基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法与流程

本发明属于电力计量故障诊断技术领域，尤其涉及一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法。

背景技术：

当前计量自动化终端的主要检测方法包括终端采集检测(表码、三相电压、三相电流、三相功率)、通信规约检测和异常事件检测等。传统的计量自动化终端故障诊断的相关技术相对来说比较简单，需要大量的人工操作和数据的处理，故障诊断的效率低下，很难保证故障诊断的准确性，快速性和可靠性。

而目前深度学习在故障诊断领域发展迅速，但传统的一些深度学习方法存在着以下的缺点：

1、传统方法利用单一的支持向量机svm(supportvectormachine)进行故障诊断，它的优势在于解决小样本问题，无法解决计量自动化终端数据故障样本较大，故障特征维数较多等问题。

2、利用bp神经网络建立观测器，运用大量数据建立故障数据故障原因的输入输出的非线性映射，从而对计量自动化终端进行状态评估的一种故障诊断方法。缺点是传统的浅层神经网络存在梯度衰减，过度拟合，局部最小等缺点，使得故障诊断效果大打折扣。

3、利用极限学习机(elm)进行智能诊断。elm方法训练速度快，但是稳定性比较差，而且属于浅层机器学习方法，学习能力有限，准确率达到一定高度时很难再得到提高，而且要求故障数据样本准确、完备。

技术实现要素：

针对现有技术的不足，本发明提供一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法。

本发明是通过如下的技术方案来解决上述技术问题的：一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，包括以下几个步骤：

步骤(1)：样本数据的采集；

分批次采集计量自动化终端的电压数据、电流数据、本地通信模块读写数据流、远程通信模块数据流以及开关量输入输出状态数据，每批次的采样点数保持一致；对采集到的数据进行归一化预处理后，将其划分为故障训练样本和故障测试样本；

步骤(2)：dbn模型的建立；

建立一个多隐含层的深度信念网络(deepbeliefnetwork，dbn)模型，根据所述步骤(1)故障训练样本和故障测试样本的样本维数确定dbn模型的输入层节点数，采用故障训练样本对dbn模型进行无监督训练；根据计量自动化终端的故障类型确定dbn模型的输出层节点数，采用无监督逐层贪心训练方法得到dbn模型的连接权值和偏置参数；对连接权值进行调优，得到各类故障类型的参考特征；

步骤(3)：故障诊断；

利用所述步骤(2)的参考特征建立每个故障类型支持向量数据描述(supportvectordomaindescription，svdd)模型的带宽，并对各故障超球体带宽半径进行加权归一化处理，进而对计量自动化终端的故障类型进行判别，实现计量自动化终端的故障诊断。

进一步的，所述步骤(2)中，dbn模型的训练包括两个部分，一个部分是逐层对限制玻尔兹曼机(restrictedboltzmannmachine，rbm)进行无监督训练，另一个部分是运用反向传播算法对dbn模型进行微调，使dbn模型的网络结构达到最优。

进一步的，所述dbn模型的具体训练步骤包括以下几个子步骤：

步骤(2.1)：以故障训练样本作为dbn模型的输入，给定训练样本输入至第一层rbm可见层节点，利用rbm的联合概率分布函数激活隐含层所有节点，同时利用隐含层节点的激励，重新获得可见层节点；然后，利用对比散度算法计算可见层数据的条件分布，进而得到隐含层数据，再利用隐含层条件分布的数据，计算可见层数据，对可见层数据进行重构，对rbm模型参数进行调整和更新；

步骤(2.2)：将第一层rbm隐含层输出作为第二层rbm的可见层输入，直至稳定状态；

步骤(2.3)：重复执行步骤(2.2)，直至最后一层rbm，完成rbm参数θ＝(wij,ai,bj)的最优化，其中，ai是可见层第i个节点的偏置；bj是隐含层第j个节点的偏置，wij是可见层第i节点与隐含层第j个节点的连接权重；

步骤(2.4)：完成最后一层rbm隐含层训练后，对dbn模型最后一层隐含层输出的故障类型进行反向传播网络的训练，将训练预测输出的故障类型结果与故障训练样本实际类型结果的类型误差逐层向后传播，对整个dbn模型各层的连接权值进行调优，重构出具有最小误差的原数据样本，从而得到原计量自动化终端数据样本的本质特征，将本质特征作为计量自动化终端故障类型的参考特征。

进一步的，所述步骤(2.1)中，rbm的联合概率分布函数为：

式中，z(θ)为归一化因子，h为隐含层神经元，v为可见层神经元。

进一步的，所述步骤(2.1)中，对比散度学习算法为：

δwij＝ε(<vihj>data-<vihj>model)

δai＝ε(<vi>data-<vi>model)

δbj＝ε(<hj>data-<hj>model)

