CN117829264A - 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 - Google Patents
一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117829264A CN117829264A CN202410024803.4A CN202410024803A CN117829264A CN 117829264 A CN117829264 A CN 117829264A CN 202410024803 A CN202410024803 A CN 202410024803A CN 117829264 A CN117829264 A CN 117829264A
- Authority
- CN
- China
- Prior art keywords
- insulation
- training
- gis
- model
- operation data
- 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 83
- 238000009413 insulation Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 76
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- 238000013508 migration Methods 0.000 claims description 19
- 230000005012 migration Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000009529 body temperature measurement Methods 0.000 abstract description 3
- 239000013307 optical fiber Substances 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请提出一种GIS绝缘和机械故障诊断方法、装置、设备和存储介质,该方法通过收集运行数据、清洗数据、提取特征、标注样本、构建轻量级卷积神经网络模型,并采用迁移学习策略训练模型,实现实时诊断。该方法解决了现有技术中存在的评估诊断技术发展缓慢、准确性不高和光纤测温技术可靠性低等问题。通过综合运用数据收集与清洗、特征提取、神经网络建模和实时诊断等技术手段,提高了诊断准确性和可靠性,适用于GIS设备的绝缘和机械故障诊断。
Description
技术领域
本申请涉及GIS诊断领域,尤其涉及一种GIS绝缘和机械故障诊断方法方法、装置、设备和存储介质。
背景技术
气体绝缘金属封闭开关设备(GIS)因其在输变电领域的诸多优势,如紧凑设计、高可靠性、良好的电磁兼容性和低维护需求,而得到广泛应用。但在制造、安装和运行GIS时,绝缘和机械缺陷可能难以避免。若无法准确评估其绝缘和机械状态,识别潜在故障,将对电力系统的安全性和稳定性构成威胁,甚至对社会经济造成重大损失。因此,实施在线监测以诊断绝缘和机械故障,并评估其状态,对于GIS的全寿命周期管理和电力系统的安全稳定运行至关重要。
然而,当前的GIS机械故障检测方法存在以下不足:
目前,在局部放电监测等领域已积累了一定数据,相对提高了评估准确性,但由于故障多样性和复杂性,GIS绝缘和机械故障诊断精度不高。光纤测温技术可靠性有待提高,精度不足,难以满足大规模GIS设备的实际需求。
发明内容
本申请的目的在于克服上述现有技术中,提供一种GIS绝缘和机械故障诊断方法方法、装置、设备和存储介质。
本申请提供的一种GIS绝缘和机械故障诊断方法,包括:
从GIS设备中收集运行数据,对所述运行数据进行清洗;
提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;
选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;
将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;
监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
可选地,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,包括:
对3个通道分别做卷积并在一次卷积后输出3个值,然后再通过一个1×1×3的卷积核得到1个值。
可选地,采用迁移学习策略进行模型训练,包括:
使用EffNet轻量级卷积神经网络在所述训练样本上训练,其中最小化损失函数L,得到训练后的参数集Θa=(Θa1,Θa2),其中Θa1为网络的前层参数,Θa2为剩余参数;
