System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于cnn-bilstm及rf模型的电力变压器故障预警方法。
技术介绍
1、电力变压器是输变电系统的关键枢纽设备,及时发现电力变压器潜在的故障,有利于保证设备长期处于安全稳定的运行状态下。本专利技术为一种基于cnn-bilstm及rf模型的电力变压器故障预警方法,可为电力变压器状态检修提供有力手段。
技术实现思路
1、为了解决上述现有技术中存在的问题,本专利技术提出了一种基于cnn-bilstm及rf模型的电力变压器故障预警方法。
2、本专利技术的技术方案如下:
3、一方面,本专利技术提供一种基于cnn-bilstm及rf模型的电力变压器故障预警方法,包括如下步骤:
4、获取目标电力变压器油中溶解气体的历史监测数据;对获取油中溶解气体的历史监测数据进行数据预处理得到处理后的油中溶解气体监测数据;
5、构建cnn-bilstm模型;使用处理后的油中溶解气体监测数据对cnn-bilstm模型进行训练,得到训练好的油中溶解气体状态预测模型;
6、构建rf随机森林模型;基于历史监测数据构建状态评估数据,再对状态评估数据添加电力变压器故障状态标签形成第一训练集,使用第一训练集对构建rf随机森林模型进行训练,得到训练好的电力变压器故障预测模型;
7、通过油中溶解气体状态预测模型预测目标电力变压器在当前时刻的油中溶解气体状态预测值,输入至电力变压器故障预测模型中,预测目标电力变压器的故障状态。
9、作为优选,所述对获取油中溶解气体的历史监测数据进行数据预处理的步骤为:
10、将获取的油中溶解气体的历史监测数据进行归一化处理;对归一化处理后的监测数据进行重要度评估,提取特征数据;从提取特征数据中剔除重要性低于预设值的特征气体得到处理后的油中溶解气体监测数据。
11、作为优选,所述cnn-bilstm模型的训练为从处理后的油中溶解气体监测数据中划分出第二训练集,将第二训练集输入到cnn-bilstm模型中进行训练;其中cnn-bilstm模型由输入层、卷积层、池化层、双向lstm层、全连接层、dropout层和输出层组成;
12、输入层:将第二训练集中的数据分别输入到卷积层和双向lstm层;
13、卷积层:接收输入层传来的数据,进行卷积计算,得到卷积处理后的特征向量;卷积层中的每个单元在卷积后使用relu激活函数进行激活;
14、池化层:采用最大池化法进行子采样,对卷积层所提取的信息进行降维处理;
15、双向lstm层:双向lstm是由两层循环神经网络组成;接收输入层传来的数据,进行预测处理,得到处理后的特征向量;
16、dropout层:在全连接层和双向lstm层后加入dropout层,按照设定的概率将神经网络训练单元从所在神经网络中移除;
17、输出层:对经过卷积处理后的特征向量和经过双向lstm网络处理后的特征向量进行拼接,全连接层将每一个结点都与上一层的所有结点相连,把拼接好的特征综合起来,得到一个具体的数值,然后根据softmax分类器得出各个时序预测的油中溶解气体状态评估数据。
18、作为优选,所述rf随机森林模型的训练步骤如下:
19、数据准备:基于历史监测数据构建状态评估数据,再对状态评估数据添加电力变压器故障状态标签形成第一训练集;
20、构建随机森林:使用第一训练集构建rf随机森林模型,生成n棵决策树,每棵决策树根据gini指数作为决策节点的分类标准来使用不同的数据样本和特征子集进行训练;
21、决策树构建:对于每棵决策树,从训练数据集中随机选择一个样本子集,同时随机选择一部分特征子集;使用这些样本和特征子集来构建一棵决策树;
22、预测结果:随机森林中的每棵决策树都会给出一个类别预测结果;根据投票多数决定或者取所有决策树预测结果的平均值得出最终的电力变压器状态评估结果。
23、另一方面,本专利技术还提供一种基于cnn-bilstm及rf模型的电力变压器故障预警系统,包括:
24、基础信息获取模块,获取目标电力变压器油中溶解气体的历史监测数据;对获取油中溶解气体的历史监测数据进行数据预处理得到处理后的油中溶解气体监测数据;
25、油中溶解气体状态预测模块,构建cnn-bilstm模型;使用处理后的油中溶解气体监测数据对cnn-bilstm模型进行训练,得到训练好的油中溶解气体状态预测模型;
26、电力变压器故障预警模块,构建rf随机森林模型;基于历史监测数据构建状态评估数据,再对状态评估数据添加电力变压器故障状态标签形成第一训练集,使用第一训练集对构建rf随机森林模型进行训练,得到训练好的电力变压器故障预测模型;
