[發(fā)明專利]基于集成深度生成模型的變電站設(shè)備故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211014277.0
• 申請(qǐng)日: 2022-08-23
• 公開（公告）號(hào): CN115392436A
• 公開（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 劉鑫;黃海宏;常文婧
• 申請(qǐng)（專利權(quán)）人: 合肥工業(yè)大學(xué);國(guó)網(wǎng)安徽省電力有限公司;國(guó)網(wǎng)安徽省電力有限公司超高壓分公司;國(guó)網(wǎng)智能電網(wǎng)研究院有限公司
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;H02J13/00
• 代理公司: 合肥市浩智運(yùn)專利代理事務(wù)所(普通合伙) 34124
• 代理人: 丁瑞瑞

1.基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述方法包括：

步驟一：采集變電站設(shè)備運(yùn)行數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，構(gòu)建樣本訓(xùn)練數(shù)據(jù)集和隨機(jī)潛在數(shù)據(jù)集；

步驟二：構(gòu)建基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)和注意力機(jī)制的AMBI-GAN集成深度生成模型；

步驟三：訓(xùn)練AMBI-GAN集成深度生成模型；

步驟四：向訓(xùn)練好的模型輸入測(cè)試數(shù)據(jù)，計(jì)算模型的總損失L_test；

步驟五：通過1-L_test得到鑒別分?jǐn)?shù)，鑒別分?jǐn)?shù)超過預(yù)設(shè)值則判斷異常。

2.根據(jù)權(quán)利要求1所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟一中數(shù)據(jù)預(yù)處理包括：

將輸入數(shù)據(jù)分為樣本訓(xùn)練數(shù)據(jù)集和隨機(jī)潛在數(shù)據(jù)集，樣本訓(xùn)練數(shù)據(jù)集中的所有數(shù)據(jù)都是正常的，隨機(jī)潛在數(shù)據(jù)集中存在異常數(shù)據(jù)，使用長(zhǎng)度為n的滑動(dòng)時(shí)間窗將所有數(shù)據(jù)劃分為若干個(gè)等長(zhǎng)的子序列。

3.根據(jù)權(quán)利要求1所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟二包括：

步驟2.1、構(gòu)建Bi-LSTM結(jié)構(gòu)；

步驟2.2、在Bi-LSTM結(jié)構(gòu)加入注意力機(jī)制得到AMBi-LSTM結(jié)構(gòu)；

步驟2.3、分別利用AMBi-LSTM結(jié)構(gòu)得到生成器和鑒別器，生成器和鑒別器整體構(gòu)成AMBI-GAN集成深度生成模型。

4.根據(jù)權(quán)利要求3所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟2.1包括：

構(gòu)建雙向LSTM網(wǎng)絡(luò)作為Bi-LSTM結(jié)構(gòu)，其中，雙向LSTM網(wǎng)絡(luò)的輸入為X＝{x₁，...x_n}，x_n表示第n個(gè)時(shí)刻的輸入，所述Bi-LSTM結(jié)構(gòu)的隱藏層狀態(tài)為

其中，LSTM^backward為后向LSTM，LSTM^forward為前向LSTM，x_t表示第t個(gè)時(shí)刻的輸入，表示第t+1時(shí)刻后向LSTM的隱藏狀態(tài)，表示第t-1時(shí)刻前向LSTM的隱藏狀態(tài)；

n個(gè)時(shí)刻的隱藏層狀態(tài)輸出為

5.根據(jù)權(quán)利要求4所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟2.2包括：

通過公式設(shè)置Bi-LSTM結(jié)構(gòu)的輸入權(quán)重，從而在Bi-LSTM結(jié)構(gòu)加入注意力機(jī)制得到AMBi-LSTM結(jié)構(gòu)；其中，w_i表示第i個(gè)時(shí)刻Bi-LSTM結(jié)構(gòu)的權(quán)重參數(shù)，softmax為歸一化函數(shù)，Bi-LSTM(X，H)表示Bi-LSTM結(jié)構(gòu)的輸出；

AMBi-LSTM結(jié)構(gòu)的輸出為

其中，表示第i個(gè)時(shí)刻輸入矩陣的轉(zhuǎn)置，表示第i個(gè)時(shí)刻隱藏狀態(tài)矩陣的轉(zhuǎn)置。

6.根據(jù)權(quán)利要求5所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟三包括：

步驟3.1、生成器的輸入為隨機(jī)潛在數(shù)據(jù)集，計(jì)算生成器的數(shù)據(jù)分布均值；

步驟3.2、設(shè)計(jì)鑒別器的鑒別模型；

步驟3.3、根據(jù)鑒別模型設(shè)置目標(biāo)函數(shù)，不斷調(diào)整網(wǎng)絡(luò)的權(quán)重參數(shù)和數(shù)據(jù)分布均值，使生成器的輸出樣本的均值與樣本訓(xùn)練數(shù)據(jù)集的均值不斷接近，使目標(biāo)函數(shù)迭代達(dá)到納什均衡，則停止訓(xùn)練。

7.根據(jù)權(quán)利要求6所述的基于集成深度生成模型的變電站設(shè)備故障診斷方法，其特征在于，所述步驟3.1包括：

生成器的輸入樣本z＝{z₁，...z_n}為隨機(jī)潛在數(shù)據(jù)集中的數(shù)據(jù)序列，生成器的輸出樣本的均值為

其中，z_i為輸入到生成器中的第i個(gè)數(shù)據(jù)，p(·)為輸出的概率密度函數(shù)，log(·)為對(duì)數(shù)函數(shù)。