以所述参数Θa为初值,使用相同的损失函数L对所述EffNet轻量级卷积神经网络进行微调训练;
其中,在训练过程中Θa1为参考设置Θb1的初值,Θb2为随机设置初值。
可选地,以所述参数Θa为初值,使用相同的损失函数L对所述EffNet轻量级卷积神经网络进行微调训练,表达式如下:
L代表损失函数,x是输入数据,y是观测值。
可选地,所述EffNet轻量级卷积神经网络,包括:
采用5个EffNet块构造的轻量级卷积神经网络模型。
可选地,所述运行数据,还包括:仿真数据和公开数据集。
可选地,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断,包括:
应用t分布随机邻近嵌入方法将隐藏的学习特征可视化。
本申请还提供一种GIS绝缘和机械故障诊断装置,包括:
预处理模块,用于从GIS设备中收集运行数据,对所述运行数据进行清洗;
提取模块,用于提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;
构建模块,用于选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;
训练模块,用于将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;
诊断模块,用于监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
本申请还提供一种GIS绝缘和机械故障诊断设备,包括:
存储器,用于存储上述一种GIS绝缘和机械故障诊断方法的计算机可执行程序;
处理器,用于从所述存储器中调取所述计算机可执行程序,执行:从GIS设备中收集运行数据,对所述运行数据进行清洗;提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
本申请还提供一种存储介质,存储有计算机可执行程序,该计算机可执行程序用于被处理器调取,执行上述一种GIS绝缘和机械故障诊断方法的步骤。
本申请的有益效果是:
本申请提供的一种GIS绝缘和机械故障诊断方法,包括:从GIS设备中收集运行数据,对所述运行数据进行清洗;提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。本申请通过综合运用数据收集与清洗、特征提取、神经网络建模和实时诊断等技术手段,解决了现有GIS机械故障检测方法中存在的评估诊断技术发展缓慢、准确性不高和光纤测温技术可靠性低等问题。
附图说明
图1是本申请中GIS绝缘和机械故障诊断流程示意图;
图2是本申请中空间可分离卷积示意图;
图3是本申请中轻量级卷积操作示意图;
图4是本申请中EffNet作为轻量级卷积神经网络结构示意图;
图5是本申请中迁移学习方法结构示意图;
图6是本申请中支持向量机代替全连接层和Sofmax分类层示意图;
图7是本申请中GIS内部局部放电的仿真模型示意图;
图8是本申请中4类缺陷信号作为激励源的仿真波形示意图;
图9是本申请中迭代训练和迁移训练对比结果示意图;
图10是本申请中绝缘故障的混叠程度示意图。
具体实施方式
下面结合附图和具体实施例对本申请作进一步说明,以使本领域的技术人员更好地理解本申请并能予以实施。
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还采用不同于此的描述的其他方式实施,本领域技术人员在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
请参照图1所示,一种GIS绝缘和机械故障诊断方法,其步骤包括:
S101从GIS设备中收集运行数据,对所述运行数据进行清洗。
在收集GIS设备的运行数据后,首先进行数据清洗。数据清洗是一个必要的过程,旨在消除异常值和噪声,这些可能是由于设备故障、传感器误差或其他外部因素造成的。通过有效的数据清洗,提高数据的质量和可靠性,为后续的故障诊断提供准确的基础。
具体的,所述数据清洗采用以下步骤:
对原始数据进行初步处理,如缺失值填充、数据格式转换等,以确保数据的一致性和完整性。
通过统计方法、聚类分析或其他机器学习算法,检测并识别出运行数据中的异常值。这些异常值可能是由于设备故障、传感器故障或其他异常事件引起的。根据异常值的性质和影响范围,选择适当的处理方法。例如,对于可修复的异常值,进行修复或替换;对于不可修复的异常值,将其删除或标记为无效。
噪声是数据中的随机波动或不稳定成分,可能会干扰故障诊断的准确性。采用滤波器、平滑技术或小波变换等方法去除噪声,使数据更加平滑和稳定。
进一步侧,为了使不同特征具有可比性,将运行数据标准化到统一尺度。常用的标准化方法包括最小-最大缩放、Z-score标准化等。
S102提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本。
