一种电力设备故障的辨识方法与流程

1.本发明电力设备故障识别技术领域，特别是一种电力设备故障的辨识方法。


背景技术：

2.近年来随着用户对供电质量的要求越发提高，配电网自身改革和发展的需求越发迫切，维持充足且可靠的电力供应是现代社会经济发展的基本前提，电力系统的安全稳定运行是其中关键的基本保证[1]。变压器作为配电网中的重要设备之一，能够对电能进行有效的转换和传输。一旦变压器发生故障，最直接的影响是造成大范围的停电，带来重大的经济损失[2]变压器的运行中，会受到外界环境和自身运行的影响，产生一些气体，如甲烷、乙烷、乙炔等。在正常运行和异常状态时，这些气体的浓度会呈现不同的比例形式。
[0003]
配电网故障辨识仍然存在不少研究难点：训练样本少导致配电网故障辨识准确率比较低，不同设备故障波形往往存在一定的相似性，人工判断往往需要大量的经验，因而准确率并不稳定。


技术实现要素：

[0004]
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
[0005]
因此，本发明所要解决的技术问题是：训练样本少导致配电网故障辨识准确率比较低，不同设备故障波形往往存在一定的相似性，人工判断往往需要大量的经验，因而准确率并不稳定。
[0006]
为解决上述技术问题，本发明提供如下技术方案：一种电力设备故障的辨识方法，其包括：采集变压器故障信息数据；将所述故障信息数据输入注意力机制，并通过注意力机制对所述故障信息数据进行处理，得到序列数据信息；对序列数据信息进行提取，并根据所述序列数据信息生成波形序列，并对所述波形序列中不同阶段的原始信息进行储存；根据所述原始信息和所述故障信息数据，对变压器故障类型进行辨识。
[0007]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：所述变压器故障信息数据包括配电网运行温度、压力、振动频率、角度和电流；将采集的所述变压器故障信息数据分为实际数据和仿真数据，仿真数据用于获得各种工况下的数据，实际数据用与验证模型性能；并且将实际数据和仿真数据同时输入注意力机制进行测试。
[0008]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：注意力机制用于对所述故障信息数据进行处理，注意力机制计算公式包括，
[0009][0010]
x
in
,x
out
∈rn×c[0011]
其中，n为特征维度，c为通道数，w∈rn为权重向量。
[0012]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：注意力机制更
新模块和重置模块，其中更新模块用于捕捉序列中的长期记忆，重置模块用于捕捉序列中的短期记忆，它们各自的计算方式为：
[0013]zt
＝σ(wzx
t
+u
zht-1
)
[0014]rt
＝σ(wrx
t
+u
rht-1
)
[0015]
其中，z
t
,r
t
分别为更新模块和重置模块的输出，wz,uz为更新模块中当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，wr,ur为重置模块中当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，σ为sigmoid激活函数；
[0016]
重置模块用于判定是否重置之前存储的隐含层信息，其计算公式为：
[0017]h′
t
＝tanh(wx
t
+r
t
uh
t-1
)
[0018]
其中，h
′
t
是当前阶段候选隐含层信息，即人类认知中的短期记忆，w,u分别为当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，r
t
为重置模块输出的控制信号，tanh为双曲正切激活函数；
[0019]
更新模块用于判定更新当前阶段的隐含层信息的方式，其更新方式包括长期记忆和短期记忆，其计算公式为：
[0020]ht
＝z
tht-1
+(1-z
t
)h
′
t
[0021]
其中，z
t
为更新模块输出的控制信号，h
t
为当前阶段的隐含层信息；
[0022]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：根据所述当前阶段的隐含层信息，计算当前阶段预测结果，其计算公式为：
[0023]yt
＝σ(w
oht
)
[0024]
其中，y
t
为当前阶段预测概率，wo为当前阶段隐含层信息h
t
对应权重；
[0025]
对每条配电网故障波形记录中包含的多个周期，并对预测各阶段的发生概率，获得最终的预测概率：
[0026]
y＝σ(wy)
[0027]
其中，y为最终的事件预测概率，w为基于注意力的各周期权重向量，y为各个阶段预测结果。
