CN117590142B - 基于深度学习的开关柜故障诊断方法及系统 - Google Patents
基于深度学习的开关柜故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117590142B CN117590142B CN202410079220.1A CN202410079220A CN117590142B CN 117590142 B CN117590142 B CN 117590142B CN 202410079220 A CN202410079220 A CN 202410079220A CN 117590142 B CN117590142 B CN 117590142B
- Authority
- CN
- China
- Prior art keywords
- sequence
- switch cabinet
- pulse voltage
- voltage signal
- extreme value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000000737 periodic effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000007306 turnover Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000012774 insulation material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及数字数据处理技术领域，提出了基于深度学习的开关柜故障诊断方法及系统，包括：采集开关柜的脉冲电压信号，获取开关柜电压序列和极值；进而获取极值测量误差值和周期长度；确定周期数据序列和剔除开关柜电压序列，确定局部细节特征，进而确定脉冲电压信号的自适应滤波窗口长度；根据自适应滤波窗口长度和周期长度，对剔除开关柜电压序列去噪，获取去噪数据矩阵和奇异值序列，获取训练完成的RNN神经网络，使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断。本发明解决窗口长度选择不合适使电压数据包含噪声较多，导致开关柜故障诊断结果不准确的问题。
Description
技术领域
本发明涉及数字数据处理技术领域，具体涉及基于深度学习的开关柜故障诊断方法及系统。
背景技术
开关柜是一种用于控制、保护和分配电能的设备，在智能电网中，开关柜通过集成先进的电力传感器、通信技术和控制算法，实现对电能的精确控制、保护和分配。开关柜的工作状态对电网运行模式的稳定性和可靠性具有直接的影响，开关柜在高压模式下运行，其内部的绝缘材料会受到电场的影响逐渐老化，老化的绝缘材料的击穿强度会减小，当电场强度超过其击穿强度时，就会发生局部放电。局部放电会导致开关柜出现故障，对电网运行造成不良影响。
在开关柜的故障诊断过程中，由于设备内部干扰、外部环境中的电磁辐射、信号传输过程中的多种因素的干扰等干扰因素，获取的电压数据往往包含一定的噪声。可使用NLM非局部均值算法进行去噪，保留数据的细节和结构信息。然而，NLM非局部均值算法的去噪效果在很大程度上受到窗口长度选择的影响，无法适应电压数据的动态变化和特性，去噪效果不佳的电压数据会导致开关柜故障诊断结果不准确。
发明内容
本发明提供基于深度学习的开关柜故障诊断方法及系统，以解决窗口长度选择不合适使电压数据包含噪声较多，导致开关柜故障诊断结果不准确的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于深度学习的开关柜故障诊断方法，该方法包括以下步骤：
采集开关柜的脉冲电压信号，获取开关柜电压序列，根据开关柜电压序列获取脉冲电压信号的极值和电压极值序列；
获取脉冲电压信号的极值的最近距离，根据脉冲电压信号的极值的最近距离和脉冲电压信号的极值，获取电压极值序列的极值测量误差值，根据极值的可选频次和开关柜电压序列，确定开关柜电压序列的周期长度；
根据开关柜电压序列的周期长度和开关柜电压序列，确定周期数据序列和剔除开关柜电压序列，确定脉冲电压信号的最近左极值和最近右极值，获取周期数据序列中的每个脉冲电压信号的邻域窗口，根据脉冲电压信号的最近左极值、最近右极值和邻域窗口内包含的脉冲电压信号，确定脉冲电压信号的局部细节特征，获取局部细节特征序列，获取翻转局部细节特征序列，根据翻转局部细节特征序列，确定每个局部细节特征对应的脉冲电压信号的自适应滤波窗口长度；
