[發明專利]基于深度學習和支持向量數據描述的計量自動化終端故障診斷方法

有效

• 申請號: 201811046099.3
• 申請日: 2018-09-07
• 公開（公告）號: CN109490814B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 陳俊;李捷;周毅波;李剛;韋杏秋;何涌;張智勇;何藝;唐志濤
• 申請（專利權）人: 廣西電網有限責任公司電力科學研究院
• 主分類號: G01R35/04
• 分類號: G01R35/04;G01R35/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 南寧東智知識產權代理事務所(特殊普通合伙) 45117
• 代理人: 戴燕桃;巢雄輝

1.一種基于深度學習和支持向量數據描述的計量自動化終端故障診斷方法，其特征在于，包括以下幾個步驟：

步驟(1)：樣本數據的采集；

分批次采集計量自動化終端的電壓數據、電流數據、本地通信模塊讀寫數據流、遠程通信模塊數據流以及開關量輸入輸出狀態數據，每批次的采樣點數保持一致；對采集到的數據進行歸一化預處理后，將其劃分為故障訓練樣本和故障測試樣本；

步驟(2)：DBN模型的建立；

建立一個多隱含層的DBN模型，根據所述步驟(1)故障訓練樣本和故障測試樣本的樣本維數確定DBN模型的輸入層節點數，采用故障訓練樣本對DBN模型進行無監督訓練；根據計量自動化終端的故障類型確定DBN模型的輸出層節點數，采用無監督逐層貪心訓練方法得到DBN模型的連接權值和偏置參數；對連接權值進行調優，得到各類故障類型的參考特征；

步驟(3)：故障診斷；

利用所述步驟(2)的參考特征建立每個故障類型SVDD模型的帶寬，并對各故障超球體帶寬半徑進行加權歸一化處理，進而對計量自動化終端的故障類型進行判別，實現計量自動化終端的故障診斷。

2.如權利要求1所述的計量自動化終端故障診斷方法，其特征在于，所述步驟(2)中，DBN模型的訓練包括兩個部分，一個部分是逐層對RBM進行無監督訓練，另一個部分是運用反向傳播算法對DBN模型進行微調，使DBN模型的網絡結構達到最優。

3.如權利要求2所述的計量自動化終端故障診斷方法，其特征在于，所述DBN模型的具體訓練步驟包括以下幾個子步驟：

步驟(2.1)：以故障訓練樣本作為DBN模型的輸入，給定訓練樣本輸入至第一層RBM可見層節點，利用RBM的聯合概率分布函數激活隱含層所有節點，同時利用隱含層節點的激勵，重新獲得可見層節點；然后，利用對比散度算法計算可見層數據的條件分布，進而得到隱含層數據，再利用隱含層條件分布的數據，計算可見層數據，對可見層數據進行重構，對RBM模型參數進行調整和更新；

步驟(2.2)：將第一層RBM隱含層輸出作為第二層RBM的可見層輸入，直至穩定狀態；

步驟(2.3)：重復執行步驟(2.2)，直至最后一層RBM，完成RBM參數θ＝(w_ij,a_i,b_j)的最優化，其中，a_i是可見層第i個節點的偏置；b_j是隱含層第j個節點的偏置，w_ij是可見層第i節點與隱含層第j個節點的連接權重；

步驟(2.4)：完成最后一層RBM隱含層訓練后，對DBN模型最后一層隱含層輸出的故障類型進行反向傳播網絡的訓練，將訓練預測輸出的故障類型結果與故障訓練樣本實際類型結果的類型誤差逐層向后傳播，對整個DBN模型各層的連接權值進行調優，重構出具有最小誤差的原數據樣本，從而得到原計量自動化終端數據樣本的本質特征，將本質特征作為計量自動化終端故障類型的參考特征。

4.如權利要求3所述的計量自動化終端故障診斷方法，其特征在于，所述步驟(2.1)中，RBM的聯合概率分布函數為：

式中，Z(θ)為歸一化因子，h為隱含層神經元，v為可見層神經元。