一种基于卷积神经网络的电力设备故障率预测方法及系统与流程

本发明涉及电力系统中的故障预测方法及系统，尤其涉及一种电力设备故障概率预测方法及系统。

背景技术：

气体绝缘组合电器(gis)在电力系统中作为关键设备，其风险程度影响整个系统的安全运行。由于gis结构复杂的特点，其若存在缺陷，会发展为故障后，进而引起重大损失，因此，需要了解gis的运行情况，及时发现缺陷。由于gis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预测设备的故障率，从而用于进一步的风险评估。风险评估结果为设备故障概率与故障产生的后果乘积，由于后果可以根据实际情况设定，因此，设备故障概率为计算关键。

随着局部放电带电检测技术不断发展，可以在gis设备出现绝缘缺陷时，通过带电检测数据分析设备的缺陷是否严重。在局部放电带电检测技术中，特高频检测法广泛应用，通过特高频检测法可以采集得到gis设备局部放电数据。当gis发生局部放电时，不同的绝缘缺陷所产生的故障率并不相同。

基于此，期望获得一种电力设备故障率预测方法，其可以利用包括局部放电检测数据以及设备历史信息的数据，通过假设故障概率满足某种分布特征或状态量之间存在的关联转移计算得到故障率，从而获得较为准确的预测结果，对电力设备的风险评估以及设备维护具有积极作用。

技术实现要素：

本发明的目的之一在于提供一种基于卷积神经网络的电力设备故障率预测方法，该电力设备故障率预测方法可以根据不同缺陷类别，基于卷积神经网络预测设备故障率。

根据上述发明目的，本发明提出一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，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的第一指定时间段内的案例prps图谱数据和第二指定时间段内的案例prps图谱数据；第二指定时间段比第一指定时间段长；

(2)对收集的案例prps图谱数据进行预处理；

(3)构建第一卷积神经网络模块，将第一指定时间段内的经过预处理的案例prps图谱数据作为输入对第一卷积神经网络模块进行训练，以使其输出为该案例prps图谱数据对应的缺陷类型；

(4)基于各案例prps图谱数据对应的缺陷类型构建n种缺陷类型的数据集；

(5)对应n种缺陷类型分别构建n个故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；将与各数据集对应的第二指定时间段内的经过预处理的案例prps图谱数据作为输入对各故障二分类子模块进行训练，以使各故障二分类子模块基于输入其中的案例prps图谱数据所表征的在设定指定日期之后的第三指定时间段内发生故障的概率值，而输出电力设备在设定指定日期之后的第三指定时间段内是否发生故障的判断；

预测步骤包括：

(a)采集电力设备在距待预测日期之前所述第一指定时间段内的prps图谱数据和所述第二指定时间段内的prps图谱数据；

(b)对prps图谱数据进行预处理；

(c)将经过预处理的prps图谱数据输入第一卷积神经网络，所述第一卷积神经网络输出prps图谱数据对应的缺陷类型；

(d)将相应的第二指定时间段内的经过预处理的prps图谱数据输入与该缺陷类型对应的故障二分类子模块中，则该故障二分类子模块输出待预测日期之后的第三指定时间段内的电力设备发生故障的概率值。

在本发明所述的技术方案中，利用收集的案例prps图谱数据对第一卷积神经网络模块以及第二卷积神经网络模块进行深度学习，获得缺陷分类，并最终得到电力设备的发生故障的概率值(即预测率)，本案的电力设备故障率预测方法可以避免人工选择概率分布，并且可以获得较为准确的预测结果，从而可以用于进一步的电力设备的风险评估。

需要说明的是，上述方案中，在步骤(5)中，当概率值＞50％时，可以认为发生故障。

进一步地，在本发明所述的基于卷积神经网络的电力设备故障率预测方法中，在步骤(2)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，在本发明所述的基于卷积神经网络的电力设备故障率预测方法中，电力设备至少包括gis设备，并且gis设备的绝缘缺陷类型数量n＝4。

进一步地，在本发明所述的基于卷积神经网络的电力设备故障率预测方法中，第一卷积神经网络模块包括1个输入层、5个卷积层、5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故障概率预测方法中，对第一卷积神经网络模块进行训练包括：采用交叉熵代价函数，利用adam法(adam法由kingma和leiba提出，作为一种随机目标函数优化算法，基于低阶矩的自适应估计)更新模型参数；其中激活函数采用不饱和非线性函数；输出分类层采用softmax分类器。

进一步地，在本发明所述的基于卷积神经网络的电力设备故障率预测方法中，第二卷积神经网络模块包括1个输入层、4个卷积层、4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故障概率预测方法中，对第二卷积神经网络模块进行训练包括：采用交叉熵代价函数，利用随机梯度下降法更新模型参数；其中激活函数采用不饱和非线性函数；输出分类层采用softmax分类器。

进一步地，在本发明所述的基于卷积神经网络的电力设备故障率预测方法中，第一指定时间段为一个月；并且或者第二指定时间段至少为三个月。

进一步地，在本发明所述的基于卷积神经网络的电力设备故障率预测方法，第三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卷机神经网路的电力设备故障率预测系统，该电力设备故障率预测方法可以根据不同缺陷类别，基于卷积神经网络预测设备故障率。

根据上述发明目的，本发明提出一种基于卷积神经网络的电力设备故障率预测系统，其执行上述的电力设备故障率预测方法的步骤。

本发明所述的基于卷积神经网络的电力设备故障率预测方法及系统具有如下所述的优点以及有益效果：

本发明所述的电力设备故障率预测方法可以避免人工选择概率分布，并且可以获得较为准确的预测结果，提升了概率预测效果，非常适用于对电力设备进行进一步的风险评估。

另外，本发明所述的电力设备故障概率预测系统也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卷积神经网络的电力设备故障率预测方法的原理示意图。