根据脉冲电压信号的自适应滤波窗口长度和开关柜电压序列的周期长度，对剔除开关柜电压序列去噪，获取去噪后的剔除开关柜电压序列，根据去噪后的剔除开关柜电压序列获取去噪数据矩阵和奇异值序列，根据奇异值序列获取训练完成的RNN神经网络，使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断。
进一步，所述脉冲电压信号的极值的最近距离的获取方法为：
将与脉冲电压信号的极值最接近的脉冲电压信号的极值与脉冲电压信号的极值之间的采集时刻间隔数量，记为脉冲电压信号的最近距离。
进一步，所述电压极值序列的极值测量误差值的获取方法为：
式中，表示电压极值序列的极值测量误差值；/>表示电压极值序列包含的所有极值的极差；/>表示电压极值序列/>包含的第/>个极值的最近距离，其中，/>；/>表示电压极值序列/>包含的所有极值的最近距离的中值；/>表示电压极值序列/>包含的极值的数量。
进一步，所述脉冲电压信号的最近左极值和最近右极值的获取方法为：
将开关柜电压序列中，比脉冲电压信号的采集时间早的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近左极值；将开关柜电压序列中，比脉冲电压信号的采集时间晚的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近右极值。
进一步，所述周期数据序列中的每个脉冲电压信号的邻域窗口的获取方法为：
将以周期数据序列中脉冲电压信号为中心，长度为预设阈值的窗口记为脉冲电压信号的邻域窗口。
进一步，所述获取局部细节特征序列的获取方法为：
将脉冲电压信号的局部细节特征按照脉冲电压信号的采集顺序进行排列，获取局部细节特征序列。
进一步，所述自适应滤波窗口长度的获取方法为：
将翻转局部细节特征序列中的局部细节特征的归一化值与第二窗口调节因子的乘积的取整值与第一窗口调节因子的和，记为局部细节特征对应的脉冲电压信号的自适应滤波窗口长度。
进一步，所述去噪后的剔除开关柜电压序列的获取方法为：
对剔除开关柜电压序列使用NLM非局部均值算法进行去噪，将脉冲电压信号的邻域窗口的长度设置为脉冲电压信号的自适应滤波窗口长度，将邻域窗口长度设置为2倍的开关柜电压序列的周期长度，获取去噪后的剔除开关柜电压序列。
进一步，所述使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断的方法为：
将去噪数据矩阵输入训练完成的RNN神经网络，获取神经网络的判断结果，即1或0；
当神经网络的判断结果为1时，开关柜为正常工作状态；
当神经网络的判断结果为0时，开关柜为出现故障的工作状态。
第二方面，本发明实施例还提供了基于深度学习的开关柜故障诊断系统，包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。
本发明的有益效果是：
本发明为确定NLM非局部均值算法对开关柜电压序列进行去噪时，设置的邻域窗口的长度，首先考虑脉冲电压信号的周期性，根据开关柜电压序列内包含的脉冲电压信号的极值，确定电压极值序列的极值测量误差值，极值测量误差值即为噪声对开关柜的脉冲电压信号影响程度，根据极值测量误差值确定脉冲电压信号的极值的可选频次，脉冲电压信号的极值的可选频次为排除脉冲电压信号的极值中噪声的干扰后，统计得到的更为准确的脉冲电压信号的极值的频次，进而确定开关柜电压序列的周期长度，提升开关柜电压序列的周期长度计算的准确性；根据周期长度对开关柜电压序列进行划分，获取周期数据序列，周期数据序列为一个周期的脉冲电压信号，然后，在一个周期内对脉冲电压信号进行分析，为了更准确地确定邻域窗口的长度，在更好地抑制噪声的同时，保留数据的细节和结构信息，对周期数据序列内包含的细节和结构信息进行评价，确定脉冲电压信号的局部细节特征，进而根据局部细节特征确定脉冲电压信号的自适应滤波窗口长度，提升去噪时对脉冲电压信号的局部细节特征的保留程度；最后，根据脉冲电压信号的自适应滤波窗口长度和开关柜电压序列的周期长度，对剔除开关柜电压序列去噪，获取去噪后的剔除开关柜电压序列，提升去噪后的剔除开关柜电压序列的去噪效果和去噪稳定性，根据神经网络和去噪后的剔除开关柜电压序列实现基于深度学习的开关柜故障诊断，解决窗口长度选择不合适使电压数据包含噪声较多，导致开关柜故障诊断结果不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于深度学习的开关柜故障诊断方法的流程示意图；
图2为开关柜电压序列中极值示意图。
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。
请参阅图1，其示出了本发明一个实施例提供的基于深度学习的开关柜故障诊断方法流程图，该方法包括以下步骤：
步骤S001，采集开关柜的脉冲电压信号，获取开关柜电压序列，根据开关柜电压序列获取脉冲电压信号的极值和电压极值序列。
