[發明專利]一種基于深度學習網絡的二次設備異常診斷方法

在審

• 申請號: 202011175360.7
• 申請日: 2020-10-28
• 公開（公告）號: CN112365009A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 梁正堂;李玉敦;李娜;楊超;唐毅;馬強;趙斌超;耿玉杰;白英偉;劉勇;張國輝;史方芳;佟新元;王昕;李寬;王永波;王宏;孫孔明
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國網山東省電力公司;國家電網公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

1.一種基于深度學習網絡的二次設備異常診斷方法，其特征在于，包括如下步驟：

a)通過公式建立電力系統運維數據中故障特征與故障類型間的非線性映射關系，式中P_i為故障特征集，m為特征維數，Q_i為故障類型編碼，n為編碼位數，將故障特征集P_i進行歸一化處理；

b)利用SMOTE算法對電力系統中的二次設備監測預警系統得到的原始數據進行重采樣，重采樣后的原始數據在特征空間中歐式距離相鄰的兩個同類點之間隨機選取一個點，將所有選取的點生成新的故障樣本；

c)將新的故障樣本輸入自編碼網絡進行訓練，自編碼網絡由輸入層、中間隱藏層及輸出層構成，通過公式計算得到自編碼網絡的損失函數H(x,y)，自編碼網絡中解碼后的變量為y，輸入變量為x，x＝[x₁,x₂,...,x_i]，y＝[y₁,y₂,...,y_i]，式中x_i為自編碼網絡中輸入層的第i層變量，y_i為自編碼網絡中輸出層的第i層變量，n_k為自編碼網絡中中間隱藏層的層數，s^(k)為第k層神經網絡的神經元個數，為第k層神經網絡的第i個因子與第k+1層網絡的第j個因子之間的權重系數，n為自編碼網絡輸入變量與輸出變量的個數；

d)通過公式計算得到自編碼網絡中間隱藏層第j個單元的平均激活量ρ_j，式中n為自編碼網絡輸入變量與輸出變量的個數，a_j為中間隱藏層第j個激活單元；

e)通過公式計算得到懲罰項PN，式中m為激活單元的個數，ρ為目標稀疏參數，KL為散度；

f)通過公式計算得到根據重構誤差函數和懲罰項后對應的損失函數J(W,θ)，式中β為控制加強性懲罰因子的權重，利用梯度下降法對損失函數J(W,θ)進行極小化處理，每次迭代得到新的權值，直至損失函數J(W,θ)達到設定閾值時，完成自編碼網絡的建立；

g)將步驟f)中完成的自編碼網絡進行自訓練；

h)調取電力系統二次設備故障時的運維特征信息及采樣值作為故障斷面的特征集，將特征集送入步驟g)中訓練好的基于深度學習自編碼網絡中，得到診斷結果。

2.根據權利要求1所述的基于深度學習網絡的二次設備異常診斷方法，其特征在于：步驟a)中通過公式將P_i映射到區間[0,1]中得到歸一化后的值P_i′，式中P_max為故障特征集中最大值，P_min為故障特征集中最小值。

3.根據權利要求1所述的基于深度學習網絡的二次設備異常診斷方法，其特征在于：步驟a)中的運維數據包括電壓、電流及光強。

4.根據權利要求1所述的基于深度學習網絡的二次設備異常診斷方法，其特征在于，步驟g)中編碼網絡自訓練的步驟為：

g-1)將步驟f)中的自編碼網絡的參數進行初始化賦值，以無監督的學習方法訓練中間隱藏層中第一層網絡，利用反向傳播算法和梯度下降法計算重構誤差，當損失函數達到要求時停止中間隱藏層中第一層網絡的訓練并保留此時各項參數；

g-2)將中間隱藏層中第一層網絡訓練得到的中間隱藏層向量作為中間隱藏層中下一層自編碼網絡的輸入量，利用該輸入量訓練中間隱藏層中該層網絡，直至誤差達到最小值時停止訓練并保存此時的網絡參數；

g-3)重復執行步驟g-2)直至訓練的中間隱藏層中數量達到設定值時，完成中間隱藏層中各層的訓練；

g-4)將中間隱藏層中最后一層作為分類器的輸入，分類器的參數進行初始化處理，完成深度自編碼網絡的訓練。