CN117312863A - 故障检测模型的构建方法、电力设备故障检测方法及装置 - Google Patents

故障检测模型的构建方法、电力设备故障检测方法及装置 Download PDF

Info

Publication number
CN117312863A
CN117312863A CN202311608030.6A CN202311608030A CN117312863A CN 117312863 A CN117312863 A CN 117312863A CN 202311608030 A CN202311608030 A CN 202311608030A CN 117312863 A CN117312863 A CN 117312863A
Authority
CN
China
Prior art keywords
sample data
data
fault detection
data set
detection model
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.)
Granted
Application number
CN202311608030.6A
Other languages
English (en)
Other versions
CN117312863B (zh
Inventor
屈道宽
高琰
明玲
王涛
房庆圆
杨培决
高玉欣
翟文亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Ligong Haoming New Energy Co ltd
Original Assignee
Shandong Ligong Haoming New Energy Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Ligong Haoming New Energy Co ltd filed Critical Shandong Ligong Haoming New Energy Co ltd
Priority to CN202311608030.6A priority Critical patent/CN117312863B/zh
Publication of CN117312863A publication Critical patent/CN117312863A/zh
Application granted granted Critical
Publication of CN117312863B publication Critical patent/CN117312863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/09—Supervised learning
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种故障检测模型的构建方法、电力设备故障检测方法及装置，涉及故障检测的技术领域，包括：获取电力设备运行状态的原始样本数据集合；基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集；将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型。本发明基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力，从而提升电力设备故障检测的准确性和故障检测效率。

Description

故障检测模型的构建方法、电力设备故障检测方法及装置
技术领域
本发明涉及故障检测的技术领域，尤其是涉及一种故障检测模型的构建方法、电力设备故障检测方法及装置。
背景技术
在电力系统运行过程中，电力设备可能会遇到过热、短路、断路等影响电力系统的稳定运行的故障，从而造成安全事故，并导致严重的经济损失，因此，快速、准确地检测电力设备的故障成为了电力系统运维的重要任务。目前，相关技术提出，可以通过传统的物理和统计学方法进行电力系统的故障检测，但上述方案在处理复杂、多变的故障模式时难以对故障进行有效区分，从而导致电力设备故障检测的准确性和效率较低。
发明内容
有鉴于此，本发明的目的在于提供一种故障检测模型的构建方法、电力设备故障检测方法及装置，基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力，从而提升电力设备故障检测的准确性和故障检测效率。
第一方面，本发明实施例提供了一种故障检测模型的构建方法，方法包括：获取电力设备运行状态的原始样本数据集合，其中，原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、运行数据的数据特征属性和电力设备的故障状态标签；基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集；将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型，其中，故障检测模型用于检测电力设备运行状态数据中的故障数据，并对故障数据进行分类。
在一种实施方式中，在获取电力设备运行状态的原始样本数据集合的步骤之后，包括：针对原始样本数据集合进行数据预处理，确定优化样本数据集合；通过预设的量子映射生成对抗模型，对优化样本数据集合进行数据扩充处理，确定目标样本数据集合。
