CN117171702A - 一种基于深度学习的多模态电网故障检测方法和系统 - Google Patents
一种基于深度学习的多模态电网故障检测方法和系统 Download PDFInfo
- Publication number
- CN117171702A CN117171702A CN202311119651.8A CN202311119651A CN117171702A CN 117171702 A CN117171702 A CN 117171702A CN 202311119651 A CN202311119651 A CN 202311119651A CN 117171702 A CN117171702 A CN 117171702A
- Authority
- CN
- China
- Prior art keywords
- power grid
- mode power
- grid data
- data
- fault
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 81
- 238000009826 distribution Methods 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 31
- 230000001186 cumulative effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract 1
- 230000035945 sensitivity Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于深度学习的多模态电网故障检测方法和系统,通过传感器采集电网故障时的多模态电网数据,利用DTW算法将多模态电网数据的时间对齐,并进行特征提取和融合,充分利用来自不同传感器的信息,提供了多角度、多维度的观测视角,这使得故障检测能够更全面、准确地理解电网设备的状态和行为,根据上述融合获得的特征表示构建检测模型,并利用EM算法训练,不依赖于预先定义的规则或模型假设,灵活地适应各种复杂的故障模式和数据特征,更好的发挥多模态信息的价值,有助于提高故障检测的准确性、效率,从而提高故障检测的敏感性和鲁棒性。
Description
技术领域
本发明涉及电网保护领域,具体涉及一种基于深度学习的多模态电网故障检测方法和系统。
背景技术
电力系统是现代社会不可或缺的基础设施,用于生成、传输和分配电能。随着能源需求的不断增长和电力系统规模的扩大,电网设备的可靠性和稳定性变得尤为重要。然而,电力系统中的设备存在着潜在的故障风险,如绝缘破损、设备老化、电气连接失效等。这些故障可能导致电网的不稳定、停电甚至引发事故。因此,快速准确地检测和诊断电网设备故障,对于保障电力系统的可靠运行和安全至关重要。
如CN202011098651.0《一种基于模糊推理系统的快速故障检测方法》公开了“一种基于模糊推理系统的快速故障检测方法,属于直流电力系统技术领域。所述方法包括:发生低阻抗故障时,输入电流或输出电流都会迅速上升,表明输入电流或输出电流的变化率已变为正值;同时,分段另一侧的电流变化率变为负;将故障分类表示为模糊规则,模糊规则将被馈送到模糊推理系统FIS进行决策。本发明可替代人的主观行为以此提高故障辨识精度、保护准确性和可靠性,实现综合控制保护多直流系统”,此方案对已有的故障现象进行规律总结,然后将总结的规律输入到推理系统进行故障决策,以达到自主故障检测的目标。但该方案对数据依赖性强、故障数据单一导致其对系统变化较为敏感,无法全面评估设备的状态,且故障规律的总结和系统的开发其要求系统设计人员具备广泛的领域知识,同时其存在难以处理复杂故障模式、泛化能力不足等问题。
因此,如何有效整合多种类型的电网设备信息,并提供快速准确的故障分析成为电网故障检测的热门研究方向。
发明内容
基于上述技术问题,本发明提供了一种基于深度学习的多模态电网故障检测方法,具体步骤包括:
通过传感器采集电网故障时的多模态电网数据,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据;
对时间对齐后的多模态电网数据进行特征提取,利用注意力机制将提取的特征进行特征融合,获得多模态电网数据特征;
构建多模态电网设备故障检测模型,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练,获得训练完成的多模态电网设备故障模型;
利用所述训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果。
优选的,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据包括:
通过欧式距离度量法计算多模态电网数据集中两两不同模态数据集之间的距离,获得每个模态数据集之间的相似度矩阵D;
根据相似度矩阵D构建累积距离矩阵C;计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径;
根据最佳路径,利用插值法将多模态电网数据在时间维度上进行对齐,获得时间对齐后的多模态电网数据。
