构，其特征在于，包括：终端、边缘端、网络端及云端；

所述终端的传感器采集电力设备实时监测参量；边缘端基于电力设备实时监测参量，并对故障实时分类和定位，形成数据集；网络端上传数据集至云端；云端基于数据集训练得到故障原因识别模型；

云端将故障原因识别模型通过网络端下发至终端；

终端基于故障原因识别模型对目标电力设备进行故障识别。

11.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～8任一项所述面向云边协同的电力设备故障识别方法的步骤。

12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～8任一项所述面向云边协同的电力设备故障识别方法的步骤。

Images