[發明專利]一種同步電機定子早期故障預警方法

在審

• 申請號: 201911063909.0
• 申請日: 2019-11-04
• 公開（公告）號: CN110763997A
• 公開（公告）日: 2020-02-07
• 發明（設計）人: 李俊卿;李斯璇
• 申請（專利權）人: 華北電力大學(保定)
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04;G06N3/08
• 代理公司: 11350 北京科億知識產權代理事務所(普通合伙)
• 代理人: 李興林

1.一種同步電機定子早期故障預警方法，其特征在于，包含以下步驟：

步驟1：確定深度置信網絡的設計參數，構建深度置信網絡模型；

步驟2：訓練深度置信網絡模型：

(1a)采集同步電機正常運行狀態下SCADA系統的定子側數據，并將SCADA系統采集的定子側數據分成訓練樣本集和測試樣本集，對得到的訓練樣本集和測試樣本集進行歸一化處理；

(1b)對歸一化后的訓練樣本集進行無監督學習，通過對比散度算法更新網絡參數，待訓練完成第一個受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)后，將其隱含層節點數據作為下一級受限玻爾茲曼機的輸入，以此類推，逐層訓練得到預訓練后的深度置信網絡模型；

(1c)調用定子側標簽樣本通過預訓練后的深度置信網絡模型頂層的BP網絡進行自上而下的逐層參數微調，得到訓練好的深度置信網絡模型；

(1d)將歸一化后的測試樣本集輸入到訓練好的深度置信網絡模型中，輸出深度置信網絡模型的重構誤差，并根據自適應閾值原理輸出閾值；

步驟3：將電機實際運行時SCADA系統采集的定子側數據經過歸一化處理后輸入至訓練好的深度置信網絡模型中，網絡輸出重構誤差的變化趨勢圖，判斷重構誤差的變化趨勢圖是否在重構誤差的設定閾值上方，如果是，則判斷定子側發生故障，需報警，并轉向步驟4；如果否，則定子側運行正常，然后轉向步驟5；

步驟4：將各狀態參數的重構值與實測值相減得到狀態參數的殘差值，尋找殘差值超過其設定閾值的物理量，結合物理量類型可分析得出定子故障原因并報告；

步驟5：結束。

2.根據權利要求1所述的同步電機定子早期故障預警方法，其特征在于，所述步驟1：確定深度置信網絡的設計參數，構建深度置信網絡模型，具體包括：

以深度置信網絡模型的學習率作為問題參數，以深度置信網絡模型的能量函數作為目標函數，采用梯度算法對深度置信網絡模型的學習率進行循環迭代，找出深度置信網絡模型的最佳學習率和能量值最小情況下的網絡參數，并以深度置信網絡模型的最佳學習率和能量值最小情況下的網絡參數作為深度置信網絡模塊的更新參數。

3.根據權利要求2所述的同步電機定子早期故障預警方法，其特征在于，所述以深度置信網絡模型的學習率作為問題參數，以深度置信網絡模型的能量函數作為目標函數，采用梯度算法對深度置信網絡模型的學習率進行循環迭代，找出深度置信網絡模型的最佳學習率和能量值最小情況下的網絡參數，并以深度置信網絡模型的最佳學習率和能量值最小情況下的網絡參數作為深度置信網絡模塊的更新參數，具體包括：

根據能量函數得到可見層節點和隱含層節點的聯合概率分布：

對可見層節點和隱含層節點的聯合概率分布進行降維處理求解得到部分邊緣分布和條件概率分布：

根據統計學的結論得到能量最低的狀態發生的概率最高，由聯合概率分布得到：

選取sigmoid函數作為公式(6)和(7)的激活函數，得到深度置信網絡模塊的更新參數：

式中，γ＝{w_ij,v_i,h_j}，能量函數描述了受限玻爾茲曼機層間單元節點的能量總和，η為初始學習速率，v表示可見層，h表示隱含層，w_ij表示可見層單元i與隱含層單元j的連接權重，v_i表示可見層單元，h_j表示隱含層單元，γ表示γ＝{w_ij,v_i,h_j}，Δw_ij表示權重更新準則，Δb_i表示可見層單元偏置，Δc_j表示隱含層單元偏置。

4.根據權利要求1所述的同步電機定子早期故障預警方法，其特征在于，所述(1d)將歸一化后的樣本集輸入到訓練好的深度置信網絡模型中，輸出深度置信網絡模型的重構誤差，并根據自適應原理輸出閾值，具體包括：

從重構誤差變化趨勢圖初始部分開始框選一小段數據，作為起始數據框；

對框選數據按照指數加權移動平均法閾值設定方法計算得到一個固定閾值，將其作為數據框最后時刻處的重構誤差閾值；

從起始位置開始逐幀移動數據框，重復上面的計算過程，可得到任何一時刻的重構誤差閾值，連接起來便形成了擬合重構誤差變化趨勢的自適應閾值圖；

由于框選數據范圍會影響閾值的自適應能力，在實際應用中應根據具體情況設定合適的值，鑒于起始重構誤差部分變化平穩且波動小，故將起始數據框最后時刻的設定閾值也作為前面時刻處的閾值。