一种基于循环神经网络的GIS故障预测方法与流程

本发明涉及一种循环神经网络的gis故障预测方法，属于预装式变电站
技术领域：
。
背景技术：
：近年来，伴随着电压等级的提高与用电量的上升，人民对于供电可靠性的要求有进一步的提高。气体绝缘开关柜gis(gasinsulatedswitchgear)因其占地面积小、可靠性高及抗震能力强等特点在配电环节中占据着重要的一个环节。一旦gis发生故障，将会导致大规模的电网瘫痪，给国民的日常生活与必要的工业生产造成重大影响。故障gis的维修不仅需要停电检修并拆除外部壳体进行维修，还会花费较长的维修时间，将会给国民经济进一步造成重大的损失。及时进行故障预测可以有效对gis故障进行排查，在gis故障危及电网前把危险解除。在此情况下，如何能够在gis设备故障发生前进行故障预测成为了配电安全的需求。在gis故障发生前迅速、准确地对故障类型及发生概率进行判断对于减少停电时间，提高维修效率和设备利用率具有至关重要的意义。与传统建模或少量数据的训练不同，深度学习能通过大量数据的训练来挖掘和学习数据内部的复杂结构，即特征提取。具体应用可以抽象为将原始数据、信号作为低层次的特征送入神经网络，把人们想要得到的信息作为高层表示的过程。深度学习的主要结构包含卷积神经网络(cnn)、深度置信网络(dbn)及循环神经网络(rnn)等。与cnn通过滑动窗口保留部分历史输入不同，本文采用的循环神经网络(rnn)能保留所有的历史输入，通过抽象历史输入之间的关联，具有很高的分类准确性。并且，rnn网络通用性好，对各种输入信号有着良好的识别效果，在解决时间序列相关的问题上得到了广泛的应用。目前rnn网络已被成功应用于自然语言处理、计算机视觉、疾病预测等领域中，取得了良好的效果。故障预测与语言处理和疾病预测相似，各种设备的传感器信号大多为时间序列，当前时刻的信号与历史数据有不可分割的联系，因此使用rnn网络恰好能够满足故障预测的需求。技术实现要素：本发明技术解决问题：针对现有gis故障预测技术的缺失，提出一种基于循环神经网络的gis故障预测方法，填补现有技术的空缺。本发明技术解决方案：一种基于循环神经网络的gis故障预测方法，包括数据处理模块与循环神经网络识别模块。在数据处理模块中使用数学函数赋值的方法建立训练样本，在循环神经网络识别模块中，首先构建循环神经模型结构，接着使用循环神经模型进行异常点检测，为训练样本数据贴上标签，再使用数据处理模块构建的训练样本对循环神经模型进行训练，调整模型参数，确定gis故障预测模型。最后将数据输入循环神经模型对gis进行故障预测。具体包括以下步骤：1)采集gis传感器上较长时间内的振动、气压、电流三种信号的数据，作为历史数据。2)在数据处理模块中，使用数学函数赋值的方法建立训练与测试样本矩阵。3)在循环神经网络识别模块中，首先确定循环神经模型结构，再使用循环神经模型进行异常点检测，为样本数据贴上标签，接着输入训练样本来调整模型参数，最后对循环神经模型输入测试数据，得出预测结果。上述步骤1)中，收集gis传感器较长一段时间，即183天及以上的gis振动、气压及电流数据进行汇总。上述步骤2)中的数据处理模块，包括以下步骤：21)对提取的振动、气压及电流信号的历史数据以天为单位进行采样；22)通过数学函数赋值的方法构造待训练循环神经模型的训练样本数据，并使用同样的方法构建测试数据；上述步骤22)中，用数学函数赋值来构建样本矩阵的方法为：采集同一种信号的两个不同传感器的故障波形，在两个故障波形函数a(1,t)与a(2,t)中分别提取几个采样点组合成一个五维的矩阵b。矩阵有180列分别代表180个样本。矩阵如下：其中b为输入矩阵，a(1,t)与a(2,t)分别为两个故障波形函数，t为历史数据的横坐标即天数。上述步骤3)中的具体包括以下步骤：31)确定循环神经模型具体结构，包括隐含层数目与每层神经元个数，并搭建好循环神经模型；构建的循环神经模型采用具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个；32)使用搭建好的循环神经模型进行异常点检测，为训练样本数据贴上标签；33)通过使用贴上标签后的训练样本数据输入循环神经模型对其进行训练，使其自动调整模型参数，将训练完成后的循环神经模型作为gis故障预测模型；34)将当前gis信号数据作为输入数据，输入gis故障预测模型中，通过gis故障预测模型对输入数据进行学习，最终得到当前时刻下gis可能隐含故障的概率与故障信号类型；异常点检测的方法为：在故障信号有微小的变化的时候检测出故障信号开始变化的点a，称之为故障信号起始点，接着检测故障真正发生的点b，为t＝b-a的时间段对应的样本贴上[0.1-1]的标签。