CN116008729A - 电力故障诊断预警方法、装置、设备及存储介质 - Google Patents
电力故障诊断预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116008729A CN116008729A CN202310001949.2A CN202310001949A CN116008729A CN 116008729 A CN116008729 A CN 116008729A CN 202310001949 A CN202310001949 A CN 202310001949A CN 116008729 A CN116008729 A CN 116008729A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- knowledge graph
- cell unit
- lstm cell
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 14
- 230000006835 compression Effects 0.000 claims description 23
- 238000007906 compression Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000009901 attention process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种电力故障诊断预警方法、装置、设备及存储介质，包括：获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据和以往年份以天为单位的第二历史数据；基于历史运行数据，预测电力设备未来时刻的数据特征；利用自适应权重的知识图谱构建技术将数据特征转化为知识图谱，并对知识图谱进行挖掘，得到多模态时序数据；利用多层级注意力机制的自编码器对多模态时序数据进行处理，输出故障诊断预警。本发明可实现端到端的故障诊断和预警架构，实现实时的故障诊断和预警。
Description
技术领域
本发明涉及故障诊断技术领域，具体涉及一种电力故障诊断预警方法、装置、设备及存储介质。
背景技术
在智能电网建设过程中，特高压直流换流站作为电网系统中的重要节点，承担了远距离输送电领域交流直流转换的重要任务。特高压直流换流站是具有整流站、逆变站功能或兼具两种功能的高压直流系统设施，分布在远距离输送电的两端，输电端将产生的电力通过站内的电力设备整流成±800kV及以上的电压等级直流电，通过特高压电网输送至受电端，受电端利用站内设备将特高压直流电逆变为交流电，供下级变电站消费。相对于特高压交流输电，特高压直流输电具有输送容量大、线路损耗小、线路造价低等特点，主要被应用于远距离输电工程中，其受电端可支持多个二级变电站的电力输送，覆盖范围可包括一个甚至多个省。
特高压直流换流站的稳定运行成为了电力系统正常工作的必要条件。目前主流的换流站设备监测系统包括一体化在线监测系统、红外测温系统、接地极在线监测系统等，对换流站的各个电气设备及相关状态参量进行监测。但随着对特高压换流站工作可靠性的要求逐渐提高，设备运维的工作量也逐渐变得繁重，传统的设备维护方式是通过定期的巡检并人工记录数据，或是通过红外监测装置进行测温，然而这样的维护方式效率较低，同时也不能提高换流站对设备的检修和维护水平。
相关技术中，公布号为CN114661905A的中国发明专利申请文献记载了一种基于BERT的电网故障诊断方法，通过采集告警信息样本，对样本进行切词预处理；对告警信息文本嵌入语义特征、句特征以及位置特征，将三大特征相加构成模型输入向量；构建基于BERT的电网故障诊断模型，利用Transformer编码器中的注意力机制，自主学习告警信息文本中的故障特征，利用解码器输出故障诊断结果，实现了端到端的电网故障诊断。
公布号为CN112461537A的中国发明专利申请文献记载了一种基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法，结合双向长短时神经网络采用滑动窗口的方式分割样本，捕获多维时序数据中的时间依赖关系，通过学习大量正常样本，将多维非线性时序数据重构映射到低维空间，在此基础上通过对比分析重构样本和原始样本差异，实现风电齿轮箱状态监测和故障诊断，其中引入双向长短时神经网络自动编码机对样本进行特征提取和样本重构，针对风电齿轮箱多信息传感数据的时序特性，自动编码机采用LSTM作为编码器和解码器，在得到归一化的样本数据集后，采用自编码器将模型的学习目标设置为数据集样本自身，同时将原始样本集合重映射到低维样本特征空间从而学习原始样本的关键特征，以此实现数据样本的降维、特征提取与筛选。
但上述相关方案中模型输入数据单一，未考虑到预测结果不仅与前几天的数据相关，还与往年中同一天的数据相关均，时间点的表征能力不强。
发明内容
本发明所要解决的技术问题在于如何准确实现换流变的故障诊断及预警。
本发明通过以下技术手段实现解决上述技术问题的：
第一方面，本发明提出了一种电力故障诊断预警方法，所述方法包括：
获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
本发明通过分析以年为单位的周期历史数据和以天为单位的周期历史数据，预测未来的换流变数据特征，可增强该时间点的表征能力；然后将预测得到的未来时间的数据特征通过于自适应权重的知识图谱构建技术转化为知识图谱，并对知识图谱进行信息传播和知识挖掘，得到多模态时序数据；最后，多模态时序数据再通过基于多层级注意力机制的自编码器判断是否安全，实现端到端的故障诊断和预警架构，实现实时的故障诊断和预警。
