[發明專利]基于集成深度生成模型的變電站設備故障診斷方法

在審

• 申請號: 202211014277.0
• 申請日: 2022-08-23
• 公開（公告）號: CN115392436A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 劉鑫;黃海宏;常文婧
• 申請（專利權）人: 合肥工業大學;國網安徽省電力有限公司;國網安徽省電力有限公司超高壓分公司;國網智能電網研究院有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;H02J13/00
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 丁瑞瑞

本發明公開了基于集成深度生成模型的變電站設備故障診斷方法，所述方法包括：采集變電站設備運行數據，進行數據預處理，構建樣本訓練數據集和隨機潛在數據集；構建基于雙向長短期記憶網絡和注意力機制的AMBI?GAN集成深度生成模型；訓練AMBI?GAN集成深度生成模型；向訓練好的模型輸入測試數據，計算模型的總損失L_test；通過1?L_test得到鑒別分數，鑒別分數超過預設值則判斷異常；本發明的優點在于：充分利用少量的標注數據進一步提升故障診斷性能。

技術領域

本發明涉及變電站設備故障診斷領域，更具體涉及基于集成深度生成模型的變電站設備故障診斷方法。

背景技術

隨著變電站建設的發展和完善，對數據處理提出了更高的要求。如何收集具有感知和監控能力的各類數據并進行故障檢測是一個關鍵的研究問題。變電站設備作為變電站的重要組成部分，運行時會產生海量異構電力時序數據，對這些數據進行實時故障檢測并分析故障形成的原因，有助于提高特高壓設計、建設、運維水平，確保變電站的安全與穩定。

目前行業內已經開展了利用各種深度學習模型來檢測電力時間序列數據的異常的研究。這些模型依靠多維網絡結構來挖掘時空分布特征。特別是考慮到時間序列的時空特性，一些當前的模型，如隱馬爾可夫和局部異常因子已經達到了較高的檢測精度。

大多數現有的時間序列異常檢測研究都受到電力數據的隨機性和復雜性的限制。這些問題可以歸納如下：1、現有方法難以有效提取電力數據的時間信息，限制了數據特征表示的能力。時間關系和特征關系缺乏結合，限制了模型的準確性；2、現有的符號化檢測方法，如中國專利公開號CN114218998A，公開的一種基于隱馬爾可夫模型的電力系統異常行為分析方法，在符號化之前沒有提取特征，因此忽略了數據的有效信息。長符號序列使噪得聲影響計算效率，由于電壓和電流波動引起的數據噪聲，很容易被檢測為異常的電力運行樣本。這會導致異常檢測的性能下降；現有的基于相似度的檢測方法，如局部異常因子方法，適用于數據點的聚集程度高、離群點較少的情況。同時，因為相似度算法通常需要對每一個數據分別進行相應計算，所以這類算法通常計算量大，不太適用于數據量大、維度高的電力數據；3、由于電力數據的準確標注需要大量的人工成本，在現實中經常面臨標注數據不足的問題。因此，如何充分利用少量的標注數據進一步提升模型性能是異常檢測任務的關鍵問題。

發明內容

本發明所要解決的技術問題在于如何充分利用少量的標注數據進一步提升故障診斷性能。

本發明通過以下技術手段實現解決上述技術問題的：基于集成深度生成模型的變電站設備故障診斷方法，所述方法包括：

步驟一：采集變電站設備運行數據，進行數據預處理，構建樣本訓練數據集和隨機潛在數據集；

步驟二：構建基于雙向長短期記憶網絡和注意力機制的AMBI-GAN集成深度生成模型；

步驟三：訓練AMBI-GAN集成深度生成模型；

步驟四：向訓練好的模型輸入測試數據，計算模型的總損失L_test；

步驟五：通過1-L_test得到鑒別分數，鑒別分數超過預設值則判斷異常。

本發明對GAN模型進行了相應的改進，提出了基于雙向長短期記憶網絡和注意力機制的生成對抗網絡集成深度生成模型AMBI-GAN，該模型基于雙向長短期記憶網絡構建，可以捕獲時間序列的依賴性，有效提取電力數據的時間特征，提高模型的準確性，并且基于GAN模型固有性能，能夠根據有限的真實電力數據生成大量模擬數據，從而充分利用了少量的標注數據，計算量小，原始的數據量小，人工成本小，且通過訓練能夠降低噪聲對數據的影響，實現了對電力時間序列的異常檢測，提高多維時間序列異常的檢測精度，進一步提升故障診斷性能。

進一步地，所述步驟一中數據預處理包括：