上述异常点检测步骤为：321)首先根据经验选取异常点时刻v，且v值在时间上要偏晚；322)将数据输入循环神经模型进行第一次训练，留出v值与故障趋势起始点a之间的一段时间裕量m的数据不放入循环神经模型进行训练。假定选取的值为v1；323)将故障从异常时刻v1的输出值用p赋值，并令p值的变化与实际故障的变化趋势相同；324)采用函数p(t)赋值给从异常点到故障发生时刻b的数据,其中故障模型时域t＝b-v1；其中，自变量t表示从出现故障趋势开始的时间，从0变化到t，当t＝t时故障发生，因此t为从发现故障趋势到故障发生的时间；325)第一次训练完成后，放入同样的数据测试并观察输出值；326)循环神经此时已经检测出第一次选取的v1之前△t时间段内的故障趋势，令n为△t时间段内检测出故障趋势的数据数目，当△t时间段内，单位时间内有故障趋势的数据数目满足(其中的u为比例系数且u∈(0,1))时，令v2＝v1-△t，此时v2已经比v1更接近故障趋势起始点a；327)重新标签数据对网络进行训练，重复上述过程,直到或m时间段内数据全部训练完毕；328)单位时间内有故障趋势的数据数目或数据已全部训练时，停止更新v值，此时的v值已经无限接近于故障趋势起始点a的时刻。上述步骤324)中，最终的数据使用公式(1)进行赋值，由于在之前猜想的异常点v是偏晚的，所以p值要大一些，按公式(2)对公式(1)进行修正：其中自变量t表示从出现故障趋势开始的时间，b表示故障发生的时刻，v表示最终更新的v值。上述步骤328)中，判断具有故障趋势起始点的方法为：将待定时间点的输出值pd和设备健康状态时的输出平均值相比较，依据式(3)进行判断：其中pd为待定点输出值,pk为k时刻健康状态输出值,s为比例系数,并将s设定为略大于1的值，n为数据数目。上述步骤33)中，循环神经模型的训练过程，其具体步骤为：331)初始化：随机初始化循环神经模型参数，包括三个权重矩阵u,w,v和两个偏置矩阵b和c；332)正向传播：将训练样本数据输入循环神经模型，通过正向传播算法，得出初始模型参数下循环神经模型的预测值，用来与训练样本的标签作差来调整模型参数。具体步骤如下：3321)计算时刻t时模型的隐藏状态h(t)，h(t)可由输入x(t)和上一时刻的隐藏状态h(t-1)得到，其公式如下：h(t)＝σ(ux(t)+wh(t-1)+b)(5)其中激活函数σ一般为tanh,偏置矩阵b为线性关系的偏倚，权重矩阵u,w是循环神经模型的线性关系参数。x(t)代表在时刻t时训练样本的输入，h(t-1)代表t-1时刻模型的隐藏状态；3322)使用上述公式计算出的隐藏状态h(t)来计算时刻t时模型的输出o(t)，公式如下：o(t)＝vh(t)+c(4)其中权重矩阵v和偏置矩阵c均为循环神经模型参数。333)反向传播：对循环神经模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经模型参数，包括三个权重矩阵u,w,v和两个偏置矩阵b和c。具体步骤如下：3331)定义最终的损失为l，且其中l(t)为损失函数，t代表时刻，τ则代表最终时刻；3332)计算权值矩阵v和偏置矩阵c，具体公式如下：3333)对于权值矩阵w,u和偏置矩阵b进行计算，公式分别如下：其中δ(t)代表t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。334)反复迭代确定最终参数：在得到调整后的模型参数后，最终参数的确定具体步骤如下：3341)使用相同的训练样本重新输入调整过参数后的循环神经模型；3342)对比输出结果与样本标签之间的误差；3343)若误差满足要求，则确定模型参数；3344)若差值仍然较大不满足要求，则重复步骤332)和步骤333)对参数进行调整，直到误差达到要求；3345)确定最终的模型参数包括：权重矩阵u,w,v和偏置矩阵b和c，并将此时的循环神经模型作为gis故障预测模型。