CN117060353A - 基于前馈神经网络高压直流输电系统故障诊断方法及系统 - Google Patents
基于前馈神经网络高压直流输电系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117060353A CN117060353A CN202310948247.5A CN202310948247A CN117060353A CN 117060353 A CN117060353 A CN 117060353A CN 202310948247 A CN202310948247 A CN 202310948247A CN 117060353 A CN117060353 A CN 117060353A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- fault diagnosis
- fnn
- node
- 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 116
- 230000005540 biological transmission Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
- H02H7/268—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured for dc systems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于前馈神经网络高压直流输电系统故障诊断方法及系统，根据HVDC系统故障录波得到的故障数据，将故障录波各通道的数据进行串联，建立样本数据集；对故障样本数据集进行贴标签处理；建立FNN故障诊断模型，采用所述训练数据对所述FNN故障诊断模型进行训练，并采用所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型。通过适应性学习和特征提取，可以处理大量的输入特征，并对复杂的HVDC系统进行有效的故障诊断；还可以自适应学习HVDC系统中的复杂故障模式，及时监测系统的状态变化，并提供预警信号，帮助运维人员及早发现潜在的故障或异常情况。能够有效解决HVDC系统故障诊断难题，对分析和解决HVDC系统故障问题具有重大意义。
Description
技术领域
本申请涉及电力系统输电安全技术领域，特别涉及一种基于前馈神经网络高压直流输电系统故障诊断方法及系统。
背景技术
随着用电需求的增加导致的电力系统规模的日益扩大，其输电功率、输电距离也在不断增加，而交流输电技术的存在许多局限性，比如会出现当传输距离较远时，使用交流输电技术会产生较大损耗等情况，因此传统的交流输电技术不再能够满足未来电力系统的输电需求，而直流输电技术恰好可以弥补交流输电技术存在的不足之处。近些年来，高压直流输电(High Voltage Direct Current,HVDC)技术取得了突破性的大发展，并且已经被大规模的应用于电力系统的运行当中，HVDC技术作为一种非常新颖的输电技术，因为其独特的优势在新型电力系统中占据极其重要的地位，其优点主要有：输送电能容量大、功率容易调节、电网互联方便、送电距离远、输电线路走廊窄等。
但是，HVDC系统是一个非常庞大和复杂的系统，在运行过程中难免会出现各种故障情况，当系统故障时需要及时针对故障进行判断和诊断，避免导致整个系统出现停运的糟糕情况，若出现故障导致的系统停运，将会给整个系统造成巨大的经济损失，并且影响用户的用电需求，严重的话会降低并联电网的运行稳定性，对整个电力系统的经济性、安全性、稳定性造成巨大的影响，因此针对HVDC系统进行故障诊断研究是十分紧迫的。
发明内容
本发明针对目前HVDC系统故障影响严重以及故障诊断困难问题，提供了一种基于前馈神经网络高压直流输电系统故障诊断方法及系统，通过利用前馈神经网络实现对HVDC系统的故障诊断，从而达到诊断速度快、诊断精度高，进一步满足当前HVDC系统的检测需求。
第一方面，本发明中所述的一种基于前馈神经网络高压直流输电系统故障诊断方法，所述故障诊断方法包括：
S1：采集高压直流输电系统中的故障数据，对所述故障数据进行预处理；
S2：将故障录波各通道的数据进行串联，建立样本数据集，并按一预设比例划分为训练数据和测试数据；
S3：对故障样本数据集进行贴标签处理；
S4：建立FNN故障诊断模型，采用所述训练数据对所述FNN故障诊断模型进行训练，并采用所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型；
S5：采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
