一种基于气体组分的制造技术

本发明专利技术公开了一种基于气体组分的

【技术实现步骤摘要】
一种基于气体组分的GIS设备智能故障诊断方法及系统


[0001]本专利技术涉及智能监测和故障诊断
，特别是一种基于气体组分的
GIS
设备智能故障诊断方法及系统
。

技术介绍

[0002]传统的
GIS
设备故障检测依赖于人工经验判断，存在监测盲区，诊断延迟，无法实现轻微故障的早期预警
。
为了克服这些问题，并针对
GIS
设备与气体绝缘材料的特点，采用气体检测技术实现
GIS
设备状态监测是一种有效的手段来提高故障诊断效率并实现故障预警
。
[0003]目前，利用气体检测实现
GIS
设备状态评估的研究还不够深入，需要进一步研究相关技术与设备故障类型之间的内在联系机理
。
智能算法在设备状态检测与故障预测方面展现出巨大的应用潜力，但目前应用于
GIS
设备故障智能诊断的研究还较少
。

技术实现思路

[0004]鉴于现有的
GIS
>设备故障检测存在的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：包括，在
GIS
设备关键位置设置自动气体采样系统，定期采集气体样本，并使用气相色谱仪设备检测各组分浓度；对检测得到的原始气体浓度数据进行预处理，获得规范化的数据输入；从预处理后的数据中提取与不同故障模式相关的特征，确定最终的规范化特征向量；建立并训练多层卷积神经网络模型，使用验证集对模型进行调整和优化；将特征向量输入训练好的神经网络模型，输出初步故障模式识别结果；综合分析初步故障模式识别结果
、
气体浓度变化曲线和其他特征，获得更准确的故障诊断结果，并输出最终故障类型和严重程度级别；基于故障诊断结果自动生成故障诊断报告，并使用更多标准数据不断完善模型
。2.
如权利要求1所述的基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：所述对检测得到的原始气体浓度数据进行预处理包括以下步骤：对原始气体浓度数据进行异常值剔除和漂移校正；对每个气体组分的浓度数据分别进行归一化处理的具体公式如下：其中，
x
为原始浓度数据，
x
min
和
x
max
分别为气体组分浓度的最小值和最大值，
x'
是归一化后的值，映射到0‑1区间；根据气体组分之间的相关性对特征矩阵进行白化，消除冗余相关特征，并重构规范化特征矩阵；对重构后的规范化特征矩阵进行缺失值补全
。3.
如权利要求1所述的基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：所述确定最终的规范化特征向量包括以下步骤：收集预处理后不同故障模式下的样本数据，并建立带标签的训练数据集；在预处理后的特征矩阵中，提取与每个故障标签相关的特征子集；对各故障特征子集进行交叉验证，评估其区分对应故障模式的能力，并选择验证效果最佳的特征子集；组合所有故障模式下效果最佳的特征子集，构成候选特征集；利用距离度量方法，在候选特征集中选择能够区分多个故障模式的最优特征组合；将最优特征组合进行标准化处理，构成最终的规范化特征向量，作为神经网络模型的输入
。4.
如权利要求1所述的基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：所述建立并训练多层卷积神经网络模型包括以下步骤：根据规范化特征向量，设置神经网络模型输入层的节点数量和结构；建立多层卷积神经网络模型，并使用训练集和验证集分别对模型进行训练和优化；在测试集上评估训练好的多层卷积神经网络模型的性能表现，并根据测试结果进一步调整模型参数；保存训练好的多层卷积神经网络模型
。5.
如权利要求4所述的基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：所述
使用训练集和验证集分别对模型进行训练和优化包括以下步骤：将训练集中的规范化特征向量和对应的标签数据输入神经网络模型，计算模型的输出与真实标签之间的差异，具体公式如下：其中，
y
i
为第
i
个样本的正类真实标签，取值0或1，为第
i
个样本被预测为正类的概率，1‑
y
i
为第
i
个样本的负类真实标签，为第
i
个样本被预测为负类的概率，
N
为训练样本数；通过反向传播算法计算损失函数关于模型参数的梯度，并通过使用梯度下降算法更新参数；根据所选择的优化器和学习率更新模型的参数，并在每个轮次结束后，计算训练集和验证集上的损失值和准确率；用验证集进行模型优化，直至验证集上的损失值没有下降
。6.
如权利要求5所述的基于气体组分的
GIS
设备智能故障诊断方法，其特征在于：所述输出初步故...

【专利技术属性】
技术研发人员：张英，王为，王明伟，黄杰，徐龙舞，姚望，姚翔曦，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：