基于SVAE-WGAN模型的局部放电故障数据增强处理方法及装置制造方法及图纸

本发明专利技术公开了一种基于SVAE

【技术实现步骤摘要】
基于SVAE
‑
WGAN模型的局部放电故障数据增强处理方法及装置


[0001]本专利技术涉及电子电力
，尤其涉及一种基于SVAE
‑
WGAN模型的局部放电故障数据增强处理方法及装置。

技术介绍

[0002]新型电力系统的高渗透可再生能源、高比例电力电子设备和高增长直流负荷等“三高”特征，以及新型电力系统的开放性、不确定性和复杂性等特性，对电力系统的安全经济稳定运行带来了新的挑战：电力系统故障的产生机理更复杂、检测过程更困难、面临挑战更多样。
[0003]局部放电故障作为电力系统中最为典型和常见的故障之一，对局部放电故障的及时、快速、精准检测，是实现电力系统预测性维护的基础。电力系统中的局部放电故障无法得到及时检测，将有可能会导致电力设备发热起火，从而进一步导致设备损坏和线路中断等严重后果。近年来，随着泛在电力物联网的建设，各类先进的电力传感监测设备在获得广泛应用，使得电力设备的运行状态及其关联信息的采集变得更为便捷和完善，使得利用人工智能算法来快速、准确的检测电力系统局部放电故障成为可能。同时，在实际环境中采集的局部放电故障数据，由于受环境噪音、采集干扰、量测精度等的影响，局部放电故障数据中的故障模式不明显，容易淹没在背景噪音或者干扰信息中，难以人工分析，也使得人工智能算法在局部放电故障检测中的应用大有可为。
[0004]然而，由于故障出现的频率相比设备正常状态来说非常少，因此局部放电故障数据也非常少，导致人工智能算法在局部放电故障检测中的检测准确度不高。r/>
技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种智基于SVAE
‑
WGAN模型的局部放电故障数据增强处理方法及装置，能够生成新的局部放电故障数据，进而增大局部放电故障数据的数量，从而提高人工智能算法在局部放电故障检测中的检测准确度。
[0006]为了解决上述技术问题，本专利技术第一方面公开了一种基于SVAE
‑
WGAN模型的局部放电故障数据增强处理方法，所述方法包括：
[0007]获取待处理的局部放电故障真实数据；
[0008]将所述局部放电故障真实数据输入至训练完成的SVAE
‑
WGAN模型，以通过所述SVAE
‑
WGAN模型基于所述局部放电故障真实数据进行增强处理，得到目标数据，所述目标数据包括所述SVAE
‑
WGAN模型生成的局部放电故障数据，所述SVAE
‑
WGAN模型是通过局部放电故障真实样本对预设SVAE
‑
WGAN模型进行训练得到的；
[0009]获取所述SVAE
‑
WGAN模型输出的所述目标数据，所述目标数据用于检测局部放电故障。
[0010]作为一种可选的实施方式，在本专利技术第一方面中，所述预设SVAE
‑
WGAN模型包括栈
式变分自编码器和WGAN判别器，所述栈式变分自编码器用于生成局部放电故障样本，所述WGAN判别器用于判别所述栈式变分自编码器生成的局部放电故障样本的真实性，通过局部放电故障真实样本对预设SVAE
‑
WGAN模型进行训练的方式，包括：
[0011]通过局部放电故障真实样本对所述栈式变分自编码器和所述WGAN判别器进行迭代训练，直至满足训练截止条件，所述训练截止条件包括训练迭代次数大于预设次数；
[0012]所述通过局部放电故障真实样本对所述栈式变分自编码器和所述WGAN判别器进行迭代训练，包括：
[0013]通过所述局部放电故障真实样本对所述栈式变分自编码器进行训练，得到训练后的栈式变分自编码器，所述训练后的栈式变分自编码器用于生成所述局部放电故障样本；
[0014]通过所述局部放电故障样本和所述局部放电故障真实样本对所述WGAN判别器进行训练，得到训练后的WGAN判别器，所述训练后的WGAN判别器用于判别所述局部放电故障样本的真实性。
[0015]作为一种可选的实施方式，在本专利技术第一方面中，所述栈式变分自编码器包括堆叠的多个VAE网络，其中，前一个所述VAE网络的输出用作后一个所述VAE网络的输入，最后一个所述VAE网络的输出作为所述栈式变分自编码器的输出，所述通过所述局部放电故障真实样本对所述栈式变分自编码器进行训练，包括：
[0016]通过贪心训练算法和所述局部放电故障真实样本对多个所述VAE网络对进行训练；
[0017]其中，在训练每个所述VAE网络时，保持其他VAE网络的参数固定不变，以依次训练每一个VAE网络。
[0018]作为一种可选的实施方式，在本专利技术第一方面中，所述栈式变分自编码器的损失函数包括：
[0019][0020]其中，i表示VAE模型的数量，z
i
表示第i个VAE编码器的潜在变量，x
i
表示第i个VAE生成的新样本。为先验损失，为编码器的重建误差构成的似然损失，δ1和δ2是两个损失项的权重超参数；
[0021]是VAE网络的编码器的重建误差，log p