在开关柜外部安装电压互感器，使用电压互感器获取开关柜的脉冲电压信号，开关柜的脉冲电压信号的采样频率经验值为50Hz，采样的时长经验值为1分钟。将获取的脉冲电压信号按照获取的时间顺序进行排列，获取开关柜电压序列。
当开关柜正常工作时，获取的开关柜电压序列中包含的脉冲电压信号具有一定的周期性，脉冲电压信号的周期性体现了电现象的时间规律性和动态特性。
当使用NLM非局部均值算法对开关柜电压序列进行去噪时，需要设置邻域窗口的长度，邻域窗口的长度的设置可以减小NLM非局部均值算法的计算量。由于开关柜电压序列中包含的脉冲电压信号具有一定的周期性，所以，设置的邻域窗口的长度需要考虑脉冲电压信号的周期性。
当脉冲电压信号在一个周期内的波动越小时，越应该设置较大的邻域窗口的长度，较大的邻域窗口的长度可以在去噪时提供更多的上下文信息，上下文信息包含数据的长期趋势和周期性变化等，有助于在更好地抑制噪声的同时，保留数据的细节和结构信息。
当脉冲电压信号在一个周期内的波动变化较为快速和剧烈时，或者有明显的局部特征时，越应该设置较小的邻域窗口的长度，较小的邻域窗口的长度可以更精确地捕捉到脉冲电压信号局部的特征，并减少不相关的数据对数据去噪的影响。
对开关柜电压序列采用二阶差分法，获取开关柜电压序列中脉冲电压信号的极值。其中，二阶差分法计算极值为公知技术，具体计算过程不再赘述；图2为开关柜电压序列中极值示意图，在开关柜电压序列中极值示意图中，圆圈画出的数据位置即为脉冲电压信号的极值。
将开关柜电压序列中脉冲电压信号的极值，按照采样时间的先后顺序排列，获取电压极值序列。
至此，获取开关柜电压序列和电压极值序列。
步骤S002，获取脉冲电压信号的极值的最近距离，根据脉冲电压信号的极值的最近距离和脉冲电压信号的极值，获取电压极值序列的极值测量误差值，根据极值的可选频次和开关柜电压序列，确定开关柜电压序列的周期长度。
将开关柜电压序列中每个脉冲电压信号的极值分别记为第一极值，将开关柜电压序列中与第一极值的采集时间最接近的其他极值记为第一极值的最近极值，将第一极值的最近极值与第一极值之间的采集时刻间隔数量记为第一极值的最近距离。
获取电压极值序列中所有极值的最近距离的中值、所有极值的极差。
根据电压极值序列中所有极值的最近距离和电压极值序列，获取电压极值序列的极值测量误差值。
式中，表示电压极值序列的极值测量误差值；/>表示电压极值序列包含的所有极值的极差；/>表示电压极值序列/>包含的第/>个极值的最近距离，其中，/>；/>表示电压极值序列/>包含的所有极值的最近距离的中值；/>表示电压极值序列/>包含的极值的数量。
当噪声对开关柜的脉冲电压信号影响程度越小时，脉冲电压信号的极值受到噪声的影响程度越小，不同脉冲电压信号的极值的最近距离的差异越小、不同脉冲电压信号的极值差异越小，所以，电压极值序列的极值测量误差值越小。
脉冲电压信号的周期性可以体现在脉冲电压信号出现的频次中，当脉冲电压信号存在周期性时，脉冲电压信号的极值出现的频次也会呈周期性出现，极值出现的频次是相近的，所以，可以通过分析电压极值序列，确定脉冲电压信号的周期性。
将记为电压极值序列/>中第/>个极值的可选范围，将第/>个极值的取值在电压极值序列中出现、且在第/>个极值的可选范围内的频次记为第/>个极值的可选频次。
统计电压极值序列中包含的所有极值的可选频次，将可选频次最大的极值记为第一众数，将可选频次第二大的极值记为第二众数。
根据极值的可选频次和开关柜电压序列，确定开关柜电压序列的周期长度。
式中，表示开关柜电压序列的周期长度；/>表示第一众数的可选频次；/>表示第二众数的可选频次；/>表示开关柜电压序列包含的脉冲电压信号的数量；/>表示四舍五入函数，作用为取括号内的四舍五入值；/>表示由自然数。
当一个周期内出现数值相同的脉冲电压信号时，直接根据脉冲电压信号出现的频次计算开关柜电压序列的周期长度，会使计算得到的周期长度比真实的周期长度短，所以，根据第一众数和第二众数的可选频次，确定开关柜电压序列的周期长度，保障开关柜电压序列的周期长度计算的准确性。
至此，获取开关柜电压序列的周期长度。
步骤S003，根据开关柜电压序列的周期长度和开关柜电压序列，确定周期数据序列和剔除开关柜电压序列，确定脉冲电压信号的最近左极值和最近右极值，获取周期数据序列中的每个脉冲电压信号的邻域窗口，根据脉冲电压信号的最近左极值、最近右极值和邻域窗口内包含的脉冲电压信号，确定脉冲电压信号的局部细节特征，获取局部细节特征序列，获取翻转局部细节特征序列，根据翻转局部细节特征序列，确定每个局部细节特征对应的脉冲电压信号的自适应滤波窗口长度。
将开关柜电压序列按照周期长度进行划分，获取多组周期数据序列。在按照周期长度进行划分时，对多余的、不足一个周期长度的脉冲电压信号进行删除。
在开关柜电压序列中，将上述删除的“多余的、不足一个周期长度的脉冲电压信号”进行删除，获取剔除开关柜电压序列。