图2为本发明所述的基于卷积神经网络的电力设备故障率预测方法在一些实施方式中的第一卷积神经网络模块的模型示意图。

图3为本发明所述的基于卷积神经网络的电力设备故障率预测方法在一些实施方式中的故障二分类子模块的模型示意图。

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卷积神经网络的电力设备故障率预测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卷积神经网络的电力设备故障率预测系统对电力设备的故障情况进行预测前，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的第一指定时间段内的案例prps图谱数据和第二指定时间段内的案例prps图谱数据；第二指定时间段比第一指定时间段长；

(2)对收集的案例prps图谱数据进行预处理；

(3)构建第一卷积神经网络模块，将第一指定时间段内的经过预处理的案例prps图谱数据作为输入对第一卷积神经网络模块进行训练，以使其输出为该案例prps图谱数据对应的缺陷类型。构建第一卷积神经网络模块时，第一卷积神经网络模块包括1个输入层、5个卷积层、5个池化层、1个全连接层和1个输出分类层，其中，第一指定时间段内的案例prps图谱数据对应的缺陷类型包括悬浮放电、绝缘类放电、尖端电晕、微粒放电四种缺陷(即n＝4)；

(4)基于各案例prps图谱数据对应的缺陷类型构建n种缺陷类型的数据集；

(5)对应n种缺陷类型分别构建n个故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；将与各数据集对应的第二指定时间段内的经过预处理的案例prps图谱数据作为输入对各故障二分类子模块进行训练，以使各故障二分类子模块基于输入其中的案例prps图谱数据所表征的在设定指定日期之后的第三指定时间段内发生故障的概率值，而输出电力设备在设定指定日期之后的第三指定时间段内是否发生故障的判断。

构建第二卷积神经网络模块时，第二卷积神经网络模块包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。

需要说明的是，在训练步骤中，案例prps图谱数据可以来自于变电站现场收集的gis设备故障案例。

而在步骤(2)中，由于案例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。

需要说明的是，在步骤(3)中，对第一卷积神经网络进行训练时，可以采用交叉熵代价函数，利用adam法更新模型参数，利用随机梯度下降法更新模型参数；其中，第一层卷积层卷积核尺寸为5×5，其余卷积层卷积核尺寸为3×3，激活函数采用不饱和非线性函数，各个池化层的尺寸为1×2，采用最大降采样方法，全连接层的神经元个数为1024，输出分类层采用softmax分类器。

在步骤(5)中，对第二卷积神经网络进行训练时，可以采用交叉熵代价函数，利用adam法更新模型参数，利用随机梯度下降法更新模型参数；其中，第一层以及第二层卷积层卷积核尺寸为5×5，其余卷积层卷积核尺寸为3×3，激活函数采用不饱和非线性函数，各个池化层的尺寸为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softmax分类器。

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。基于训练完成的第一卷积神经网络以及第二神经网络，由采集到的电力设备距待预测日期之前第一指定时间段内的prps图谱数据和第二指定时间段内的prps图谱数据预测得到待预测日期之后的第三指定时间段内的电力设备发生故障的概率值。在本实施方式中，指定日期与待预测日期可以为不同的日期，而第一指定时间段可以为一个月，第二指定时间段至少为三个月，第三指定时间段可以为一个月。

其预测原理如图1所示。图1为本发明所述的基于卷积神经网络的电力设备故障率预测方法的原理示意图。

如图1所示，对电力设备故障率进行预测时，预测步骤包括：

(a)采集电力设备在距待预测日期之前第一指定时间段内的prps图谱数据和第二指定时间段内的prps图谱数据；

(b)对prps图谱数据进行预处理；

(c)将经过预处理的prps图谱数据输入第一卷积神经网络，第一卷积神经网络输出prps图谱数据对应的缺陷类型；

(d)将相应的第二指定时间段内的经过预处理的prps图谱数据输入与该缺陷类型对应的故障二分类子模块中，则该故障二分类子模块输出待预测日期之后的所述第三指定时间段内的电力设备发生故障的概率值。

需要说明的是，在预测步骤中，prps图谱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。

图2为本发明所述的基于卷积神经网络的电力设备故障率预测方法在一些实施方式中的第一卷积神经网络模块的模型示意图。

如图2所示，在第一卷积神经网络模块中，将经过预处理案例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，训练样本集数据占总量的80％，测试样本集数据占总量的20％。将训练样本集数据对第一卷积神经网络模块进行训练，并采用adam进行微调，优化第一卷积神经网络模块的参数。而将测试样本集数据中的数据作为测试数据，以完成第一卷积神经网络模块的训练。

图3为本发明所述的基于卷积神经网络的电力设备故障率预测方法在一些实施方式中的故障二分类子模块的模型示意图。

如图3所示，在故障二分类子模块中，对应四种缺陷类型分别构建了四个故障二分类子模块，每一个故障二分类子模块均基于第二卷积神经网络模块而构建。将经过预处理案例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，训练样本集数据占总量的80％，测试样本集数据占总量的20％。利用训练样本集数据对第二卷积神经网络模块进行训练，通过最小化误差对第二卷积神经网络模块进行优化，优化第二卷积神经网络模块的参数。

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，本发明所述的电力设备故障率预测方法可以避免人工选择概率分布，并且可以获得较为准确的预测结果，提升了概率预测效果，非常适用于对电力设备进行进一步的风险评估。

另外，本发明所述的电力设备故障概率预测系统也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。