本发明通过对故障数据进行处理和划分训练集和测试集、建立FNN故障诊断模型、训练模型并进行数据测试，以及将最终得到的诊断结果可视化，模型简单，并且诊断速度快、诊断精度高，能有效实现HVDC系统的故障诊断。
在一些实现方式中，所述步骤S2还包括：
按各故障录波通道，对所述故障数据进行串联形成一个长向量，使每个故障录波通道的数据形式统一且具有相同的数据点数目。
在一些实现方式中，所述步骤S2还包括：
判断每个通道的数据点数目是否一致，若一致，继续下一步骤；否则，进行插值或截断操作待统一数据点数后，再进行串联。
在一些实现方式中，所述步骤S3包括：
根据故障类型将所述故障数据进行分类，并将对应的故障类型标签标识在所述故障数据中，并存储至对应类别的故障样本数据集中。
在一些实现方式中，所述建立FNN故障诊断模型，包括：
S401：分离输入数据和输出数据，所述输入数据为故障样本的特征数据；所述输出数据故障样本的标签。
S402：采用sigmoid函数作为FNN模型的神经网络单元的激活函数。
在FNN的每个神经元单元中，采用sigmoid函数作为激活函数，将输入的加权和通过非线性映射转化为输出值。sigmoid函数可以将输出值限定在[0,1]的范围内，可适用于二元分类任务。
S403：分别计算输出层节点误差项和隐藏节点误差项。
首先，进行前向传播：根据输入的特征数据，计算每个神经元的激活值，从输入层到隐藏层再到输出层。
计算输出层节点误差项：根据实际输出值和期望输出值之间的差异，计算输出层节点的误差项。可以使用均方误差(MSE)作为损失函数，并将导数与误差值相乘得到输出层节点误差项。
计算隐藏层节点误差项：将输出层节点误差项向后传播，根据连接的权重和当前层的激活值，计算隐藏层节点的误差项。
S404：根据所述输出层节点误差项和隐藏节点误差项更新所述FNN模型的参数，获得FNN故障诊断模型。
其中，所述步骤S402还包括：
根据所述sigmoid函数，输入层各节点的输入为：
input＝w0x0+w1x1+w2x2+…+wnxn+∑bn；
输入层各节点的输出可以表示为：
式中，x为输入特征，w为对应特征的权重，b为偏置量，f为激活函数。
在一些实现方式中，所述步骤S403还包括：
出层节点误差项：
σy＝y(1-y)(t-y)；
隐藏节点误差项：
式中，y为输出层节点的实际输出数据，t为期望输出值，σy表示y节点的误差；表示为隐藏节点hi的误差项，hi_output为隐藏节点hi的输出数据，σk表示该节点的下一层中的某一节点k的误差项，/>表示节点hi到该节点的下一层中某一节点k的连接权值。
第二方面，本发明还提供一种基于前馈神经网络高压直流输电系统故障诊断系统，所述系统包括：
数据采集单元，用于采集高压直流输电系统中的故障数据；
预处理单元，用于对所述故障数据进行归一化处理；
第一数据处理单元，将故障录波各通道的数据进行串联，建立样本数据集；
第二数据处理单元，对故障样本数据集进行贴标签处理；
第三数据处理单元，建立FNN故障诊断模型，并根据所述训练数据对所述FNN故障诊断模型进行训练，根据所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型；
诊断单元，采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
第三方面，本发明还提供一种HVDC系统故障诊断模型，所述HVDC系统故障诊断模采用如上第一方面所述的基于前馈神经网络高压直流输电系统故障诊断方法中的FNN故障诊断模型。
第四方面，本发明还提供一种计算机存储介质，所述计算机程序被处理器执行时，实现如上第一方面所述的基于前馈神经网络高压直流输电系统故障诊断方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明中的FNN故障诊断模型对HVDC系统进行故障诊断，可以针对输入数据进行快速的前向传播，从而实现快速的故障诊断，FNN故障诊断模型具有强大的拟合能力和非线性建模能力，通过适应性学习和特征提取，可以处理大量的输入特征，并对复杂的HVDC系统进行有效的故障诊断；还可以学习并捕捉HVDC系统中的复杂故障模式和关联关系，可以及时监测系统的状态变化，并提供预警信号，帮助运维人员及早发现潜在的故障或异常情况。
采用FNN诊断模型对HVDC系统进行故障诊断可以实现自动化和智能化，可以自动识别和分类不同的故障类型，减少人工干预和人为错误，提高诊断的一致性和准确性。
附图说明
图1为本发明所述的基于原型网络的高压直流输电系统故障诊断方法流程图。
图2为图1所述FNN原理图。
图3为本发明所述故障录波数据。
图4为本发明所述的诊断结果混淆矩阵图。
图5为本发明所述的基于前馈神经网络高压直流输电系统故障诊断系统示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例一：