θ
(x
i
|z
i
)表示VAE网络的解码器的似然概率，被用作VAE损失函数的约束项，以约束隐变量Z的先验分布，p(z
i
)表示隐变量Z的先验分布，KL表示输出分布和先验分布p(z
i
)之间的KL散度。
[0022]作为一种可选的实施方式，在本专利技术第一方面中，所述WGAN判别器判别所述栈式变分自编码器生成的局部放电故障样本的真实性，包括：
[0023]所述WGAN判别器基于所述局部放电故障真实样本的分布与所述局部放电故障样
本的分布之间的Wasserstein距离来表示所述局部放电故障样本的真实性，Wasserstein距离越小表明所述局部放电故障样本的真实性越低；
[0024]Wasserstein距离定义为：
[0025][0026]在训练过程中，考虑栈式变分自编码器生成的局部放电故障样本x
gen
，Wasserstein距离重定义为：
[0027][0028]其中，p
gen
为生成的数据分布，preal为真实数据分布，sup{
·
}表示集合的精确上界，||D
θ
||
L
≤1表示D
θ
(x)满足1
‑
Lipschitz连续性，D∈I表明网络权重变化幅度被强制约束到预设范围内以满足1
‑
Lipschitz连续性条件。
[0029]作为一种可选的实施方式，在本专利技术第一方面中，所述WGAN判别器的损失函数包括：
[0030][0031][0032]作为一种可选的实施方式，在本专利技术第一方面中，其特征在于，所述预设SVAE
‑
WGAN模型的损失函数包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SVAE
‑
WGAN模型的局部放电故障数据增强处理方法，其特征在于，所述方法包括：获取待处理的局部放电故障真实数据；将所述局部放电故障真实数据输入至训练完成的SVAE
‑
WGAN模型，以通过所述SVAE
‑
WGAN模型基于所述局部放电故障真实数据进行增强处理，得到目标数据，所述目标数据包括所述SVAE
‑
WGAN模型生成的局部放电故障数据，所述SVAE
‑
WGAN模型是通过局部放电故障真实样本对预设SVAE
‑
WGAN模型进行训练得到的；获取所述SVAE
‑
WGAN模型输出的所述目标数据，所述目标数据用于检测局部放电故障。2.根据权利要求1所述的方法，其特征在于，所述预设SVAE
‑
WGAN模型包括栈式变分自编码器和WGAN判别器，所述栈式变分自编码器用于生成局部放电故障样本，所述WGAN判别器用于判别所述栈式变分自编码器生成的局部放电故障样本的真实性，通过局部放电故障真实样本对预设SVAE
‑
WGAN模型进行训练的方式，包括：通过局部放电故障真实样本对所述栈式变分自编码器和所述WGAN判别器进行迭代训练，直至满足训练截止条件，所述训练截止条件包括训练迭代次数大于预设次数；所述通过局部放电故障真实样本对所述栈式变分自编码器和所述WGAN判别器进行迭代训练，包括：通过所述局部放电故障真实样本对所述栈式变分自编码器进行训练，得到训练后的栈式变分自编码器，所述训练后的栈式变分自编码器用于生成所述局部放电故障样本；通过所述局部放电故障样本和所述局部放电故障真实样本对所述WGAN判别器进行训练，得到训练后的WGAN判别器，所述训练后的WGAN判别器用于判别所述局部放电故障样本的真实性。3.根据权利要求2所述的方法，其特征在于，所述栈式变分自编码器包括堆叠的多个VAE网络，其中，前一个所述VAE网络的输出用作后一个所述VAE网络的输入，最后一个所述VAE网络的输出作为所述栈式变分自编码器的输出，所述通过所述局部放电故障真实样本对所述栈式变分自编码器进行训练，包括：通过贪心训练算法和所述局部放电故障真实样本对多个所述VAE网络对进行训练；其中，在训练每个所述VAE网络时，保持其他VAE网络的参数固定不变，以依次训练每一个VAE网络。4.根据权利要求3所述的方法，其特征在于，所述栈式变分自编码器的损失函数包括：其中，i表示VAE模型的数量，z
i
表示第i个VAE编码器的潜在变量，x
i
表示第i个VAE生成的新样本。为先验损失，为编码器的重建误差构成的似然损失，δ1和δ2是两个损失项的权重超参数；是VAE网络的编码器的重建误差，log p
θ
(x
i
|z
i
)表示VAE网
络的解码器的似然概率，被用作VAE损失函数的约束项，以约束隐变量z的先验分布，p(z
i
)表示隐变量z的先验分布，KL表示输出分布和先验分布p(z
i
)之间的KL散度。5.根据权利要求2所述的方法，其特征在于，所述WGAN判别器判别所述栈式变分自编码器生成的局部放电故障样本的真实性，包括：所述WGAN判别器基于所述局部放电故障真实样本的分布与所述局部放电故障样本的分布之...

【专利技术属性】
技术研发人员：黄兵，刘亚菲，余帅，
申请(专利权)人：南方电网数字平台科技广东有限公司，
类型：发明
国别省市：