进一步地，所述基于所述历史运行数据，预测所述电力设备未来时刻的数据特征，包括：
利用超时空的时间序列模型，对所述历史运行数据进行处理，所述超时空的时间序列模型包括由第一LSTM细胞单元级联构成的编码模块和由第二LSTM细胞单元级联构成的解码模块；
在编码阶段，所述编码模块中每个第一LSTM细胞单元的输出为：
式中：i表示所述第一历史数据中当前年份t年特定的某天；
表示所述第二历史数据中t-1年第i天的多源数据特征；
分别表示当前LSTM细胞单元所级联的上一个第一LSTM细胞单元的输出；
在解码阶段，所述解码模块中每个第二LSTM细胞单元的输出为：
式中：Zi为所述第二历史数据中以往年份中第i天的多源数据特征
的时序模型输出的最终隐层表示；
分别表示当前LSTM细胞单元所级联的上一个第二LSTM细胞单元的输出；
分别表示当前LSTM细胞单元的输出。
进一步地，所述超时空的时间序列模型还包括由第三LSTM细胞单元级联构成的多源数据特征生成模块，各以往年份中第i天的历史运行数据作为对应的所述第三LSTM细胞单元的输入，每一个第三LSTM细胞单元的输出为：
式中：
表示第p年中第i天的多源数据特征；
分别表示上一个第三LSTM细胞单元的输出；
分别表示当前第三LSTM细胞单元的输出。
进一步地，所述超时空的时间序列模型的损失函数为：
式中：loss表示均方误差损失；xt表示模型输入数据；
表示模型预测数据。
进一步地，所述利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据，包括：
利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱；
利用时序图注意力神经网络对所述知识图谱进行信息传播和知识挖掘，得到所述多模态时序数据。
进一步地，所述多层级注意力机制的自编码器包括编码器、多层级注意力模块和解码器，所述利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警，包括：
利用所述自编码器对所述多模态时序数据Ii进行压缩编码，得到压缩编码特征E(Ii)；
对所述压缩编码特征E(Ii)进行下采样处理，得到多级压缩特征；
所述多级压缩特征分别通过所述多层级注意力模块中的各层注意力模块，进行卷积处理后进行上采样处理得到对应层级的输出特征向量，其中，下一层级注意力模块的输出特征向量和上一层注意力模块对应的压缩特征进行特征相加后作为上一层注意力模块的输入，最上层级注意力模块输出数据特征；
利用所述解码器对所述多层级注意力模块输出的数据特征进行特征重建，得到重建特征
基于所述多模态时序数据Ii和所述重建特征
输出故障诊断预警。
进一步地，所述多层级注意力机制的自编码器的损失函数L表示为：
式中：
表示2范数；τ为阈值。
第二方面，本发明提出了一种电力故障诊断预警装置，所述装置包括：
获取模块，用于获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
预测模块，用于基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
转换模块，用于利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
诊断预警模块，用于利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
第三方面，本发明提出了一种电力故障诊断预警设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的方法。
第四方面，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上所述的方法。
本发明的优点在于：
(1)在预测未来时间的数据特征时，不仅与前几天的数据相关，还与往年中同一天的数据相关，本发明通过分析以年为单位的周期历史数据和以天为单位的周期历史数据，预测未来的换流变数据特征，可增强该时间点的表征能力；然后将预测得到的未来时间的数据特征通过于自适应权重的知识图谱构建技术转化为知识图谱，并对知识图谱进行信息传播和知识挖掘，得到多模态时序数据；最后，多模态时序数据再通过基于多层级注意力机制的自编码器判断是否安全，实现端到端的故障诊断和预警架构，实现实时的故障诊断和预警。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是本发明第一实施例提出的一种电力故障诊断预警方法的流程示意图；
图2是本发明第一实施例中换流变故障诊断预警原理框图；
图3是本发明第一实施例中基于超时空的时间序列模型的结构示意图；
图4是本发明第一实施例中基于多层级注意力机制的自编码器的结构示意图；
图5是本发明第一实施例中端到端的故障诊断和预警框架示意图；
图6是本发明第二实施例提出的一种电力故障诊断预警装置的结构示意图。
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。
如图1所示，本发明第一实施例提出了一种电力故障诊断预警方法，所述方法包括以下步骤：
S10、获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
需要说明的是，在预测未来一段时间的数据时，不仅与之前时间段内的数据相关，还与往年中同一时间段的数据相关，本实施例中第一历史数据
