一种电力设备故障诊断方法、装置、设备及介质制造方法及图纸

本发明专利技术属于电力设备状态评估技术领域，具体涉及一种电力设备故障诊断方法、装置、设备及介质，电力设备故障诊断方法包括：利用代理模型对电力设备在故障发生情况下进行仿真模拟，得到各物理参量对应的状态变量数据；基于机理分析结果与故障观测数据的差值对故障诊断模型进行优化，得到最终故障诊断模型；利用最终故障诊断模型对电力设备的故障进行诊断，得到最终诊断结果。本方法通过机理数据融合，以数据为基础，综合考虑多种物理机理，实现了对于电力设备故障成因的研究与分析，增强了模型的泛化能力与稳定性。型的泛化能力与稳定性。型的泛化能力与稳定性。

【技术实现步骤摘要】
一种电力设备故障诊断方法、装置、设备及介质


[0001]本专利技术属于电力设备状态评估
，具体涉及一种电力设备故障诊断方法、装置、设备及介质。

技术介绍

[0002]深度学习方法是一类具有多隐层的自动从原始数据中挖掘规律的算法，通过组合各类非线性模块来构建深层网络模型。这些非线性模块从原始输入开始，将人工神经网络每层的特征提炼为更高、更抽象的属性，较高的隐层会放大输入中对输出有重要影响的方面，同时会抑制不相关的变化。深度学习通过逐层抽象提取和逐层迭代来实现深层次特征的学习。当前具有代表性的深度学习网络包括：卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网络(Deep Belief Network,DBN)、堆叠自编码器(Stacked AutoEncoder ,SAE)、长短期记忆网络(Long Short
‑
Term Memory ,LSTM)、受限玻尔兹曼机(restricted Boltzmann machine, RBM)和生成式对抗网络(Generative Adversarial Networks,GAN)等。
[0003]基于机器学习的电力设备故障智能诊断方法主要包括2类：一类是由贝叶斯网络、支持向量机、决策树、随机森林、神经网络等为核心算法的传统机器学习方法；另一类是以卷积神经网络、循环神经网络、深度置信网络、自动编码器为核心算法的深度学习方法。相比于传统机器学习方法，深度学习方法在故障特征提取、学习能力，以及对海量数据和高维数据的处理中有着明显的优势。基于数据驱动人工智能技术的电力设备故障诊断技术可以充分利用运维过程的在线监测、智能巡检和运维中的多模异构数据，从底层数据中挖掘设备的故障运行状态特征，有助于提升故障诊断的准确率。但是电力设备故障频率低、故障集数据量小且缺乏完备性，导致模型的泛化能力降低，易出现故障诊断偏差等问题。

技术实现思路

[0004]本专利技术的目的在于提供一种电力设备故障诊断方法、装置、设备及介质，以解决模型泛化能力低，易出现故障诊断偏差的问题。
[0005]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一方面，提供了一种电力设备故障诊断方法，包括如下步骤：获取预先训练好的电力设备的代理模型；利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果
分别对应的置信度；基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；按照置信度的大小对所述推理结果进行降序排序；将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；获取预先构建好的电力设备的复杂物理模型；将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果。
[0006]进一步的，在获取预先训练好的电力设备的代理模型的步骤中，按照如下方式训练所述代理模型：确定要构建代理模型的电力设备；获取用于训练代理模型的训练集并预处理；将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程；基于所述物理学控制方程设计代理模型的神经网络结构；以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将所述物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化；其中，所述物理约束损失函数包括数据损失项和控制方程损失项；基于代理模型的总体优化目标函数和设计好的神经网络结构，采用反向传播算法对代理模型进行训练，收敛后得到训练好的代理模型。
[0007]进一步的，所述利用预先获取的业务数据知识对所述状态变量数据进行调整的步骤，具体包括：根据业务数据知识确定状态变量数据中的含噪数据；对含噪数据进行降噪处理；对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。
[0008]进一步的，所述根据业务数据知识确定状态变量数据中的含噪数据的步骤，具体包括：提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认定为含噪数据。
[0009]进一步的，在将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述
故障诊断模型输出诊断数据的步骤中，按照如下方式训练所述故障诊断模型：获取用于故障诊断模型训练的数据集；将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；根据数学公式设计故障诊断模型的神经网络结构；将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；使用专家经验规则对所述初步故障诊断模型进行优化，得到训练好的故障诊断模型。
[0010]进一步的，所述使用专家经验规则对所述初步故障诊断模型进行优化的步骤，具体包括：获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型；用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试；分析测试结果，按照分类错误率对发生的故障类型进行筛选；若某一故障类型分类错误率大于预设水平，则用数据增强的方法扩充该故障类型对应的训练数据，并利用扩充后的数据集对初步故障诊断模型进行微调。
[0011]进一步的，在得到最终诊断结果之后，还包括步骤：根据最终诊断结果确定故障问题，根据故障问题确定数据模型；其中，故障问题包括局部异常故障引起的故障问题和材料老化引起的故障问题；数据模型包括代理模型和复杂物理模型；基于确定的数据模型和故障问题，进行故障溯因。
[0012]进一步的，对于所述局部异常故障引起的故障问题，确定数据模型为代理模型；对于所述材料老化引起的故障问题，确定数据模型为复杂物理模型。
[0013]进一步的，所述基于确定的数据模型和故障问题，进行故障溯因的步骤，包括：对于局部异常故障引起的故障问题：根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备故障诊断方法，其特征在于，包括如下步骤：获取预先训练好的电力设备的代理模型；利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果分别对应的置信度；基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；按照置信度的大小对所述推理结果进行降序排序；将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；获取预先构建好的电力设备的复杂物理模型；将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果。2.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在获取预先训练好的电力设备的代理模型的步骤中，按照如下方式训练所述代理模型：确定要构建代理模型的电力设备；获取用于训练代理模型的训练集并预处理；将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程；基于所述物理学控制方程设计代理模型的神经网络结构；以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将所述物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化；其中，所述物理约束损失函数包括数据损失项和控制方程损失项；基于代理模型的总体优化目标函数和设计好的神经网络结构，采用反向传播算法对代理模型进行训练，收敛后得到训练好的电力设备的代理模型。3.根据权利要求1所述的电力设备故障诊断方法，其特征在于，所述利用预先获取的业务数据知识对所述状态变量数据进行调整的步骤，具体包括：根据业务数据知识确定状态变量数据中的含噪数据；对含噪数据进行降噪处理；
对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。4.根据权利要求3所述的电力设备故障诊断方法，其特征在于，所述根据业务数据知识确定状态变量数据中的含噪数据的步骤，具体包括：提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认定为含噪数据。5.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据的步骤中，按照如下方式训练所述故障诊断模型：获取用于故障诊断模型训练的数据集；将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；根据数学公式设计故障诊断模型的神经网络结构；将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；使用专家经验规则对所述初步故障诊断模型进行优化，得到训练好的故障诊断模型。6.根据权利要求5所述的电力设备故障诊断方法，其特征在于，所述使用专家经验规则对所述初步故障诊断模型进行优化的步骤，具体包括：获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型；用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试；分析测试结果，按照分类错误率对发生的故障类型...

【专利技术属性】
技术研发人员：仝杰，唐鹏飞，张中浩，龙天航，蔡常雨，齐子豪，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：