在一种实施方式中，针对原始样本数据集合进行数据预处理，确定优化样本数据集合的步骤，包括：删除原始样本数据集合中的冗余数据和重复数据，并针对数据删除后存在的数据缺失值进行均值补齐处理，确定优化样本数据集合。
在一种实施方式中，通过预设的量子映射生成对抗模型，对优化样本数据集合进行数据扩充处理，确定目标样本数据集合的步骤，包括：通过预设的量子映射生成对抗模型，对优化样本数据集合进行量子化处理，确定量子化样本数据集合，并通过量子映射将量子化样本数据集合转换到量子空间进行数据扩充处理，确定新增样本数据；将新增样本数据添加至优化样本数据集合，确定数据扩充后的目标样本数据集合。
在一种实施方式中，基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集的步骤，包括：通过预设涡流理论优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型；利用目标神经网络模型对样本数据进行特征提取处理，确定目标特征集。
在一种实施方式中，将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型的步骤，包括：利用预设分类器中基于黎曼算法的高阶神经网络模型，对目标样本数据集合中，各项目标样本数据对应的目标特征进行高阶交互处理，以得到高阶神经网络模型的目标权重；根据目标权重对预设分类器进行分类训练，确定故障检测模型。
第二方面，本发明实施例还提供一种电力设备故障检测方法，方法包括：获取电力设备运行状态的实时监测数据；对实时监测数据进行数据预处理，确定待识别数据，并将待识别数据发送至预先构建的故障检测模型中，确定故障检测结果；其中，故障检测模型为基于第一方面提供的任一项的故障检测模型的构建方法构建得到的。
第三方面，本发明实施例还提供一种故障检测模型的构建装置，装置包括：样本获取模块，获取电力设备运行状态的原始样本数据集合，其中，原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、运行数据的数据特征属性和电力设备的故障状态标签；数据处理模块，基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集；模型训练模块，将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型，其中，故障检测模型用于检测电力设备运行状态数据中的故障数据，并对故障数据进行分类。
第四方面，本发明实施例还提供一种电力设备故障检测装置，装置包括：数据采集模块，获取电力设备运行状态的实时监测数据；执行模块，对实时监测数据进行数据预处理，确定待识别数据，并将待识别数据发送至预先构建的故障检测模型中，确定故障检测结果；其中，故障检测模型为基于第一方面提供的任一项的故障检测模型的构建方法构建得到的。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种故障检测模型的构建方法、电力设备故障检测方法及装置，该方法在获取电力设备运行状态的原始样本数据集合后，基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集，并将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型，本发明实施例基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力，从而提升电力设备故障检测的准确性和故障检测效率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种故障检测模型的构建方法的流程示意图；
图2为本发明实施例提供的一种电力设备故障检测方法的流程示意图；
图3为本发明实施例提供的一种故障检测模型的构建装置的结构示意图；
图4为本发明实施例提供的一种电力设备故障检测装置的结构示意图；
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，下面将结合实施例对本发明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。
在电力系统运行过程中，电力设备可能会遇到过热、短路、断路等影响电力系统的稳定运行的故障，从而造成安全事故，并导致严重的经济损失，并且，由于电力设备是电力系统的核心组成部分，因此，快速、准确地检测电力设备的故障变得尤为重要，目前，现有的电力设备故障检测技术主要依赖于传统的物理方法和简单的统计学方法，这些方法在处理复杂、多变的故障模式时表现不佳，往往难以满足实际应用中对于检测精度和实时性的需求：首先，传统的物理和统计学方法对电力设备故障检测的准确性和效率较差，无法满足电力系统对于快速、准确的故障检测和定位的需求；并且，传统的优化方法的在模型训练上也存在局限性，现有的神经网络优化算法，如梯度下降算法等，在模型训练时常会遇到梯度消失、梯度爆炸等问题，使得模型训练变得困难；最后，现有技术主要依靠传统的数据扩充方法，如旋转、剪切、翻转等方法进行数据扩充，这些方法可能无法充分捕捉数据的多样性和复杂性，导致生成的数据可能与原数据的差异较大，基于此，本发明实施提供的故障检测模型的构建方法、电力设备故障检测方法及装置，基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力，从而提升电力设备故障检测的准确性和故障检测效率。
参见图1所示的一种故障检测模型的构建方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：