[0028]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：还包括，在发生多相故障时，对多相波形进行运算并获得对应的事件预测概率，其计算公式为：
[0029]
wy＝fy([m
ia
,m
ib
,m
ic
])
[0030][0031]
其中，m
ia
,m
ib
,m
ic
分别为a，b，c三相电流的最大幅值，fy为两层全连接神经网络拟合的非线性映射，并且在运算三相电压和三相电流时，各相使用的参数各自独立。
[0032]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：还包括，训练时直接使用交叉熵作为误差函数l，利用误差反向传播更新各个部分的权重矩阵，其计算公式为：
[0033][0034]
其中，y和分别为模型预测概率和真实类型标签，p(k)和分别为类型k对应
的预测概率和真实类型标签。
[0035]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：利用小波基函数对波形序列进行分解，然后将分解后的波形序列输注意力机制进行运算，输出类型预测结果。
[0036]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：所述故障信息数据采集的设备包括避雷器、变压器柔性电缆、变压器肘型头和架空线。
[0037]
作为本发明所述电力设备故障的辨识方法的一种优选方案，其中：在pscad/emtdc中搭建配电网10kv架空线路仿真系统，该系统基于ieee13节点模型；在所述仿真系统中随机选取参数以模拟各种条件下的配电网故障数据；并将采集的所述配电网故障数据作为仿真数据。
[0038]
本发明的有益效果：本发明通过在仿真系统中随机选取参数以模拟各种条件下的配电网故障数据，通过加入仿真数据增大样本量，增大对注意力机制的训练量，提高注意力机制准确识别的概率，通过注意力机制对实际数据进行筛选，然后通过借由记忆传递建立序列中不同阶段输入波形和故障类别概率间的关系，从而提升识别准确率。
附图说明
[0039]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0040]
图1为本发明第一个实施例提供的一种电力设备故障的辨识方法的基本流程示意图。
[0041]
图2为本发明第一个实施例提供的一种电力设备故障的辨识方法优化注意力机制预测概率模型图。
[0042]
图3为本发明第二个实施例提供的一种电力设备故障的辨识方法仿真数据与实际数据的分类。
[0043]
图4为本发明第二个实施例提供的一种电力设备故障的辨识方法注意力机制框架图。
[0044]
图5为本发明第二个实施例提供的一种电力设备故障的辨识方法避雷器本体炸裂击穿对应的波形。
[0045]
图6为本发明第二个实施例提供的一种电力设备故障的辨识方法避雷器上引线触碰横担对应的波形。
[0046]
图7为本发明第二个实施例提供的一种电力设备故障的辨识方法变压器柔性电缆烧毁对应的波形。
[0047]
图8为本发明第二个实施例提供的一种电力设备故障的辨识方法变压器肘型头绝缘击穿对应的波形。
[0048]
图9为本发明第二个实施例提供的一种电力设备故障的辨识方法架空线树线矛盾对应的波形。
具体实施方式
[0049]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0050]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0051]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0052]
实施例1
[0053]
参照图1、2，为本发明第一个实施例，该实施例提供了一种电力设备故障的辨识方法，包括：
[0054]
s1:采集变压器故障信息数据，所述故障信息数据采集的设备包括避雷器、变压器柔性电缆、变压器肘型头和架空线。
[0055]
在pscad/emtdc中搭建了配电网10kv架空线路仿真系统，该系统基于ieee13节点模型，设置系统频率为50hz，采样频率为4khz，采样长度为16个周波。
[0056]
仿真事件类型包括瞬时性故障、永久性故障和暂态干扰。
[0057]
仿真中随机选取参数以模拟各种条件下的配电网故障数据。变化参数包括噪声强度、短路电阻、故障起始角、故障位置、故障距离、故障电弧参数、负载参数、线路参数。此外，各种子类型也在采集范围，如不同故障相数(单相接地、相间、多相接地)和不同暂态干扰类型(负载变化、电容器投切)；可以将仿真数据中瞬时性故障、永久性故障和暂态干扰事件各采集120起，共计360起。
[0058]