将开关柜电压序列中，比脉冲电压信号的采集时间早的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近左极值。
将开关柜电压序列中，比脉冲电压信号的采集时间晚的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近右极值。
分别以周期数据序列中的每个脉冲电压信号为中心，建立长度为第一预设阈值的邻域窗口。其中，第一预设阈值为奇数，经验值为5。
根据脉冲电压信号的最近左极值、最近右极值和邻域窗口内包含的脉冲电压信号，确定脉冲电压信号的局部细节特征。
式中，表示第/>个周期数据序列的第/>个脉冲电压信号的局部细节特征；表示第/>个周期数据序列的第/>个脉冲电压信号；/>表示第/>个周期数据序列的第/>个脉冲电压信号的邻域窗口内包含的所有脉冲电压信号的均值；/>表示第/>个周期数据序列的第/>个脉冲电压信号的最近左极值；/>表示第/>个周期数据序列的第/>个脉冲电压信号的最近右极值；/>表示数据第/>个周期数据序列的第/>个脉冲电压信号与其最近左极值之间间隔的采样次数；/>表示数据第/>个周期数据序列的第/>个脉冲电压信号与其最近右极值之间间隔的采样次数；/>表示第一调节因子，经验值为1，作用为防止分母为0。
当脉冲电压信号周围的其他脉冲电压信号波动较大时，脉冲电压信号与脉冲电压信号的邻域窗口内包含的所有脉冲电压信号的均值差异越大，脉冲电压信号与最近左极值、最近右极值之间间隔的采样次数越少，脉冲电压信号位置具有越多的局部细节特征，此时，脉冲电压信号的局部细节特征越大，所以，需要对波动较大、变化比较快速和剧烈或者有明显的局部特征的脉冲电压信号设置较小的邻域窗口的长度，减少不相关的脉冲电压信号对去噪效果的影响。
按照脉冲电压信号的采集顺序，对周期数据序列中包含的脉冲电压信号的局部细节特征进行排列，获取局部细节特征序列。所以，每个周期数据序列对应一个局部细节特征序列。
对局部细节特征序列进行翻转，获取翻转局部细节特征序列。对局部细节特征序列进行翻转的规则为，将局部细节特征序列中第一个局部细节特征与最后一个局部细节特征进行互换，将局部细节特征序列中第二个局部细节特征与倒数个局部细节特征进行互换，以此类推，直至局部细节特征序列中所有局部细节特征都进行互换。所以，每个周期数据序列对应一个翻转局部细节特征序列。
根据翻转局部细节特征序列，确定每个局部细节特征对应的脉冲电压信号的自适应滤波窗口长度。
式中，表示第/>个翻转局部细节特征序列的第/>个局部细节特征对应的脉冲电压信号的自适应滤波窗口长度；/>表示第一窗口调节因子，经验值为1，作用为使自适应滤波窗口长度的取值为正整数；/>表示第二窗口调节因子，经验值为6；/>为取整函数，作用为取括号内的四舍五入值，使自适应滤波窗口长度的取值为正整数；/>表示第/>个翻转局部细节特征序列的第/>个局部细节特征；/>表示线性归一化函数。
当脉冲电压信号周围的其他脉冲电压信号波动较大时，脉冲电压信号位置对应越大的局部细节特征，经过翻转操作后对应的局部细节特征越小，脉冲电压信号的自适应滤波窗口长度越小。
至此，获取周期数据序列中包含的所有脉冲电压信号的自适应滤波窗口长度。
步骤S004，根据脉冲电压信号的自适应滤波窗口长度和开关柜电压序列的周期长度，对剔除开关柜电压序列去噪，获取去噪后的剔除开关柜电压序列，根据去噪后的剔除开关柜电压序列获取去噪数据矩阵和奇异值序列，根据奇异值序列获取训练完成的RNN神经网络，使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断。
对剔除开关柜电压序列使用NLM非局部均值算法进行去噪，NLM非局部均值算法的输入为剔除开关柜电压序列，将每个脉冲电压信号对应的邻域窗口的长度设置为脉冲电压信号的自适应滤波窗口长度，NLM非局部均值算法的邻域窗口长度设置为2L，获取去噪后的剔除开关柜电压序列。其中，表示开关柜电压序列的周期长度。
根据去噪后的剔除开关柜电压序列建立去噪数据矩阵。去噪数据矩阵的第一列从上到下依次为，去噪后的剔除开关柜电压序列中第1个数据到第个数据，第二列从上到下依次为，去噪后的剔除开关柜电压序列中第2个数据到第/>个数据，第三列从上到下依次为，去噪后的剔除开关柜电压序列中第3个数据到第/>个数据，以此类推，最后一列从上到下依次为，去噪后的剔除开关柜电压序列中第/>个数据到第/>个数据。
对去噪数据矩阵进行奇异值分解，获取奇异值，将奇异值按照列的先后顺序进行排序，获取奇异值序列。
其中，去噪数据矩阵中数据的排列方式为获取奇异值的固定方式，为公知技术，奇异值分解的具体过程也是公知技术，不再赘述。
将奇异值序列作为训练集，通过one-hot编码，将脉冲电压信号中的正常的脉冲电压信号对应的奇异值序列标记为1，将脉冲电压信号中的异常的脉冲电压信号对应的奇异值序列标记为0。
