【技术实现步骤摘要】
本专利技术涉及智能变电站，尤其是指一种变电站设备的故障识别方法、系统、介质和设备。
技术介绍
1、随着智能变电站技术的不断发展，自主巡检机器人和基于可见光、红外、声纹信息的设备故障识别技术等都已取得了实际应用，但是随着类脑智能概念的提出，传统的基于数据驱动的识别技术已无法满足变电站智能化的新要求。一方面，新时代的变电站智能化巡检系统应该与人类一样，随时间推移在工作中不断进步和完善，实现一个从见习到专家的转变过程，但是现有的变电站系统的功能还是十分有限。另一方面，变电站故障识别技术作为变电站系统的一项基本功能，因变电站的故障存在表观不显著、不同设备以及故障之间差异性较大，训练样本少或不均衡，未知潜在故障不可预测等特点，变电站故障识别技术的发展进入了瓶颈期。
2、在对变电站故障进行识别时，可以模仿巡检人员从见习到专家的过程，将变电站巡检定义为一个发现异常、判断异常和学习异常的三阶段过程。发现异常属于异常检测（anomaly detection，ad）研究领域，可以在无负样本情况下通过学习正样本分布来判断有无异常，目前padim和patchcore等方法已经可以提供较好的解决方案。在判断异常的阶段，异常样本经过专家分析和研讨被合理归类，并作为后期模型的训练样本。在学习异常的阶段，通常利用新数据学习新的识别，增强机器的故障能力，实现一种终生或渐进学习的状态，属于类增量学习（class-incremental learning，cil）研究领域。
3、cil研究如何在学习新知识过程中仍不忘记旧知识，其方法可归纳为以
4、目前深度学习正逐渐朝大模型方向发展，传统卷积神经网络（convolutionalneural networks，cnn）和长短期记忆网络（long short-term memory，lstm）正逐渐被拥有自注意力机制的模型取代。现有技术中有在自然语言处理研究中运用注意力机制的做法，通过对上下文依赖关系进行建模来提高模型在长文本理解和翻译方面的准确性。在图像方面，现有技术中也有在卷积神经网络中引入注意力机制，从空间、通道维度上建模空间和语义依赖关系，使在预测每一像素时都能考虑到空间和语义的上下文信息，实现更精准的分割能力。当前，也有越来越多的研究将注意力模型引入了变电站设备的检测中，但是，目前还没有专门针对变电站设备的故障识别模型，已有的模型可处理的故障类别非常少，对于故障特征不显著、正负样本不均衡、差异性较大的多类故障诊断无法实现准确识别；并且，现有的模型也不具备在线更新功能，每次面对新设备时都需要针对新设备、新故障重新设计模型和训练，效率低且整体识别率低。
技术实现思路
1、为此，本专利技术所要解决的技术问题在于克服现有技术中的不足，提供一种变电站设备的故障识别方法、系统、介质和设备，可以分层对故障类别进行识别、实现整体模型的实时更新，在加快模型的识别速度的同时增加模型的准确率。
2、为解决上述技术问题，本专利技术提供了一种变电站设备的故障识别方法，包括：
3、构建故障识别模型，所述故障识别模型包括设备识别层和故障识别层，所述故障识别层包括多个不同的专家网络；所述设备识别层为门控网络，用于识别输入图像中的设备类别；不同的专家网络分别对应所述门控网络识别出的不同的设备类别，经过所述门控网络分类后的输入图像根据识别出的设备类别输入对应的专家网络得到不同类别下的故障类别识别结果；
4、获取待识别变电站设备的图像并分为训练集和测试集，使用训练集训练所述故障识别模型得到训练完成的故障识别模型，将测试集输入训练完成的故障识别模型得到变电站设备的故障识别结果；
5、当某一类别的设备出现新故障类别时，在该设备对应的专家网络的输出层新建一个神经元，结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络。
6、在本专利技术的一个实施例中，所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，
7、所述残差模块为预训练后的残差网络，用于提取输入图像的特征向量；预处理模块用于对所述特征向量进行标准化和非线性映射处理，编码器的输出后设置非线性激活函数relu，解码器的输出后设置非线性激活函数sigmod。
8、在本专利技术的一个实施例中，在训练所述故障识别模型中的门控网络时，损失函数为：
9、，
10、其中，为训练门控网络时的损失函数，x表示所述编码器的输入向量，表示所述解码器的输出向量，为编码器的输入向量的第 i维分量，为解码器的输出向量的第 i维分量。
11、在本专利技术的一个实施例中，所述编码器和解码器组成自动编码机，自动编码机的数量为已知的设备类别的数量；在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，所述设备输出模块的输出概率的计算方法为：
12、计算所述编码器的输入向量和所述解码器的输出向量间的欧氏距离作为重建误差：
13、，
14、其中，表示第 i个自动编码机的重建误差，表示第 i个自动编码机中编码器的输入向量，表示第 i个自动编码机中解码器的输出向量， t表示转置操作；
15、将重建误差输入softmax层，计算置信度为：
16、，
17、其中，为第 i个自动编码机的重建误差的置信度，exp表示以自然常数e为底的指数函数，为温度值参数；
18、选择置信度中的最大值作为所述设备输出模块的输出概率。