请参照图1-2，为本申请第一实施例提供的一种基于原型网络的高压直流输电系统故障诊断方法，本发明中所述的一种基于前馈神经网络高压直流输电系统故障诊断方法，所述故障诊断方法包括：
S1：采集高压直流输电系统中的故障数据，请参照图3，对所述故障数据进行预处理。
根据系统的实际情况和故障类型，采集HVDC系统中的故障数据。例如，可以通过传感器或监测设备获取直流电流、直流电压、温度、湿度等相关数据。确保采集到的数据具有代表性，覆盖不同类型和严重程度的故障情况。
对采集到的故障数据进行清洗和筛选，去除无效或异常的数据点，保证数据的质量和可用性。这可以包括去除噪声、处理缺失值、处理异常值等操作。
对数据归一化或标准化，如果不同的故障数据具有不同的量纲或数值范围，可以进行数据归一化或标准化操作。例如，将数据缩放到一个统一的范围，如0到1之间，或者使用标准化方法，如Z-score标准化。
特征提取，对预处理后的故障数据进行特征提取，从中提取出具有诊断意义的特征。特征可以包括时域特征、频域特征、小波变换系数等。可以使用信号处理方法、统计分析方法或机器学习特征选择方法来提取特征。
还可以将预处理后的故障数据进行可视化，可以帮助理解数据的分布、趋势和异常情况。可以使用图表、曲线图、散点图等方式进行数据可视化。
通过以上预处理步骤，从而得到一组经过清洗、归一化和特征提取的故障数据，为后续的故障诊断建立基础。
S2：将故障录波各通道的数据进行串联，建立样本数据集，并按一预设比例划分为训练数据和测试数据。
收集故障发生时的录波数据，包括不同通道的数据。这些通道数据可以包括直流电流、直流电压、温度、湿度等与系统运行状态相关的信号。
将每个通道的数据按照时序进行串联，形成一条完整的故障录波数据。确保数据按照合适的采样率进行采集和串联，以保持数据的时序关系。
将串联后的故障录波数据作为样本数据，建立训练和测试所需的数据集。每个样本数据代表了一个故障事件或情况，其中包含了各个通道的数据。
按照预设的比例，将样本数据集划分为训练数据和测试数据。常见的划分比例是80％的数据用于训练，20％的数据用于测试，可以根据实际情况进行调整。
划分训练数据和测试数据的目的是用训练数据来训练故障诊断模型，然后使用测试数据来评估模型的性能和准确度。为了提高模型的泛化能力，划分数据集时，训练数据和测试数据的样本分布不同类型和严重程度的故障情况。
S3：对故障样本数据集进行贴标签处理；
请参照图4，具体故障类型对应的标签如下所示：
(1)标签1：交流故障；
(2)标签2：直流故障；
(3)标签3：换流阀故障；
(4)标签4：换相失败。
在一些实现方式中，所述步骤S3包括：
根据故障类型将所述故障数据进行分类，并将对应的故障类型标签标识在所述故障数据中，并存储至对应类别的故障样本数据集中。
S4：建立FNN故障诊断模型，采用所述训练数据对所述FNN故障诊断模型进行训练，并采用所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型。
其中，FNN(Feedforward Neural Network，前馈神经网络)是一种最基础的人工神经网络模型。在模型中，每个时间节点的数据作为输入，经过第一层的神经元后，其输出又作为第二层神经元的输入特征，以此类推，直到神经网络的最后一层。
S5：采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
本发明通过对故障数据进行处理和划分训练集和测试集、建立FNN故障诊断模型、训练模型并进行数据测试，以及将最终得到的诊断结果可视化，模型简单，并且诊断速度快、诊断精度高，能有效实现HVDC系统的故障诊断。
在一些实现方式中，所述步骤S2还包括：
按各故障录波通道，对所述故障数据按照相同的顺序进行串联形成一个长向量，使每个故障录波通道的数据形式统一且具有相同的数据点数目。
在一些实现方式中，所述步骤S2还包括：
确定每个故障录波通道的数据点数目；
判断每个通道的数据点数目是否一致，若一致，继续下一步骤；否则，进行插值或截断操作待统一数据点数后，再进行串联。
在一些实现方式中，所述建立FNN故障诊断模型，包括：
S401：分离输入数据和输出数据，所述输入数据为故障样本的特征数据；所述输出数据故障样本的标签。
具体的，将故障样本数据按照每个故障样本的特征数据和标签进行整理。从故障样本数据中提取出特征数据，可以根据任务需求选取合适的特征提取方法，如统计特征、频域特征、时域特征等。从故障样本数据中提取出标签数据，即故障样本对应的标签。将特征数据作为输入数据，将标签数据作为输出数据，从而得到输入数据集和输出数据集。根据这个分离后的数据集，可以使用监督学习算法进行训练，利用输入数据和输出数据之间的关系来构建和优化模型。
S402：采用sigmoid函数作为FNN模型的神经网络单元的激活函数。