在提取运行数据的特征并将其转换为适合神经网络处理的格式之后,对绝缘和机械故障样本进行标注,包括:
步骤1、提取与绝缘和机械故障相关的特征。
运行数据包含了大量关于GIS设备运行状态的信息。为了能够有效地利用这些数据,从这些数据中提取出与绝缘和机械故障相关的特征。这些特征可能包括电流、电压、温度、压力、振动等参数的变化情况。特征提取的目的是将这些原始数据转化为能够反映设备运行状态的特征向量。
步骤2、对所述特征进行格式处理,形成统一的格式。
提取出的特征转换为适合神经网络处理的格式。这通常涉及到对特征进行适当的归一化、离散化或编码,以便神经网络能够有效地学习和处理这些数据。
步骤3、进行样本标注。
标注是将特征数据与相应的故障类型关联起来的过程。在这个过程中,根据GIS设备的实际运行情况和历史故障记录,将提取出的特征数据标记为不同的绝缘和机械故障类型。本申请中,标注的过程综合考虑设备的实际运行情况和专业人员的经验知识,以确保标注的准确性和可靠性。
通过上述步骤,生成一系列包含特征和对应故障类型的训练样本。这些样本将用于训练神经网络模型,使其能够从运行数据中识别和预测绝缘和机械故障。
S103选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型。
请参照图2所示,本申请采用空间可分离卷积构建轻量级卷积神经网络。空间可分离卷积相较于传统卷积,将n个卷积替换为n*n个卷积,使得网络更为轻量级,适合于资源有限的场景,如移动端设备。
空间可分离卷积的工作原理是将卷积操作分为两步进行。首先,对每个通道分别进行卷积,并在一次卷积后输出3个值。然后,通过一个1×1×3的卷积核得到1个值。所述方式减少卷积过程中的参数数量和计算量,从而降低模型的复杂度和计算成本。
具体地,对于用N个感受视野为Dk×Dk、卷积滑动步长为1的卷积核对维度为DF×DF×M的特征图进行卷积的情况,传统卷积和空间可分离卷积的参数量和计算量对比如表1所示。
表1
传统卷积 | 空间可分离卷积 | |
参数量 | Dk×Dk×M×N | Dk×Dk×M+1×1×M×N |
计算量 | Dk×Dk×M×N×DF×DF | Dk×Dk×M×DF×DF+M×NDF×DF |
从表1得到,空间可分离卷积和传统卷积的计算量之比为:
通过对比两者的参数量和计算量,明显看到空间可分离卷积在计算量和参数数量上均有所降低。这使得使用空间可分离卷积构建的轻量级卷积神经网络更为高效和轻便,能够更好地适应资源有限的场景,如移动设备或其他嵌入式系统。
如图3所示,本申请中还提到了EffNet卷积神经网络,这是一种专为移动端设计的高效卷积神经网络。通过采用轻量级卷积操作替换普通卷积操作,EffNet既解决了数据压缩问题,又在保障准确率的同时减轻了计算开销和存储空间。其中,“dw”表示深度卷积,“mp”表示最大池,“ch”表示输出通道。
如图4所示,本申请中还给出了GIS应用于高压开关设备故障综合诊断的EffNet轻量级网络结构图,所述网络结构能够实现对高压开关设备故障的综合诊断,并且通过采用EffNet轻量级网络,提高了诊断效率并降低了计算成本。
S104将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型。
对于现场运行的GIS产品种类繁多,统一收集故障样本并建立故障样本库存在困难,卷积神经网络所依赖的海量数据难以获取。然而,通过迁移学习,本申请解决卷积神经网络在小样本下对现场故障的准确诊断问题。
迁移学习是一种不同于传统机器学习算法的方法。它通过从已经学习的相关任务中迁移权重参数等知识信息来改进新任务的学习。所述方法通过将已有知识域,即源域的相关参数迁移到要进行学习的域,即目标域,实现目标任务的学习。这不仅有效解决了诊断模型对海量数据的依赖问题,而且能够提升模型训练过程的收敛速度。
目前,迁移学习主要有基于实例、特征和参数共享的3种学习策略。其中,基于参数共享的迁移学习方法更通过源数据集进行卷积神经网络的预训练,而后保持训练后的模型不变,仅通过级联微调的方式对一些特定参数进行修改即可实现小样本下的模式识别,更加适合GIS绝缘和机械故障诊断。
如图5所示,本申请中基于神经网络对相同问题的再训练原理提出了一种迁移学习方法。所述方法在使用较小的数据集和网络容量的情况下实现GIS绝缘和机械故障的准确诊断。
具体的,假设源数据集Ds包含N个输入样本s1,…,sN,其中样本si对应的标签为zi。Υ为在Ds上使用最小化损失函数L训练出来的EffNet轻量级卷积神经网络。训练后的参数集为Θa=(Θa1,Θa2),其中Θa1为网络的前几层参数,Θa2为剩余参数。
目标数据集Dt包括样本x=x1,…,xN,其对应的标签为y=y1,…,yN。迁移学习就是以源域训练网络参数为初值,并且采用相同的损失函数L,通过对Υ进行微调训练来实现如下目标:
其中,Ψb(x,Θb)为目标数据集样本x在参数Θb=(Θb1,Θb2)上的预测概率。在训练过程中,以Θa1的值为参考设置Θb1初值,Θb2随机设置初值。
通过所述迁移学习方法,本申请利用已有的源数据集知识来解决目标数据集中的问题,特别是在小样本的情况下。这不仅提高了诊断模型的准确性,还降低了对大量数据的依赖性,使得模型更具有实用性和普适性。
S105监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
在完成迁移学习并训练出机械故障诊断模型后,将模型部署到实际应用中,用于GIS绝缘和机械故障诊断。
在部署之前,对训练后的模型进行优化,包括剪枝、量化、压缩等手段,以减小模型的大小,加快推理速度,并降低部署成本。
进一步的,考虑到GIS设备通常在高压环境下运行,可能存在电磁干扰等问题,因此选择具有良好稳定性的硬件设备。此外,考虑到资源限制,选择低功耗、计算能力适中的硬件是合理的。
本申请中,为了充分利用卷积神经网络强大地自动特征提取能力和传统分类器在小样本下模式识别精度高的优势,建立了以卷积神经网络作为特征提取器,以支持向量机作为分类器的GIS绝缘和机械故障诊断的基本框架。
请参照图6所示,在源域利用卷积神经网络进行自动特征提取,在目标域通过参数共享即级联微调的方式进行迁移学习,采用支持向量机代替卷积神经网络中的全连接层和Sofmax分类层。模型参数的增加,例如层的深度,通常有助于提高模型的性能,但也增加了在有限的监督训练下过度拟合的风险。为此,本申请分别构建了具有3、4、5、6个EffNet块的多层网络用于GIS绝缘和机械故障诊断,通过对比来获得最佳的网络模型。
各层网络的输入和输出通道数见表2。
表2
如图7所示,利用深度学习模型进行模式识别分类时对样本量的需求非常大,而通过现场采集和实验室模拟难以获得GIS内部发生局部放电的海量样本。
因此,本申请选取时域有限差分法(FDTD)对自由金属颗粒(类型M)、金属尖端(类型N)、悬浮电极(类型O)和绝缘子气隙(类型P)等4类缺陷下GIS局部放电及电磁波传播过程进行仿真,获得大样本的局部放电信号,从而生成大量训练集来对卷积神经网络进行预训练。
如图8所示,GIS仿真模型中内部导体直径为106mm,外壳直径为320mm,腔体总长为7288mm,左右两侧以及T分支结构都有圆形封装盖板。选取网格剖分尺寸为20mm×20mm×20mm,共计471×91×143个元胞,仿真步长设置为38.52ps,仿真时间长度设置为250ns。GIS中不同缺陷下局部放电产生的电流脉冲不尽相同,文中选取了其他学者在实际测试中获得的4类缺陷信号作为激励源。
对每类缺陷分别获得2500组仿真数据,构成GIS局部放电识别分类数据集,其中80%用于训练(70%作为训练集,10%作为验证集),20%用于模型测试。在训练过程中采用迁移学习策略,利用现场收集和实验室测试数据建立小样本真实数据集,采用级联手段迁移预训练网络参数,进行目标任务的学习。分别采用文中构建的具有3、4、5、6个EffNet块的轻量级卷积神经网络(简称E3、E4、E5、E6模型)和支持向量机(SVM)、BP神经网络(BPNN)以及传统卷积神经网络模型LeNet(LN)、AlexNet(AN)、ResNet(RN)进行局部放电模式识别,上述所有卷积神经网络在训练过程中均采用了迁移学习策略,结果见表3。
表3
从表3可以看出,E5和E6模型的识别准确率明显高于其他方法。采用5个EffNet块构造的E5模型在整体识别率达到了94.7%,而但EffNet块增加到6个时,E6模型的整体识别率并没有明显提升。
请参照图9所示,对比直接训练和采用迁移学习策略进行训练的E5模型训练过程,采用迁移学习策略训练能够减少模型收敛的迭代次数,并使准确率得到一定提升。
参数量和存储花销是衡量卷积神经网络模型性能的重要指标,也是决定其能否实际应用的直接依据。模型的参数量过大会导致对处理器的计算性能要求过高,而存储量过大则增加了系统硬件开销。文中对比了各模型的参数量、存储空间、训练和测试时间等性能指标,见表4。
表4
指标 | 模型 | 参数量/百万 | 存储空间/MB | 训练时间/min | 测试时间/s |
1 | E | 0.285 | 1.112 | 2.47 | 9.36 |
2 | E | 0.516 | 2.158 | 3.82 | 10.01 |
3 | E | 1.798 | 7.214 | 3.63 | 10.37 |
4 | E | 7.036 | 27.749 | 5.18 | 10.58 |
5 | LN | 14.430 | 56.380 | 2.37 | 6.94 |
6 | AN | 24.720 | 96.590 | 3.32 | 7.49 |
7 | RN | 11.180 | 43.840 | 5.91 | 10.45 |
