基于特征量预测的电力设备局部放电严重程度评估方法及系统与流程

本发明涉及电力系统中的故障评估方法及系统，尤其涉及一种电力设备局部放电严重程度评估方法及系统。

背景技术：

气体绝缘组合电器(简称gis)作为电力系统中的关键设备，其安全可靠运行具有重要意义。由于gis设备内部结构复杂，发生故障后检修难度大，因而，需要在设备发生故障前对设备状态进行有效预警。当gis设备存在绝缘缺陷时，会发生局部放电，因而，可以根据局部放电检测数据对gis设备局部放电严重程度进行评估，再根据评估结果制定合理的检修策略，从而提高设备的安全可靠运行。

在现有技术中，可以根据设备故障率来表征局部放电的严重程度。

基于此，期望获得一种电力设备局部放电严重程度评估方法，可以通过该电力设备局部放电严重程度对电力设备进行设备的故障概率预测，从而了解局部放电的严重程度，有利于保证电力设备的运行与维护。

技术实现要素：

本发明的目的之一在于提供一种基于特征量预测的电力设备局部放电严重程度评估方法，该电力设备局部放电严重程度评估方法可以利用自编码器对局部放电数据进行特征提取，利用门控循环单元模块预测设备的局部放电特征向量，并使用基于卷积神经网络的故障分类模块获得基于预测局部放电特征向量所表征的故障概率值，通过该概率值对局部放电的发展过程进行评估了解，并最终获得对电力设备局部放电严重程度评估结果。

根据上述发明目的，本发明提出一种基于特征量预测的电力设备局部放电严重程度评估方法，其包括训练步骤和评估步骤，其中：

训练步骤包括：

(1)收集电力设备在距设定指定日期之前第一指定时间段内的案例prps图谱数据；

(2)对收集的案例prps图谱数据进行预处理；

(3)采用自编码器提取第一指定时间段内的经过预处理的案例prps图谱数据的局部放电特征向量；

(4)构建门控循环单元模块，输入第一指定时间段内的局部放电特征向量以对其进行训练，以使其输出设定指定日期之后第二指定时间段的预测局部放电特征向量；

(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断；

评估步骤包括：

(a)采集电力设备在距预测指定日期之前所述第一指定时间段内的prps图谱数据；

(b)对prps图谱数据进行预处理；

(c)采用所述自编码器提取第一指定时间段内的经过预处理的prps图谱数据的局部放电特征向量；

(d)将提取的局部放电特征向量输入所述门控循环单元模块，其输出预测指定日期之后第二指定时间段的预测局部放电特征向量；

(e)将预测局部放电特征向量输入所述故障二分类模块，故障二分类模块输出电力故障发生故障的概率值，并且根据所述概率值评估电力设备的局部放电严重程度；概率值越大，局部放电越严重。

在本发明所述的技术方案中，采用自编码器提取局部放电特征向量是由于自编码器可以通过学习提取得到原始数据所隐含的特征，并且可以对特征数据进行降维，从而提升了网络模型的性能。

此外，门控循环单元模块则可以在降低运算量的前提下保证了评估效果的准确性。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，在步骤(1)和步骤(b)中，预处理至少包括对prps图谱数据进行线性归一化。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，采用无监督网络模型自编码器提取局部放电特征。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，电力设备至少包括gis设备。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，卷积神经网络包括1个输入层、3个卷积层、3个池化层、1个全连接层和1个输出分类层。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，通过反向传播算法和随机梯度下降法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用softmax分类器。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，对门控循环单元模块进行训练包括：采集训练样本集数据进行训练，利用均方误差，通过最小化误差优化模型参数。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，第一指定时间段至少为三个月。

进一步地，在本发明所述的电力设备局部放电严重程度评估方法中，第二指定时间段为一个月。

相应地，本发明的另一目的在于提供一种基于特征量预测的电力设备局部放电严重程度评估系统，通过该电力设备局部放电严重程度评估系统可以对电力设备的局部放电进行严重程度评估，所获得的评估结果准确可靠。

根据上述发明目的，本发明提出一种基于特征量预测的电力设备局部放电严重程度评估系统，其执行上述的电力设备局部放电严重程度评估方法的步骤。

本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法及系统具有如下所述的优点以及有益效果：

本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法可以利用自编码器对局部放电数据进行特征提取，利用门控循环单元模块预测设备的局部放电特征向量，并使用基于卷积神经网络的故障分类模块获得基于预测局部放电特征向量所表征的故障概率值，通过该概率值对局部放电的发展过程进行评估了解，并最终获得对电力设备局部放电严重程度评估结果。通过所述的电力设备局部放电严重程度评估方法所获得的评估结果准确可靠，有利于保证电力设备的运行与维护。

另外，本发明所述的电力设备局部放电严重程度评估方法对gis局部放电严重程度评估具有更好的鲁棒性和有效性，非常有助于利用大数据平台积累的大量局部放电检测数据。

此外，本发明所述的电力设备局部放电严重程度评估系统也同样具有上述的优点以及有益效果。

附图说明

图1为本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法的原理示意图。

图2为本发明所述的电力设备局部放电严重程度评估方法在一些实施方式中的门控循环单元模块的模型示意图。

图3为本发明所述的电力设备局部放电严重程度评估方法在一些实施方式中的故障二分类模块的模型示意图。

具体实施方式

下面将结合说明书附图和具体的实施例对本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。

本实施方式中的基于特征量预测的电力设备局部放电严重程度评估方法对电力设备的故障情况进行评估前，首先需要进行训练，训练步骤包括：

(1)收集电力设备在距设定指定日期之前第一指定时间段内的案例prps图谱数据，在本实施方式中，第一指定时间段至少为三个月；

(2)对收集的案例prps图谱数据进行预处理；

(3)采用自编码器提取所述第一指定时间段内的经过预处理的案例prps图谱数据的局部放电特征向量，其中，自编码器可以采用无监管网络模型自编码器；

(4)构建门控循环单元模块，输入第一指定时间段内的局部放电特征向量以对其进行训练，以使其输出设定指定日期之后第二指定时间段的预测局部放电特征向量，其中，第二指定时间段为一个月；对门控循环单元模块进行训练包括：采集训练样本集数据进行训练，利用均方误差，通过最小化误差优化模型参数。