步骤S102，获取电力设备运行状态的原始样本数据集合，其中，原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、运行数据的数据特征属性和电力设备的故障状态标签，在一种实施方式中，电力设备的运行数据为传感器实时监测到的，电力设备的运行状态的数字化数据，其数据格式为结构化的表格形式，其中，表格中每一行代表一个独立的数据点，每一列代表一个不同的数据特征属性，上述数据特征属性包括：：电压值(Volts)、/>：电流值(Amperes)、/>：功率(Watts)、/>：频率(Hertz)、/>：温度(°C)、/>：电阻值(Ohms)、/>：电容值(Farads)、/>：相位角(Degrees)、/>：总谐波失真率(%)和/>：功率因数等，可以根据电力设备的六种故障状态设置故障状态标签，诸如，螺丝松动、底座松动、不平衡、不对中、齿轮箱磨损、轴承磨损等，具体标签设置可以根据实际应用情况进行调整。
在实际应用中，上述表格形式的原始样本数据如下表1所示：
表1原始样本数据
其中，是电压值，单位为伏特；/>是电流值，单位为安培；/>是功率值，单位为瓦；/>是频率，单位为赫兹；/>是温度，单位为摄氏度；/>是电阻值，单位为欧姆；/>是电容值，单位为法拉；/>是相位角，单位为度；/>是总谐波失真率，单位为百分比；/>是功率因数，无单位。
步骤S104，基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集，在一种实施方式中，对样本数据进行特征提取需要采用神经网络，而预设涡流理论优化算法用于对神经网络的参数进行优化，避免如传统优化算法（诸如，梯度下降）可能会遇到的梯度消失和梯度爆炸问题，其中，在神经网络中，参数的优化可以看作是在高维空间中的搜索过程，优化参数的目标是找到使损失函数最小化的参数，通过模拟涡流在高维空间中的动态，快速而有序地搜索参数空间。
步骤S106，将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型，其中，故障检测模型用于检测电力设备运行状态数据中的故障数据，并对故障数据进行分类，在一种实施方式中，高阶神经网络不仅使用传统的线性权重相乘，还考虑了输入特征之间的高阶交互，通过上述高阶交互可以更好地捕捉复杂的、非线性的任务模式。
本发明实施例提供的上述故障检测模型的构建方法，基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力。
本发明实施例还提供了一种构建故障检测模型的实施方式，具体的参见如下（A）至（D）：
（A）由于实际设备故障检测应用中的数据大多数都是存在冗余、缺失、错误等情况，因此，首先需要对采集到的数据集进行数据预处理，使所用数据的质量可以得到保证，以满足后续的学习模型搭建的任务，即，针对原始样本数据集合进行数据预处理，确定优化样本数据集合，需要删除原始样本数据集合中的冗余数据和重复数据，并针对数据删除后存在的数据缺失值进行均值补齐处理，确定优化样本数据集合，其中，均值补齐即分析该属性特征的信息，判断该属性特征属于数值特征亦或是非数值特征，在实际应用中，一般数据包含多个属性，如输出电压、输出电流、输入电流、震动频率、电机种类等，有的是数值，如电压值；有的是非数值，如电机种类：有刷/无刷。
在一种实施方式中，如果是数值特征，则计算出该属性在其他剩余所有对象中的平均值，并将这个平均值插补至空缺处，例如，针对以下多条数据：[4,2,3,3,5,3,5,3,5,3]、[2,3,5,5,3,5,3,5,3,5]、[Xw,4,1,2,3,5,5,3,5,3]，Xw是缺失值，其中，Xw计算方式为：（4+2）/2=3；如果是非数值特征，则采用统计学中的众数原则，统计该属性特征在其他对象中出现的次数，计算出频率，最后选择出现次数最多的值来进行插补工作。
此外，对于错误值，如异常的电压值：2372154V，则采取非参数验证的卡方检验方法进行检测，对疑似的错误数据与正常数据的之间的偏离值进行统计，偏离值越大说明数据异常的可能性越高，偏离值越小说明数据为正常数据的可能性越大。卡方统计的公式如下所示：
其中，为正常数据值，/>为疑似错误数据值，/>为正常数据与疑似错误数据之间的差异程度。如果差异程度较大，则可认定为错误数据进行直接剔除。
此外，还可以进行数据的归一化操作，从而更好地反映数据和故障类型之间的关系，并减小不同的量级给故障检测结果带来的影响，因此，本发明实施例采用极差标准化方法对数据进行归一化：
其中，、/>分别表示信号数据集中的最小值和最大值，/>表示输入的数据，如信号数据集中的某一个特征参数，/>表示归一化后的数据。
（B）通过预设的量子映射生成对抗模型，对优化样本数据集合进行数据扩充处理，确定目标样本数据集合，需要通过预设的量子映射生成对抗模型，从而对优化样本数据集合进行量子化处理，确定量子化样本数据集合，并通过量子映射将量子化样本数据集合转换到量子空间进行数据扩充处理，确定新增样本数据，在确定新增样本数据后，需要将新增样本数据添加至优化样本数据集合，确定数据扩充后的目标样本数据集合，在一种实施方式中，在采用量子映射生成对抗网络进行样本生成时，首先进行量子化特征提取，并将特征提取后的数据通过量子映射转换到量子空间，设特征提取后的数据点为，将其映射到量子空间，可以表示为：
其中，是原始数据的量子态；/>是数据的隐式特性在量子空间的表示；/>表示量子态的张量积；/>为特征提取后的数据点；/>为数据点/>在量子空间的表示；/>为数据点的量子态；/>为数据点/>的隐式特性在量子空间的表示。
进一步地，为了增加数据多样性，在量子空间中引入量子噪声：
