基于集成深度生成模型的变电站设备故障诊断方法技术

本发明专利技术公开了基于集成深度生成模型的变电站设备故障诊断方法，所述方法包括：采集变电站设备运行数据，进行数据预处理，构建样本训练数据集和随机潜在数据集；构建基于双向长短期记忆网络和注意力机制的AMBI

【技术实现步骤摘要】
基于集成深度生成模型的变电站设备故障诊断方法


[0001]本专利技术涉及变电站设备故障诊断领域，更具体涉及基于集成深度生成模型的变电站设备故障诊断方法。

技术介绍

[0002]随着变电站建设的发展和完善，对数据处理提出了更高的要求。如何收集具有感知和监控能力的各类数据并进行故障检测是一个关键的研究问题。变电站设备作为变电站的重要组成部分，运行时会产生海量异构电力时序数据，对这些数据进行实时故障检测并分析故障形成的原因，有助于提高特高压设计、建设、运维水平，确保变电站的安全与稳定。
[0003]目前行业内已经开展了利用各种深度学习模型来检测电力时间序列数据的异常的研究。这些模型依靠多维网络结构来挖掘时空分布特征。特别是考虑到时间序列的时空特性，一些当前的模型，如隐马尔可夫和局部异常因子已经达到了较高的检测精度。
[0004]大多数现有的时间序列异常检测研究都受到电力数据的随机性和复杂性的限制。这些问题可以归纳如下：1、现有方法难以有效提取电力数据的时间信息，限制了数据特征表示的能力。时间关系和特征关系缺乏结合，限制了模型的准确性；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述方法包括：步骤一：采集变电站设备运行数据，进行数据预处理，构建样本训练数据集和随机潜在数据集；步骤二：构建基于双向长短期记忆网络和注意力机制的AMBI
‑
GAN集成深度生成模型；步骤三：训练AMBI
‑
GAN集成深度生成模型；步骤四：向训练好的模型输入测试数据，计算模型的总损失L
test
；步骤五：通过1
‑
L
test
得到鉴别分数，鉴别分数超过预设值则判断异常。2.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤一中数据预处理包括：将输入数据分为样本训练数据集和随机潜在数据集，样本训练数据集中的所有数据都是正常的，随机潜在数据集中存在异常数据，使用长度为n的滑动时间窗将所有数据划分为若干个等长的子序列。3.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤二包括：步骤2.1、构建Bi
‑
LSTM结构；步骤2.2、在Bi
‑
LSTM结构加入注意力机制得到AMBi
‑
LSTM结构；步骤2.3、分别利用AMBi
‑
LSTM结构得到生成器和鉴别器，生成器和鉴别器整体构成AMBI
‑
GAN集成深度生成模型。4.根据权利要求3所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.1包括：构建双向LSTM网络作为Bi
‑
LSTM结构，其中，双向LSTM网络的输入为X＝{x1，...x
n
}，x
n
表示第n个时刻的输入，所述Bi
‑
LSTM结构的隐藏层状态为LSTM结构的隐藏层状态为其中，LSTM
backward
为后向LSTM，LSTM
forward
为前向LSTM，x
t
表示第t个时刻的输入，表示第t+1时刻后向LSTM的隐藏状态，表示第t
‑
1时刻前向LSTM的隐藏状态；n个时刻的隐藏层状态输出为5.根据权利要求4所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.2包括：通过公式设置Bi
‑
LSTM结构的输入权重，从而在Bi
‑
LSTM结构加入注意力机制得到AMBi
‑
LSTM结构；其中，w
i
表示第i个时刻Bi
‑
LSTM结构的权重参数，softmax为归一化函数，Bi
‑
LSTM(X，H)表示Bi
‑
LSTM结构的输出；AMBi
‑
LSTM结构的输出为
其中，表示第i个时刻输入矩阵的转置，表示第i个时刻隐藏状态矩阵的转置。6.根据权利要求5所述的基于集成深度生...

【专利技术属性】
技术研发人员：刘鑫，黄海宏，常文婧，
申请(专利权)人：国网安徽省电力有限公司国网安徽省电力有限公司超高压分公司国网智能电网研究院有限公司，
类型：发明
国别省市：