【技术实现步骤摘要】
本专利技术涉及故障诊断，尤其涉及一种电力设备故障诊断方法、装置及设备。
技术介绍
1、随着现代社会和经济的发展，对能源的巨大需求促进了电力工业的飞速发展，使得电力系统向大容量、超高压和跨区域方向发展。然而，随着系统容量的增大和电力网规模的扩大，电力设备故障给人们的生产和现代生活所带来的影响越来越大，对系统的稳定运行也提出了越来越高的要求。
2、故障诊断技术的出现，为提高设备的可靠性和安全性开辟了一条新的途径。故障诊断技术能够通过设备的运行数据的分析，掌握设备的运行状态，从而判定产生故障的部位和原因，并预测预报未来状态的技术。
3、传统的电力设备故障诊断方法如专家系统技术、人工神经网络，均需要通过收集相关领域的专家知识和经验来分析故障发生的位置和故障类型，但这些检测方式无法充分挖掘和理解电力设备复杂数据间的关联性，导致电力设备诊断结果的准确性较低。
技术实现思路
1、本专利技术提供了一种电力设备故障诊断方法、装置及设备，用于解决传统的电力设备故障诊断方法无法充分挖掘和理解电力设备复杂数据间的关联性，导致电力设备诊断结果的准确性较低的技术问题。
2、本专利技术第一方面提供的一种电力设备故障诊断方法，包括：
3、获取电力设备的多个待检测运行属性数据，并将各所述待检测运行属性数据输入至预置故障诊断模型，所述预置故障诊断模型包括目标特征提取网络和目标分类器；
4、采用所述目标特征提取网络对各所述待检测运行属性数据进行特征强化提取操作
5、通过所述目标分类器对各所述目标隐状态进行分类诊断，输出对应的所述电力设备的故障诊断结果。
6、可选地，所述目标特征提取网络包括特征提取层、全连接层和特征交互层；所述采用所述目标特征提取网络对各所述待检测运行属性数据进行特征强化提取操作，生成各所述待检测运行属性数据对应的目标隐状态的步骤，包括：
7、采用特征提取层对输入的各所述待检测运行属性数据进行特征提取，生成对应的运行数据特征值；
8、通过全连接层对各所述运行数据特征值分别进行特征偏置，输出各所述运行数据特征值对应的权重系数；
9、采用预置softmax函数对各所述权重系数分别进行归一化处理，确定各所述权重系数对应的注意力系数；
10、对全部所述注意力系数进行降序排序，将前预置数量位的所述注意力系数对应的运行数据特征值作为关键特征值；
11、根据各所述关键特征值对应的注意力系数、各所述运行数据特征值对应的注意力系数和预置邻接矩阵函数，确定多个第一特征出现概率和多个第二特征出现概率；
12、采用各所述第一特征出现概率和各所述第二特征出现概率，计算聚合特征向量；
13、通过特征交互层采用门控循环更新机制和所述聚合特征向量对各所述关键特征值对应的初始隐状态分别进行迭代更新，输出对应的中间隐状态，并实时统计隐状态更新迭代次数；
14、当所述隐状态更新迭代次数达到预置第一次数时，将各所述中间隐状态作为对应的目标隐状态。
15、可选地，在所述获取电力设备的多个待检测运行属性数据，并将各所述待检测运行属性数据输入至预置故障诊断模型的步骤之前，包括：
16、获取电力设备的多个待训练运行属性数据，并对各所述待训练运行属性数据进行标注，确定对应的标注运行数据；
17、对各所述标注运行数据进行预处理，生成对应的标准化运行数据；
18、基于预置生成器，确定多个生成属性数据；
19、基于预置第一梯度检查策略，采用各所述标准化运行数据和各所述生成属性数据输入至初始特征提取网络进行训练，确定所述目标特征提取网络和多个待训练目标隐状态；
20、基于预置第二梯度检查策略，采用各所述待训练目标隐状态对初始分类器进行训练，确定所述目标分类器；
21、采用所述目标特征提取网络和所述目标分类器，构建所述预置故障诊断模型。
22、可选地，所述基于预置第一梯度检查策略，采用各所述标准化运行数据和各所述生成属性数据输入至初始特征提取网络进行训练，确定所述目标特征提取网络和多个待训练目标隐状态的步骤，包括：
23、将各所述标准化运行数据和各所述生成属性数据输入至初始特征提取网络进行特征强化提取，输出多个待训练目标隐状态；
24、将各所述待训练目标隐状态输入至预置softmax分类函数，生成对应的待训练预测类别；
25、采用各所述待训练预测类别、预置真实类别和预置交叉熵损失函数，计算特征提取网络损失值；
26、基于预置第一梯度检查策略，采用所述特征提取网络损失值对所述初始特征提取网络中的初始学习网络参数进行迭代更新，输出中间学习网络参数，并实时统计参数更新迭代次数；
27、当所述参数更新迭代次数达到预置第二次数时，将所述中间学习网络参数作为目标学习网络参数，并采用所述目标学习网络参数对所述初始特征提取网络进行更新，确定所述目标特征提取网络。