其中，是从量子噪声分布中采样的量子噪声；/>为在原始数据/>上添加了噪声/>后得到的量子数据。
进一步地，在生成对抗网络中，是噪声注入后的量子数据，则，生成的数据为：
其中，为生成对抗网络中的生成器；/>为由生成器/>从/>中生成的新数据点。
在一种实施方式中，本发明还采用量子熵正则化技术对生成对抗网络中的生成器进行改进，从而在确保生成的数据具有足够多样性的同时，保持与原始数据的相关性，并将基于量子态的熵进行正则化，从而确保模型不会过度集中于某些特定模式，具体的，对于一个量子态/>对应的密度矩阵/>，其熵定义为：
其中，代表迹运算，/>为量子态/>对应的密度矩阵/>的熵。
设原始的生成对抗网络的损失函数为，则正则化后的损失函数/>定义为：
其中，是一个正则化参数，决定了量子熵的重要性。/>为加入量子熵正则项后的损失函数。
为了实现量子熵正则化，正则化前的生成器定义为：
其中，为原始的生成对抗网络生成器函数，/>是损失函数/>关于生成器参数的梯度，/>是学习率。
进一步地，考虑正则化，正则化后的生成器定义为：
其中，是量子熵/>关于生成器参数的梯度。
进一步地，经过量子态坍缩，将数据转换为/>。所述量子态坍缩操作是指当对一个量子系统进行测量时，系统从一个超位置态坍缩到一个确定的状态，涉及波函数的坍缩，所述波函数是描述量子系统的数学对象。波函数表示了量子系统的所有可能状态的叠加，而坍缩则意味着在测量后，系统只会处于其中一个可能的状态。具体的，子态坍缩操作/>可以表示为：
其中，为量子态符号，/>可以表示为系统在测量前的波函数，/>可以表示为系统在测量后的波函数，/>是表示测量操作的算符（具体为厄米算符），将初始波函数坍缩为一个特定的本征态；/>为通过量子态坍缩技术得到的数据点。
进一步地，将每一个特征属性视为一种模态，进行多模态权重计算，设为第/>种模态的权重，则新的合成样本/>可以通过以下方式得到：
其中，是从第/>种模态中抽样得到的数据，所述模态的权重由预设的已训练完成的决策树计算特征的重要性得到；/>为根据多模态权重抽样得到的合成样本。
进一步地，将多模态特征数据与量子态坍缩数据融合，可以表示为：
其中，是为融合权重参数，用于调整两种方法生成的样本在最终结果中的比例，由人为预设；/>为融合后的数据。
（C）通过预设涡流理论优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型，并利用目标神经网络模型对样本数据进行特征提取处理，确定目标特征集，在一种实施方式中，利用涡流理论优化算法在对神经网络参数进行优化时具体的参见如下（1）至（8）：
（1）初始化：随机初始化神经网络的权重w和偏置b。
（2）定义涡流中心：在参数空间中随机选择一个点作为涡流的中心。
（3）局部搜索：在涡流中心的附近进行高速搜索，这对应于涡流中心区域的高速流动。局部搜索的目的是在涡流中心附近进行高速搜索，即对于参数空间中的涡流中心附近的参数更新，可以表示为：
其中，是当前参数位置和涡流中心/>的距离，可以表示为：
其中，为涡流的中心在参数空间中的位置；/>为动态调整涡流中心的权重；/>为学习率；/>为搜索速度；/>为在参数空间中的涡流中心附近的参数更新中，局部搜索后的权重参数；/>为在参数空间中的涡流中心附近的参数更新中，局部搜索前的权重参数。
在涡流中心附近，搜索速度会受到一个高速的加权，而在远离涡流中心的地方，搜索速度会受到一个低速的加权。
（4）全局搜索：在远离涡流中心的区域进行低速搜索，这对应于涡流外部的低速流动。全局搜索的目的是在远离涡流中心的区域进行低速搜索，即对于参数空间中的远离涡流中心的参数更新，可以表示为：
其中，是参数空间的最大距离。/>为在参数空间中的远离涡流中心的参数更新中，全局搜索后的权重参数；/>为在参数空间中的远离涡流中心的参数更新中，全局搜索前的权重参数；/>为权重更新的增量，由振荡频率产生。
进一步地，权重更新的增量的产生过程可以参考实际环境中的多种物理波（例如声波、光波）的自然振荡特性，即，这些波在某个固定频率上振荡，并且具有固定的振幅和波长，定义权重更新的增量为：
其中，是权重更新的增量；/>为振荡的频率；/>为振荡的振幅；/>为振荡的波长；/>为时间或迭代次数。
振荡的波长调整方式可以表示为：
其中，为搜索速度。
进一步地，通过当前损失值，可以动态地调整振幅来优化振荡：
其中，是观察到的最大损失，这确保了振幅在[0，1]范围内；/>为损失函数计算得到的损失值。
（5）动态调整涡流中心：根据损失函数的变化，动态地调整涡流的中心位置。涡流中心的位置可以根据损失函数的梯度来动态调整，可以表示为：
其中，是损失函数/>关于权重/>和偏置/>的梯度；/>为调整前的涡流中心，为调整后的涡流中心。
（6）扰动处理：模拟涡流在受到外部扰动时的行为，对参数空间进行随机扰动。扰动处理是模拟涡流在受到外部扰动时的行为，可以表示为：
其中，是一个随机扰动；/>为扰动处理前的参数，/>为扰动处理后的参数，且扰动处理前的参数由/>和/>组成，扰动处理后的参数由/>和/>组成。
（7）更新参数：根据搜索结果，更新神经网络的权重w和偏置b，结合以上步骤，参数和/>的更新方式可以表示为：
其中，为参数（模拟量子隧道中的粒子）隧道穿越势垒的概率，/>是由量子隧道效应产生的额外权重更新量。
进一步地，和/>采用基于量子隧道效应的参数微调方式进行调整，在量子物理中，存在“量子隧道”的现象，即当一个粒子遇到一个能量势垒时，即使这个粒子的能量不足以越过这个势垒，它仍然有可能出现在势垒的另一侧。同理，在参数更新时，当参数的更新受到某种“势垒”（例如局部最小值）的阻碍时，我采用类似的隧道效应来“跳过”这些势垒，以跳出局部最小值。具体的，首先计算量子隧道效应中参数的能量，可以表示为：
