【技术实现步骤摘要】
基于云边端协同架构的电力设备故障诊断方法及系统
[0001]本专利技术属于电网故障诊断
，具体涉及一种基于云边端协同架构的电力设备故障诊断方法及系统。
技术介绍
[0002]随着智能电网建设的不断推进，电力系统逐渐向着智能化、自动化的方向发展，电力设备的安全运行为电力系统发展提供了基本保障。在诸多电力设备中，变压器、开关等电力设备作为电能转换、传输的关键枢纽，其运行状态对电网的安全可靠运行意义重大。受环境、材料老化等诸多因素影响，电力设备在长期运行中难免出现缺陷与故障，容易导致电网局部区域停电，造成严重的经济损失。因此如何有效评估变压器运行状态，快速准确诊断故障，对于提升变压器运行可靠性有重要作用。
[0003]传统的电力设备状态评估通常依靠经验丰富的工程师对电力设备声音进行判断，这种人工判断方式通常效率较低，并且受工作人员经验水平限制，准确性不高，此外也有学者通过机器学习模型识别电力设备故障，这些方法需要提取和筛选合适的特征向量，费时费力，并且如何选取合适的特征向量也是一个巨大的挑战。近年深度学习为电力设备故...
【技术保护点】
【技术特征摘要】
1.一种基于云边端协同架构的电力设备故障诊断方法，其特征在于，包括：获取目标电力设备的声纹振动数据；采用融入声纹振动传播机理的神经网络对所述声纹振动数据进行特征向量提取，得到多个特征向量，并对所述多个特征向量进行权重自适应计算与加权融合，得到混合特征向量；利用深度残差网络来对所述混合特征向量进行故障识别和分类；输出故障识别和分类的结果。2.根据权利要求1所述的基于云边端协同架构的电力设备故障诊断方法，其特征在于，采用融入声纹振动传播机理的神经网络对所述声纹振动数据进行特征向量提取，得到多个特征向量的步骤之前，还包括：基于SE注意力机制的神经网络对所述声纹振动数据去噪。3.根据权利要求2所述的基于云边端协同架构的电力设备故障诊断方法，其特征在于，所述基于SE注意力机制的神经网络对所述声纹振动数据去噪，包括：将所述声纹振动数据作为时域信号x输入到神经网络的隐藏层h1中，得到经过网络层计算的初步特征向量F
x1
：引入SE注意力机制，对所述初步特征向量F
x1
，经过SENet网络得到注意力系数M：将所述注意力系数M和所述初步特征向量F
x1
相乘得到噪声去除基础值F
t
：将所述初步特征向量F
x1
与所述噪声去除基础值F
t
做差得到去噪信号F
dn
；将所述去噪信号F
dn
作为预处理后的声纹振动数据。4.根据权利要求1所述的基于云边端协同架构的电力设备故障诊断方法，其特征在于，所述采用融入声纹振动传播机理的神经网络对所述声纹振动数据进行特征向量提取，包括：构建不同介质中的声纹振动方程：构建不同介质中的声纹振动方程：式中：u是声波振动的位移，t是时间，c为声波振动传播速度，s为位置变量x、y、z的平方根，即x、y、z是位置变量，γ是气体的比热容比；B、A为液体的非线性参数；设设是流体中的非线性系数；根据声纹振动信号的传播特性，构建边界条件：u(x，y1，z1，t)＝a1u(x1，y，z1，t)＝a2u(x1，y，z1，t)＝a3式中：a1、a2、a3分别为声波振动的位移u在不同变量下的边界条件计算值，x1、y1、z1分别为x、y、z位置变量的边界取值；根据所述声纹振动方程与所述边界条件，构建损失函数：
其中，L1、L2、L3、L4分别为构造的四个损失函数，N1、N2为在变量取值范围内随机采样的取值数量，x
i
、y
i
、z
i
分别为x、y、z位置变量的某个取值，t
i
为时间变量的某个取值，为声波振动的位移u在自变量取特定值时的表达式，分别为声波振动的位移u对x、y、z位置变量的二阶偏导，u
s
为声波振动的位移u对变量s的偏导；根据所述损失函数L1、L2、L3、L4，对其赋予不同的权重并加和，得到总的损失函数Loss：Loss＝ω1L1+ω2L2+ω3L3+ω4L4+Loss
origin
其中，Loss
origin
为传统神经网络输出层计算与样本标签偏差量的损失函数，ω1、ω2、ω3、ω4分别为不同的权重系数；基于所述总的损失函数，构建嵌入声纹振动机理的特征向量自提取神经网络；通过对所述神经网络进行训练，将网络层中多个隐藏层计算得到的数据进行输出，得到特征向量信息，并将所述特征向量信息作为所述神经网络自动提取得到的所述声纹振动数据的多...
【专利技术属性】
技术研发人员：仝杰，张中浩，谈元鹏，齐子豪，雷煜卿，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。