表示当前年份t下的某一时间段的多源数据，第二历史数据
表示以往年份与该某一时间段相同时间段内的多源数据，来增强该时间点的表征能力，提高预测得到的未来时间的数据特征的准确性。
需要说明的是，换流站的运行数据包含设备状态量数据如油中溶解气体、接地泄露电流、SF6压力等历史时刻采集的数据。
S20、基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
S30、利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
需要说明的是，通过知识图谱的构建刻画数据间的相关性，得到更鲁棒的特征向量。
S40、利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
需要说明的是，本实施例所述电力设备包括但不限于换流变、变压器等，在预测电力设备未来时间的数据特征时，不仅与前几天的数据相关，还与往年中同一天的数据相关，本实施例通过分析以年为单位的周期历史数据和以天为单位的周期历史数据，预测未来的换流变数据特征，可增强该时间点的表征能力；然后将预测得到的未来时间的数据特征通过于自适应权重的知识图谱构建技术转化为知识图谱，并对知识图谱进行信息传播和知识挖掘，得到多模态时序数据；最后，多模态时序数据再通过基于多层级注意力机制的自编码器判断是否安全，实现端到端的故障诊断和预警架构，实现实时的故障诊断和预警。
在一实施例中，所述步骤S20：基于所述历史运行数据，预测所述电力设备未来时刻的数据特征，包括以下步骤：
利用超时空的时间序列模型，对所述历史运行数据进行处理，所述超时空的时间序列模型包括由第一LSTM细胞单元级联构成的编码模块和由第二LSTM细胞单元级联构成的解码模块；
在编码阶段，所述编码模块中每个第一LSTM细胞单元的输出为：
式中：i表示所述第一历史数据中当前年份t年特定的某天；
表示所述第二历史数据中t-1年第i天的多源数据特征；
分别表示当前LSTM细胞单元所级联的上一个第一LSTM细胞单元的输出；
在解码阶段，所述解码模块中每个第二LSTM细胞单元的输出为：
式中：Zi为所述第二历史数据中以往年份中第i天的多源数据特征
的时序模型输出的最终隐层表示；
分别表示当前LSTM细胞单元所级联的上一个第二LSTM细胞单元的输出；
分别表示当前LSTM细胞单元的输出。
在一实施例中，所述超时空的时间序列模型还包括由第三LSTM细胞单元级联构成的多源数据特征生成模块，各以往年份中第i天的历史运行数据作为对应的所述第三LSTM细胞单元的输入，每一个第三LSTM细胞单元的输出为：
式中：
表示第p年中第i天的多源数据特征；
分别表示上一个第三LSTM细胞单元的输出；
分别表示当前第三LSTM细胞单元的输出。
需要说明的是，本实施例提出基于超时空的时间序列模型，如图3所示，通过分析以年为单位的周期历史数据和以天为单位的周期历史数据预测未来的换流变数据特征，在模型的解码阶段，在每一个时间点，额外输入该天的以往年代的相同一天的时间序列的隐层表示，来增强该时间点的表征能力，提高预测数据的准确性。
这种增强的序列建模能力能增强模型的预测能力，挖掘以往的历史数据周期规律，能达到对未来多年的数据特征预测。比如要预测未来2年后的数据，则根据我们模型预测未来1年的特征数据；再加入未来1年的特征数据，去预测未来2年的特征数据；最后两个特征数据相加即为未来2年后的特征数据。因此训练数据构造中不仅仅局限于上述1年的特征数据收集，还可以收集多年的特征数据。而模型的推理无非是递进推理，那么特征数据可以形式化为
其中N为放置到该区域的总样例个数，
为前3年的特征数据。
在一实施例中，所述超时空的时间序列模型的损失函数为：
式中：loss表示均方误差损失；xt表示模型输入数据；
表示模型预测数据。
需要说明的是，如果是多年后的预测，则损失也将递进叠加，如下：
式中：xt-1表示t-1时刻的模型输入数据值；
表示t-1时刻模型输出端的预测数据值。
在一实施例中，所述步骤S30：利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据，包括以下步骤：
利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱；
利用时序图注意力神经网络对所述知识图谱进行信息传播和知识挖掘，得到所述多模态时序数据。
在一实施例中，所述多层级注意力机制的自编码器包括编码器、多层级注意力模块和解码器，所述步骤S40：利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警，包括以下步骤：
利用所述自编码器对所述多模态时序数据Ii进行压缩编码，得到压缩编码特征E(Ii)；
对所述压缩编码特征E(Ii)进行下采样处理，得到多级压缩特征；
所述多级压缩特征分别通过所述多层级注意力模块中的各层注意力模块，进行卷积处理后进行上采样处理得到对应层级的输出特征向量，其中，下一层级注意力模块的输出特征向量和上一层注意力模块对应的压缩特征进行特征相加后作为上一层注意力模块的输入，最上层级注意力模块输出数据特征；
利用所述解码器对所述多层级注意力模块输出的数据特征进行特征重建，得到重建特征
基于所述多模态时序数据Ii和所述重建特征
输出故障诊断预警。