28、可选地，所述基于预置第二梯度检查策略，采用各所述待训练目标隐状态对初始分类器进行训练，确定所述目标分类器的步骤，包括：
29、将各所述待训练目标隐状态输入至初始分类器进行分类诊断，输出待训练故障诊断结果；
30、采用所述待训练故障诊断结果和预置分类器损失函数，计算分类器损失值；
31、基于预置第二梯度检查策略，采用所述分类器损失值对所述初始分类器的初始分类器权重进行迭代更新，输出中间分类器权重，并实时统计分类器权重迭代次数；
32、当所述分类器权重迭代次数达到预置第三次数时，将所述中间分类器权重作为目标分类器权重，并采用所述目标分类器权重更新所述初始分类器，确定所述目标分类器。
33、可选地，在所述基于预置生成器，确定多个生成属性数据的步骤之前，包括：
34、获取所述电力设备的多个真实运行属性数据；
35、基于所述初始生成器，确定各所述真实运行属性数据对应的待训练生成属性数据；
36、将各所述待训练生成属性数据输入至初始判别器，输出对应的属性数据判别值；
37、采用预置质量评分函数对各所述属性数据判别值进行质量评估，确定数据质量评分；
38、采用各所述真实运行属性数据和各所述待训练生成属性数据，计算数据参与度；
39、若所述数据参与度小于初始参与度限制阈值，则采用所述数据质量评分对所述初始参与度限制阈值进行更新，输出中间参与度限制阈值，并实时统计生成器迭代次数；
40、基于预置生成判别梯度检查策略，采用所述生成器迭代次数和预置交叉熵损失函数对所述初始生成器的初始生成器权重和所述初始判别器的初始判别器权重进行更新，确定中间生成器权重和中间判别器权重；
41、采用所述中间判别器权重对所述初始判别器进行更新，确定中间本文档来自技高网...
【技术保护点】
1.一种电力设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电力设备故障诊断方法，其特征在于，所述目标特征提取网络包括特征提取层、全连接层和特征交互层；所述采用所述目标特征提取网络对各所述待检测运行属性数据进行特征强化提取操作，生成各所述待检测运行属性数据对应的目标隐状态的步骤，包括：
3.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在所述获取电力设备的多个待检测运行属性数据，并将各所述待检测运行属性数据输入至预置故障诊断模型的步骤之前，包括：
4.根据权利要求3所述的电力设备故障诊断方法，其特征在于，所述基于预置第一梯度检查策略，采用各所述标准化运行数据和各所述生成属性数据输入至初始特征提取网络进行训练，确定所述目标特征提取网络和多个待训练目标隐状态的步骤，包括：
5.根据权利要求3所述的电力设备故障诊断方法，其特征在于，所述基于预置第二梯度检查策略，采用各所述待训练目标隐状态对初始分类器进行训练，确定所述目标分类器的步骤，包括：
6.根据权利要求3所述的电力设备故障诊断方法，其特征在于，在所述
7.根据权利要求6所述的电力设备故障诊断方法，其特征在于，还包括：
8.一种电力设备故障诊断装置，其特征在于，包括：
9.根据权利要求8所述的电力设备故障诊断装置，其特征在于，所述目标特征提取网络包括特征提取层、全连接层和特征交互层；所述采用模块，包括：
10.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的电力设备故障诊断方法的步骤。
...【技术特征摘要】
1.一种电力设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电力设备故障诊断方法，其特征在于，所述目标特征提取网络包括特征提取层、全连接层和特征交互层；所述采用所述目标特征提取网络对各所述待检测运行属性数据进行特征强化提取操作，生成各所述待检测运行属性数据对应的目标隐状态的步骤，包括：
3.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在所述获取电力设备的多个待检测运行属性数据，并将各所述待检测运行属性数据输入至预置故障诊断模型的步骤之前，包括：
4.根据权利要求3所述的电力设备故障诊断方法，其特征在于，所述基于预置第一梯度检查策略，采用各所述标准化运行数据和各所述生成属性数据输入至初始特征提取网络进行训练，确定所述目标特征提取网络和多个待训练目标隐状态的步骤，包括：
5.根据权利要求3所述的...
【专利技术属性】
技术研发人员：韩宏仲，朱强，王永益，唐俊杰，米玮，钟鑫，陈锦涛，袁野，
申请(专利权)人：广东电网有限责任公司广州供电局，
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。