27、通过油中溶解气体状态预测模型预测目标电力变压器在当前时刻的油中溶解气体状态预测值,输入至电力变压器故障预测模型中,预测目标电力变压器的故障状态。
28、作为优选,所述油中溶解气体的历史监测数据包括监测时间、氢气测量值、甲烷测量值、乙烯测量值、乙炔测量值、乙烷测量值。
29、作为优选,所述基础信息获取模块对获取的油中溶解气体的历史监测数据进行归一化处理;对归一化处理后的监测数据进行重要度评估,提取特征数据;从提取特征数据中剔除重要性低于预设值的特征气体得到处理后的油中溶解气体监测数据。
30、再一方面,本专利技术还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本专利技术任一实施例所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法。
31、再一方面,本专利技术还提供一种存储装置,用于存储一个或者多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如本专利技术任一实施例所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法。
32、本专利技术具有如下有益效果:
33、1、本专利技术利用人工神经网络的强非线性映射能力,实现对电力变压器状态特征时序数据的准确预测。
34、2、本专利技术电力变压器的故障机理较为复杂,油中溶解气体含量及含量比值与故障状态之间存在较为繁杂的对应联系。
35、3、本专利技术通过搭建rf模型以实现对电力变压器运行状态的精确评估,同时结合cnn-bilstm模型,实现对设备的状态精确预测及故障准确诊断。
本文档来自技高网...【技术保护点】
1.一种基于CNN-BiLSTM及RF模型的电力变压器故障预警方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于CNN-BiLSTM及RF模型的电力变压器故障预警方法,其特征在于:
3.根据权利要求1所述的基于CNN-BiLSTM及RF模型的电力变压器故障预警方法,其特征在于:
4.根据权利要求1所述的基于CNN-BiLSTM及RF模型的电力变压器故障预警方法,其特征在于:
5.根据权利要求1所述的基于CNN-BiLSTM及RF模型的电力变压器故障预警方法,其特征在于:
6.一种基于CNN-BiLSTM及RF模型的电力变压器故障预警系统,其特征在于,包括:
7.根据权利要求6所述的一种基于CNN-BiLSTM及RF模型的电力变压器故障预警系统,其特征在于:
8.根据权利要求6所述的一种基于CNN-BiLSTM及RF模型的电力变压器故障预警系统,其特征在于:
9.一种实体装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序
10.一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,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于CNN-BiLSTM及RF模型的电力变压器故障预警方法。
...【技术特征摘要】
1.一种基于cnn-bilstm及rf模型的电力变压器故障预警方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法,其特征在于:
3.根据权利要求1所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法,其特征在于:
4.根据权利要求1所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法,其特征在于:
5.根据权利要求1所述的基于cnn-bilstm及rf模型的电力变压器故障预警方法,其特征在于:
6.一种基于cnn-bilstm及rf模型的电力变压器故障预警系统,其特征在于,包括:
<...【专利技术属性】
技术研发人员:陈光勇,蒋祖立,涂少婷,柯拥勤,黄一民,陈嘉华,严秋问,
申请(专利权)人:国网福建省电力有限公司莆田供电公司,
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。