从表4可以看出,E5模型的参量数、存储空间比传统卷积神经网络低一个数量级。对于EffNet轻量级卷积神经网络而言,随着EffNet块数的增加,模型参数量、存储空间、训练时间和测试时间近似呈指数规律增长。综合考虑电力物联网下智能终端设备对识别准确度、数据处理速度和存储量等方面要求,E5模型是进行GIS绝缘故障诊断的最佳选择。
如图10所示,为了直观地说明模型预测效果,本申请应用t分布随机邻近嵌入(t-distributed stochastic neighbor embedding,t-SNE)方法将隐藏的学习特征可视化。该方法通过将数据点之间的高维欧几里得距离转换为表示相似性的条件概率,使每个高维度数据点映射到二维空间中,并确保在原来空间中邻近的点在二维空间中仍保持邻近,是数据特征可视化的有效手段之一。
可以看出,相同故障类型下的样本被清晰地汇集到一起,在分类器中进行非线性映射后,除个别样本略有重叠外,不同状态的特征在最后一层隐藏的全连接层中得到了很好的分离,这与表3和表5中给出的识别率是相符的,说明文中所提出的方法在GIS绝缘和机械故障诊断中是非常有效的。另外,从图10可进一步看出各类绝缘故障的混叠程度相对较大,其界限不如机械故障明显,表明GIS内部局部放电具有更大的随机性。
Claims (10)
1.一种GIS绝缘和机械故障诊断方法,其特征在于,包括:
从GIS设备中收集运行数据,对所述运行数据进行清洗;
提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;
选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;
将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;
监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
2.根据权利要求1所述一种GIS绝缘和机械故障诊断方法,其特征在于,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,包括:
对3个通道分别做卷积并在一次卷积后输出3个值,然后再通过一个1×1×3的卷积核得到1个值。
3.根据权利要求1所述一种GIS绝缘和机械故障诊断方法,其特征在于,采用迁移学习策略进行模型训练,包括:
使用EffNet轻量级卷积神经网络在所述训练样本上训练,其中最小化损失函数L,得到训练后的参数集Θa=(Θa1,Θa2),其中Θa1为网络的前层参数,Θa2为剩余参数;
以所述参数Θa为初值,使用相同的损失函数L对所述EffNet轻量级卷积神经网络进行微调训练;
其中,在训练过程中Θa1为参考设置Θb1的初值,Θb2为随机设置初值。
4.根据权利要求3所述一种GIS绝缘和机械故障诊断方法,其特征在于,以所述参数Θa为初值,使用相同的损失函数L对所述EffNet轻量级卷积神经网络进行微调训练,表达式如下:
L代表损失函数,x是输入数据,y是观测值。
5.根据权利要求1所述一种GIS绝缘和机械故障诊断方法,其特征在于,所述EffNet轻量级卷积神经网络,包括:
采用5个EffNet块构造的轻量级卷积神经网络模型。
6.根据权利要求1所述一种GIS绝缘和机械故障诊断方法,其特征在于,所述运行数据,还包括:仿真数据和公开数据集。
7.根据权利要求1所述一种GIS绝缘和机械故障诊断方法,其特征在于,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断,包括:
应用t分布随机邻近嵌入方法将隐藏的学习特征可视化。
8.一种GIS绝缘和机械故障诊断装置,其特征在于,包括:
预处理模块,用于从GIS设备中收集运行数据,对所述运行数据进行清洗;
提取模块,用于提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;
构建模块,用于选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;
训练模块,用于将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;
诊断模块,用于监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
9.一种GIS绝缘和机械故障诊断设备,其特征在于,包括:
存储器,用于存储权利要求1~7任一项所述一种GIS绝缘和机械故障诊断方法的计算机可执行程序;
处理器,用于从所述存储器中调取所述计算机可执行程序,执行:从GIS设备中收集运行数据,对所述运行数据进行清洗;提取所述运行数据的特征,并转换为适应神经网络处理的格式后对绝缘和机械故障样本进行标注,生成训练样本;选择EffNet作为轻量级卷积神经网络模型,采用空间可分离卷积核为所述轻量级卷积神经网络模型的卷积核,构建诊断模型;将所述训练样本输入到所述诊断模型中,采用迁移学习策略进行模型训练,获得预训练绝缘和机械故障诊断模型;监测所述GIS设备中的实时运行数据,所述预训练绝缘和机械故障诊断模型根据所述实时运行数据对所述GIS设备进行绝缘和机械故障诊断。