其中，神经网络结构包括输入层、隐藏层和输出层。在隐藏层和输出层的单元上应用sigmoid函数作为激活函数。完成神经网络的前向传播，对每个隐藏层和输出层的单元进行激活值计算。对于每个单元的输入x，将其传入sigmoid函数中进行计算，得到激活值。
对神经网络的损失函数进行求导，并利用反向传播算法更新神经网络的参数。在反向传播过程中，根据sigmoid函数的导数性质，可以直接计算隐藏层和输出层的梯度。重复进行前向传播和后向传播，以不断优化神经网络的参数，使其适应输入与输出之间的关系。
其中，所述步骤S402还包括：
根据所述sigmoid函数，输入层各节点的输入为：
input＝w0x0+w1x1+w2x2+…+wnxn+∑bn；
输入层各节点的输出可以表示为：
式中，x为输入特征，w为对应特征的权重，b为偏置量，f为激活函数。
采用sigmoid函数作为激活函数，可以简化模型的梯度计算和反向传播过程，有利于模型的训练和优化。
S403：分别计算输出层节点误差项和隐藏节点误差项。
出层节点误差项：
σy＝y(1-y)(t-y)；
隐藏节点误差项：
式中，y为输出层节点的实际输出数据，t为期望输出值，σy表示y节点的误差；表示为隐藏节点hi的误差项，hi_output为隐藏节点hi的输出数据，σk表示该节点的下一层中的某一节点k的误差项，/>表示节点hi到该节点的下一层中某一节点k的连接权值。
S404：根据所述输出层节点误差项和隐藏节点误差项更新所述FNN模型的参数，获得FNN故障诊断模型。
使用梯度下降等优化算法，根据输出层节点误差项和隐藏层节点误差项来更新连接权重和偏置的参数。通过反复进行数据训练、误差计算和参数更新，可以不断优化模型的性能，得到适用于故障诊断任务的FNN模型。具体的：
前向传播：通过输入样本计算每个神经元的激活值，并将结果传递到输出层。
输出层误差项计算：计算输出层节点的误差项。根据任务的损失函数(如均方误差、交叉熵等)，计算实际输出值与期望输出值之间的误差。
参数更新：使用输出层的误差项来更新连接输出层与隐藏层之间的权重和偏置。可以使用梯度下降等优化算法进行参数更新。例如，可以使用以下公式来更新权重和偏置：
新权重＝旧权重-学习率*梯度
新偏置＝旧偏置-学习率*梯度
其中，学习率是指定更新步长的超参数，梯度是指误差相对于权重和偏置的导数。
隐藏层误差项计算和参数更新：将输出层的误差项向后传播到隐藏层，并计算隐藏层节点的误差项。使用隐藏层的误差项来更新连接隐藏层与输入层之间的权重和偏置。
重复执行前向传播、误差项计算和参数更新的步骤，直到达到预定的训练迭代次数或满足停止训练的条件。
通过上述步骤，可以更新FNN模型的参数，使其能够适应输入数据与输出标签之间的关系，并用于故障诊断任务。
实施例二：
本发明还提供一种基于前馈神经网络高压直流输电系统故障诊断系统，请参照图5，所述系统包括：
数据采集单元，用于采集高压直流输电系统中的故障数据；
预处理单元，用于对所述故障数据进行归一化处理，以确保数据在一定的范围内，便于神经网络的训练和预测；
第一数据处理单元，将故障录波各通道的数据进行串联，建立样本数据集；
第二数据处理单元，对故障样本数据集进行贴标签处理；
第三数据处理单元，建立FNN故障诊断模型，并根据所述训练数据对所述FNN故障诊断模型进行训练，根据所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型；
诊断单元，采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
该系统通过FNN模型的训练和使用，实现了对高压直流输电系统故障的自动诊断，可为系统运维和维修提供支持，详细的故障诊断系统实现过程参见实施例一种的说明，在本实施例中不再赘述。
实施例三：
本发明还提供一种HVDC系统故障诊断模型，所述HVDC系统故障诊断模采用如上第一方面所述的基于前馈神经网络高压直流输电系统故障诊断方法中的FNN故障诊断模型。
基于FNN的故障诊断模型具有良好的表达能力和适应性，可以通过训练样本数据来学习和建模HVDC系统故障与输入数据之间的关系。模型的基本结构包括输入层、隐藏层和输出层，其中隐藏层可以有多个层次，每个层次包含多个神经元。通过调整神经元之间的连接权重和偏置，FNN模型可以学习和捕捉输入数据的特征，从而对HVDC系统的故障进行诊断预测。
在本发明的HVDC系统故障诊断模型中，可以根据具体的故障诊断任务和数据集的特征，选择合适的FNN模型结构和参数设置。根据前述第一方面的方法，采集高压直流输电系统的故障数据，并经过数据预处理、样本数据集的构建、数据标签处理、FNN模型训练和验证等步骤，得到最优的FNN故障诊断模型。
该HVDC系统故障诊断模型能够根据输入的HVDC系统数据，准确判断系统中的故障类型，并为运维人员提供有效的故障诊断和维修指导，提高系统的可靠性和可持续运行性。
实施例四：
本发明还提供一种计算机存储介质，所述计算机程序被处理器执行时，实现如上第一方面所述的基于前馈神经网络高压直流输电系统故障诊断方法。