其中，为量子隧道效应中参数的能量。假设损失值越大，参数的能量越低。
进一步地，计算量子势垒的高度，可以表示为：
其中，表示损失函数相对于权重和偏置的梯度；/>为量子势垒的高度；/>为振幅计算函数。
进一步地，计算隧道穿越势垒的概率，可以表示为：
其中，为粒子（这里指参数）隧道穿越势垒的概率。当参数的能量/>越低时，隧道穿越势垒的概率/>越高。
进一步地，是由量子隧道效应产生的额外权重更新，可以表示为：
当参数遇到势垒时（例如局部最小值或鞍点），不仅可以使用涡流和振荡策略进行搜索，还可以尝试通过量子隧道效应“跳过”这些势垒，从而更有效地进行优化。
对于偏置的更新方式与权重的更新方式相同。
（8）判断收敛：如果损失函数的值已经达到预定的阈值或者达到最大迭代次数，算法结束；否则，返回第3步。
（D）利用预设分类器中基于黎曼算法的高阶神经网络模型，对目标样本数据集合中，各项目标样本数据对应的目标特征进行高阶交互处理，以得到高阶神经网络模型的目标权重，并根据目标权重对预设分类器进行分类训练，确定故障检测模型的步骤，具体参见如下（a）至（e）：
（a）初始化：根据输入数据的大小和复杂性初始化网络结构和参数。
（b）前向传播：
使用高阶神经网络计算高阶交互。对于输入向量的任意两个元素/>和/>，其二阶交互为：
其中，为输入向量；/>为输入向量/>的元素；/>为两个元素/>和/>的二阶交互；为与/>相对应的权重。
进一步地，为了计算n阶交互，可以扩展上面的公式为以下形式：
其中，为/>的高阶展开，/>为/>的高阶展开，/>为/>的高阶展开。
进一步地，在黎曼空间中应用改进的批量归一化。设为高阶交互的输出，对其在黎曼空间进行归一化。设均值为/>，方差为/>，则黎曼批量归一化可以表示为：
其中，是一个小的常数，以防止除以零。/>为高阶交互的输出；/>为黎曼空间内所有数据点的均值；/>为黎曼空间内所有数据点的方差；/>为一个非常小的常数，用于防止分母为零；/>为批量归一化后的/>。
（c）损失函数计算：计算预测结果与真实标签之间的黎曼距离。本发明使用黎曼距离作为损失函数，对于两个点和/>在黎曼空间的距离可以表示为：
其中，为预测值，/>为真实标签。/>为黎曼空间中两点/>和/>之间的距离；/>为黎曼度量的特征值，反映/>和/>之间的几何关系。
（d）反向传播与优化：
使用黎曼梯度进行反向传播。基于黎曼距离的损失函数，可以计算损失关于权重的梯度，可以表示为：
其中，是黎曼距离关于预测的梯度；/>是预测关于权重的梯度；/>为损失函数关于权重/>的偏导数。/>为黎曼学习率，其计算方式可以表示为：
其中，为全局学习率，由人为预设。/>和/>为在前一次和当前迭代中权重的损失梯度。
进一步地，根据结构自适应组件自动调整网络结构，本发明采用高阶连接的稀疏化技术，为了实现高阶连接的稀疏化，引入了门控机制。对于每个高阶交互，都有一个门/>：
其中，为控制高阶交互/>的门；/>为sigmoid激活函数；/>和为门控机制中学习的权重和偏置。门控机制确保只有重要的高阶交互会被保留，其他的则会被抑制。
（e）迭代与早停：重复以上步骤（a）至（e）直至满足预设的最大迭代次数为止。
参见图2所示的一种电力设备故障检测方法的流程示意图，该方法主要包括以下步骤S202至步骤S206：
步骤S202，获取电力设备运行状态的实时监测数据。
步骤S204，对实时监测数据进行数据预处理，确定待识别数据，并将待识别数据发送至预先构建的故障检测模型中，确定故障检测结果，其中，故障检测模型为基于上述任一项的故障检测模型的构建方法构建得到的，在一种实施方式中，故障检测模型基于改进的黎曼算法的高阶神经网络算法可以确保在电力设备故障检测时，能够有效地捕捉数据中的高维、非线性特性，并提供高效、准确的分类结果。
本发明实施例提供的上述电力设备故障检测方法，可以显著提升电力设备故障检测的准确性和故障检测效率
综上所述，本发明可以通过量子映射生成对抗网络进行样本扩充和数据生成，该方法结合了量子特性与生成对抗网络，能够实现更为精准与多样化的数据扩充，从而使数据足够多样性的同时，也保持了与原始数据的相关性，提升了模型的泛化能力。
此外，本发明还结合了涡流理论优化算法进行特征提取，引入涡流理论优化神经网络参数，通过模拟涡流在高维空间中的动态，进行有序且高速的搜索，解决了传统优化算法如梯度下降可能会遇到的梯度消失和梯度爆炸问题，减少了搜索时间，并且更加快速地找到了最优解，提升了模型训练与优化的效率。
进一步的，本发明采用基于改进的黎曼算法的高阶神经网络算法捕捉输入特征之间的高阶交互，显著提升了捕捉复杂、非线性模式的能力，有效解决了电力设备故障检测任务过于复杂导致的检测精度较差的问题。
对于前述实施例提供的故障检测模型的构建方法，本发明实施例提供了一种故障检测模型的构建装置，参见图3所示的一种故障检测模型的构建装置的结构示意图，该装置包括以下部分：
样本获取模块302，获取电力设备运行状态的原始样本数据集合，其中，原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、运行数据的数据特征属性和电力设备的故障状态标签；
数据处理模块304，基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集；
模型训练模块306，将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型，其中，故障检测模型用于检测电力设备运行状态数据中的故障数据，并对故障数据进行分类。