优选的,根据相似度矩阵D构建累积距离矩阵C具体为:
构建累积距离矩阵C,所述累积距离矩阵C的大小为多模态电网数据集中每个模态的时间序列数据长度值增加一位的乘积,对累积距离矩阵进行初始化,将相似度矩阵D的元素作为累积距离矩阵C的初始值;
比较累积距离矩阵C任一位置的三个相邻位置的相似度数值,选择三个相邻位置的相似度的最小值,将相似度最小值加上所述任一位置的相似度数值更新为累积距离矩阵C所述任一位置的数值,直至获得更新完成的累积距离矩阵C。
优选的,计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径具体为:
从累积距离矩阵C的右下角位置开始沿着最小路径原则依次选择下一个位置,直到回溯到累积距离矩阵C的左上角位置,其中,所述最小路径原则从当前位置的三个相邻位置中选择具有最小值的位置,将所选择的位置添加到对齐路径P。
优选的,利用注意力机制将提取的特征进行特征融合具体为:
通过自注意力机制计算不同模态的电网数据特征权重,以公式表达为:
Attention_i=softmax(wi*fi);
式中,Attention_i为第i个模态的电网数据特征权重,wi为学习的权重矩阵,*为矩阵乘法,softmax为对应模态的注意力权重进行归一化的操作,fi为第i个模态特征;
将不同模态的电网数据特征与对应的电网数据特征权重进行加权求和获得多模态电网数据特征,以公式表达为:
Ffinal=F1+F2+…+Fi;
Fi=Attention_i*fi;
式中,Ffinal为多模态电网数据特征,Fi为进行注意力机制调整后的第i个模态电网数据特征。
优选的,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练具体为:
所述多模态电网设备故障检测模型为高斯混合模型GMM,初始化GMM参数;
对GMM进行E步骤操作,对于每个多模态电网数据特征,根据当前参数的估计值,计算隐变量的后验概率分布,将其作为每个多模态电网数据特征属于每个隐变量状态的概率,以公式表达为:
式中,γij为第i个多模态电网数据属于高斯分布j的后验概率,Ffinali为第i个多模态电网数据特征,πj为第j各高斯分布的权重,πk为第k个高斯分布的权重,为多元高斯分布的概率密度函数,μj为第j个高斯分布的均值,μk为第k个高斯分布的均值,∑j为高斯分布j的协方差矩阵,K为高斯分布的个数,N为多模态电网数据特征数量,/>为所有高斯分布对第i个多模态电网数据的加权和,/>为第i个多模态电网数据来自于第j个高斯分布的概率;
对GMM进行M步骤操作,根据已计算得到的隐变量的后验概率分布,使用EM算法对多模态电网设备故障检测模型的参数进行更新,通过最大化完整数据的对数似然函数,估计模型参数;
通过对GMM进行E步骤和M步骤的交替进行,直到达到收敛条件,获得训练完成的多模态电网设备故障模型。
优选的,使用EM算法对多模态电网设备故障检测模型的参数进行更新具体为更新每个高斯分布的参数,所述参数包括权重πj、均值μj和其中协方差矩阵∑j,其中:
更新权重πj:
更新均值μj:
更新协方差矩阵∑j:
优选的,通过最大化完整数据的对数似然函数具体为:
计算对数似然函数,以公式表达为:
log_likelihood=∑ilog(∑j(πjN(Ffinali|μj,∑j)));
式中,log_likelihood为多模态电网数据的对数似然函数,用于衡量GMM模型对观测数据的拟合程度,∑j(πjN(Ffinali|μj,∑j))为每个多模态电网数据在所有高斯分布下的概率加权和;
根据计算得到的对数似然函数值和GMM参数数量,使用AIC计算公式计算赤池信息准则AIC值,以公式表达为:
AIC=-2*log_likelihood+2*K;
对于不同的K值,重复计算AIC的步骤,并选择使AIC值最小的K值作为最优的高斯分布个数,达到收敛条件。
优选的,利用训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果具体为:
输入待检测的多模态电网数据至训练完成的多模态电网设备故障模型,获得每个多模态电网数据属于每个高斯分布的后验概率;
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布,以公式表达为:
ji=argmax(γij);
式中,ji为多模态电网数据归属高斯分布的索引,argmax()为找到一个函数的输入值使得该函数取得最大值的参数值;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,以公式表达为:
pi=πjN(xi|μj,∑j);
式中,pi为待检测多模态电网数据xi属于其归属高斯分布的概率;
预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障。
本发明还提供了一种基于深度学习的多模态电网故障检测系统,包括数据采集模块、故障判断模块和输出模块,其中:
所述数据采集模块的输出端与数据处理模块的输入端连接,用于通过传感器采集待检测电网的多模态电网数据,并将所述多模态电网数据传输至故障判断模块;
