技术特征：
1.基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述方法包括：步骤一：采集变电站设备运行数据，进行数据预处理，构建样本训练数据集和随机潜在数据集；步骤二：构建基于双向长短期记忆网络和注意力机制的ambi-gan集成深度生成模型；步骤三：训练ambi-gan集成深度生成模型；步骤四：向训练好的模型输入测试数据，计算模型的总损失l
test
；步骤五：通过1-l
test
得到鉴别分数，鉴别分数超过预设值则判断异常。2.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤一中数据预处理包括：将输入数据分为样本训练数据集和随机潜在数据集，样本训练数据集中的所有数据都是正常的，随机潜在数据集中存在异常数据，使用长度为n的滑动时间窗将所有数据划分为若干个等长的子序列。3.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤二包括：步骤2.1、构建bi-lstm结构；步骤2.2、在bi-lstm结构加入注意力机制得到ambi-lstm结构；步骤2.3、分别利用ambi-lstm结构得到生成器和鉴别器，生成器和鉴别器整体构成ambi-gan集成深度生成模型。4.根据权利要求3所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.1包括：构建双向lstm网络作为bi-lstm结构，其中，双向lstm网络的输入为x＝{x1，...x
n
}，x
n
表示第n个时刻的输入，所述bi-lstm结构的隐藏层状态为lstm结构的隐藏层状态为其中，lstm
backward
为后向lstm，lstm
forward
为前向lstm，x
t
表示第t个时刻的输入，表示第t+1时刻后向lstm的隐藏状态，表示第t-1时刻前向lstm的隐藏状态；n个时刻的隐藏层状态输出为5.根据权利要求4所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.2包括：通过公式设置bi-lstm结构的输入权重，从而在bi-lstm结构加入注意力机制得到ambi-lstm结构；其中，w
i
表示第i个时刻bi-lstm结构的权重参数，softmax为归一化函数，bi-lstm(x，h)表示bi-lstm结构的输出；ambi-lstm结构的输出为
其中，表示第i个时刻输入矩阵的转置，表示第i个时刻隐藏状态矩阵的转置。6.根据权利要求5所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤三包括：步骤3.1、生成器的输入为随机潜在数据集，计算生成器的数据分布均值；步骤3.2、设计鉴别器的鉴别模型；步骤3.3、根据鉴别模型设置目标函数，不断调整网络的权重参数和数据分布均值，使生成器的输出样本的均值与样本训练数据集的均值不断接近，使目标函数迭代达到纳什均衡，则停止训练。7.根据权利要求6所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤3.1包括：生成器的输入样本z＝{z1，...z
n
}为随机潜在数据集中的数据序列，生成器的输出样本的均值为其中，z
i
为输入到生成器中的第i个数据，p(
·
)为输出的概率密度函数，log(
·
)为对数函数。8.根据权利要求7所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤3.2包括：当鉴别器的输入为样本训练数据集，则鉴别器的鉴别模型为e
x
～p
data(x)
log(d(x))其中，p
data(x)
表示输入数据x的概率分布，e
x
～p
data(x)
表示满足p
data(x)
分布的变量x的均值，d(x)表示鉴别器对x的输出；当鉴别器的输入为生成器的输出g(z)，则鉴别器的鉴别模型为e
x
～p
z(z)
log(1-d(g(z)))其中，p
z(z)
表示随机潜在数据z的概率分布，e
x
～p
z(z)
表示满足p
z(z)
分布的z的均值，d(g(z))表示鉴别器对g(z)的输出。9.根据权利要求8所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤3.3包括：构建如下目标函数min
g
max
d
v(d，g)＝e
x
～p
data(x)
log(d(x))+e
x
～p
z(z)
log(1-d(g(z)))将生成器的输出g(z)作为鉴别器的输入，不断调整网络的权重参数和数据分布均值，使生成器产生的数据可以被鉴别器判别为真实数据，即目标函数迭代达到纳什均衡，则停止训练。10.根据权利要求9所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤四包括：将原始样本测试数据直接输入训练好的模型，通过公式将原始样本测试数据直接输入训练好的模型，通过公式计算鉴别损失值，其中，表示模型子序列n＝{n
i
，i＝
1，2，...，n}进行了k次迭代的结果，x
test，i
代表原始测试数据中的第i个数据，代表生成器的输出；通过公式计算总损失，其中，λ表示可调参数，表示重建损失。
技术总结
本发明公开了基于集成深度生成模型的变电站设备故障诊断方法，所述方法包括：采集变电站设备运行数据，进行数据预处理，构建样本训练数据集和随机潜在数据集；构建基于双向长短期记忆网络和注意力机制的AMBI-GAN集成深度生成模型；训练AMBI-GAN集成深度生成模型；向训练好的模型输入测试数据，计算模型的总损失L
技术研发人员：刘鑫 黄海宏 常文婧
受保护的技术使用者：国网安徽省电力有限公司 国网安徽省电力有限公司超高压分公司 国网智能电网研究院有限公司
技术研发日：2022.08.23
技术公布日：2022/11/25