本申请实施例提供的上述故障检测模型的构建装置，基于预设涡流理论优化算法和黎曼算法优化故障检测模型，可以显著提升故障检测模型的检测能力。
一种实施方式中，在进行获取电力设备运行状态的原始样本数据集合的步骤之后，上述数据处理模块304还用于：针对原始样本数据集合进行数据预处理，确定优化样本数据集合；通过预设的量子映射生成对抗模型，对优化样本数据集合进行数据扩充处理，确定目标样本数据集合。
一种实施方式中，在进行针对原始样本数据集合进行数据预处理，确定优化样本数据集合的步骤时，上述数据处理模块304还用于：删除原始样本数据集合中的冗余数据和重复数据，并针对数据删除后存在的数据缺失值进行均值补齐处理，确定优化样本数据集合。
一种实施方式中，在进行通过预设的量子映射生成对抗模型，对优化样本数据集合进行数据扩充处理，确定目标样本数据集合的步骤时，上述数据处理模块304还用于：通过预设的量子映射生成对抗模型，对优化样本数据集合进行量子化处理，确定量子化样本数据集合，并通过量子映射将量子化样本数据集合转换到量子空间进行数据扩充处理，确定新增样本数据；将新增样本数据添加至优化样本数据集合，确定数据扩充后的目标样本数据集合。
一种实施方式中，在进行基于预设涡流理论优化算法，对原始样本数据集合中的样本数据进行特征提取处理，以提取样本数据对应的目标特征集的步骤时，上述数据处理模块304还用于：通过预设涡流理论优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型；利用目标神经网络模型对样本数据进行特征提取处理，确定目标特征集。
一种实施方式中，在进行将目标样本数据集合和目标特征集发送至预设的分类器中，根据分类器中基于黎曼算法的高阶神经网络模型，对分类器进行分类训练，确定故障检测模型的步骤时，上述模型训练模块306还用于：利用预设分类器中基于黎曼算法的高阶神经网络模型，对目标样本数据集合中，各项目标样本数据对应的目标特征进行高阶交互处理，以得到高阶神经网络模型的目标权重；根据目标权重对预设分类器进行分类训练，确定故障检测模型。
对于前述实施例提供的电力设备故障检测方法，本发明实施例提供了一种电力设备故障检测装置，参见图4所示的一种电力设备故障检测装置的结构示意图，该装置包括以下部分：
数据采集模块402，获取电力设备运行状态的实时监测数据；
执行模块404，对实时监测数据进行数据预处理，确定待识别数据，并将待识别数据发送至预先构建的故障检测模型中，确定故障检测结果，其中，故障检测模型为基于上述故障检测模型的构建方法构建得到的。
本申请实施例提供的上述电力设备故障检测装置，可以显著提升电力设备故障检测的准确性和故障检测效率。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种故障检测模型的构建方法，其特征在于，所述方法包括：
获取电力设备运行状态的原始样本数据集合，其中，所述原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、所述运行数据的数据特征属性和所述电力设备的故障状态标签；
基于预设涡流理论优化算法，对所述原始样本数据集合中的所述样本数据进行特征提取处理，以提取所述样本数据对应的目标特征集；
将所述原始样本数据集合和所述目标特征集发送至预设的分类器中，根据所述分类器中基于黎曼算法的高阶神经网络模型，对所述分类器进行分类训练，确定故障检测模型，其中，所述故障检测模型用于检测电力设备运行状态数据中的故障数据，并对所述故障数据进行分类。
2.根据权利要求1所述的故障检测模型的构建方法，其特征在于，在所述获取电力设备运行状态的原始样本数据集合的步骤之后，包括：
针对所述原始样本数据集合进行数据预处理，确定优化样本数据集合；
通过预设的量子映射生成对抗模型，对所述优化样本数据集合进行数据扩充处理，确定目标样本数据集合。
3.根据权利要求2所述的故障检测模型的构建方法，其特征在于，所述针对所述原始样本数据集合进行数据预处理，确定优化样本数据集合的步骤，包括：
删除所述原始样本数据集合中的冗余数据和重复数据，并针对数据删除后存在的数据缺失值进行均值补齐处理，确定所述优化样本数据集合。
4.根据权利要求2所述的故障检测模型的构建方法，其特征在于，所述通过预设的量子映射生成对抗模型，对所述优化样本数据集合进行数据扩充处理，确定目标样本数据集合的步骤，包括：
通过预设的量子映射生成对抗模型，对所述优化样本数据集合进行量子化处理，确定量子化样本数据集合，并通过量子映射将所述量子化样本数据集合转换到量子空间进行数据扩充处理，确定新增样本数据；
将所述新增样本数据添加至所述优化样本数据集合，确定数据扩充后的所述目标样本数据集合。
5.根据权利要求1所述的故障检测模型的构建方法，其特征在于，所述基于预设涡流理论优化算法，对所述原始样本数据集合中的所述样本数据进行特征提取处理，以提取所述样本数据对应的目标特征集的步骤，包括：
通过所述预设涡流理论优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型；
利用所述目标神经网络模型对所述样本数据进行特征提取处理，确定所述目标特征集。
6.根据权利要求1所述的故障检测模型的构建方法，其特征在于，所述将所述原始样本数据集合和所述目标特征集发送至预设的分类器中，根据所述分类器中基于黎曼算法的高阶神经网络模型，对所述分类器进行分类训练，确定故障检测模型的步骤，包括：
利用所述分类器中基于黎曼算法的所述高阶神经网络模型，对所述目标样本数据集合中，各项目标样本数据对应的目标特征进行高阶交互处理，以得到所述高阶神经网络模型的目标权重；