其中，计算机存储介质可以是任何适用于存储和执行计算机程序的介质，例如硬盘驱动器、固态硬盘、内存等。
在该计算机存储介质中，可以存储一个或多个计算机程序，这些程序被处理器加载和执行。这些程序实现了基于原型网络的高压直流输电系统故障诊断方法。具体而言，这些程序可能包括用于数据处理、模型构建、训练和故障诊断的算法和逻辑。
当处理器执行这些计算机程序时，它们将读取相应的输入数据(HVDC系统数据)，根据预定义的算法和逻辑构建原型网络，并对原型网络进行训练和调优。随后，处理器可以使用训练完毕的模型来接收实时的HVDC系统数据，并根据原型网络的输出进行故障诊断和分类。
总结来说，本发明通过使用提供的这种计算机存储介质中的计算机程序，可以在处理器上实现基于原型网络的高压直流输电系统故障诊断方法，从而提高HVDC系统的可靠性和稳定性。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然对本发明的描述是结合以上具体实施例进行的，但是，熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。
Claims (10)
1.一种基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述故障诊断方法包括：
S1：采集高压直流输电系统中的故障数据，对所述故障数据进行预处理；
S2：将故障录波各通道的数据进行串联，建立样本数据集，并按一预设比例划分为训练数据和测试数据；
S3：对故障样本数据集进行贴标签处理；
S4：建立FNN故障诊断模型，采用所述训练数据对所述FNN故障诊断模型进行训练，并采用所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型；
S5：采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
2.根据权利要求1所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述步骤S2还包括：
按各故障录波通道，对所述故障数据进行串联形成一个长向量，使每个故障录波通道的数据形式统一且具有相同的数据点数目。
3.根据权利要求2所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述步骤S2还包括：
判断每个通道的数据点数目是否一致，若一致，继续下一步骤；否则，进行插值或截断操作待统一数据点数后，再进行串联。
4.根据权利要求3所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述步骤S3包括：
根据故障类型将所述故障数据进行分类，并将对应的故障类型标签标识在所述故障数据中，并存储至对应类别的故障样本数据集中。
5.根据权利要求4所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述建立FNN故障诊断模型，包括：
S401：分离输入数据和输出数据，所述输入数据为故障样本的特征数据；所述输出数据故障样本的标签；
S402：采用sigmoid函数作为FNN模型的神经网络单元的激活函数；
S403：分别计算输出层节点误差项和隐藏节点误差项；
S404：根据所述输出层节点误差项和隐藏节点误差项更新所述FNN模型的参数，获得FNN故障诊断模型。
6.根据权利要求5所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述步骤S402还包括：
根据所述sigmoid函数，输入层各节点的输入为：
input＝w0x0+w1x1+w2x2+…+wnxn+∑bn；
输入层各节点的输出可以表示为：
式中，x为输入特征，w为对应特征的权重，b为偏置量，f为激活函数。
7.根据权利要求6所述的基于前馈神经网络高压直流输电系统故障诊断方法，其特征在于，所述步骤S403还包括：
出层节点误差项：
σy＝y(1-y)(t-y)；
隐藏节点误差项：
式中，y为输出层节点的实际输出数据，t为期望输出值，σy表示y节点的误差；表示为隐藏节点hi的误差项，hi_output为隐藏节点hi的输出数据，σk表示该节点的下一层中的某一节点k的误差项，/>表示节点hi到该节点的下一层中某一节点k的连接权值。
8.一种根据权利要求1-7任一所述的基于前馈神经网络高压直流输电系统故障诊断方法的系统，所述系统包括：
数据采集单元，用于采集高压直流输电系统中的故障数据；
预处理单元，用于对所述故障数据进行归一化处理；
第一数据处理单元，将故障录波各通道的数据进行串联，建立样本数据集；
第二数据处理单元，对故障样本数据集进行贴标签处理；
第三数据处理单元，建立FNN故障诊断模型，并根据所述训练数据对所述FNN故障诊断模型进行训练，根据所述测试数据完成FNN故障诊断模型的验证获得最优FNN故障诊断模型；