如图4所示，本实施例提出的多层级注意力机制的自编码器中，编码器E和解码器D均采用五层卷积操作，多层级注意力模块包括三层下采样层、三个特征相加操作、三层注意力层和三层上采样层，所述编码器E的输出连接三层下采样层，将编码特征缩放为多级压缩特征{E(Ii)/2,E(Ii)/4}；每层下采样层分别经对应的特征相加操作连接至对应的注意力层，注意力层的输出连接对应的上采样层，注意力层用于对输入的特征进行1×1的卷积，然后再通过上采样层进行2倍上采样；其中，下一层级注意力模块所连接的上采样层的输出特征向量和上一层注意力模块对应的压缩特征进行特征相加后作为上一层注意力模块的输入。
在一实施例中，所述多层级注意力机制的自编码器的损失函数L表示为：
式中：
表示2范数；τ为阈值。
进一步地，若Ii与
的2范数值比τ小，认定不存在故障；反之，认定存在故障。
本实施例基于多层级注意力机制的无监督自编码器模型，经过编码过程、多层级注意力过程和解码过程得到自编码学习后的特征；通过设置预警阈值，比较分析某一时刻的多模态数据特征自编码学习前后的差异进行实时的故障诊断和预警。
需要说明的是，本实施例中电力故障诊断预警原理框图如图2所示，在进行故障诊断预警之前，先预先对基于多层级注意力机制的自编码器和基于超时空的时间序列模型进行训练，训练完成之后，则综合时序图注意力神经网络、基于多层级注意力机制的自编码器、基于超时空的时间序列模型组合成一个端到端的故障诊断和预警框架如图5所示。
如图6所示，本发明第二实施例提出了一种电力故障诊断预警装置，所述装置包括：
获取模块10，用于获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
预测模块20，用于基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
转换模块30，用于利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
诊断预警模块40，用于利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
在预测未来时间的数据特征时，不仅与前几天的数据相关，还与往年中同一天的数据相关，本实施例通过分析以年为单位的周期历史数据和以天为单位的周期历史数据，预测未来的换流变数据特征，可增强该时间点的表征能力；然后将预测得到的未来时间的数据特征通过于自适应权重的知识图谱构建技术转化为知识图谱，并对知识图谱进行信息传播和知识挖掘，得到多模态时序数据；最后，多模态时序数据再通过基于多层级注意力机制的自编码器判断是否安全，实现端到端的故障诊断和预警架构，实现实时的故障诊断和预警。
在一实施例中，所述预测模块20，包括：
编码处理单元，用于利用超时空的时间序列模型，对所述历史运行数据进行处理，所述超时空的时间序列模型包括由第一LSTM细胞单元级联构成的编码模块和由第二LSTM细胞单元级联构成的解码模块；
在编码阶段，所述编码模块中每个第一LSTM细胞单元的输出为：
式中：i表示所述第一历史数据中当前年份t年特定的某天；
表示所述第二历史数据中t-1年第i天的多源数据特征；
分别表示当前LSTM细胞单元所级联的上一个第一LSTM细胞单元的输出；
解码处理单元，用于在解码阶段，所述解码模块中每个第二LSTM细胞单元的输出为：
式中：Zi为所述第二历史数据中以往年份中第i天的多源数据特征
的时序模型输出的最终隐层表示；
分别表示当前LSTM细胞单元所级联的上一个第二LSTM细胞单元的输出；
分别表示当前LSTM细胞单元的输出。
在一实施例中，所述超时空的时间序列模型还包括由第三LSTM细胞单元级联构成的多源数据特征生成模块，各以往年份中第i天的历史运行数据作为对应的所述第三LSTM细胞单元的输入，每一个第三LSTM细胞单元的输出为：
式中：
表示第p年中第i天的多源数据特征；
分别表示上一个第三LSTM细胞单元的输出；
分别表示当前第三LSTM细胞单元的输出。
在一实施例中，所述超时空的时间序列模型的损失函数为：
式中：loss表示均方误差损失；xt表示t时刻模型输入数据；
表示t时刻模型预测数据。
需要说明的是，如果是多年后的预测，则损失也将递进叠加，如下：
式中：xt-1表示t-1时刻模型输入数据；
表示t-1时刻模型预测数据。
在一实施例中，所述诊断预警模块40，包括：
压缩编码单元，用于利用所述自编码器对所述多模态时序数据Ii进行压缩编码，得到压缩编码特征E(Ii)；
下采样单元，用于对所述压缩编码特征E(Ii)进行下采样处理，得到多级压缩特征；
注意力单元，用于所述多级压缩特征分别通过所述多层级注意力模块中的各层注意力模块，进行卷积处理后进行上采样处理得到对应层级的输出特征向量，其中，下一层级注意力模块的输出特征向量和上一层注意力模块对应的压缩特征进行特征相加后作为上一层注意力模块的输入，最上层级注意力模块输出数据特征；
解码重建单元，用于利用所述解码器对所述多层级注意力模块输出的数据特征进行特征重建，得到重建特征
诊断预警单元，用于基于所述多模态时序数据Ii和所述重建特征
输出故障诊断预警。
在一实施例中，所述多层级注意力机制的自编码器的损失函数L表示为：
式中：
表示2范数；τ为阈值。
进一步地，若Ii与
的2范数值比τ小，认定不存在故障；反之，认定存在故障。
本实施例基于多层级注意力机制的无监督自编码器模型，经过编码过程、多层级注意力过程和解码过程得到自编码学习后的特征；通过设置预警阈值，比较分析某一时刻的多模态数据特征自编码学习前后的差异进行实时的故障诊断和预警。
需要说明的是，本发明所述电力故障诊断预警装置的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