(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断，其中，卷积神经网络包括1个输入层、3个卷积层、3个池化层、1个全连接层和1个输出分类层，对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，通过反向传播算法和随机梯度下降法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用softmax分类器。

需要说明的是，案例prps图谱数据为格式为72×50的二维矩阵，因而，预处理包括对prps图谱数据进行线性归一化。归一化处理可以采用下式：

式中：x表示矩阵中原始数据，xmin表示二维矩阵中最小值，xmax表示二维矩阵中最大值，x’表示线性归一化后的数据。

在步骤(3)中，在采用无监督网络模型自编码器提取局部放电特征向量时，输入3600维的输入数据，通过3层全连接层，压缩为64维的特征向量，然后再次经过3层全连接层，还原为3600维的特征向量，而最终提取隐层的64个特征向量作为局部放电特征向量。

在步骤(4)中，门控循环单元模块共10个隐层，隐层单元为32。

在步骤(5)中，基于卷积神经网络的故障二分类模块中，对设备是否故障进行二分类，利用softmax分类器输出分类结果为1的概率，则得到对应的故障率，采用交叉熵代价函数，利用随机梯度下降法更新模型参数。通过反向传播算法进行有监督微调，优化模型。本案中，卷积神经网络的卷积核尺寸均为3×3，激活函数采用不饱和非线性函数。池化层的尺寸为1×2，采用最大降采样方法。全连接层的神经元个数为512。输出分类层采用适应于非线性多分类问题的softmax分类器，进行二分类，并且定义1表示设备发生故障。

通过上述训练步骤可以获得训练完成的第一卷积神经网络以及第二卷积神经网络。基于训练完成的门控循环单元模块以及故障二分类模块，通过输入电力设备在距预测指定日期之前第一指定时间段内的prps图谱数据对预测指定日期之后第二指定时间段进行评估。图1为本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法的原理示意图。

如图1所示，评估步骤包括：

(a)采集电力设备在距预测指定日期之前第一指定时间段内的prps图谱数据；

(b)对prps图谱数据进行预处理；

(c)采用自编码器提取第一指定时间段内的经过预处理的prps图谱数据的局部放电特征向量；

(d)将提取的局部放电特征向量输入所述门控循环单元模块，其输出预测指定日期之后所述第二指定时间段的预测局部放电特征向量；

(e)将预测局部放电特征向量输入故障二分类模块，故障二分类模块输出电力故障发生故障的概率值，并且根据概率值评估电力设备的局部放电严重程度；概率值越大，局部放电越严重。

需要说明的是，在步骤中，prps图谱数据可以直接由现场带电检测数据获得。

而在步骤(b)中，预处理包括对prps图谱数据进行线性归一化。归一化处理可以采用下式：

式中：x表示矩阵中原始数据，xmin表示二维矩阵中最小值，xmax表示二维矩阵中最大值，x’表示线性归一化后的数据。

此外，需要说明的是，图1中cnn表示卷积神经网络模块。

图2为本发明所述的电力设备局部放电严重程度评估方法在一些实施方式中的门控循环单元模块的模型示意图。

如图2所示，在门控循环单元模块中，将经过预处理的案例prps图谱数据分为训练样本集数据以及测试样本集数据，其中，训练样本集数据为855条，测试样本集数据为213条。将利用训练样本集数据对门控循环单元模块进行训练。通过最小化误差对门控循环单元模块进行优化，从而确定参数，将测试样本集数据中的数据作为测试数据，以完成门控循环单元模块的训练。

图3为本发明所述的电力设备局部放电严重程度评估方法在一些实施方式中的故障二分类模块的模型示意图。

如图3所示，在故障二分类子模块中，将经过预处理的案例prps图谱数据分为训练样本集数据以及测试样本集数据，其中，训练样本集数据为855条，测试样本集数据为213条。利用训练样本集数据对卷积神经网络模块进行训练。使用反向传播算法和随机梯度下降法进行有监督微调，优化卷积神经网络模块的参数，将测试样本集数据中的数据作为测试数据，以完成卷积神经网络模块的训练。

需要说明的是，由于故障判断为二分问题，因此，可以认为当发生故障时，输出分类层的判断值为1，即该数据故障标签为1，而未发生故障时，输出分类层的判断值为0，该数据故障标签为0。

综上所述可以看出，本发明所述的基于特征量预测的电力设备局部放电严重程度评估方法可以利用自编码器对局部放电数据进行特征提取，利用门控循环单元模块预测设备的局部放电特征向量，并使用基于卷积神经网络的故障分类模块获得基于预测局部放电特征向量所表征的故障概率值，通过该概率值对局部放电的发展过程进行评估了解，并最终获得对电力设备局部放电严重程度评估结果。通过所述的电力设备局部放电严重程度评估方法所获得的评估结果准确可靠，有利于保证电力设备的运行与维护。

另外，本发明所述的电力设备局部放电严重程度评估方法对gis局部放电严重程度评估具有更好的鲁棒性和有效性，非常有助于利用大数据平台积累的大量局部放电检测数据。

此外，本发明所述的电力设备局部放电严重程度评估系统也同样具有上述的优点以及有益效果。

需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。

此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。

还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。