其中，因为<>model难以计算，所以使用对比分歧算法减少运算量，得到改进的学习算法，如下：

δwij＝ε(<vihj>data-<vihj>1)

δai＝ε(<vi>data-<vi>1)

δbj＝ε(<hj>data-<hj>1)

其中，<>1是对样本进行一次吉布斯采样得到的重构样本；ε是学习率，代表每次参数调整的步长；hj为隐含层神经元，vi为可见层神经元。

进一步的，所述步骤(3)中，对计量自动化终端的故障类型进行判别的具体步骤包括：

步骤(3.1)：在经过核映射的高维空间里构造一个包含故障目标训练样本的最小超球体，使用所述步骤(1)划分的故障测试样本数据，对于落入超球外的测试数据x均被认为是非目标类，对于落入超球体内和边界的测试数据被认为是故障目标类；

假设故障训练样本参考特征的样本集合x＝{x1,x2,...,xn},xi∈rⁿ，建立拉格朗日函数：

式中，αi和βi为拉格朗日因子，ξi(ξi≥0)为松弛变量因子，c表示惩罚因子，φ(xi)为原始空间映射通过非线性映射函数映射到高维空间，r为超球体半径；

步骤(3.2)：对所述步骤(3.1)拉格朗日函数a,ξi,r求偏微分得到：

通过对上式的优化，将最优超球分类问题转化为其对偶形式：

k(xi,xj)为核函数，把故障数据的内积映射到核函数空间，约束条件为

根据kkt条件，利用满足约束条件的边界支持向量xk，由此确定超球半径为：

步骤(3.3)：确定支持向量数据描述(svdd)，即满足0≤αi≤c的测试数据点，而超球体半径即为任一支持向量数据描述(svdd)到中心的距离值；如果测试数据点到某一超球体中心的半径距离≤r，则说明该测试点属于这一故障数据类型，实现计量自动化终端故障类型分类的目的。

与现有技术相比，本发明所提供的基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，通过dbn模型对计量自动化终端采集的故障数据进行特征提取，并利用svdd进行故障诊断和分类；其dbn模型可直接从低层的原始信号出发，通过逐层贪心训练得到高层特征表示，避免特征提取与选择的人工操作，有效地消除传统人工特征提取与选择特征所带来的复杂性和不确定性，增强诊断过程的智能性；

传统的svm两类分类器，若处理故障分离这种多类分类问题，需转化为一对多或者一对一形式，这些转化将导致训练样本重复使用，本发明使用支持向量数据描述svdd对样本进行分类识别，有效提高计量自动化终端故障诊断的多类分类问题的准确率与效率。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明dbn模型的网络结构及其训练过程；

图2是本发明svdd算法实现计量自动化终端故障分类的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，包括以下几个步骤：

(1)分批次利用交流采样模块、本地通信模块、远程通信模块、开入开出模块采集计量自动化终端的电压数据、电流数据、本地通信模块读写数据流、远程通信模块数据流以及开关量输入输出状态数据，每批次的采样点数保持一致；对采集到的数据进行归一化预处理后，将其划分为故障训练样本和故障测试样本；

(2)建立一个多隐含层的深度信念网络(deepbeliefnetwork，dbn)模型，根据步骤(1)故障训练样本和故障测试样本的样本维数确定dbn模型的输入层节点数，采用故障训练样本对dbn模型进行无监督训练；根据计量自动化终端的故障类型确定dbn模型的输出层节点数，采用无监督逐层贪心训练方法得到dbn模型的连接权值和偏置参数；对连接权值进行调优，得到各类故障类型的参考特征，如图1所示。

dbn是一种典型的深度学习方法，可以通过组合底层特征形成更加抽象的高层表示，发现数据的分布式特征，其动机在于建立模型模拟人类大脑的神经网络连接结构，通过多个非线性运算隐含层的多层感知器对输入数据进行分布式表征。dbn是模拟人类大脑处理外部信号的功能、且由多个rbm(受限玻尔兹曼机)组成的多隐层神经网络，其核心就是用逐层贪婪学习算法来优化，相较于传统的其他故障诊断方法，其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖，完成故障特征的自适应提取与健康状态的智能诊断。rbm是一种神经感知器，由一个显层和一个隐层构成，显层与隐层的神经元之间为双向全连接。在rbm中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数b(显层神经元)和c(隐层神经元)来表示其自身权重。这样，就可以用下面函数表示一个rbm的能量：

因rbm的状态分布服从正则分布。任意一组可见层、隐含层的联合概率分布为：

式中，z(θ)为归一化因子，也称为配分函数，h为隐含层神经元，v为可见层神经元。

在一个rbm中，给定可见层节点状态时，隐层神经元hj被激活的概率：

p(hj|v)＝σ(bj+∑iwi,jxi)

由于是双向连接，显层神经元同样能被隐层神经元激活的概率：

p(vj|h)＝σ(ci+∑jwi,jhj)

