考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统与流程

本发明涉及电力系统中的故障预测方法及系统，尤其涉及一种电力设备故障概率预测方法及系统。

背景技术：

气体绝缘组合电器(gis)被广泛应用在电力系统中，其内部结构复杂，发生故障后检修难度大，容易造成重大损失。gis设备的故障原因多样，主要以绝缘缺陷为主，并伴有局部放电。依据局部放电信号分析其缺陷的严重程度，并进行风险评估，再根据评估结果进行有效预警，制定合理的检修策略，对保证设备的安全可靠运行具有重要意义。风险评估模型是结合概率对设备故障后可能产生的后果进行预测评估的模型。风险计算为设备故障率与设备故障后果的乘积。

随着局放带电检测技术的推广应用，变电站现场产生了大量的局部放电检测数据。可利用大数据平台积累的检测数据，对设备风险进行更准确的评估。当前国内外对风险评估的主要研究方向包括构建合理的评估模型和计算gis设备故障率。然而，针对gis设备进行风险评估或故障概率计算的研究较少。对输变电设备故障率的计算方法包括概率图模型、通过假设故障概率满足某种分布特征或状态量之间存在某种关联转移、利用实验数据进行建模预测等。

基于此，期望获得一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，该方法可以考虑绝缘缺陷类别与设备故障的关联性，从而获得更为准确的故障概率，适用于大数据平台下的工程应用。

技术实现要素：

本发明的目的之一是提供一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，该电力设备故障概率预测方法可以考虑绝缘缺陷类别与设备故障的关联性，通过对经过预处理的prps图谱数据提取其局部放电特征，随后采用卷积神经网络对局部放电特征进行缺陷分类，利用长短时记忆神经网络预测电力设备的条件故障率，并根据条件故障率获得电力设备的最终故障率。该电力设备故障概率预测方法由于基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性。另外，该电力设备故障概率预测方法可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果，非常适用于gis设备的风险评估。

根据上述发明目的，本发明提出一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其包括步骤：

(1)采集电力设备的prps图谱数据并对其进行预处理；

(2)基于经过预处理的prps图谱数据提取局部放电特征；

(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值p(dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在dk的条件下发生故障的概率p(f|dk)；

(4)基于下述公式获得电力设备的最终故障概率p(f)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n；p(dk)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，dk表示n类绝缘缺陷；p(f|dk)表示长短时记忆神经网络输出的电力设备在dk条件下发生故障的概率。

在本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法中，由于深度学习具有特征提取、数据降维的特点，可以从样本数据中自主学习得到特征表达，因此，可以被广泛应用。其中，卷积神经网络(convolutionalneuralnetworks,cnn)由于其局部连接、权重共享、合并池化的特征，因此，在本案中采用经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值p(dk)。此外，由于长短时记忆神经网络(longshorttermmemory,lstm)的网络特点能够学习长期依赖关系，因此，在本案中，通过训练的长短时记忆神经网络输出电力设备在dk的条件下发生故障的概率p(f|dk)。不同缺陷产生的故障率不同，因此，在本发明所述的技术方案中，结合不同绝缘缺陷的概率，利用概率公式得到最终故障率。

本发明所述的电力设备故障概率预测方法由于基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性。

另外，本发明所述的电力设备故障概率预测方法可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果，非常适用于gis设备的风险评估。

进一步地，在本发明所述的电力设备故障概率预测方法中，在步骤(1)中，预处理至少包括对prps图谱数据进行线性归一化。

进一步地，在本发明所述的电力设备故障概率预测方法中，采用无监督网络模型自编码器提取局部放电特征。

上述方案中，无监督网络模型自编码器可以对prps图谱数据进行预处理提取局部放电特征，例如自编码器隐层特征数为64，则最终提取得到64个局部放电特征。

进一步地，在本发明所述的电力设备故障概率预测方法中，电力设备至少包括gis设备，并且gis设备的绝缘缺陷类型数量n＝4。

上述方案中，考虑到电力设备故障受到多种因素影响，例如局部放电位置、过电压相关性、局部放电发展与时间相关性以及局部放电绝缘缺陷类型均会造成影响，而其中，局部放电绝缘缺陷类型对故障概率影响较大，因此，优选地采用gis设备的绝缘缺陷类型，gis设备的绝缘缺陷类型包括：悬浮放电、绝缘类放电、尖端电晕以及微粒放电四种。

进一步地，在本发明所述的电力设备故障概率预测方法中，卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。

进一步地，在本发明所述的电力设备故障概率预测方法中，对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数；通过反向传播算法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；输出分类层采用softmax分类器。

进一步地，在本发明所述的电力设备故障概率预测方法中，对长短时记忆神经网络进行训练包括：采集训练样本集数据进行训练，利用反向传播算法进行微调，优化模型参数。

相应地，本发明的另一目的在于提供一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测系统，通过该电力设备故障概率预测系统可以考虑绝缘缺陷类别与设备故障的关联性，从而获得较为理想的概率预测效果，非常适用于gis设备的风险评估。

根据上述发明目的，本发明提出一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测系统，其包括：

数据采集装置，其采集电力设备的prps图谱数据并对其进行预处理；

无监督网络模型自编码器，其基于经过预处理的prps图谱数据提取局部放电特征；

故障概率预测模块，其包括卷积神经网络模块、长短时记忆神经网络模块和故障概率输出模块，其中卷积神经网络模块接收输入的局部放电特征，输出电力设备具有某类绝缘缺陷的概率值p(dk)；长短时记忆神经网络模块接收输入局部放电特征，输出电力设备在dk的条件下发生故障的概率p(f|dk)；所述故障概率模块基于下述公式输出电力设备的最终故障概率p(f)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n；p(dk)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，dk表示n类绝缘缺陷；p(f|dk)表示长短时记忆神经网络输出的电力设备在dk条件下发生故障的概率。

进一步地，在本发明所述的电力设备故障概率预测系统中，电力设备至少包括gis设备，并且gis设备的绝缘缺陷类型数量n＝4。

进一步地，在本发明所述的电力设备故障概率预测系统中，卷积神经网络模块包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。

本发明所述的考虑绝缘缺陷类型与故障关联性的电力设备故障概率预测方法及系统具有如下所述的优点以及有益效果：

本发明所述的电力设备故障概率预测方法由于基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性。

此外，本发明所述的电力设备故障概率预测方法可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果，非常适用于gis设备的风险评估。

另外，本发明所述的电力设备故障概率预测系统也具有上述的优点以及有益效果。

附图说明

图1为本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法的原理示意图。

图2示意性地显示了本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法在一些实施方式中对卷积神经网络的训练过程示意图。

图3示意性地显示了本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率系统在一些实施方式中对长短时记忆神经网络的训练过程示意图。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。

图1为本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法的原理示意图。图2示意性地显示了本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法在一些实施方式中对卷积神经网络的训练过程示意图。图3示意性地显示了本发明所述的考虑绝缘缺陷类别与故障关联性的电力设备故障概率系统在一些实施方式中对长短时记忆神经网络的训练过程示意图。

如图1所示，并在必要时参考图2和图3，根据采集到的电力设备的i个月的prps图谱数据进行预处理，由于prps图谱用二维矩阵来表示局部放电特征，而该二维矩阵两个维度分别表示局部放电相位和周期，每个点的数值表示放电幅值。在本实施方式中，可以采用特高频检测系统作为数据采集系统采集电力设备的prps图谱数据，采集相位360度，相位分辨率5度，共采集50个工频周期，得到格式为72×50的二维矩阵。随后对prps图谱数据进行线性归一化，公式为：

式中：xmin表示二维矩阵中最小值，xmax表示二维矩阵中最大值，x表示矩阵中的原始数据，x’表示线性归一化后的数据。

需要说明的是，设备是否故障属于二分类问题，因此，定义设备未来某一段时间(例如一个月)发生故障，则该设备分类情况为1，否则为0。因此，二分类情况下模型可输出分类结果是1的概率，即所求的设备故障概率。

随后，通过无监督网络模型自编码器基于经过预处理的prps图谱数据提取局部放电特征，考虑到电力设备主要受gis设备的局部放电绝缘缺陷类型的影响较大，因此，在本案中，采用的电力设备至少包括gis设备，并且gis设备的绝缘缺陷类型数量n＝4，而上述缺陷包括悬浮放电、绝缘类放电、尖端电晕以及微粒放电共四种。

其中，经过预处理获得的prps图谱数据共14280条，11424条作为训练集数据，2856条作为测试集数据，自编码器隐层特征数为64，因此，最终提取得到64个局部放电特征。

构建卷积神经网络，卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。

随机初始化卷积神经网络，利用构建的卷机神经网络对训练集数据进行学习训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数。通过反向传播算法进行有监督微调，优化模型参数。其中，模型中卷积核尺寸均为3×3，激活函数采用不饱和非线性函数f(x)＝max(0,x)。池化层的尺寸为1×2，采用最大降采样方法。全连接层的神经元个数为1024。输出层选用适应于非线性多分类问题的softmax分类器。将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值p(dk)。

上述对卷积神经网络的训练过程可以参考图2。如图2所示，通过采集现场带电检测数据得到电力设备的prps图谱数据，随后进行线性归一化预处理，然后通过无监督网络模型自编码器基于经过预处理的prps图谱数据提取局部放电特征，对构建的卷积神经网络进行训练，随后得到训练完成的卷机神经网络模型，将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值p(dk)。

而关于对长短时记忆神经网络的构建、训练过程可以具体参考图3。其中，对于训练数据以及测试数据的获得过程如上所述，其通过采集得到的电力设备prps图谱数据经线性归一化预处理获得，随后通过无监督网络模型自编码器基于经过预处理的prps图谱数据提取局部放电特征。

对长短时记忆神经网络进行训练包括：采集训练样本集数据进行训练，利用反向传播算法进行微调，优化模型参数。具体来说，利用i个月的局部放电特征，对四种绝缘缺陷类型所对应的概率进行预测，即得到四个对应的条件故障概率。条件故障率指设备在属于某种缺陷的前提条件下，可能故障的概率。故障概率求解可看做故障二分类问题。对设备是否故障进行二分类，利用softmax分类器得到输出分类结果为1的概率，即设备的条件故障概率。具体来说：

构建长短时记忆网络模型，一共30个隐层，隐层单元为32。利用构建的模型对训练集数据进行学习训练，利用反向传播算法进行微调，并且可以通过最小化误差优化模型参数。训练数据的标签为1和0，其中1表示未来某一段时间(例如一个月)内设备发生故障，而0表示设备未来某一段时间(例如一个月)内设备没有发生故障。

长短时记忆神经网络中输入的训练集数据为提取得到的局部放电特征数据组成的时间序列，每个月的特征量为64个，训练数据集可以来自变电站现场局部放电带电检测，一共4272条样本数据；

基于下述公式输出电力设备的最终故障概率p(f)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n，在本实施方式中，n＝4；p(dk)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，dk表示n类绝缘缺陷；p(f|dk)表示长短时记忆神经网络输出的电力设备在dk条件下发生故障的概率。

此外，在一些实施方式中，考虑绝缘缺陷类别与故障关联性的电力设备故障预测系统包括：

数据采集装置，其采集电力设备的prps图谱数据并对其进行预处理；

无监督网络模型自编码器，其基于经过预处理的prps图谱数据提取局部放电特征；

故障概率预测模块，其包括卷积神经网络模块、长短时记忆神经网络模块和故障概率输出模块，其中卷积神经网络模块接收输入的局部放电特征，输出电力设备具有某类绝缘缺陷的概率值p(dk)；长短时记忆神经网络模块接收输入局部放电特征，输出电力设备在dk的条件下发生故障的概率p(f|dk)；所述故障概率模块基于下述公式输出电力设备的最终故障概率p(f)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n；p(dk)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，dk表示n类绝缘缺陷；p(f|dk)表示长短时记忆神经网络输出的电力设备在dk条件下发生故障的概率。

综上所述看出，本发明所述的电力设备故障概率预测方法由于基于数据驱动，避免了人工假设故障概率分布或构造状态量关联性，并且由于根据神经网络模型直接得到故障概率，因而，具有一定鲁棒性。

此外，本发明所述的电力设备故障概率预测方法可以针对不同局部放电类别进行故障概率预测，提升了概率预测效果，非常适用于gis设备的风险评估。

另外，本发明所述的电力设备故障概率预测系统也具有上述的优点以及有益效果。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。