[發明專利]一種基于深度置信網絡的數字化電能表故障診斷方法

在審

• 申請號: 201810521491.2
• 申請日: 2018-05-28
• 公開（公告）號: CN108732528A
• 公開（公告）日: 2018-11-02
• 發明（設計）人: 鄭州;黃天富;郭志偉;張凱;吳志武;王春光;伍翔
• 申請（專利權）人: 國網福建省電力有限公司電力科學研究院;國網福建省電力有限公司
• 主分類號: G01R35/04
• 分類號: G01R35/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，按照如下步驟實現：

步驟S1：獲取數字化電能表歷史監測數據，包括正常樣本和故障樣本；

步驟S2：對所獲取數字化電能表歷史監測數據進行數據預處理，剔除冗余數據和壞數據，對原始時域信號0-1歸一化，并按照預設比例劃分訓練集和測試集；

步驟S3：根據訓練數據確定深度置信網絡的超參數，包括：輸入節點、輸出節點、最大層數、每層的節點數和最大迭代次數；

步驟S4：通過訓練數據訓練深度置信網絡，反復迭代直至深度置信網絡的代價函數低于預設閾值；

步驟S5：將測試數據導入到已經訓練好的深度置信網絡中進行測試，如果測試精度不滿足預設閾值要求，則重復步驟S3以及步驟S4再次訓練深度置信網絡；

步驟S6：將深度置信網絡用于柔性直流輸電系統中的數字化電能表故障診斷，輸出數字化電能表故障診斷結果。

2.根據權利要求1所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，在所述步驟S1中，所述數字化電能表歷史監測數據包括：電壓、電流、頻率和功角。

3.根據權利要求1所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，在所述步驟S2中，對于缺失的數據，通過采用插值法，插入中位數補全，令數據樣本保持一致；所述歸一化按照如下方式實現；

其中，x與x′分別表示歸一化前、后原始樣本點，x_min與x_max分別表示同一采集量的最小值和最大值。

4.根據權利要求1所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，在所述步驟S3中，記深度置信網絡中RBM的可視層單元為v＝{v₁,v₂,v₃,...,v_I}∈{0,1}，隱含層單元為h＝{h₁,h₂,h₃,...,h_I}∈{0,1}，權重矩陣為w，可視層單元的閾值為a和隱含層單元的閾值為b，則所有可視單元和隱含單元聯合狀態(v,h)的能量函數為：

其中，I為可視單元的數量，J為隱含單元的數量，根據上式得到的能量函數E(v,h)得到隱含層和可視層之間的聯合概率分布為：

其中，Z是一個模擬物理系統的標準化常數，由所有可視層和隱含層單元之間的能量值相加得到；通過聯合概率分布，得到可視層向量v的獨立分布為：

則在給定一個隨機輸入可視層向量v的條件下，隱含層向量h的概率：

在給定一個隨機輸入隱含層向量h的條件下，可視層向量v的概率：

由于RBM的結構單元是一個二值狀態，記一邏輯函數sigmoid函數為則得到激活概率為：

5.根據權利要求1所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，在所述步驟S4中，所述深度置信網絡的訓練包括：無監督的逐層預訓練和有監督的微調兩個過程。

6.根據權利要求5所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，所述無監督的逐層預訓練包括：在第一個RBM的可視層產生一個向量，通過RBM網絡將值傳遞到隱藏層；反過來，用隱藏層去重構可視層，根據重構層和可視層的差異更新隱藏層和可視層之間的權重，直到達到最大的迭代次數，把得到的隱藏層作為可視層；通過逐層堆疊，從原始數據中逐層提取特征，獲得高層次表達。

7.根據權利要求5所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，所述有監督的微調包括：當完成無監督的逐層預訓練后，在深度置信網絡的最頂層添加標簽數據，通過采用反向傳播算法對深度置信網絡的參數進行微調，對深度置信網絡進行有監督訓練，同時對深度置信網絡所有層的參數進行更新。

8.根據權利要求1所述的一種基于深度置信網絡的數字化電能表故障診斷方法，其特征在于，將測試數據導入到已經訓練好的深度置信網絡中，輸出節點的概率最大值表示對應相發生失壓或電磁干擾故障；若概率最大值滿足預設概率閾值要求，則通過該深度置信網絡檢測柔性直流輸電系統中數字化電能表的故障；若概率最大值不滿足預設概率閾值要求，則重新設置深度置信網絡的超參數，重復所述步驟S3和步驟S4直至滿足預設概率閾值要求。