变电设备多维度数据融合感知模型与检修优化方法技术

本发明专利技术变电设备状态监测与故障诊断领域，特别涉及一种变电设备多维度数据融合感知模型与检修优化方法。提取变电设备多维状态信息的特征信息，采用高斯混合模型对变电设备的多维多尺度状态信息进行状态估计，构建隐马尔科夫链

【技术实现步骤摘要】
变电设备多维度数据融合感知模型与检修优化方法


[0001]本专利技术涉及变电设备状态监测与故障诊断领域，特别涉及变电设备多维度数据融合感知模型与检修优化方法。

技术介绍

[0002]变电设备在工作过程中数据量大、复杂多变，同时变电设备中的机械设备、电气设备变量大，受到外界环境影响大，对变电设备的正常运行与智能运维起到决定的作用，如何处理变电设备多维多时间尺度状态信息是当前研究的热点与难点，特别是变电设备状态在线监测、智能检修与融合感知提出了新的挑战，亟待开发面向变电设备多维多时间尺度状态数据算法，实现变电设备的在线健康监测与智能检修。
[0003]近年来，随着数据融合与智能诊断技术的快速发展，推动了变电设备等电力基础设施的监测技术与融合感知方法的发展，为变电设备的智能诊断与融合感知提供了技术保障。专利CN202111025606.7公开了一种基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法，包括以下步骤：变电设备外观缺陷图像的获取；变电设备外观缺陷图像的再生成；变电设备外观缺陷检测模型的构建；变电设备外观缺陷检测模型的训练；待检测变电设备图像的获取；待检测变电设备图像缺陷问题的检测。专利技术专利CN201610319782.4公开了基于信息融合的智能变电站设备状态多系统协同诊断方法，括如下步骤：1）建立数据共享平台,所述数据共享平台分别设有一次设备状态监测系统连接入口，二次设备状态监测系统连接入口,电网SCADA系统连接入口和专家库指导系统连接入口；2）所述数据共享平台将接收到的来自一次设备状态监测系统，二次设备状态监测系统,电网SCADA系统的数据通过信息耦合实现数据关联。专利CN202020686233.2公开了基于物联网的电力变压器故障诊断监测装置，解决了现有的电力变压器故障诊断监测装置不可拆卸握把损坏时无法更换和不易移动搬运时耗时耗力的问题。当前技术主要解决基于信息融合的智能变电站设备状态多系统协同诊断方法，随着电力基础设施技术的高速发展，亟待开发面向变电设备多维多时间尺度状态数据算法，实现变电设备的在线健康监测与智能检修。
[0004]本专利技术一种变电设备多维度数据融合感知模型与检修优化方法，融合感知处理变电设备（机械、电气、环境）状态信息，在多时间尺度多维角度上提取变电设备的特征信息，采用高斯混合模型对变电设备的多维多尺度状态信息进行状态估计，给出变电设备的故障分布情况，作为所构建处理多维状态信息的多CNN深度学习网络的输入，对机械、电气、环境状态信息进行融合感知，经过卷积、池化、平坦、连接计算不同输入下的损失值，实现变电设备的多维状态信息融合感知，在线诊断变电设备故障信息；提出变电设备多维状态信息融合感知的检修优化策略，将检修项目对应的优先级属性与变电设备的融合感知模型相结合，对变电设备的运行状态与工况给出整体评估，针对不同故障等级，准备多个可行的检修方案，采用隐马尔科夫链
‑
深度学习网络模型对检修方案进行评估，得到优化后的检修方案，实现变电设备的智能预警与诊断。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术的第一目的在于提供一种变电设备多维度数据融合感知模型与检修优化方法，构建隐马尔科夫链
‑
深度学习网络模型，对变电设备的多维多尺度信息：S1：机械设备状态信息、电气设备状态信息、外界环境信息进行融合感知，提取变电设备多维状态信息的特征信息，分析特征之间的耦合关系；S2：采用高斯混合模型对变电设备的多维多尺度状态信息进行状态估计，提出基于隐马尔科夫链的变电设备状态信息特征提取与邻域表达；构建基于隐马尔科夫链的深度学习网络模型，隐马尔科夫链实现变电设备多维多尺度信息的特征分割，精确辨识变电设备运行状态与故障，作为所构建处理多维状态信息的多CNN深度学习网络的输入，对机械、电气、环境状态信息进行融合感知，经过卷积、池化、平坦、连接计算不同输入下的损失值，实现变电设备的多维状态信息融合感知，在线诊断变电设备故障信息；S4：提出变电设备多维状态信息融合感知的检修优化策略，将检修项目对应的优先级属性与变电设备的融合感知模型相结合，对变电设备的运行状态与工况给出整体评估，针对不同故障等级，获取多个可行的检修方案，采用隐马尔科夫链
‑
深度学习网络模型对检修方案进行评估，得到优化后的检修方案，实现变电设备的智能预警与诊断。
[0006]针对现有技术的以上缺陷或改进需求，本专利技术的第二目的在于提供一种基于隐马尔科夫链
‑