其中，σ为sigmoid函数。

同一层神经元之间具有独立性，所以概率密度亦然满足独立性，故得到下式：

dbn模型的训练包括两个部分，一个部分是逐层对限制玻尔兹曼机(restrictedboltzmannmachine，rbm)进行无监督训练，另一个部分是运用反向传播算法对dbn模型进行微调，使dbn模型的网络结构达到最优；其具体训练步骤包括以下几个子步骤：

(2.1)以故障训练样本作为dbn模型的输入，给定训练样本输入至第一层rbm可见层节点，利用rbm的联合概率分布函数激活隐含层所有节点，同时利用隐含层节点的激励，重新获得可见层节点；然后，利用对比散度算法计算可见层数据的条件分布，进而得到隐含层数据，再利用隐含层条件分布的数据，计算可见层数据，对可见层数据进行重构，对rbm模型参数进行调整和更新。

rbm参数θ＝(wij,ai,bj)的对比散度学习算法为：

δwij＝ε(<vihj>data-<vihj>model)

δai＝ε(<vi>data-<vi>model)

δbj＝ε(<hj>data-<hj>model)

其中，δwij表示可见层第i个节点和隐含层第j个节点连接权值的更新差值，δai,δbj分别表示可见层第i个节点和隐含层第j个节点偏置参数的更新差值，<>data为训练数据分布的期望，<>model为rbm模型重构后定义的期望，因为<>model难以计算，所以使用对比分歧算法减少运算量，得到改进的学习算法如下：

δwij＝ε(<vihj>data-<vihj>1)

δai＝ε(<vi>data-<vi>1)

δbj＝ε(<hj>data-<hj>1)

其中，<>1是对重构样本进行一次吉布斯采样得到的重构样本；ε是学习率，代表每次参数调整的步长；hj为隐含层神经元，vi为可见层神经元。

(2.2)将第一层rbm隐含层输出作为第二层rbm的可见层输入，直至稳定状态。

(2.3)重复执行(2.2)，直至最后一层rbm，完成rbm参数θ＝(wij,ai,bj)的最优化，其中，ai是可见层第i个节点的偏置；bj是隐含层第j个节点的偏置，wij是可见层第i节点与隐含层第j个节点的连接权重。

(2.4)完成最后一层rbm隐含层训练后，对dbn模型最后一层隐含层输出的故障类型进行反向传播网络的训练，将训练预测输出的故障类型结果与故障训练样本实际类型结果的类型误差逐层向后传播，对整个dbn模型各层的连接权值进行调优，重构出具有最小误差的原数据样本，从而得到原计量自动化终端数据样本的本质特征，将本质特征作为计量自动化终端故障类型的参考特征。

(3)利用步骤(2)的参考特征建立每个故障类型svdd(supportvectordomaindescription，svdd)模型的带宽，并对各故障超球体带宽半径进行加权归一化处理，进而对计量自动化终端的故障类型进行判别，实现计量自动化终端的故障诊断。

如图2所示，对计量自动化终端的故障类型进行判别的具体步骤包括：

(3.1)在经过核映射的高维空间里构造一个包含故障目标训练样本的最小超球体，使用步骤(1)划分的故障测试样本数据，对于落入超球外的测试数据x均被认为是非目标类，对于落入超球体内和边界的测试数据被认为是故障目标类；该超球体即为分类器，在超球面上的向量即为支持向量；在故障诊断中，对每一种故障数据训练得到对应的每一种故障超球面作为故障模式库来对故障进行辨识。

假设故障训练样本参考特征的样本集合x＝{x1,x2,...,xn},xi∈rⁿ，建立拉格朗日函数：

式中，αi和βi为拉格朗日因子，ξi(ξi≥0)为松弛变量因子，c表示惩罚因子，φ(xi)为原始空间映射通过非线性映射函数映射到高维空间，r为超球体半径；

(3.2)对步骤(3.1)拉格朗日函数a,ξi,r求偏微分得到：

通过对上式的优化，将最优超球分类问题转化为其对偶形式：

k(xi,xj)为核函数，把故障数据的内积映射到核函数空间，约束条件为

根据kkt条件，利用满足约束条件的边界支持向量xk，由此确定超球半径为：

(3.3)确定支持向量数据描述svdd，即满足0≤αi≤c的测试数据点，而超球体半径即为任一支持向量数据描述svdd到中心的距离值；如果测试数据点到某一超球体中心的半径距离≤r，则说明该测试点属于这一故障数据类型，实现计量自动化终端故障类型分类的目的。本发明的故障诊断方法可以自动判断计量自动化终端类型是负荷控制终端、专变终端还是集中器，提高计量自动化终端故障诊断的准确性、有效性和实时性，快速准确地进行故障的诊断和定位，可以进一步减小人工干预，提高了故障诊断自动化、智能化水平。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。