基于深度学习网络的电力设备故障检测方法及系统与流程

本发明涉及故障检测，尤其涉及一种基于深度学习网络的电力设备故障检测方法及系统。

背景技术：

1、在电力系统中，电力设备的稳定运行对于确保系统的安全性至关重要，对电力设备进行故障检测，以及时获知电力设备是否发生故障，当电力设备发生故障时，就需要对其进行修复，从而避免发生故障的电力设备继续运行，杜绝安全隐患，但在实际应用中，设备的复杂性和运行环境的多样性使得设备故障的检测难度较大。

2、为提高故障检测的准确性，现有技术中公开号为cn115979456a的发明申请公开了一种电力设备的故障检测方法、装置及设备，收集电力设备的多个目标维度的数值，检测与电力设备对应的故障级别，即采用机器学习技术检测电力设备对应的故障级别，能够提高电力设备的故障检测结果的准确性。

3、在实际应用中，电力设备过热可能是由故障导致，但电力设备的故障情况不仅仅与温度存在关联，其他维度的特征数据也可反映电力设备的相关故障，例如，对于电动机故障诊断，振动传感器能够检测机器振动，机器振动数据反映机械不平衡故障，电流和电压传感器能够检测出电力设备的电流、电压，电流、电压数据能够反映电气故障，多维度的数据一般都会对应设置一个阈值，在数据超出阈值的情况下只能判断出该数据异常，不能直接判断出电力设备是否存在故障，通过阈值进行故障判断的方式较为单一，故障诊断准确度不高。

技术实现思路

1、本发明的目的在于提供一种基于深度学习网络的电力设备故障检测方法及系统，旨在解决传统故障检测技术通过设置阈值的方式只能直接得出数据会有异常，无法直接判断电力设备是否存在故障，存在故障判断的方式较为单一，故障诊断准确度不高的问题。

2、第一方面，本发明提供一种基于深度学习网络的电力设备故障检测方法，所述方法包括：

3、构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积神经网络构建故障分类模型；

4、选取观测时段，以获取电力设备在所述观测时段内的状态参数数据，并根据所述状态参数数据形成第一多维时间序列，所述第一多维时间序列包含当前时间节点以及过去至少一个时间节点的状态参数数据，将所述第一多维时间序列输入至所述深度学习模型，得到与每个时间节点分别对应的故障概率预测值；

5、根据所有时间节点的故障概率预测值获取故障系数，并根据所述故障系数判断所述电力设备是否存在故障；

6、若所述电力设备存在故障，则将与每一时间节点分别对应的故障概率预测值输入到所述故障分类模型中，得到与所述观测时段对应的故障类别集合，并根据所述故障类别集合获取当前时间节点的故障类别。

7、进一步地，所述构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积神经网络构建故障分类模型的步骤包括：

8、对任意时间点t，收集电力设备的各状态参数从时间点t-n到t的历史数据，形成第二多维时间序列；

9、将所述第二多维时间序列输入到记忆模块，经过时间维度的特征提取并输出至卷积神经网络内，依次进行局部特征提取、高级特征提取得出故障概率预测值；

10、根据故障概率预测值调整记忆模块、卷积神经网络中各层权值。

11、进一步地，所述将所述第二多维时间序列输入到记忆模块，经过时间维度的特征提取并输出至卷积神经网络内，依次进行局部特征提取、高级特征提取得出故障概率预测值的步骤包括：

12、在记忆模块中，时间维度的特征提取过程如下：

13、通过以下公式计算遗忘门：

14、；

15、通过以下公式计算输入门和当前时间点t的候选细胞状态：

16、；

17、；

18、通过以下公式利用遗忘门、输入门、候选细胞状态更新当前时间点t的细胞状态：

19、；

20、通过以下公式计算输出门并更新当前时间t的隐藏状态：

21、；

22、；

23、式中，为遗忘门，为输入门，为时间点t的候选细胞状态，为时间点t的细胞状态，为输出门，为时间点t的隐藏状态，为sigmoid函数，为时间点t-1的隐藏状态，为时间点t的状态参数的实时数据，、、、、、、、均为记忆模块中的可学习参数，tanh为激活函数，为时间点t-1的细胞状态。

24、进一步地，所述将所述第二多维时间序列输入到记忆模块，经过时间维度的特征提取并输出至卷积神经网络内，依次进行局部特征提取、高级特征提取得出故障概率预测值的步骤还包括：