10.一种存储介质,其特征在于,存储有计算机可执行程序,该计算机可执行程序用于被处理器调取,执行权利要求1~7任一项一种GIS绝缘和机械故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024803.4A CN117829264A (zh) | 2024-01-08 | 2024-01-08 | 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024803.4A CN117829264A (zh) | 2024-01-08 | 2024-01-08 | 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829264A true CN117829264A (zh) | 2024-04-05 |
Family
ID=90513218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410024803.4A Pending CN117829264A (zh) | 2024-01-08 | 2024-01-08 | 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829264A (zh) |
-
2024
- 2024-01-08 CN CN202410024803.4A patent/CN117829264A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep separable convolutional network for remaining useful life prediction of machinery | |
CN113343633B (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
Jiang et al. | State of health estimation of lithium-ion battery with automatic feature extraction and self-attention learning mechanism | |
Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
Zhao et al. | Battery fault diagnosis and failure prognosis for electric vehicles using spatio-temporal transformer networks | |
Jiao et al. | Fault diagnosis method for industrial robots based on DBN joint information fusion technology | |
Song et al. | Capacity estimation method of lithium-ion batteries based on deep convolution neural network | |
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 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
CN117829264A (zh) | 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质 | |
CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
CN114997214A (zh) | 一种残差密集网络故障诊断方法以及装置 | |
CN114414951A (zh) | 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 | |
CN114219118A (zh) | 一种d-s证据理论的智能电表寿命预测方法及系统 | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
Jiang et al. | Flexible Parallel Neural Network Architecture Model for Early Prediction of Lithium Battery Life |
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 |