所述故障判断模块内置训练完成的多模态故障电网设备故障模型,利用多模态故障电网设备故障模型对待检测多模态电网数据进行计算获得每个多模态电网数据属于每个高斯分布的后验概率;
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障;
所述输出模块的输入端与故障判断模块的输出端电连接,用于输出故障判断模块输出的多模态电网数据标记结果。
与现有技术相比,本发明的有益效果是:
1、本发明提供了一种基于深度学习的多模态电网故障检测方法,多模态电网数据的采集和融合可以充分利用来自不同传感器的信息,提供了多角度、多维度的观测视角,这使得故障检测能够更全面、准确地理解电网设备的状态和行为,且通过对多模态电网数据的综合分析,可以在不同模态之间进行交叉验证和互补,从而减少误报和漏报的概率,多模态电网数据的特征融合可以提供更为鲁棒和鉴别力强的特征表示,有助于准确识别和分类各种设备故障;
2、本发明提供了一种基于深度学习的多模态电网故障检测方法,多模态电网故障检测方法具有较强的自适应性和灵活性,可以适应不同类型的电网设备和故障情况,并且可以通过在模型中引入新的传感器数据进行扩展和升级,这使得系统能够快速应对不同电网设备和环境的变化,提高了系统的适应性和可扩展性。
3、本发明提供了一种基于深度学习的多模态电网故障检测方法,多模态电网故障检测方法基于深度学习和机器学习技术,通过大量的数据训练和学习,能够从数据中自动提取特征和模式,实现数据驱动的故障检测和诊断,这使得本发明所述方法具备较高的智能化水平,能够处理复杂的电网数据和故障情况。
附图说明
图1是本发明实施例的方法流程示意图。
具体实施方式
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,都属于本发明保护的范围。
实施例一
本发明实施例一公开了一种基于深度学习的多模态电网故障检测方法,在本实施例中,所述方法通过利用多种传感器和数据源,如振动传感器、温度传感器、电流传感器等,对电网进行实时监测,并采集相关电网数据,对采集到的多模态电网数据进行预处理,包括噪声去除、异常值处理、数据对齐和归一化等操作,以保证数据的质量和一致性,从预处理的数据中提取有意义的特征,对于不同的数据源,使用不同的特征提取方法,将来自不同传感器和数据源的特征进行融合,以获得更全面和准确的特征表示,使用提取并融合的特征,构建无监督学习模型进行训练,并通过无监督学习模型学习正常数据的分布和模式,建立数据模型,当新的数据样本输入时,将其输入到已训练完成的无监督学习模型中进行故障检测,具体的,本实施例的方法包括:
S1、通过传感器采集电网故障时的多模态电网数据,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据,其中,所述多模态电网数据包括时序数据、频率数据、温度数据和相位数据;
优选的,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据包括:
S11、通过欧式距离度量法计算多模态电网数据集中两两不同模态数据集之间的距离,获得每个模态数据集之间的相似度矩阵D;
S12、根据相似度矩阵D构建累积距离矩阵C;计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径;
优选的,根据相似度矩阵D构建累积距离矩阵C具体为:
构建累积距离矩阵C,所述累积距离矩阵C的大小为多模态电网数据集中每个模态的时间序列数据长度值增加一位的乘积,对累积距离矩阵进行初始化,将相似度矩阵D的元素作为累积距离矩阵C的初始值;
比较累积距离矩阵C任一位置的三个相邻位置的相似度数值,选择三个相邻位置的相似度的最小值,将相似度最小值加上所述任一位置的相似度数值更新为累积距离矩阵C所述任一位置的数值,直至获得更新完成的累积距离矩阵C;
优选的,计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径具体为:
从累积距离矩阵C的右下角位置开始沿着最小路径原则依次选择下一个位置,直到回溯到累积距离矩阵C的左上角位置,其中,所述最小路径原则从当前位置的三个相邻位置中选择具有最小值的位置,将所选择的位置添加到对齐路径P;
S13、根据最佳路径,利用插值法将多模态电网数据在时间维度上进行对齐,获得时间对齐后的多模态电网数据;
进一步的,在本实施例中,假设有两个模态的数据,步骤S2可具体为:
所述两个模态的数据分别为序列A和序列B,其中,序列A的长度为M,序列B的长度为N;
初始化一个大小为(M+1)×(N+1)的距离矩阵D(相似度矩阵D),初始值设为无穷大,将序列的长度增加一位的目的是为了表示序列的起点和结束点之间的距离,这样做是因为通常我们需要考虑序列中元素与起点和结束点之间的距离,这种扩展可以更完整地描述序列的距离关系;
对于i从1到M和j从1到N,使用欧氏距离度量法计算序列A中第i个样本与序列B中第j个样本之间的距离,并保存在距离矩阵D的第(i+1,j+1)位置上,其中,欧氏距离度量法以公式表达为:
x和y为序列A和序列B中的样本,k为向量中的维度,即特征的个数,xk和yk为向量中的第k个特征值,d为向量维度,(xk-yk)2为两个样本在该特征上的差值的平方,为维度k从1到d特征的平方差值相加;