深度学习的变电设备多维状态信息融合感知与检修优化流程，融合感知算法主要包括以下流程：（1）获取变电设备中机械设备、电气设备状态信息以及外界环境信息，以此对变电设备各种工况及状态的全面感知；（2）在多时间尺度（电气设备：毫秒；机械设备：10毫秒；环境：秒）、多维角度上提取变电设备的特征信息，在多维多尺度上提取变电设备状态信息的特征；（3）对变电设备多尺度多维特征信息进行融合，分析变电设备特征之间的相关与耦合特性，抓住变电设备的主要特征及其与典型故障之间的关系；（4）采用高斯混合模型对变电设备多维状态与特征信息进行状态估计，进一步说明变电设备故障的分布情况，揭示变电设备故障与典型特征之间的内在关系；（5）采用隐马尔科夫链对变电设备多维状态信息进行分割，给出变电设备运行状态与故障信息的精准表达，提高变电设备故障诊断成功率，为变电设备的智能检修与运维提供支持；（6）构建变电设备运行与故障状态的训练和测试样本集，针对正常运行状态与典型故障，获取变电设备在当前工况下的机械、电气设备状态信息和环境信息，以此构建变电设备运行与故障状态的训练和测试样本集；（7）构建基于多CNN模型的变电设备故障诊断与检修优化模型，对机械、电气、环境状态信息进行融合感知，经过卷积、池化、平坦、连接计算不同输入下的损失值，实现变电设备的多维状态信息融合感知，在线诊断变电设备故障信息；（8）采用训练样本集优化所构建模型的主要参数，通过训练集合不断迭代计算马尔科夫链
‑
深度学习网络模型的参数，提高模型性能与计算效率；（9）采用测试样本集对构建模型进行测试分析，得到变电设备故障诊断的识别成功率过程，综合评估所构建的马尔科夫链
‑
深度学习网络模型性能与效果；
（10）依据马尔科夫链
‑
深度学习网络模型计算得到变电设备故障诊断结果，结合经验知识，形成案例库，给出变电设备的多个可行检修策略；（11）依据马尔科夫链
‑
深度学习网络模型对检修方案给出整体的评价，并提供具体建议给检修人员，实现变电设备的检修优化；（12）实现变电设备故障诊断的快速诊断与智能运维应用，优化变电设备的检修策略，提高变电设备的智能化监测水平。
[0007]进一步地，所述一种变电设备多维度数据融合感知模型与检修优化方法，所提构建的模型用于融合感知变电设备的机械、电气设备与环境信息，提出多CNN模型分别处理变电设备的机械、电气设备与环境信息，后续采用相同的池化、平坦、连接计算相应的损失值，以此融合感知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电设备多维度数据融合感知模型与检修优化方法，其特征在于，构建隐马尔科夫链
‑
深度学习网络模型，对变电设备的多维多尺度信息：S1：机械设备状态信息、电气设备状态信息、外界环境信息进行融合感知，提取变电设备多维状态信息的特征信息，分析特征之间的耦合关系；S2：采用高斯混合模型对变电设备的多维多尺度状态信息进行状态估计，提出基于隐马尔科夫链的变电设备状态信息特征提取与邻域表达；构建基于隐马尔科夫链的深度学习网络模型，隐马尔科夫链实现变电设备多维多尺度信息的特征分割，精确辨识变电设备运行状态与故障，作为所构建处理多维状态信息的多CNN深度学习网络的输入，对机械、电气、环境状态信息进行融合感知，经过卷积、池化、平坦、连接计算不同输入下的损失值，实现变电设备的多维状态信息融合感知，在线诊断变电设备故障信息；S4：提出变电设备多维状态信息融合感知的检修优化策略，将检修项目对应的优先级属性与变电设备的融合感知模型相结合，对变电设备的运行状态与工况给出整体评估，针对不同故障等级，获取多个可行的检修方案，采用隐马尔科夫链
‑
深度学习网络模型对检修方案进行评估，得到优化后的检修方案，实现变电设备的智能预警与诊断。2.一种变电设备多维度数据融合感知模型与检修优化方法，其特征在于，一种基于隐马尔科夫链
‑
深度学习的变电设备多维状态信息融合感知与检修优化流程，融合感知算法主要包括以下流程：（1）获取变电设备中机械设备、电气设备状态信息以及外界环境信息，以此对变电设备各种工况及状态的全面感知；（2）在多时间尺度（电气设备：毫秒；机械设备：10毫秒；环境：秒）、多维角度上提取变电设备的特征信息，在多维多尺度上提取变电设备状态信息的特征；（3）对变电设备多尺度多维特征信息进行融合，分析变电设备特征之间的相关与耦合特性，抓住变电设备的主要特征及其与典型故障之间的关系；（4）采用高斯混合模型对变电设备多维状态与特征信息进行状态估计，进一步说明变电设备故障的分布情况，揭示变电设备故障与典型特征之间的内在关系；（5）采用隐马尔科夫链对变电设备多维状态信息进行分割，给出变电设备运行状态与故障信息的精准表达，提高变电设备故障诊断成功率，为变电设备的智能检修与运维提供支持；（6）构建变电设备运行与故障状态的训练和测试样本集，针对正常运行状态与典型故障，获取变电设备在当前工况下的机械、电气设备状态信息和环境信息，以此构建变电设备运行与故障状态的训练和测试样本集；（7）构建基于多CNN模型的变电设备故障诊断与检修优化模型，对机械、电气、环境状态信息进行融合感知，经过卷积、池化、平坦、连接计算不同输入下的损失值，实现变电设备的多维状态信息融合感知，在线诊断变电设备故障信息；（8）采用训练样本集优化所构建模型的主要参数，通过训练集合不断迭代计算马尔科夫链
‑
深度学习网络模型的参数，提高模型性能与计算效率；（9）采用测试样本集对构建模型进行测试分析，得到变电设备故障诊断的识别成功率过程，综合评估所构建的马尔科夫链
‑
深度学习网络模型性能与效果；（10）依据马尔科夫链<...

【专利技术属性】
技术研发人员：周凯，王勇杰，汤伟，李旭东，李煜磊，毕如玉，
申请(专利权)人：华东交通大学董文涛，
类型：发明
国别省市：