【技术实现步骤摘要】
本专利技术涉及数据处理的，尤其是涉及一种基于小样本的电力新能源设备故障诊断方法及装置。
技术介绍
1、在电力新能源领域，设备的稳定运行和高效性是至关重要的，电力新能源设备，例如，风力发电机、太阳能板、储能设备等，都是高度复杂且昂贵的投资，而且它们在运行过程中会持续产生大量的操作数据，这些数据来自设备的各种传感器，例如温度传感器、压力传感器、电流和电压测量设备等，正确地分析和解释这些数据可以有效帮助检测设备的健康状况，预测潜在的故障，并采取预防措施，从而确保设备的长寿命和最大效率。
2、由于高质量的标注数据通常是稀缺的，因此设备故障不是一个常见的事件，这使得基于传统机器学习方法的故障诊断成为一个小样本问题，目前，相关技术提出，可以通过旋转、缩放和裁剪等传统的数据扩充方法进行数据扩充后对设备故障进行诊断，但上述方案中，传统的数据扩充方法缺乏能够生成高质量、多样性且与原始数据高度相关的新样本的能力，并且现有的分类方法难以有效处理小样本数据或捕获数据中的复杂非线性关系，此外，传统的神经网络主要依赖梯度下降法或其变体进行优化，容易受到梯度消失、梯度爆炸或局部最优的影响，从而导致对小样本的电力新能源设备进行故障诊断时，难以捕获和识别与故障相关的关键特征，进而导致故障诊断的精确度较低。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于小样本的电力新能源设备故障诊断方法及装置，可以显著提升故障诊断的精确度。
2、第一方面，本专利技术实施例提供了一种基于小样本的新
3、在一种实施方式中，基于改进德卡尔特的生成对抗网络包括：生成器、判别器和坐标映射器，基于改进德卡尔特的生成对抗网络，对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合的步骤，包括：通过坐标映射器将原始样本数据集合映射至高维空间，并利用生成器对高维空间中的原始样本数据集合进行数据括充处理，确定第一扩充数据；通过坐标映射器将第一扩充数据进行逆映射处理，以使第一扩充数据映射回原始维度，确定第二扩充数据；通过判别器对第二扩充数据进行数据鉴定处理，确定目标样本数据集合。
4、在一种实施方式中，利用生成器对高维空间中的原始样本数据集合进行数据括充处理，确定第一扩充数据的步骤，包括：基于熵加权算法确定原始样本数据集合对应的锚点集合，其中，锚点集合中包括数据主要特征对应的锚点；通过生成器，基于德卡尔特坐标在高维空间中的坐标转换规则，以各项锚点为中心，对原始样本数据进行数据括充处理，确定第一扩充数据。
5、在一种实施方式中，基于熵加权算法确定原始样本数据集合对应的锚点集合的步骤，包括：通过聚类算法在高维空间中确定候选锚点集合；通过熵加权算法，基于原始样本数据集合中各数据点所属类别的熵，对候选锚点集合进行熵加权处理，确定候选锚点集合中各候选锚点对应的熵权重；根据各候选锚点对应的熵权重和预设权重阈值，确定原始样本数据集合对应的锚点集合。
6、在一种实施方式中，基于目标样本数据集合，对预设的电力新能源设备故障诊断模型进行模型训练处理，确定目标故障诊断模型的步骤，包括： 根据液滴冲击与散溅机制的神经网络优化算法，对目标样本数据集合进行特征提取处理，确定目标特征集；将目标样本数据集合和目标特征集输入至预设分类器中，基于改进的低秩近似极限学习机算法，对分类器进行分类训练，确定故障分类模型。
7、在一种实施方式中，根据液滴冲击与散溅机制的神经网络优化算法，对目标样本数据集合进行特征提取处理，确定目标特征集的步骤，包括：通过液滴冲击与散溅机制的神经网络优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型；利用目标神经网络模型对样本数据进行特征提取处理，确定目标特征集。
8、在一种实施方式中，通过液滴冲击与散溅机制的神经网络优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型的步骤，包括：将神经网络的误差映射为液滴的能量，并通过模拟液滴冲击产生的液滴飞溅信息，确定液滴更新位置以及液滴更新位置对应的神经网络参数，其中，液滴飞溅信息包括：散溅液滴方向和散溅液滴距离；针对液滴更新位置对应的神经网络参数进行自适应调整处理和收敛检测处理，确定目标神经网络参数，并根据目标神经网络参数确定目标神经网络模型。
9、第二方面，本专利技术实施例还提供一种基于小样本的新能源设备故障诊断装置，装置包括：样本数据采集模块，获取电力新能源设备的原始样本数据集合，其中，原始样本数据集合包括：传感器数据集合和各项传感器数据对应的状态标签集合；数据扩充模块，基于改进德卡尔特的生成对抗网络，对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合；模型训练模块，基于目标样本数据集合，对预设的电力新能源设备故障诊断模型进行模型训练处理，确定目标故障诊断模型，其中，目标故障诊断模型用于对待分类的电力新能源设备故障数据进行故障分类处理，确定故障分类结果。
10、第三方面，本专利技术实施例还提供一种服务器，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面提供的任一项的方法。
11、第四方面，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项的方法。
12、本专利技术实施例带来了以下有益效果：
13、本专利技术实施例提供的一种基于小样本的电力新能源设备故障诊断方法及装置，该方法在获取电力新能源设备的原始样本数据集合后，基于改进德卡尔特的生成对抗网络，对原始样本数据集合进行数据扩充处理，以扩充原始样本数据集合，确定目标样本数据集合，并基于目标样本数据集合，对预设的电力新能源设备故障诊断模型进行模型训练处理，确定目标故障诊断模型，其中，目标故障诊断模型用于对待分类的电力新能源设备故障数据进行故障分类处理，确定故障分类结果。上述方法在对小样本的电力新能源设备的原始样本数据集合进行数据扩充时，由于基于改进德卡尔特的生成对抗网络，对原始样本数据集合进行数据扩充处理，相较于相关技术中，通过旋转、缩放和裁剪等传统的数据扩充方法进行数据扩充，可以生成高质量、多样性且与原始数据高度相关的新样本，从而优化训练模型，显著提升故障诊断的精确度。
14、本专利技术的其他特征和优点将在随本文档来自技高网...
【技术保护点】
1.一种基于小样本的电力新能源设备故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于改进德卡尔特的生成对抗网络包括：生成器、判别器和坐标映射器，所述基于改进德卡尔特的生成对抗网络，对所述原始样本数据集合进行数据扩充处理，以扩充所述原始样本数据集合，确定目标样本数据集合的步骤，包括：
3.根据权利要求2所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，利用所述生成器对高维空间中的所述原始样本数据集合进行数据括充处理，确定第一扩充数据的步骤，包括：
4.根据权利要求3所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于熵加权算法确定所述原始样本数据集合对应的锚点集合的步骤，包括：
5.根据权利要求1所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于所述目标样本数据集合，对预设的电力新能源设备故障诊断模型进行模型训练处理，确定目标故障诊断模型的步骤，包括：
6.根据权利要求5所述的基于小样本的电力新能源设备故障诊断
7.根据权利要求5所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，通过液滴冲击与散溅机制的神经网络优化算法，对预设初始化神经网络模型中的参数集合进行参数更新处理，确定目标神经网络模型的步骤，包括：
8.一种基于小样本的电力新能源设备故障诊断装置，其特征在于，所述装置包括：
9.一种服务器，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于小样本的电力新能源设备故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于改进德卡尔特的生成对抗网络包括：生成器、判别器和坐标映射器，所述基于改进德卡尔特的生成对抗网络，对所述原始样本数据集合进行数据扩充处理，以扩充所述原始样本数据集合，确定目标样本数据集合的步骤，包括：
3.根据权利要求2所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，利用所述生成器对高维空间中的所述原始样本数据集合进行数据括充处理，确定第一扩充数据的步骤，包括：
4.根据权利要求3所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于熵加权算法确定所述原始样本数据集合对应的锚点集合的步骤，包括：
5.根据权利要求1所述的基于小样本的电力新能源设备故障诊断方法，其特征在于，所述基于所述目标样本数据集合，对预设的电力新能源设备故障诊断模型进行模型训练处理，确定目标故障诊断模型的步骤，...
【专利技术属性】
技术研发人员：吕峰，于云霞，李茂轩，秦立刚，陈龙，刘杨，庄斌，于坤宇，
申请(专利权)人：国网山东省电力公司蒙阴县供电公司，
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。