在多模态电网数据的情况下,每个样本可以表示为一个向量,其中包含多个传感器采集的不同特征,欧氏距离用于衡量这些特征之间的差异。
将计算得到的欧氏距离值填充到距离矩阵D的对应位置上;
完成所有计算后,距离矩阵D即包含了序列A和序列B中所有样本之间的欧氏距离;
初始化一个大小为(M+1)×(N+1)的累积距离矩阵C,初始值设为无穷大,将累积距离矩阵C的第(1,1)位置设为0;
对于i从1到M,和j从1到N,计算累积距离矩阵C的第(i+1,j+1)位置上的值,即C(i+1,j+1)=D(i+1,j+1)+min(C(i,j+1),C(i+1,j),C(i,j)),这里的min函数表示选择累积距离矩阵C中三个相邻位置的最小值。
初始化一个空的对齐路径P;
从累积距离矩阵C的右下角位置开始,(即C(M+1,N+1))开始,沿着最小路径原则依次选择下一个位置,直到回溯到左上角位置(即C(1,1));
在每个位置选择下一个位置时,根据最小路径原则选择累积距离矩阵C中的最小值,假设当前位置为(i,j),对应累积距离矩阵C中的位置,从三个相邻的位置(i-1,j),(i,j-1),(i-1,j-1)中选择具有最小值的位置,如果(i-1,j)对应的值最小,则下一个位置为(i-1,j),如果(i,j-1)对应的值最小,则下一个位置为(i,j-1)。如果(i-1,j-1)对应的值最小,则下一个位置为(i-1,j-1);
将选择的位置添加到对齐路径,
将所选择的位置加入到对齐路径P的起始位置,
重复最小路径选择的步骤,直到回溯到累积距离矩阵C的左上角位置,完成回溯;
完成回溯后,对齐路径P将包含从右下角到左上角的一条路径,表示对齐序列的对应关系;
根据对齐路径P,将序列A和序列B进行使用插值法进行对齐,得到对齐后的序列A'和序列B'。具体步骤如下:
创建两个空序列A'和B',用于存储对齐后的数据;
遍历对齐路径P,按照对齐路径P的顺序,遍历路径中的每个位置;
其中,插值操作具体为:
对于路径P中的每个位置(i,j),其中i表示序列A的索引,j表示序列B的索引;
如果i和j相等,说明对应位置的样本已经对齐,将其添加到对齐后的序列A'和B'中;
如果i小于j,说明序列A需要插值,可以选择使用线性插值法、样条插值法等方法,根据已知的两个相邻样本进行插值操作,并将插值结果添加到对齐后的序列A'中;
如果i大于j,说明序列B需要插值,同样可以使用插值法将序列B中的样本插值,并将结果添加到对齐后的序列B'中;
遍历完对齐路径P后,对齐后的序列A'和B'将包含相同长度的数据,其中对应位置的样本已经对齐。
通过以上步骤,DTW算法能够将多模态电网数据在时间维度上进行对齐,消除不同传感器之间的时间差异,为后续的特征提取和融合提供一致的时间参考。
S2、对时间对齐后的多模态电网数据进行特征提取,利用注意力机制将提取的特征进行特征融合,获得多模态电网数据特征;
S21、特征提取
针对每个模态的数据,使用适当的方法提取模态特征,以下是针对不同数据类型的常见特征提取方法:
时序数据(如电压、电流):可以使用卷积神经网络(CNN)提取时序特征;
频率数据:可以通过应用傅里叶变换转换为时域数据,然后使用CNN来提取特征;
温度数据、震动数据和电能质量数据:可以使用RNN模型处理这些连续的时序数据,提取相应的特征;
相位数据:可以使用CNN模型,对相位数据进行特征提取;
S22、优选的,利用注意力机制将提取的特征进行特征融合具体为:
S221、通过自注意力机制计算不同模态的电网数据特征权重,以公式表达为:
Attention_i=softmax(wi*fi);
式中,Attention_i为第i个模态的电网数据特征权重,wi为学习的权重矩阵,*为矩阵乘法,softmax为对应模态的注意力权重进行归一化的操作,fi为第i个模态特征;
S222、将不同模态的电网数据特征与对应的电网数据特征权重进行加权求和获得多模态电网数据特征,以公式表达为:
Ffinal=F1+F2+…+Fi;
Fi=Attention_i*fi;
式中,Ffinal为多模态电网数据特征,Fi为进行注意力机制调整后的第i个模态电网数据特征。
S3、构建多模态电网设备故障检测模型,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练,获得训练完成的多模态电网设备故障模型;
所述多模态电网设备故障检测模型为高斯混合模型GMM,初始化GMM参数;
优选的,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练具体为:
对GMM进行E步骤操作,对于每个多模态电网数据特征,根据当前参数的估计值,计算隐变量的后验概率分布,将其作为每个多模态电网数据特征属于每个隐变量状态的概率,以公式表达为:
式中,γij为第i个多模态电网数据属于高斯分布j的后验概率,Ffinali为第i个多模态电网数据特征,πj为第j各高斯分布的权重,πk为第k个高斯分布的权重,为多元高斯分布的概率密度函数,μj为第j个高斯分布的均值,μk为第k个高斯分布的均值,∑j为高斯分布j的协方差矩阵,K为高斯分布的个数,N为多模态电网数据特征数量,/>为所有高斯分布对第i个多模态电网数据的加权和,/>为第i个多模态电网数据来自于第j个高斯分布的概率;