采用训练集对RNN神经网络进行训练，采用交叉熵损失作为损失函数，采用梯度下降法计算模型的参数的梯度，Adam作为优化器，获取训练完成的RNN神经网络。
对开关柜电压序列进行上述处理，获取去噪数据矩阵，将去噪数据矩阵输入训练完成的RNN神经网络，输出神经网络的判断结果，神经网络的判断结果为1或0。
当神经网络的判断结果为1时，开关柜电压序列包含的脉冲电压信号为正常的脉冲电压信号；当神经网络的判断结果为0时，开关柜电压序列包含的脉冲电压信号为异常的脉冲电压信号。
当脉冲电压信号为正常的脉冲电压信号时，开关柜为正常工作状态；当脉冲电压信号为异常的脉冲电压信号时，开关柜为出现故障的工作状态。
至此，实现基于深度学习的开关柜故障诊断。
基于与上述方法相同的发明构思，本发明实施例还提供了基于深度学习的开关柜故障诊断系统，包括存储器、处理器以及存储在所述存储器中并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上述基于深度学习的开关柜故障诊断方法中任意一项所述方法的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于深度学习的开关柜故障诊断方法，其特征在于，该方法包括以下步骤：
采集开关柜的脉冲电压信号，获取开关柜电压序列，根据开关柜电压序列获取脉冲电压信号的极值和电压极值序列；
获取脉冲电压信号的极值的最近距离，根据脉冲电压信号的极值的最近距离和脉冲电压信号的极值，获取电压极值序列的极值测量误差值，根据极值的可选频次和开关柜电压序列，确定开关柜电压序列的周期长度；
根据开关柜电压序列的周期长度和开关柜电压序列，确定周期数据序列和剔除开关柜电压序列，确定脉冲电压信号的最近左极值和最近右极值，获取周期数据序列中的每个脉冲电压信号的邻域窗口，根据脉冲电压信号的最近左极值、最近右极值和邻域窗口内包含的脉冲电压信号，确定脉冲电压信号的局部细节特征，获取局部细节特征序列，获取翻转局部细节特征序列，根据翻转局部细节特征序列，确定每个局部细节特征对应的脉冲电压信号的自适应滤波窗口长度；
根据脉冲电压信号的自适应滤波窗口长度和开关柜电压序列的周期长度，对剔除开关柜电压序列去噪，获取去噪后的剔除开关柜电压序列，根据去噪后的剔除开关柜电压序列获取去噪数据矩阵和奇异值序列，根据奇异值序列获取训练完成的RNN神经网络，使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断；
所述电压极值序列的极值测量误差值的获取方法为：
式中，表示电压极值序列的极值测量误差值；/>表示电压极值序列/>包含的所有极值的极差；/>表示电压极值序列/>包含的第/>个极值的最近距离，其中，；/>表示电压极值序列/>包含的所有极值的最近距离的中值；/>表示电压极值序列/>包含的极值的数量；
统计电压极值序列中包含的所有极值的可选频次，将可选频次最大的极值记为第一众数，将可选频次第二大的极值记为第二众数；
所述根据极值的可选频次和开关柜电压序列，确定开关柜电压序列的周期长度的方法为：
式中，表示开关柜电压序列的周期长度；/>表示第一众数的可选频次；/>表示第二众数的可选频次；/>表示开关柜电压序列包含的脉冲电压信号的数量；/>表示四舍五入函数；
所述局部细节特征的表达式为：
式中，表示第/>个周期数据序列的第/>个脉冲电压信号的局部细节特征；/>表示第/>个周期数据序列的第/>个脉冲电压信号；/>表示第/>个周期数据序列的第/>个脉冲电压信号的邻域窗口内包含的所有脉冲电压信号的均值；/>表示第/>个周期数据序列的第/>个脉冲电压信号的最近左极值；/>表示第/>个周期数据序列的第/>个脉冲电压信号的最近右极值；/>表示数据第/>个周期数据序列的第/>个脉冲电压信号与其最近左极值之间间隔的采样次数；/>表示数据第/>个周期数据序列的第/>个脉冲电压信号与其最近右极值之间间隔的采样次数；/>表示第一调节因子；
所述自适应滤波窗口长度的获取方法为：
将翻转局部细节特征序列中的局部细节特征的归一化值与第二窗口调节因子的乘积的取整值与第一窗口调节因子的和，记为局部细节特征对应的脉冲电压信号的自适应滤波窗口长度。
2.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述脉冲电压信号的极值的最近距离的获取方法为：
将与脉冲电压信号的极值最接近的脉冲电压信号的极值与脉冲电压信号的极值之间的采集时刻间隔数量，记为脉冲电压信号的最近距离。
3.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述脉冲电压信号的最近左极值和最近右极值的获取方法为：
