[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

本發明公開了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，涉及電力計量故障診斷技術領域。所述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，通過深度學習中的深度置信網絡模型對計量自動化終端采集的故障數據進行特征提取，并利用支持向量數據描述進行故障診斷和分類；其深度置信網絡模型可直接從低層的原始信號出發，通過逐層貪心訓練得到高層特征表示，避免特征提取與選擇的人工操作，有效地消除傳統人工特征提取與選擇特征所帶來的復雜性和不確定性，增強診斷過程的智能性；本發明使用支持向量數據描述對樣本進行分類識別，有效提高計量自動化終端故障診斷的多類分類問題的準確率與效率。

技術領域

本發明屬于電力計量故障診斷技術領域，尤其涉及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。

背景技術

當前計量自動化終端的主要檢測方法包括終端采集檢測(表碼、三相電壓、三相電流、三相功率)、通信規約檢測和異常事件檢測等。傳統的計量自動化終端故障診斷的相關技術相對來說比較簡單，需要大量的人工操作和數據的處理，故障診斷的效率低下，很難保證故障診斷的準確性，快速性和可靠性。

而目前深度學習在故障診斷領域發展迅速，但傳統的一些深度學習方法存在著以下的缺點：

1、傳統方法利用單一的支持向量機SVM(support vector machine)進行故障診斷，它的優勢在于解決小樣本問題，無法解決計量自動化終端數據故障樣本較大，故障特征維數較多等問題。

2、利用BP神經網絡建立觀測器，運用大量數據建立故障數據故障原因的輸入輸出的非線性映射，從而對計量自動化終端進行狀態評估的一種故障診斷方法。缺點是傳統的淺層神經網絡存在梯度衰減，過度擬合，局部最小等缺點，使得故障診斷效果大打折扣。

3、利用極限學習機(ELM)進行智能診斷。ELM方法訓練速度快，但是穩定性比較差，而且屬于淺層機器學習方法，學習能力有限，準確率達到一定高度時很難再得到提高，而且要求故障數據樣本準確、完備。

發明內容

針對現有技術的不足，本發明提供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。

本發明是通過如下的技術方案來解決上述技術問題的：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，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深度信念網絡(Deep Belief Network，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支持向量數據描述(SupportVector Domain Description，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。