一种基于趋势特征点的电力设备故障诊断方法
【技术领域】
[0001]本发明涉及设备故障诊断领域，具体是一种基于趋势特征点的电力设备故障诊断 方法。
【背景技术】
[0002] 随着电力系统规模的不断扩大，大型电力设备的数量逐步增加，对设备的可靠性 要求也日益提高，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。如果我们可以对故障做到及时诊断，就能够 为设备维修提供重要的依据，有效避免事故的发生发展，保证设备安全，提高企业设备的现 代化管理水平，给企业带来较大的经济效益和良好的社会效益。
[0003] 现有的故障诊断技术主要有专家系统、人工神经网络、贝叶斯网络、时间序列模式 匹配技术、Petri网、模糊集理论等方法
[0004] 传统的故障诊断专家系统，是一个具有大量的专门知识与经验的程序系统，.它应 用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，将知识与 经验编成一系列产生式规则，进行推理和判断，模拟人类专家的决策过程，以便于解决那些 需要人类专家处理的许多系统设备的故障诊断问题。专家系统是发展最早的人工智能系统 之一，能够有效地模拟故障诊断专家完成故障诊断的过程，其采用的基于规则的知识表示 方法具有简单直观的优点。但专家系统需要很多复杂高深的专业知识以及长期积累的经 验，这超出一般工程师所掌握的范围，从而变得不易操作。专家系统不具备学习能力，知识 获取比较困难。专家系统在推理时要搜索、匹配知识库内一定的规则集才能得出结论，所以 当系统比较大时完成诊断的速度将非常慢。
[0005] 人工神经网络由于具有模拟任何连续非线性函数的能力和利用样本学习的能力， 因而它已被用于复杂设备的故障诊断当中。人工神经网络是一种模仿动物神经网络行为特 征，进行分布式并行信息处理的算法数学模型。它依靠系统的复杂程度，通过调整内部大量 节点之间相互连接的关系，从而达到处理信息的目的。基于人工神经网络的方法适用于故 障类型和信号之间逻辑表述困难和专家经验不丰富的场合，将知识的表示与获取融于一 身，不仅能实现知识的自动获取，而且有很高的推理速度。但是神经网络在使用时需要大量 的样本来学习，且学习算法收敛的速度一般比较慢，此外知识表示隐含，不便于人类专家检 验，而且它的灵活性很差，系统的任何变化，都必须重新进行学习。
[0006] 贝叶斯网络是基于概率分析、图论的一种不确定性知识表达的推理模型，它将因 果知识和概率知识相结合来表示事物。它是一种基于网络结构的有向图解描述，能进行双 向并行推理，并能综合先验信息和样本信息，使得推理结果更为准确可信。因此，贝叶斯网 络在故障诊断领域中的应用具有重要意义。贝叶斯网络具有清晰直观，便于理解、发现数据 间的关系，在推理上有其特有的优势，比较适用于不确定性和不完备信息下进行有效的诊 断决策。但是贝叶斯网络方法要求给出事件的先验概率和条件概率，这些数据很难获得，因 此应用受到了限制。
[0007] 时间序列是一串按时间先后顺序有序排列的观测值。时间序列模式匹配是从从时 间序列数据库中查找与给定的模式序列相同或相似的序列的过程，并分为准备和匹配两个 阶段。准备阶段主要包括时间序列的模型表示和数据预处理;匹配阶段是指在模型表示的 基础上使用匹配算法进行模式匹配，并直观地输出结果。如果将故障诊断中的故障样本看 作时间序列，则故障诊断问题可转换为模式匹配问题，即可以使用时间序列模式匹配技术 来解决故障匹配问题。
[0008] 时间序列模式匹配技术为解决故障诊断问题提供了另外一条有效途径，且该技术 对观测值之间的相互依赖性也进行了一定程度的分析。但是模式匹配往往只是对某些特定 的数据集有效，缺乏解决实际问题的普适性。此外在模式匹配中有距离度量的需要，如何提 高序列之间距离度量的准确度和效率是研究的热点。模式匹配问题分为子序列匹配和全序 列匹配两类，兼顾两类问题的算法还是有限的，同时模型表示方法的有效性和相似性度量 的可靠性也是当前亟需解决的问题。
[0009] 本发明的目的在于克服现有技术的不足，提供一种基于趋势特征点的电力设备故 障诊断方法，从故障样本数据的趋势形态特点着手进行研究，避免复杂高深专业知识获取 困难的问题，且具有自学习能力，能自主地匹配已有故障类别。
[0010] 本发明提供了一种基于趋势特征点的电力设备故障诊断方法，依次包括如下步 骤：
[0011]步骤1、建立诊断模型步骤，整个建立诊断模型过程具体为：
[0012] 步骤1.1:从数据库中获取故障样本信息；
[0013] 步骤1.2:对故障样本数据进行平滑处理；
[0014] 步骤1.3:对平滑处理后的故障样本数据进行归一化处理；
[0015] 步骤1.4:对归一化处理后的故障样本数据提取趋势特征点；
[0016] 步骤1.5:存储生成故障知识库；
[0017] 步骤2、故障诊断运行步骤，具体为：
[0018] 步骤2.1:从实时数据库中获取异常样本数据；
[0019]步骤2.2:对异常样本数据进行平滑；
[0020] 步骤2.3:对平滑处理后的异常样本数据进行归一化处理；
[00211步骤2.4:对归一化处理后的样本数据提取趋势特征点；
[0022]步骤2.5:从故障知识库抽取故障样本趋势特征点；
[0023]步骤2.6 :异常样本与故障样本单测点定位:将异常样本第一个参数与故障样本相 应参数定位，依次以故障样本参数每个特征点为起点滑动一定大小的窗口，取出表征窗口 内数据形态的趋势特征点，将趋势特征点归一化，然后与异常样本参数所有特征点计算动 态时间扭曲距离DTW距离，得到一组动态时间扭曲距离DTW距离，选出最小的距离，伸缩窗 口，找到该窗口下对应的最小的距离，最后选出最小的距离和相应的位置，完成异常样本单 个参数匹配；
[0024]步骤2.7:异常样本与故障样本整体定位：固定异常样本一个参数定位位置，取故 障样本的与其他异常样本参数对应参数在该位置特征点与异常样本该参数特征点计算动 态时间扭曲距离DTW距离，所有参数在该位置处动态时间扭曲距离DTW距离求和得到一个距 离和，在所有参数位置得到多个距离和，最小的距离和即是异常样本与故障样本整体的匹 配位置；
[0025] 步骤2.8:计算异常样本与故障样本相似度；
[0026] 步骤2.9:得到异常样本所属故障类别，输出最终故障诊断结果。
[0027] 进一步地，所述步骤(1.1)具体步骤为:选择一个类满足故障类型数目P 2 2且每种 故障发生次数T 2 1的设备，并确定能表征该设备运行状态的η个参数，且对这η个参数进行 排序，此后顺序保持不变，找出每种故障每次发生的起止时间，从电厂实时数据库ΡΙ中读取 故障样本数据，获取了属于多个故障类型的k个故障样本；
[0028] 获取的k个故障样本中第一个样本，故障开始时间与结束时间内有m个时刻，在i时 刻观测到的设备η个参数看成一个η维的列向量，表示为：
[0029] [Xil，Xi2，Xi3, · · ·，Xin]T
[0030] 样本看成一个mX η的矩阵，具体形式如下：
[0032] 行代表m个故障时间，列代表η个设备参数，且每个故障样本的列维度相同为η，参 数也相同，行维度m值不尽相同，同时为每个故障样本赋予其故障类型标识ID，故障类型标 识ID确定方法为若全部样本中包含X种故障，则故障类型标识ID的数值范围为:1~M。
[0033] 进一步地，所述步骤(1.2)具体步骤为：
[0034]抽取故障样本数据F的第一个观测点列向量数据X1-，形式如下：
[0035] [ XII，X12，X13，· · ·，Xln]
[0036] 将列向量看作为数字序列，滑动时间窗口大 ，其中round为四舍 五入取整函数，若span为偶数，则再加 1;
[0037]确定完滑动窗口大小之后，进行实质数据平滑操作，span = 5:
[0038] 数值xn的平滑结果:Χη = χη
[0044] 数值xlm的平滑结果:Xlm=xlm
[0045] 最终获取的列向量数据的平滑结果也为一列向量，具体形式如下：
[0046] [Χη，Χ12，Χ13，· · ·，Xln]T
[0047] 故障样本数据所有的参数依次按照上述步骤完成平滑操作，这样故障样本数据F 转化为F'形式为：
[0049] 进一步地，所述步骤(1.3)具体步骤为：
[0050] 抽取平滑后的故障样本数据产的第一列向量数据X4，形式如下：
[0051] [Χιι,Χ2ι,Χ3ι,... ,Xmi]T
[0052] 然后计算X-i的平均值讲和标准差〇1，那么Xu归一化的结果：
[0054] 最终获取的列向量数据的归一化结果也为一列向量，具体形式如下：
[0055] [aii，a2i，ε?3?，· · ·，ami]
[0056] 故障样本数据所有的参数依次按照上述步骤完成归一化操作，这样故障样本数据 产转化为A，形式为：
[0058] 进一步地，所述步骤(2.1)具体步骤为：
[0059] 通过专家或预警系统、集散控制系统DCS发现设备某些关键参数出现异常，进行如 下的相关操作：
[0060] (2.1.1)确定设备异常产生时间以和异常发现时间t2;
[0061] (2.1.2)确定设备n#个异常参数，这n#个异常参数包含于设备的η个参数中；
[0062] (2.1.3)根据异常产生时间以和异常发现时间t2,以及数据库采样频率fs，得时间 点数m = fs X (t2_ti);
[0063] (2.1.4)获取异常样本数据为参数个数为η'时间点数目为m的样本数据，在j时刻 的全部参数数据可看成一个n#维的列向量，表示为：
[0064] A- = "·.，~,]
[0065] 样本数据文件包括两部分内容，一部分是m X f的矩阵，具体形式如下：
[0067]行代表m个故障时间，列代表f个设备异常参数个数；
[0068] 二部分是n#个异常参数在设备η个参数中的位置，形式为：
[0069] alarm0bsld= \jdx,id2,...,idn，
[0070] 进一步地，所述步骤(2.4)具体步骤为：
[0071] 对归一化后的异常样本数据同样需要提取趋势特征点包括局部重要点、极值点、 拐点、数据起点和终点，具体为
[0072] (2.4.1)提取局部重要点：采用与建模过程相同的方法提取局部重要点，设置参数
[0073] (2.4.2)提取极值点:采用与建模过程相同的方法提取极值点，设置参数分割块大
[0074] (2.4.3)提取拐点：采用与建模过程相同的方法提取拐点，设置参数拐点阈