第三方面，本发明还提出了一种电力故障诊断预警设备，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如上所述的电力故障诊断预警方法。
第四方面一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的电力故障诊断预警方法。
需要说明的是，本发明所述电力故障诊断预警设备及存储介质的其他实施例或具有实现方法可参照上述各方法实施例，此处不再赘余。
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电力故障诊断预警方法，其特征在于，所述方法包括：
获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
2.如权利要求1所述的电力故障诊断预警方法，其特征在于，所述基于所述历史运行数据，预测所述电力设备未来时刻的数据特征，包括：
利用超时空的时间序列模型，对所述历史运行数据进行处理，所述超时空的时间序列模型包括由第一LSTM细胞单元级联构成的编码模块和由第二LSTM细胞单元级联构成的解码模块；
在编码阶段，所述编码模块中每个第一LSTM细胞单元的输出为：
式中：i表示所述第一历史数据中当前年份t年特定的某天；
表示所述第二历史数据中t-1年第i天的多源数据特征；
分别表示当前LSTM细胞单元所级联的上一个第一LSTM细胞单元的输出；
在解码阶段，所述解码模块中每个第二LSTM细胞单元的输出为：
式中：Zi为所述第二历史数据中以往年份中第i天的多源数据特征
的时序模型输出的最终隐层表示；
分别表示当前LSTM细胞单元所级联的上一个第二LSTM细胞单元的输出；
分别表示当前LSTM细胞单元的输出。
3.如权利要求2所述的电力故障诊断预警方法，其特征在于，所述超时空的时间序列模型还包括由第三LSTM细胞单元级联构成的多源数据特征生成模块，各以往年份中第i天的历史运行数据作为对应的所述第三LSTM细胞单元的输入，每一个第三LSTM细胞单元的输出为：
式中：
表示第p年中第i天的多源数据特征；
分别表示上一个第三LSTM细胞单元的输出；
分别表示当前第三LSTM细胞单元的输出。
4.如权利要求2所述的电力故障诊断预警方法，其特征在于，所述超时空的时间序列模型的损失函数为：
式中：loss表示均方误差损失；xt表示t时刻模型输入数据；
表示t时刻模型预测数据。
5.如权利要求1所述的电力故障诊断预警方法，其特征在于，所述利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据，包括：
利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱；
利用时序图注意力神经网络对所述知识图谱进行信息传播和知识挖掘，得到所述多模态时序数据。
6.如权利要求1所述的电力故障诊断预警方法，其特征在于，所述多层级注意力机制的自编码器包括编码器、多层级注意力模块和解码器，所述利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警，包括：
利用所述自编码器对所述多模态时序数据Ii进行压缩编码，得到压缩编码特征E(Ii)；
对所述压缩编码特征E(Ii)进行下采样处理，得到多级压缩特征；
所述多级压缩特征分别通过所述多层级注意力模块中的各层注意力模块，进行卷积处理后进行上采样处理得到对应层级的输出特征向量，其中，下一层级注意力模块的输出特征向量和上一层注意力模块对应的压缩特征进行特征相加后作为上一层注意力模块的输入，最上层级注意力模块输出数据特征；
利用所述解码器对所述多层级注意力模块输出的数据特征进行特征重建，得到重建特征
基于所述多模态时序数据Ii和所述重建特征
输出故障诊断预警。
7.如权利要求6所述的电力故障诊断预警方法，其特征在于，所述多层级注意力机制的自编码器的损失函数L表示为：
式中：
表示2范数；τ为阈值。
8.一种电力故障诊断预警装置，其特征在于，所述装置包括：
获取模块，用于获取电力设备的历史运行数据，所述历史运行数据包括当前年份以天为单位的第一历史数据
和以往年份以天为单位的第二历史数据
i为天数，p为年数，t为当前年份；
预测模块，用于基于所述历史运行数据，预测所述电力设备未来时刻的数据特征；
转换模块，用于利用自适应权重的知识图谱构建技术将所述数据特征转化为知识图谱，并对所述知识图谱进行挖掘，得到多模态时序数据；
诊断预警模块，用于利用多层级注意力机制的自编码器对所述多模态时序数据进行处理，输出故障诊断预警。
9.一种电力故障诊断预警设备，其特征在于，所述设备包括存储器、处理器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001949.2A CN116008729A (zh) | 2023-01-03 | 2023-01-03 | 电力故障诊断预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001949.2A CN116008729A (zh) | 2023-01-03 | 2023-01-03 | 电力故障诊断预警方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116008729A true CN116008729A (zh) | 2023-04-25 |
Family