19、在本专利技术的一个实施例中，当出现新的设备类别时，在所述门控网络中新增一个所述自动编码机，在所述故障识别层新增一个所述专家网络，重新训练更新后的故障识别模型。
20、在本专利技术的一个实施例中，所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，
21、所述残差网络模块为预训练后的修改的残差网络，用于提取输入图像的特征向量；所述修改的残差网络为去除最后两个下采样操作且在最后两个残差块中使用膨胀卷积操作的残差网络；
22、所述双通道注意力模块包括空间注意力机制和通道注意力机制，所述残差网络本文档来自技高网...
【技术保护点】
1.一种变电站设备的故障识别方法，其特征在于，包括：
2.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，
3.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：在训练所述故障识别模型中的门控网络时，损失函数为：
4.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：所述编码器和解码器组成自动编码机，自动编码机的数量为已知的设备类别的数量；在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，所述设备输出模块的输出概率的计算方法为：
5.根据权利要求4所述的变电站设备的故障识别方法，其特征在于：当出现新的设备类别时，在所述门控网络中新增一个所述自动编码机，在所述故障识别层新增一个所述专家网络，重新训练更新后的故障识别模型。
6.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，
7.根据权利要求6所述的变电站设备的故障识别方法，其特
8.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述空间注意力机制计算得到的空间特征为：
9.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述通道注意力机制后计算得到的通道特征为：
10.根据权利要求1-9任一项所述的变电站设备的故障识别方法，其特征在于：所述结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本重新训练更新后的专家网络，具体为结合新故障的图像样本、旧故障的图像样本和新故障对应的正常图像样本建立总损失函数，所述总损失函数为：
11.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据新故障的图像样本建立的损失函数，具体为：
12.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据旧故障的图像样本建立的损失函数，具体为：
13.根据权利要求10所述的变电站设备的故障识别方法，其特征在于：所述根据新故障对应的正常图像样本建立的损失函数，具体为：
14.一种变电站设备的故障识别系统，其特征在于，包括：
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-13任一项所述的变电站设备的故障识别方法。
16.一种变电站设备的故障识别设备，其特征在于：包括存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-13任一项所述的变电站设备的故障识别方法。
...【技术特征摘要】
1.一种变电站设备的故障识别方法，其特征在于，包括：
2.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述门控网络包括残差模块、预处理模块、编码器、解码器和设备输出模块，
3.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：在训练所述故障识别模型中的门控网络时，损失函数为：
4.根据权利要求2所述的变电站设备的故障识别方法，其特征在于：所述编码器和解码器组成自动编码机，自动编码机的数量为已知的设备类别的数量；在将测试集输入训练完成的故障识别模型中的门控网络进行设备类别的识别时，所述设备输出模块的输出概率的计算方法为：
5.根据权利要求4所述的变电站设备的故障识别方法，其特征在于：当出现新的设备类别时，在所述门控网络中新增一个所述自动编码机，在所述故障识别层新增一个所述专家网络，重新训练更新后的故障识别模型。
6.根据权利要求1所述的变电站设备的故障识别方法，其特征在于：所述专家网络包括残差网络模块、双通道注意力模块和故障输出模块，
7.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述残差网络模块提取到的特征向量经过所述双通道注意力模块后得到最终的输出特征为：
8.根据权利要求6所述的变电站设备的故障识别方法，其特征在于：所述空间注意力机制计算得到的空间特征为：
9.根据权...
【专利技术属性】
技术研发人员：李琮，任志刚，胥明凯，于光远，刘昭，刘春明，刘晓，韦良，张雨薇，王万国，惠晓龙，孙世颖，赵晓光，
申请(专利权)人：国网山东省电力公司济南供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。