诊断单元，采用所述最优FNN故障诊断模型进行高压直流输电系统故障诊断。
9.一种HVDC系统故障诊断模型，其特征在于，所述HVDC系统故障诊断模采用如权利要求1-7任一所述的基于前馈神经网络高压直流输电系统故障诊断方法中的FNN故障诊断模型。
10.一种计算机存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的基于前馈神经网络高压直流输电系统故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948247.5A CN117060353A (zh) | 2023-07-31 | 2023-07-31 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310948247.5A CN117060353A (zh) | 2023-07-31 | 2023-07-31 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117060353A true CN117060353A (zh) | 2023-11-14 |
Family
ID=88665518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310948247.5A Pending CN117060353A (zh) | 2023-07-31 | 2023-07-31 | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117060353A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827671A (zh) * | 2018-03-21 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障诊断方法 |
| CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
| CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
| CN111537207A (zh) * | 2020-04-29 | 2020-08-14 | 西安交通大学 | 一种小样本下用于机械故障智能诊断的数据增强方法 |
| CN112734305A (zh) * | 2021-02-24 | 2021-04-30 | 西南交通大学 | 一种路基压实质量评判方法、装置、设备及可读存储介质 |
| CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
| CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
| CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
| CN113761792A (zh) * | 2021-08-03 | 2021-12-07 | 三峡大学 | 一种基于神经网络的六脉冲整流器故障诊断方法 |
| CN113780324A (zh) * | 2021-02-19 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN115201627A (zh) * | 2022-07-05 | 2022-10-18 | 福州大学 | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 |
| CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
| CN115905936A (zh) * | 2022-09-30 | 2023-04-04 | 国网山东省电力公司济南供电公司 | 一种变压器故障诊断预测方法和系统 |
-
2023
- 2023-07-31 CN CN202310948247.5A patent/CN117060353A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827671A (zh) * | 2018-03-21 | 2018-11-16 | 南京航空航天大学 | 一种机械设备故障诊断方法 |
| CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
| CN111259532A (zh) * | 2020-01-13 | 2020-06-09 | 西北工业大学 | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 |
| CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
| CN111537207A (zh) * | 2020-04-29 | 2020-08-14 | 西安交通大学 | 一种小样本下用于机械故障智能诊断的数据增强方法 |
| CN113780324A (zh) * | 2021-02-19 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112734305A (zh) * | 2021-02-24 | 2021-04-30 | 西南交通大学 | 一种路基压实质量评判方法、装置、设备及可读存储介质 |
| CN113139335A (zh) * | 2021-04-09 | 2021-07-20 | 郑州宥新算法智能科技有限公司 | 一种基于bp神经网络的轨道电路故障智能诊断方法 |
| CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
| CN113761792A (zh) * | 2021-08-03 | 2021-12-07 | 三峡大学 | 一种基于神经网络的六脉冲整流器故障诊断方法 |
| CN115201627A (zh) * | 2022-07-05 | 2022-10-18 | 福州大学 | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 |
| CN115905936A (zh) * | 2022-09-30 | 2023-04-04 | 国网山东省电力公司济南供电公司 | 一种变压器故障诊断预测方法和系统 |
| CN115563563A (zh) * | 2022-10-25 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 基于变压器油色谱分析的故障诊断方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
| CN117369425B (zh) * | 2023-12-08 | 2024-02-27 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN114282443A (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN116821610A (zh) | 一种利用大数据优化风力发电效率的方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
| do Carmo Correa et al. | Automated non-intrusive load monitoring system using stacked neural networks and numerical integration | |
| CN112115640B (zh) | 一种基于迁移学习的控制阀粘滞检测方法 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| Xu et al. | Total process of fault diagnosis for wind turbine gearbox, from the perspective of combination with feature extraction and machine learning: A review | |
| Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
| Sarquis Filho et al. | Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data | |
| CN112579429A (zh) | 一种问题定位方法和装置 | |
| Rustum et al. | Fault detection in the activated sludge process using the kohonen self-organising map | |
| CN113158552B (zh) | 基于时间序列的生物反应器运行状况分级预测方法及系统 | |
| Chen et al. | Fault diagnosis and Prediction Algorithm of Digital Distribution Network based on Deep Learning |
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 |