对GMM进行M步骤操作,根据已计算得到的隐变量的后验概率分布,使用EM算法对多模态电网设备故障检测模型的参数进行更新,通过最大化完整数据的对数似然函数,估计模型参数;
通过对GMM进行E步骤和M步骤的交替进行,直到达到收敛条件,获得训练完成的多模态电网设备故障模型;
优选的,使用EM算法对多模态电网设备故障检测模型的参数进行更新具体为更新每个高斯分布的参数,所述参数包括权重πj、均值μj和其中协方差矩阵∑j,其中:
更新权重πj:
更新均值μj:
更新协方差矩阵∑j:
优选的,通过最大化完整数据的对数似然函数具体为:
计算对数似然函数,以公式表达为:
log_likelihood=∑ilog(∑j(πjN(Ffinali|μj,∑j)));
式中,log_likelihood为多模态电网数据的对数似然函数,用于衡量GMM模型对观测数据的拟合程度,为每个多模态电网数据在所有高斯分布下的概率加权和;
根据计算得到的对数似然函数值和GMM参数数量,使用AIC计算公式计算赤池信息准则AIC值,以公式表达为:
AIC=-2*log_likelihood+2*K;
对于不同的K值,重复计算AIC的步骤,并选择使AIC值最小的K值作为最优的高斯分布个数,达到收敛条件;最小的AIC值表示模型更好地平衡了复杂度和数据拟合的要求。因此对于给定的多模态电网数据,选择最小AIC值对应的K值可以作为最优的高斯分布个数。
S4、利用所述训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果;
输入待检测的多模态电网数据xi至训练完成的多模态电网设备故障模型,计算每个多模态电网数据点属于每个高斯分布的后验概率,即计算责任矩阵(responsibilitymatrix)R,责任矩阵的维度为N×K,其中N表示多模态电网数据点的数量,K表示高斯分布的个数,以公式表达为:
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布,以公式表达为:
ji=argmax(γij);
式中,ji为多模态电网数据归属高斯分布的索引,argmax()为找到一个函数的输入值使得该函数取得最大值的参数值;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,以公式表达为:
pi=πjN(xi|μj,∑j);
式中,pi为待检测多模态电网数据xi属于其归属高斯分布的概率;
预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障。
实施例二
本发明还提供了一种基于深度学习的多模态电网故障检测系统,包括数据采集模块、故障判断模块和输出模块,其中:
所述数据采集模块的输出端与数据处理模块的输入端连接,用于通过传感器采集待检测电网的多模态电网数据,并将所述多模态电网数据传输至故障判断模块;
所述故障判断模块内置训练完成的多模态故障电网设备故障模型,利用多模态故障电网设备故障模型对待检测多模态电网数据进行计算获得每个多模态电网数据属于每个高斯分布的后验概率;
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障;
所述输出模块的输入端与故障判断模块的输出端电连接,用于输出故障判断模块输出的多模态电网数据标记结果。
值得说明的是,本发明所述的基于深度学习的多模态电网故障检测系统,与实施例一的一种基于深度学习的多模态电网故障检测方法基于相同的发明构思,具体技术内容不再赘述。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于深度学习的多模态电网故障检测方法,其特征在于,具体步骤包括:
通过传感器采集电网故障时的多模态电网数据,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据;
对时间对齐后的多模态电网数据进行特征提取,利用注意力机制将提取的特征进行特征融合,获得多模态电网数据特征;
构建多模态电网设备故障检测模型,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练,获得训练完成的多模态电网设备故障模型;
利用所述训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果。
2.根据权利要求1所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,利用DTW算法将多模态电网数据的时间对齐,获得时间对齐后的多模态电网数据包括:
通过欧式距离度量法计算多模态电网数据集中两两不同模态数据集之间的距离,获得每个模态数据集之间的相似度矩阵D;
根据相似度矩阵D构建累积距离矩阵C;计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径;
根据最佳路径,利用插值法将多模态电网数据在时间维度上进行对齐,获得时间对齐后的多模态电网数据。
3.根据权利要求2所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,根据相似度矩阵D构建累积距离矩阵C具体为:
构建累积距离矩阵C,所述累积距离矩阵C的大小为多模态电网数据集中每个模态的时间序列数据长度值增加一位的乘积,对累积距离矩阵进行初始化,将相似度矩阵D的元素作为累积距离矩阵C的初始值;
比较累积距离矩阵C任一位置的三个相邻位置的相似度数值,选择三个相邻位置的相似度的最小值,将相似度最小值加上所述任一位置的相似度数值更新为累积距离矩阵C所述任一位置的数值,直至获得更新完成的累积距离矩阵C。
4.根据权利要求3所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,计算累积矩阵C中的最小累积距离路径,获得最佳对齐路径具体为:
从累积距离矩阵C的右下角位置开始沿着最小路径原则依次选择下一个位置,直到回溯到累积距离矩阵C的左上角位置,其中,所述最小路径原则从当前位置的三个相邻位置中选择具有最小值的位置,将所选择的位置添加到对齐路径P。
5.根据权利要求4所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,其特征在于,利用注意力机制将提取的特征进行特征融合具体为:
通过自注意力机制计算不同模态的电网数据特征权重,以公式表达为:
Attention_i=softmax(wi*fi);
式中,Attention_i为第i个模态的电网数据特征权重,wi为学习的权重矩阵,*为矩阵乘法,softmax为对应模态的注意力权重进行归一化的操作,fi为第i个模态特征;
将不同模态的电网数据特征与对应的电网数据特征权重进行加权求和获得多模态电网数据特征,以公式表达为:
Ffinal=F1+F2+…+Fi;
Fi=Attention_i*fi;
式中,Ffinal为多模态电网数据特征,Fi为进行注意力机制调整后的第i个模态电网数据特征。
6.根据权利要求5所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,利用期望最大化EM算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练具体为:
所述多模态电网设备故障检测模型为高斯混合模型GMM,初始化GMM参数;
对GMM进行E步骤操作,对于每个多模态电网数据特征,根据当前参数的估计值,计算隐变量的后验概率分布,将其作为每个多模态电网数据特征属于每个隐变量状态的概率,以公式表达为:
式中,γij为第i个多模态电网数据属于高斯分布j的后验概率,Ffinali为第i个多模态电网数据特征,πj为第j各高斯分布的权重,πk为第k个高斯分布的权重,为多元高斯分布的概率密度函数,μj为第j个高斯分布的均值,μk为第k个高斯分布的均值,∑j为高斯分布j的协方差矩阵,K为高斯分布的个数,N为多模态电网数据特征数量,为所有高斯分布对第i个多模态电网数据的加权和,为第i个多模态电网数据来自于第j个高斯分布的概率;
对GMM进行M步骤操作,根据已计算得到的隐变量的后验概率分布,使用EM算法对多模态电网设备故障检测模型的参数进行更新,通过最大化完整数据的对数似然函数,估计模型参数;
通过对GMM进行E步骤和M步骤的交替进行,直到达到收敛条件,获得训练完成的多模态电网设备故障模型。
7.根据权利要求6所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,使用EM算法对多模态电网设备故障检测模型的参数进行更新具体为更新每个高斯分布的参数,所述参数包括权重πj、均值μj和其中协方差矩阵∑j,其中:
更新权重πj:
更新均值μj:
更新协方差矩阵∑j:
8.根据权利要求7所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,通过最大化完整数据的对数似然函数具体为:
计算对数似然函数,以公式表达为:
log_likelihood=∑ilog(∑j(πjN(Ffinali|μj,∑j)));
式中,log_likelihood为多模态电网数据的对数似然函数,用于衡量GMM模型对观测数据的拟合程度,∑j(πjN(Ffinali|μj,∑j))为每个多模态电网数据在所有高斯分布下的概率加权和;
根据计算得到的对数似然函数值和GMM参数数量,使用AIC计算公式计算赤池信息准则AIC值,以公式表达为:
AIC=-2*log_likelihood+2*K;
对于不同的K值,重复计算AIC的步骤,并选择使AIC值最小的K值作为最优的高斯分布个数,达到收敛条件。
9.根据权利要求8所述的一种基于深度学习的多模态电网故障检测方法,其特征在于,利用训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果具体为:
输入待检测的多模态电网数据至训练完成的多模态电网设备故障模型,获得每个多模态电网数据属于每个高斯分布的后验概率;
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布,以公式表达为:
ji=argmax(γij);
式中,ji为多模态电网数据归属高斯分布的索引,argmax()为找到一个函数的输入值使得该函数取得最大值的参数值;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,以公式表达为:
pi=πjN(xi|μj,∑j);
式中,pi为待检测多模态电网数据xi属于其归属高斯分布的概率;
预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障。
10.一种基于深度学习的多模态电网故障检测系统,其特征在于,包括数据采集模块、故障判断模块和输出模块,其中:
所述数据采集模块的输出端与数据处理模块的输入端连接,用于通过传感器采集待检测电网的多模态电网数据,并将所述多模态电网数据传输至故障判断模块;
所述故障判断模块内置训练完成的多模态故障电网设备故障模型,利用多模态故障电网设备故障模型对待检测多模态电网数据进行计算获得每个多模态电网数据属于每个高斯分布的后验概率;
选择具有最大后验概率的高斯分布作为多模态电网数据的归属分布;
根据多模态电网数据归属分布的混合系数和概率密度函数,计算其潜在故障的概率用于评估多模态电网数据是否表示潜在的故障情况,预设故障判定概率阈值,根据故障判定概率阈值,将潜在故障的概率低于故障判定概率阈值的多模态电网数据标记为正常,将潜在故障的概率高于故障判定概率阈值的多模态电网数据标记为故障;
所述输出模块的输入端与故障判断模块的输出端电连接,用于输出故障判断模块输出的多模态电网数据标记结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119651.8A CN117171702A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习的多模态电网故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119651.8A CN117171702A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习的多模态电网故障检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117171702A true CN117171702A (zh) | 2023-12-05 |
Family
ID=88936928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311119651.8A Pending CN117171702A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习的多模态电网故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117171702A (zh) |
-
2023
- 2023-08-31 CN CN202311119651.8A patent/CN117171702A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931868B (zh) | 时间序列数据异常检测方法和装置 | |
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
US9779361B2 (en) | Method for learning exemplars for anomaly detection | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111275198B (zh) | 一种轴承异常检测方法及系统 | |
CN108874772A (zh) | 一种多义词词向量消歧方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN111898637A (zh) | 一种基于ReliefF-DDC特征选择算法 | |
CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及系统 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
CN113420506A (zh) | 掘进速度的预测模型建立方法、预测方法及装置 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
CN115754199A (zh) | 基于隶属度函数和主成分分析的水质检测方法 | |
CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
Zhang et al. | Similarity Analysis of Industrial Alarm Floods Based on Word Embedding and Move-Split-Merge Distance | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN112505551A (zh) | 一种面向退役动力电池的筛选方法 |
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 |