一种综合能源故障精准快速诊断方法及系统技术方案

本发明专利技术公开了一种综合能源故障精准快速诊断方法及系统，包括：获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；其中，对于故障诊断模型的训练过程为：获得综合能源系统各设备的故障数据集并进行扩充；对扩充后的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至故障诊断模型；构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对故障诊断模型的超参数进行优化，最终得到训练好的故障诊断模型。本发明专利技术考虑采用局部均值分解技术优化综合能源系统故障初始数据集，降低数据集噪声，使用鲸鱼算法自动优化局部均值分解机制的主要参数，增强系统适用性。增强系统适用性。增强系统适用性。

【技术实现步骤摘要】
一种综合能源故障精准快速诊断方法及系统


[0001]本专利技术涉及综合能源系统故障诊断
，尤其涉及一种综合能源故障精准快速诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]综合能源系统将电、冷、热、气、氢各类能源的生产、传输、消耗、存储设备联系在一起，实现各类能源的有机协调与优化。相对于单一能源系统，综合能源系统的运行工况要更为复杂，某一设备单元发生故障时甚至影响整个综合能源系统的正常运转，造成全局性的危害。因此，对综合能源系统的设备进行故障诊断，对于保障综合能源系统安全可靠的运行至关重要。
[0004]综合能源系统具有故障数据少、故障类型多的特点，数据获取相较于单一能源系统也更加困难，如何获取到足够的综合能源系统故障数据决定后续的诊断效率。此外，得到的综合能源系统故障数据存在着很大的冗余，如何提取出有用的信息，选取合适的特征维数，既保证诊断模型准确率又降低训练时间十分重要。近年来随着人工智能和大数据的兴起，深度学习在故障诊断领域得到了飞速的发展。但对于故障诊断模型的超参数优化研究还有很多不足，人工调试超参数对于模型的诊断准确率和训练时间都造成极大的影响。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种综合能源故障精准快速诊断方法及系统，建立CNN
‑
LSTM神经网络模型作为故障诊断模型，并对模型超参数进行初始化，以模型准确率最高和训练时间最短为双目标，根据蜣螂优化算法对模型超参数和特征选择维数进行优化，求解出双目标的帕累托解集，通过限定准确率和训练时间选择合适的超参数。
[0006]在一些实施方式中，采用如下技术方案：
[0007]一种综合能源故障精准快速诊断方法，包括：
[0008]获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；
[0009]其中，所述故障诊断模型为CNN
‑
LSTM模型，对于故障诊断模型的训练过程具体为：
[0010]通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；
[0011]采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至CNN
‑
LSTM模型，初始化CNN
‑
LSTM模型的超参数；
[0012]构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对CNN
‑
LSTM模型的超参数进行优化，最终得到训练好的CNN
‑
LSTM模型。
[0013]在另一些实施方式中，采用如下技术方案：
[0014]一种综合能源故障精准快速诊断系统，包括：
[0015]数据获取模块，用于获取综合能源系统运行数据；
[0016]故障分类模块，用于利用训练好的故障诊断模型，得到故障分类结果；
[0017]其中，所述故障诊断模型为CNN
‑
LSTM模型，对于故障诊断模型的训练过程具体为：
[0018]通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；
[0019]采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至CNN
‑
LSTM模型，初始化CNN
‑
LSTM模型的超参数；
[0020]构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对CNN
‑
LSTM模型的超参数进行优化，最终得到训练好的CNN
‑
LSTM模型。
[0021]在另一些实施方式中，采用如下技术方案：
[0022]一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的一种综合能源故障精准快速诊断方法。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024](1)本专利技术考虑采用局部均值分解技术优化综合能源系统故障初始数据集，降低数据集噪声，并使用鲸鱼算法自动优化局部均值分解机制的主要参数，增强系统适用性。