根据所述目标权重对所述分类器进行分类训练，确定所述故障检测模型。
7.电力设备故障检测方法，其特征在于，所述方法包括：
获取电力设备运行状态的实时监测数据；
对所述实时监测数据进行数据预处理，确定待识别数据，并将所述待识别数据发送至预先构建的故障检测模型中，确定故障检测结果；
其中，所述故障检测模型为基于权利要求1-6任一项所述的故障检测模型的构建方法构建得到的。
8.一种故障检测模型的构建装置，其特征在于，所述装置包括：
样本获取模块，获取电力设备运行状态的原始样本数据集合，其中，所述原始样本数据集合中的每个样本数据包括一个电力设备的运行数据、所述运行数据的数据特征属性和所述电力设备的故障状态标签；
数据处理模块，基于预设涡流理论优化算法，对所述原始样本数据集合中的所述样本数据进行特征提取处理，以提取所述样本数据对应的目标特征集；
模型训练模块，将所述原始样本数据集合和所述目标特征集发送至预设的分类器中，根据所述分类器中基于黎曼算法的高阶神经网络模型，对所述分类器进行分类训练，确定故障检测模型，其中，所述故障检测模型用于检测电力设备运行状态数据中的故障数据，并对所述故障数据进行分类。
9.电力设备故障检测装置，其特征在于，所述装置包括：
数据采集模块，获取电力设备运行状态的实时监测数据；
执行模块，对所述实时监测数据进行数据预处理，确定待识别数据，并将所述待识别数据发送至预先构建的故障检测模型中，确定故障检测结果；
其中，所述故障检测模型为基于权利要求1-6任一项所述的故障检测模型的构建方法构建得到的。
CN202311608030.6A 2023-11-29 2023-11-29 故障检测模型的构建方法、电力设备故障检测方法及装置 Active CN117312863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311608030.6A CN117312863B (zh) 2023-11-29 2023-11-29 故障检测模型的构建方法、电力设备故障检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311608030.6A CN117312863B (zh) 2023-11-29 2023-11-29 故障检测模型的构建方法、电力设备故障检测方法及装置

Publications (2)

Publication Number Publication Date
CN117312863A true CN117312863A (zh) 2023-12-29
CN117312863B CN117312863B (zh) 2024-02-02

Family

ID=89274100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311608030.6A Active CN117312863B (zh) 2023-11-29 2023-11-29 故障检测模型的构建方法、电力设备故障检测方法及装置

Country Status (1)

Country Link
CN (1) CN117312863B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118314485A (zh) * 2024-06-11 2024-07-09 国网安徽省电力有限公司超高压分公司 基于多模态数据感知设备的变电站故障预警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
WO2023116111A1 (zh) * 2021-12-22 2023-06-29 郑州云海信息技术有限公司 一种磁盘故障预测方法及装置
CN116432091A (zh) * 2023-06-15 2023-07-14 山东能源数智云科技有限公司 基于小样本的设备故障诊断方法、模型的构建方法及装置
CN116881832A (zh) * 2023-09-07 2023-10-13 山东能源数智云科技有限公司 旋转机械设备故障诊断模型的构建方法及装置
CN117056734A (zh) * 2023-10-12 2023-11-14 山东能源数智云科技有限公司 基于数据驱动的设备故障诊断模型的构建方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343855A (zh) * 2021-06-09 2021-09-03 西南交通大学 基于引导式子领域自适应的滚动轴承故障诊断系统及方法
WO2023044978A1 (zh) * 2021-09-27 2023-03-30 苏州大学 基于对抗流模型的机械设备无监督故障诊断方法
WO2023116111A1 (zh) * 2021-12-22 2023-06-29 郑州云海信息技术有限公司 一种磁盘故障预测方法及装置
CN116432091A (zh) * 2023-06-15 2023-07-14 山东能源数智云科技有限公司 基于小样本的设备故障诊断方法、模型的构建方法及装置
CN116881832A (zh) * 2023-09-07 2023-10-13 山东能源数智云科技有限公司 旋转机械设备故障诊断模型的构建方法及装置
CN117056734A (zh) * 2023-10-12 2023-11-14 山东能源数智云科技有限公司 基于数据驱动的设备故障诊断模型的构建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03 *
张瑞芯;: "电力变压器故障自动化实时检测技术", 机电信息, no. 20 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118314485A (zh) * 2024-06-11 2024-07-09 国网安徽省电力有限公司超高压分公司 基于多模态数据感知设备的变电站故障预警方法及系统
CN118314485B (zh) * 2024-06-11 2024-10-01 国网安徽省电力有限公司超高压分公司 基于多模态数据感知设备的变电站故障预警方法及系统

Also Published As

Publication number Publication date
CN117312863B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Tan et al. A deep imbalanced learning framework for transient stability assessment of power system
US20210216883A1 (en) System and method for fault detection of components using information fusion technique
Zhang et al. Time series anomaly detection for smart grids: A survey
CN117312863B (zh) 故障检测模型的构建方法、电力设备故障检测方法及装置
CN111523785A (zh) 一种基于生成对抗网络的电力系统动态安全评估方法
Liu et al. Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance
CN117290732B (zh) 故障分类模型的构建方法、风电设备故障分类方法及装置
Xu et al. Data-driven adaptive virtual metrology for yield prediction in multibatch wafers
Su et al. Failure prognosis of complex equipment with multistream deep recurrent neural network
Iftikhar et al. Electricity theft detection in smart grid using machine learning
CN116401545A (zh) 一种多模型融合的水轮机振摆分析方法
Lyu et al. Interval prediction of remaining useful life based on convolutional auto-encode and lower upper bound estimation
Zhang et al. Particle swarm optimization pattern recognition neural network for transmission lines faults classification
CN116305683A (zh) 基于样本均衡化的电力系统暂态稳定评估方法及系统
KR102664053B1 (ko) 기계학습 기반 선로부하 예측모델 해석 장치 및 방법
Han et al. On fault prediction based on industrial big data
CN112836570B (zh) 一种利用高斯噪声的设备异常检测方法
Wang et al. Artificial neural networks for data analysis of magnetic measurements on east
KR102486460B1 (ko) 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
Li et al. The temperature prediction of hydro-generating units based on temporal convolutional network and recurrent neural network
Liu et al. Data‐Driven Approaches for Diagnosis of Incipient Faults in Cutting Arms of the Roadheader
Said et al. Broken magnets fault detection in pmsm using a convolutional neural network and SVM
Qu et al. Graph classification based fault detection in nuclear power plants with graph formulation
CN118550757B (zh) 面向缺失数据的微服务系统根因定位方法、介质及设备
Wang Intelligent Malfunction Identification Method in Mechanical Manufacturing Process Based on Multisensor Data

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
GR01 Patent grant
GR01 Patent grant