上述步骤34)中最终的预测输出形式如下：其中矩阵的三行a、b、c用来表示模式识别的结果，同时也代表当前gis故障发生的概率，a、b、c的值越接近1表示故障越容易发生，i代表在不同的时刻gis的状态及当时gis故障预测的结果。故障发生时，每种含有异常的信号编码如下：含有异常的信号abc电流异常001气压异常010振动异常100本发明所达到的有益效果：本发明所提出的一种基于循环神经网络的gis故障预测方法，包含了振动、气压与电流三种不同信号的异常所引发的故障。使用异常点检测的方法充分利用易于取得的大量无标签样本，并对其贴上标签，对以往获取有标签样本难度高、耗费人力物力的现象予以解决。并且，对于传感器实际应用过程中伴随的噪声信号，使用循环神经网络能够有效识别正常运行时传感器的噪声信号，并对噪声信号进行过滤使其不影响故障预测结果。利用循环神经网络对于时间序列数据的拟合能力，结合传感器当前信号与历史数据对于gis设备的故障进行预测，可以实现对测量数据的充分利用，提高预测精确度。整个方法具有较强的适应性和泛化能力，具有一定的社会价值和现实意义。附图说明：图1是本发明实现流程图；图2是循环神经模型训练过程图。具体实施方式：下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。如图1所示，一种基于循环神经网络的gis故障预测方法，包括以下步骤：步骤1：采集gis传感器上较长时间内的振动、气压、电流三种信号的数据，作为历史数据。步骤2：在数据处理模块中，使用数学函数赋值的方法建立训练与测试样本矩阵，其中，数据处理模块包括以下步骤；1)对提取的振动、气压及电流信号的历史数据以天为单位进行采样；2)通过数学函数赋值的方法构造待训练循环神经模型的训练样本数据，并使用相同的方法构造测试数据。数学函数赋值的方法如下：采集同一种信号的两个不同传感器的故障波形，在两个故障波形函数a(1,t)与a(2,t)中分别提取几个采样点组合成一个五维的矩阵b。矩阵有180列分别代表180个样本。矩阵如下：其中b为输入矩阵，a(1,t)与a(2,t)分别为两个故障波形函数，t为历史数据的横坐标即天数。步骤3在循环神经网络识别模块中，首先确定循环神经模型结构，再使用循环神经模型进行异常点检测，为样本数据贴上标签，接着输入训练样本来调整模型参数。具体包括以下步骤：1)确定循环神经模型具体结构，包括隐含层数目与每层神经元个数，并搭建好循环神经模型。构建的循环神经模型采用具有1个输入层，4个隐含层和1个输出层，每个隐含层中包含的神经元个数为10个。2)使用搭建好的循环神经模型进行异常点检测，为训练样本数据贴上标签，标签分别对应振动信号故障、气压信号故障及电流信号故障及正常。异常点检测方法为：在故障信号有微小的变化的时候检测出故障信号开始变化的点a，称之为故障趋势起始点，接着检测故障真正发生的点b，为t＝b-a的时间段对应的样本贴上[0.1-1]的标签。异常点检测方法步骤为：21)首先根据经验选取异常点时刻v，且v值在时间上要偏晚；22)将数据输入循环神经模型进行第一次训练，留出v值与故障趋势起始点a之间的一段时间裕量m的数据不放入循环神经模型进行训练。假定选取的值为v1；23)将故障从异常时刻v1的输出值用p赋值，并令p值的变化与实际故障的变化趋势相同；24)采用函数p(t)赋值给从异常点到故障发生时刻b的数据,其中故障模型时域t＝b-v1；其中，自变量t表示从出现故障趋势开始的时间，从0变化到t，当t＝t时故障发生，因此t为从发现故障趋势到故障发生的时间。并且，按公式(2)对公式(1)进行修正：其中自变量t表示从出现故障趋势开始的时间，b表示故障发生的时刻，v表示最终更新的v值；25)第一次训练完成后，放入同样的数据测试并观察输出值；26)循环神经此时已经检测出第一次选取的v1之前△t时间段内的故障趋势，令n为△t时间段内检测出故障趋势的数据数目，当△t时间段内，单位时间内有故障趋势的数据数目满足(其中的u为比例系数且u∈(0,1))时，令v2＝v1-△t，此时v2已经比v1更接近故障趋势起始点a；27)重新标签数据对网络进行训练，重复上述过程,直到或m时间段内数据全部训练完毕；28)单位时间内有故障趋势的数据数目或数据已全部训练时，停止更新v值，此时的v值已经无限接近于故障趋势起始点a的时刻。