实验数据的收集，整个数据集包含四种类型的设备：避雷器、变压器柔性电缆、变压器肘型头和架空线，其中故障原因包含雷击引起避雷器本体炸裂击穿、避雷器上引线触碰横担、接地故障引起变压器柔性电缆烧毁、接地故障引起变压器肘型头绝缘击穿、架空线树线矛盾。除了展示波形，这里给出各种事件类型对应的数量：避雷器故障有24起，变压器柔性电缆故障有18起，变压器肘型头故障有61起，架空线故障有22起，共计125起。
[0059]
其中，现场运行数据由配电网10kv架空线路上故障检测装置采集，其中电压采集原理为空间电容分压，电流采集原理为pcb罗氏线圈。该装置采样频率为4.1khz，每条记录长度为16个周波，包含4～5个周波的触发前信号和11～12个周波的触发后信号，触发方式为电压或电流波形幅值出现异常。。
[0060]
s2:所述变压器故障信息数据包括配电网运行温度、压力、振动频率、角度和电流；将采集的所述变压器故障信息数据分为实际数据和仿真数据，仿真数据用于获得各种工况下的数据，实际数据用与验证模型性能；并且将实际数据和仿真数据同时输入注意力机制进行测试。
[0061]
注意力机制用于对所述故障信息数据进行处理，注意力机制计算公式包括，
[0062][0063]
x
in
,x
out
∈rn×c[0064]
其中，n为特征维度，c为通道数，w∈rn为权重向量。
[0065]
注意力机制更新模块和重置模块，其中更新模块用于捕捉序列中的长期记忆，重置模块用于捕捉序列中的短期记忆，它们各自的计算方式为：
[0066]zt
＝σ(wzx
t
+u
zht-1
)
[0067]rt
＝σ(wrx
t
+u
rht-1
)
[0068]
其中，z
t
,r
t
分别为更新模块和重置模块的输出，wz,uz为更新模块中当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，wr,ur为重置模块中当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，σ为sigmoid激活函数；
[0069]
重置模块用于判定是否重置之前存储的隐含层信息，其计算公式为：
[0070]h′
t
＝tanh(wx
t
+r
t
uh
t-1
)
[0071]
其中，h
′
t
是当前阶段候选隐含层信息，即人类认知中的短期记忆，w,u分别为当前阶段输入x
t
和前一阶段隐含层状态h
t-1
对应的权重，r
t
为重置模块输出的控制信号，tanh为双曲正切激活函数；
[0072]
更新模块用于判定更新当前阶段的隐含层信息的方式，其更新方式包括长期记忆和短期记忆，其计算公式为：
[0073]ht
＝z
tht-1
+(1-z
t
)h
′
t
[0074]
其中，z
t
为更新模块输出的控制信号，h
t
为当前阶段的隐含层信息；
[0075]
根据所述当前阶段的隐含层信息，计算当前阶段预测结果，其计算公式为：
[0076]yt
＝σ(w
oht
)
[0077]
其中，y
t
为当前阶段预测概率，wo为当前阶段隐含层信息h
t
对应权重；
[0078]
对每条配电网故障波形记录中包含的多个周期，并对预测各阶段的发生概率，获得最终的预测概率：
[0079]
y＝σ(wy)
[0080]
其中，y为最终的事件预测概率，w为基于注意力的各周期权重向量，y为各个阶段预测结果。
[0081]
s3:在发生多相故障时，对多相波形进行运算并获得对应的事件预测概率，其计算公式为：
[0082]
wy＝fy([m
ia
,m
ib
,m
ic
])
[0083][0084]
其中，m
ia
,m
ib
,m
ic
分别为a，b，c三相电流的最大幅值，fy为两层全连接神经网络拟合的非线性映射，并且在运算三相电压和三相电流时，各相使用的参数各自独立。
[0085]
训练时直接使用交叉熵作为误差函数l，利用误差反向传播更新各个部分的权重矩阵，其计算公式为：
[0086][0087]
其中，y和分别为模型预测概率和真实类型标签，p(k)和分别为类型k对应的预测概率和真实类型标签。
[0088]
利用小波基函数对波形序列进行分解，然后将分解后的波形序列输注意力机制进行运算，输出类型预测结果，小样本条件下配电网故障辨识准确率比较低，通过仿真数据增
大样本量，并注意力机制进行筛选，然后通过借由记忆传递建立序列中不同阶段输入波形和故障类别概率间的关系，从而提升识别准确率。
[0089]
实施例2
[0090]
参照图3～9，为本发明第二个实施例，该实施例基于上一个实施例，共进行两种实验，分别使用仿真数据和实际数据，每种实验进行20次，每次随机划分训练集、验证集和测试集，划分比例为3：1：1，以消除事件类型分布的影响。
[0091]