ID=86022772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310001949.2A Pending CN116008729A (zh) | 2023-01-03 | 2023-01-03 | 电力故障诊断预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116008729A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435997A (zh) * | 2023-12-20 | 2024-01-23 | 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 |
| CN117592571A (zh) * | 2023-12-05 | 2024-02-23 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
-
2023
- 2023-01-03 CN CN202310001949.2A patent/CN116008729A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592571A (zh) * | 2023-12-05 | 2024-02-23 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
| CN117592571B (zh) * | 2023-12-05 | 2024-05-17 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
| CN117435997A (zh) * | 2023-12-20 | 2024-01-23 | 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 |
| CN117435997B (zh) * | 2023-12-20 | 2024-03-01 | 杭州市特种设备检测研究院(杭州市特种设备应急处置中心) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116008729A (zh) | 电力故障诊断预警方法、装置、设备及存储介质 | |
| CN111325323B (zh) | 一种融合全局信息和局部信息的输变电场景描述自动生成方法 | |
| CN110334866B (zh) | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 | |
| CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
| CN112836870B (zh) | 预测风电功率的方法、装置、设备和计算机可读存储介质 | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| CN117013534B (zh) | 发电功率预测方法、功率预测模型训练方法、装置和设备 | |
| CN116007937B (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN112115636A (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
| CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
| CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
| CN116465623A (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
| Senanayaka et al. | Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life | |
| CN117350898A (zh) | 专利年费智能预警系统及方法 | |
| CN117057480A (zh) | 极端天气下的城市配电网故障预测方法和系统 | |
| Zhou et al. | Functional networks and applications: A survey | |
| CN117725491A (zh) | 一种基于SCINet的电力系统故障状态检测分类方法 | |
| CN117190078B (zh) | 一种输氢管网监测数据异常检测方法及系统 | |
| CN116973684B (zh) | 基于drn模型的高压直流输电系统故障诊断方法及系统 | |
| CN115619999A (zh) | 电力设备实时监测方法、装置、电子设备及可读介质 | |
| CN117056865A (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| Lin | Intelligent fault diagnosis of consumer electronics sensor in IoE via transformer | |
| GB2623358A (en) | Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network | |
| CN116011412A (zh) | 一种gis设备绝缘缺陷评价方法、系统、设备及介质 |
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 |