判断具有故障趋势起始点的方法为：将待定时间点的输出值pd和设备健康状态时的输出平均值相比较，依据式(3)进行判断：其中pd为待定点输出值,pk为k时刻健康状态输出值,s为比例系数,并将s设定为略大于1的值，n为数据数目。3)通过使用贴上标签后的训练样本数据输入循环神经模型对其进行训练，使其自动调整模型参数，将训练完成后的循环神经模型作为gis故障预测模型，具体步骤如下：31)初始化：随机初始化循环神经模型参数，包括三个权重矩阵u,w,v和两个偏置矩阵b和c；32)正向传播：将训练样本数据输入循环神经模型，通过正向传播算法，得出初始模型参数下循环神经模型的预测值，用来与训练样本的标签作差来调整模型参数。具体步骤如下：321)计算时刻t时模型的隐藏状态(t)，(t)可由输入x(t)和上一时刻的隐藏状态(t-1)得到，其公式如下：(t)＝σ(ux(t)+w(t-1)+b)(5)其中激活函数σ一般为tanh,偏置矩阵b为线性关系的偏倚，权重矩阵u,w是循环神经模型的线性关系参数。x(t)代表在时刻t时训练样本的输入，(t-1)代表t-1时刻模型的隐藏状态；322)使用上述公式计算出的隐藏状态(t)来计算时刻t时模型的输出o(t)，公式如下：o(t)＝v(t)+c(4)其中权重矩阵v和偏置矩阵c均为循环神经模型参数。33)反向传播：对循环神经模型进行反向传播计算，通过对之前的输出与样本标签进行对比计算出误差，从而根据误差使用梯度下降法迭代对于模型参数进行进一步修正，调整循环神经模型参数，包括三个权重矩阵u,w,v和两个偏置矩阵b和c。具体步骤如下：331)定义最终的损失为l，且其中l(t)为损失函数，t代表时刻，τ则代表最终时刻。332)计算权值矩阵v和偏置矩阵c，具体公式如下：333)对于权值矩阵w,u和偏置矩阵b进行计算，公式分别如下：其中δ(t)代表t位置的隐藏状态的梯度，函数diag表示取矩阵对角元素，代表t时刻的预测输出，y(t)代表t时刻样本的实际输出。34)反复迭代确定最终参数：反复迭代确定最终参数：在得到调整后的模型参数后，最终参数的确定具体步骤如下：341)使用相同的训练样本重新输入调整过参数后的循环神经模型；342)对比输出结果与样本标签之间的误差；343)若误差满足要求，则确定模型参数；344)若差值仍然较大不满足要求，则重复步骤332)和步骤333)对参数进行调整，直到误差达到要求；345)确定最终的模型参数包括：权重矩阵u,w,v和偏置矩阵b和c，并将此时的循环神经模型作为gis故障预测模型。4)将当前gis信号数据作为输入数据，输入gis故障预测模型中，通过gis故障预测模型对输入数据进行学习，最终得到当前时刻下gis可能隐含故障的概率与故障信号类型。最终的预测输出形式如下：其中矩阵的三行a、b、c用来表示模式识别的结果，同时也代表当前gis故障发生的概率，a、b、c的值越接近1表示故障越容易发生，i代表在不同的时刻gis的状态及当时gis故障预测的结果。故障发生时，每种含有异常的信号编码如下：步骤4对循环神经模型输入数据，得出预测结果。实施例1使用输入信号取自某电厂，包括振动信号，电流信号与气压信号。故障发生前5个时间单位的数据进行赋值，将赋值后的数据放入网络训练后，重新将所有数据放入网络测试，得到的结果如下：时间131132133134135136137138139140a0.1000.0350.0320.0430.2720.4010.5440.9990.9240.910c0000000000b0000000000健康状态的输出均值为0.0294，取比例系数s＝1.3，可以看出时间在131～135内，gis故障预测值a的五个数据有三个满足式(3)，于是将时间在131～140的数据重新标签，放入网络训练，重新将所有数据放入网络测试，结果如下：时间126127128129130131132133134135a0.0700.3690.2000.0620.7040.3540.2970.3780.4510.559b0000000000c0000000000将数据录入matlab并画出图像。当t＝120时故障未发生，但微小的信号变化开始，t＝140时故障发生，且含有异常信息的信号为振动信号。提供以上实例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理做出的各种等同替换和修改，均应涵盖在本发明的范围之内。当前第1页12