模型控循环注意力网络训练流程如下：首先利用三层db4小波基函数对原始波形进行分解，利用最后一层细节系数计算畸变向量，再利用两层全连接神经网络对畸变向量进行映射获得权重向量。然后将波形输入模型控循环注意力网络输出类型预测结果。由于单起事件中存在三相电压、三相电流共6组波形，对每组波形进行上述运算，再对每组波形预测概率进行加权平均。需要说明的是，每组波形使用不同的网络参数，即本次实验一共训练了6个模型控循环注意力网络，分别用于处理三相电压和三相电流数据。同时，由于实际数据量太小，利用真实数据进行实验时使用的是基于仿真数据的预训练模型。
[0092]
图1：仿真数据表。
[0093][0094]
图2：实际数据表。
[0095][0096]
整个模型在tensorflow框架下进行，参数优化使用adam优化器，损失函数使用交叉熵，学习率为0.001。为了避免过拟合，加入了dropout层，丢弃率为0.2。输入波形数据首先经过小波去噪以及幅值归一化处理。模型控循环单元数量与周期数一致，对于仿真数据和实际数据而言均为16，每一阶段输入特征维度等于单周期采样点数，对于仿真数据和实际数据而言均为82。
[0097]
对每个波形而言，畸变向量到权重向量的非线性映射拟合采用两层全连接神经网络，两层隐含层神经元个数均为周期数。对于每个事件而言，电流幅值向量到三相权重向量
的非线性映射拟合采用两层全连接神经网络，两层隐含层神经元个数均为相数。这里畸变向量到权重向量的非线性映射在同类型波形间共享，电流幅值向量到三相权重向量的非线性映射在所有事件中共享。此外，模型训练在训练集中进行，超参数确定在验证集中进行，最终性能测试在测试集中进行。
[0098]
这里对实验中使用的评价指标进行说明：分类任务需要综合考虑准确率p和召回率r，两者的调和平均数即f1分数通常作为模型评价指标。其定义如下：p为模型判断为正的样本中分类正确率，r为实际正样本中模型检出率。对于多分类问题，平均f1分数为各类别f1分数的平均值。
[0099]
表中给出了模型控循环注意力网络的性能，这里对表中的类别进行说明，仿真类别1、2、3分布代表暂态故障、永久性故障和暂态干扰，实验类别1、2、3、4分别代表避雷器故障、变压器柔性电缆故障、变压器肘型头故障和架空线树线矛盾。可以看到该模型适用于仿真数据和实际数据中的各种事件类型。这是因为模型控循环注意力网络利用了注意力机制，使得模型专注于故障相电压和电流波形中畸变较为严重的周期，提高识别准确率的同时减少了对数据量的需求。此外模型控循环网络对时间序列的处理能力明显强于其他类型模型，其能充分考虑不同阶段的输入、输出之间的关系，因此更能挖掘波形数据中的规律，达到更好的识别效果。该模型为解决配电网故障识别中小样本学习这一关键问题提供了一种全新且有效的思路。
[0100]
此外，本发明还对比了其余三种常用的分类模型：支持向量机、梯度提升决策树和卷积神经网络。支持向量机模型的本质是通过核函数将样本映射至线性可分特征空间，并寻找可以最大化类间间隔的分类超平面。梯度提升决策树的核心思想是利用模型叠加不断减小预测误差来最终达到最佳效果。
[0101]
各模型实现细节如下：卷积神经网络在python环境中进行，使用tensorflow框架，其结构参数如下：假设采样总长度为n，则输入层尺寸为(1,n,6)。整个网络包含3层卷积层：第一层卷积核尺寸为(1,41)，步长为20，数目为40；第二层卷积核尺寸为(1,20)，步长为10，数目为20；第三层卷积核尺寸为(1,10)，步长为5，数目为10。整个网络包含2层全连接层：假设事件类型数为c，则两层全连接层中的神经元数目分别为256和c。对于基于实际数据的实验，由于训练数据较少，这里使用了基于仿真数据的预训练网络。
[0102]
首先对比了不同模型的f1分数，可以看到，模型控循环注意力网络模型的分类准确率明显优于其余三种模型。
[0103]
其次对比不同模型的平均f1分数分布情况，这一结果体现了模型的性能稳定性，即事件类型分布对模型性能的影响程度。可以看到，本发明所提方法最适合在配网故障辨识这一场景中使用。这是因为门控循环注意力网络的分类准确率在平均值附近波动，较为稳定。
[0104]
相比之下，支持向量机和梯度提升决策树的准确率整体水平较低，无法应用于实际场景中，卷积神经网络参数量高、数据需求大，其准确率受数据类型分布影响大
[0105]
重要的是，应注意，在多个不同示例性实施方案中示出的本技术的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力
等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
[0106]
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
[0107]
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
[0108]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。