将开关柜电压序列中，比脉冲电压信号的采集时间早的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近左极值；将开关柜电压序列中，比脉冲电压信号的采集时间晚的、最近的脉冲电压信号的极值，记为脉冲电压信号的最近右极值。
4.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述周期数据序列中的每个脉冲电压信号的邻域窗口的获取方法为：
将以周期数据序列中脉冲电压信号为中心，长度为预设阈值的窗口记为脉冲电压信号的邻域窗口。
5.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述获取局部细节特征序列的获取方法为：
将脉冲电压信号的局部细节特征按照脉冲电压信号的采集顺序进行排列，获取局部细节特征序列。
6.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述去噪后的剔除开关柜电压序列的获取方法为：
对剔除开关柜电压序列使用NLM非局部均值算法进行去噪，将脉冲电压信号的邻域窗口的长度设置为脉冲电压信号的自适应滤波窗口长度，将邻域窗口长度设置为2倍的开关柜电压序列的周期长度，获取去噪后的剔除开关柜电压序列。
7.根据权利要求1所述的基于深度学习的开关柜故障诊断方法，其特征在于，所述使用训练完成的RNN神经网络对去噪数据矩阵进行处理，根据处理结果实现基于深度学习的开关柜故障诊断的方法为：
将去噪数据矩阵输入训练完成的RNN神经网络，获取神经网络的判断结果，即1或0；
当神经网络的判断结果为1时，开关柜为正常工作状态；
当神经网络的判断结果为0时，开关柜为出现故障的工作状态。
8.基于深度学习的开关柜故障诊断系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079220.1A CN117590142B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的开关柜故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079220.1A CN117590142B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的开关柜故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117590142A CN117590142A (zh) | 2024-02-23 |
| CN117590142B true CN117590142B (zh) | 2024-03-22 |
Family
ID=89912043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410079220.1A Active CN117590142B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的开关柜故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117590142B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112698160A (zh) * | 2020-12-01 | 2021-04-23 | 广东电网有限责任公司广州供电局 | 开关柜局部放电故障识别方法、装置、计算机设备及存储介质 |
| CN115327369A (zh) * | 2022-09-13 | 2022-11-11 | 国网安徽省电力有限公司宿州供电公司 | 一种开关柜断路器分合闸电流在线监测分析系统 |
| CN115902557A (zh) * | 2022-12-30 | 2023-04-04 | 国网北京市电力公司 | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
| CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8941387B2 (en) * | 2010-10-12 | 2015-01-27 | Howard University | Apparatus and method for fault detection and location determination |
| CN106597260B (zh) * | 2016-12-29 | 2020-04-03 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
-
2024