[0025](2)本专利技术构建以CNN
‑
LSTM模型为基础的故障诊断模型，以模型诊断准确率和训练时间为双目标构建函数，从而确定超参数和故障特征向量维数。采用改进蜣螂优化算法优化上述超参数，提高了诊断准确率，降低了训练时间，能更快更准确进行综合能源系统故障诊断。
[0026]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0027]图1为本专利技术实施例中的故障诊断模型训练过程示意图；
[0028]图2为本专利技术实施例中的采用局部均值分解方法进行降噪重构的过程示意图；
[0029]图3为本专利技术实施例中通过蜣螂优化算法对CNN
‑
LSTM模型的超参数进行优化的过程示意图。
具体实施方式
[0030]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]实施例一
[0033]在一个或多个实施方式中，公开了一种综合能源故障精准快速诊断方法，具体包括如下过程：
[0034]获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；
[0035]其中，故障诊断模型为CNN
‑
LSTM模型，结合图1，对于故障诊断模型的训练过程具体为：
[0036](1)通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集。
[0037]本实施例中，在MATLAB/SIMULINK中搭建园区综合能源系统模型，模拟常见的综合能源系统故障，通过RT
‑
LAB实时仿真，采集获取综合能源系统各设备的故障数据集。
[0038]具体地，园区综合能源系统模型包括热力学系统模块和电力学系统模块。
[0039]热力学系统模块的设备主要包括：电制冷机组、溴化锂吸收式制冷机组、热泵、余热锅炉、蒸汽
‑
燃气联合循环电厂(CHP机组)和余热锅炉。
[0040]电力学系统模块的设备主要包括：风电机组、光伏机组、蓄电池组、氢燃料本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种综合能源故障精准快速诊断方法，其特征在于，包括：获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；其中，所述故障诊断模型为CNN
‑
LSTM模型，对于故障诊断模型的训练过程具体为：通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至CNN
‑
LSTM模型，初始化CNN
‑
LSTM模型的超参数；构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对CNN
‑
LSTM模型的超参数进行优化，最终得到训练好的CNN
‑
LSTM模型。2.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，获取综合能源系统运行数据，具体包括：制冷机组的制冷功率、用电功率、COP、制冷量、冷冻水供水温度和冷却水回水温度；CHP机组的发电功率、供热功率、热效率、制热量、烟气温度和热水供水温度、输出三相电压、三相电流；光伏机组输出三相电压和三相电流；风电机组输出三相电压、三相电流；蓄电池组输出三相电压、三相电流；氢燃料电池的气体温度、气体入口压力和电流。3.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集，具体为：在MATLAB/SIMULINK中搭建的园区综合能源系统模型，模拟常见的综合能源系统故障，通过RT
‑
LAB实时仿真，采集获取综合能源系统各设备的故障数据集；其中，园区综合能源系统模型包括热力学系统模块和电力学系统模块；热力学系统模块中的设备包括电制冷机组、溴化锂吸收式制冷机组、热泵、余热锅炉、蒸汽
‑
燃气联合循环电厂和余热锅炉；电力学系统模块中的设备包括风电机组、光伏机组、蓄电池组、氢燃料电池、电解槽、柴油机以及配电网。4.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，采用局部均值分解方法对新的故障数据样本集进行降噪重构，具体为：通过局部均值分解方法将采集的综合能源故障信号分解成k个PF分量和一个余量，然后通过自相关原理重构信号，得到去噪后的信号；其中，采用鲸鱼算法对PF分量的个数k进行优化，得到最优的k值。5.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，所述CNN
‑
LSTM模型具体为：将LSTM嵌入到CNN的最后一个池化层和全连接层之间，最后全连接层连接输出层进行故障诊断结果的输出；对于输入的去噪后的数据集，所述CNN
‑
LSTM模型依...

【专利技术属性】
技术研发人员：王瑞琪，马文骁，刘松，李岩，荣以平，朱峰，张军，鞠文杰，刘玉娇，王者龙，李国亮，王为帅，彭嘉怡，李丹，迪心怡，
申请(专利权)人：华北电力大学国网山东省电力公司枣庄供电公司，
类型：发明
国别省市：