25、将时间点t的隐藏状态代入卷积神经网络中，所述卷积神经网络设置为两层；

26、在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行非线性变化，得到输出值：

27、；

28、；

29、式中，、为第一层卷积神经网络的可学习参数，为第一卷积值，a为输出值，relu为激活函数；

30、在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmax函数将卷积值转化为故障概率预测值：

31、；

32、；

33、式中，、为第二层卷积神经网络的可学习参数，为第二卷积值，p为故障概率预测值。

34、进一步地，所述根据所有时间节点的故障概率预测值获取故障系数，并根据所述故障系数判断所述电力设备是否存在故障的步骤包括：

35、根据以下公式获取获取故障系数：

36、；

37、式中，为第t个时间点的故障概率预测值，t表示观测时段，y表示观测时段下的故障系数。

38、判断所述观测时段下的故障系数是否大于预设故障系数阈值；

39、若所述观测时段下的故障系数大于预设故障系数阈值，则判定所述电力设备存在故障。

40、进一步地，所述若所述电力设备存在故障，则将与每一时间节点分别对应的故障概率预测值输入到所述故障分类模型中，得到与所述观测时段对应的故障类别集合，并根据所述故障类别集合获取当前时间节点的故障类别的步骤包括：

41、基于卷积神经网络在每个时间点的故障概率预测值通过全连接层映射到故障类别参数u：

42、；

43、式中，和均为全连接层的参数，p为故障概率预测值；

44、通过softmax函数将故障类别参数u转化为不同故障类别的概率：

45、；

46、式中，表示与故障类别参数u对应的时间点为第j种故障类别的故障概率，c为故障类别总数，exp表示自然指数函数；

47、从同一时间点下的所有故障概率中筛选出最大故障概率，并以与所述最大故障概率对应的故障类别为该时间点的最终故障类别；

48、输出观测时段下所有时间点的最终故障概率。

49、进一步地，所述方法还包括：

50、在记忆模块、卷积神经网络训练过程中，将目标函数定义为：

51、

52、式中，为样本总数，为电力设备的实际状态，为经过深度学习模型得出的故障概率预测值，表示时间点t的电力设备的实际状态正常，表示时间点t的电力设备的实际状态异常。

53、第二方面，本发明提供一种基于深度学习网络的电力设备故障检测系统，所述系统包括：

54、模型构建模块，用于构建由记忆模块、卷积神经网络组成的深度学习模型，并基于卷积神经网络构建故障分类模型；

55、概率预测模块，用于选取观测时段，以获取电力设备在所述观测时段内的状态参数数据，并根据所述状态参数数据形成第一多维时间序列，所述第一多维时间序列包含当前时间节点以及过去至少一个时间节点的状态参数数据，将所述第一多维时间序列输入至所述深度学习模型，得到与每个时间节点分别对应的故障概率预测值；

56、故障检测模块，用于根据所有时间节点的故障概率预测值获取故障系数，并根据所述故障系数判断所述电力设备是否存在故障；

57、故障类别输出模块，用于若所述电力设备存在故障，则将与每一时间节点分别对应的故障概率预测值输入到所述故障分类模型中，得到与所述观测时段对应的故障类别集合，并根据所述故障类别集合获取当前时间节点的故障类别。

58、第三方面，本发明提供一种存储介质，所述存储介质存储一个或多个程序，该程序被处理器执行时实现上述的基于深度学习网络的电力设备故障检测方法。

59、第四方面，本发明提供一种电子设备，所述电子设备包括存储器和处理器，其中：

60、所述存储器用于存放计算机程序；

61、所述处理器用于执行存储器上所存放的计算机程序时，实现上述的基于深度学习网络的电力设备故障检测方法。

62、综上，根据上述的基于深度学习网络的电力设备故障检测方法，通过电力设备的各个状态参数的历史数据来训练深度学习模型，并根据深度学习模型精确计算得出故障的故障概率预测值、电力设备的故障系数，如果故障系数超出阈值，则进行进一步的故障分类检测，能够通过多维度的状态参数计算得出电力设备的故障系数，故障系数作为电力设备当前的运行状态的判断标准，如果运行状态不佳才进行进一步的故障分类检测，提高了故障诊断过程的效率，另外，通过故障分类模型结合基于多维度状态参数分析得到的故障预测概率共同对故障进行综合分类诊断，避免通过单一维度的数据进行故障判断造成因数据异常导致诊断结果不准确的情况，提高了故障诊断准确度。