- 2024-01-19 CN CN202410079220.1A patent/CN117590142B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112698160A (zh) * | 2020-12-01 | 2021-04-23 | 广东电网有限责任公司广州供电局 | 开关柜局部放电故障识别方法、装置、计算机设备及存储介质 |
| CN115327369A (zh) * | 2022-09-13 | 2022-11-11 | 国网安徽省电力有限公司宿州供电公司 | 一种开关柜断路器分合闸电流在线监测分析系统 |
| CN115902557A (zh) * | 2022-12-30 | 2023-04-04 | 国网北京市电力公司 | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
| CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卷积神经网络的开关柜局部放电故障识别;王菲菲;阮爱民;魏刚;孙海渤;;电气技术;20190415(04);全文 * |
| 基于局部放电波形特征聚类分析的开关柜故障检测技术研究;张宇等;用电与能效专题讲座暨智能用电及能效管理技术研讨会论文集;20191221;全文 * |
| 小波去噪方法在开关柜故障检测中的应用;刘柱揆;丁心志;陈福明;许守东;董涛;;电网技术;20170905(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117590142A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104706318A (zh) | 一种睡眠分析方法及装置 | |
| CN111092891A (zh) | 一种网络中异常点的检测方法、检测系统及相关装置 | |
| CN107303177A (zh) | 一种心电图t波、p波的检测方法及系统 | |
| CN110974189A (zh) | 脉搏波的信号质量检测方法及装置、设备、系统 | |
| CN110632386B (zh) | 一种太阳射电干扰滤除方法、可读存储介质及电子设备 | |
| CN113283297A (zh) | 基于奇异值分解和改进小波包局部放电信号时间估计方法 | |
| CN117590142B (zh) | 基于深度学习的开关柜故障诊断方法及系统 | |
| CN106324312A (zh) | 一种示波器垂直方向上快速精准读取数据的方法及示波器 | |
| CN106768243B (zh) | 一种快速锁定准确重量方法 | |
| CN111510109B (zh) | 一种信号滤波的方法、装置、设备和介质 | |
| CN108805011B (zh) | 一种数字滤波方法及系统 | |
| CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
| CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
| CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
| CN112149833B (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
| CN110007342B (zh) | 一种用于低信噪比地震信号的时频域直接拾取初至方法及系统 | |
| CN112116917A (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
| CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
| KR101919241B1 (ko) | 신호의 부분 지속성 에러 제거를 위한 최적 평활화 필터링 장치 및 방법 | |
| CN117092526B (zh) | 电池故障预警模型的训练方法、装置及电子设备 | |
| CN111258264B (zh) | 现场噪声的滤波方法及装置、存储介质和处理器 | |
| CN111753598A (zh) | 人脸检测方法及设备 | |
| CN113970697B (zh) | 一种模拟电路状态评估方法和装置 | |
| CN109067369A (zh) | 预失真优化方法、装置和系统 | |
| CN117556194B (zh) | 基于改进的yolo网络的脑电图伪影检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |