【技術實現步驟摘要】
本專利技術涉及電力運營，具體是一種基于深度學習的多能互補配電系統數據分析方法與系統。
技術介紹
1、本專利技術在多能互補配電系統中，由于設備種類繁多、分布廣泛，設備故障和破損時有發生。傳統的人工巡檢和故障定位方式效率低下，難以滿足智能電網的需求。如何利用深度學習技術，結合多源異構的傳感器數據，實現對設備破損位置的精準定位，是一個亟待解決的技術難題。
技術實現思路
1、為了彌補現有技術的不足，本專利技術提出一種基于深度學習的多能互補配電系統數據分析方法與系統。
2、本專利技術解決其技術問題所采用的技術方案是：
3、基于深度學習的多能互補配電系統數據分析方法，包括：
4、步驟1，獲取多能互補配電系統中多源異構傳感器數據，對所述多源異構傳感器數據進行預處理，所述預處理包括清洗、對齊和標準化處理，消除所述多源異構傳感器數據中的噪聲和異常值，得到預處理后的傳感器數據；
5、步驟2，針對所述預處理后的傳感器數據，采用特征提取算法提取健康狀態指標和故障特征指標，基于所述健康狀態指標，判斷設備是否處于健康、亞健康或故障狀態，若設備處于亞健康或故障狀態，基于所述故障特征指標，篩選出設備破損位置的特征子集，得到設備狀態特征；
6、步驟3，基于所述設備狀態特征，通過時空數據融合技術，將設備狀態特征進行同步和對齊，得到全局一致的設備狀態表征；
7、步驟4，構建包含多種故障模式的知識庫，采用基于深度學習的多標簽分類算法，對全局一致的設備
8、步驟5，在確定設備故障類型后，建立設備拓撲結構，利用注意力機制和圖卷積網絡技術，獲得故障傳播路徑的映射關系，通過故障溯源和影響分析，判斷出設備破損的具體位置。
9、優選的，還包括步驟6，采用數據增強和遷移學習方法，擴充包含多種故障模式的知識庫，通過邊緣計算和分布式推理技術，將基于深度學習的多標簽分類算法對全局一致的設備狀態表征進行識別和判斷，得到全局一致的故障模式識別結果。
10、優選的，在步驟1中根據數據清洗規則對多源異構傳感器數據進行清洗，得到清洗后的傳感器數據，清洗規則包括去除缺失值和異常值；采用最小-最大歸一化方法對清洗后的傳感器數據進行標準化處理，將數據映射到[0,1]的統一尺度空間中，得到標準化后的數據；利用動態時間規整算法，將標準化后的數據在時間維度上進行對齊，得到已對齊的傳感器數據，通過小波變換對已對齊的傳感器數據進行去噪處理，選擇分解層數，對每一層的高頻分量進行閾值處理，再重構得到去噪后的傳感器數據；所述再重構得到去噪后的傳感器數據，包括利用基于密度的空間聚類算法，識別已對齊的傳感器數據中的異常值，將異常值點標記為噪聲點并進行剔除處理，得到最終的已清洗、對齊、去噪和異常剔除的傳感器數據。
11、優選的，在步驟2中采用快速傅里葉變換對預處理后的傳感器數據進行頻域分析，提取頻譜能量和頻譜熵頻域特征；同時，使用小波包分解對預處理后的傳感器數據進行時頻域分析，在不同尺度下提取所述預處理后的傳感器數據的小波系數作為時域特征；提取的頻譜熵頻域特征和時域特征反映設備的健康狀態和故障特征；
12、預設設備健康狀態的閾值范圍，將提取的頻譜熵頻域特征和時域特征與預設閾值進行比較，通過閾值判斷的方法，判斷設備當前是處于健康、亞健康還是故障狀態；
13、若判斷結果為設備處于亞健康或故障狀態，則根據提取的故障特征，采用皮爾遜相關系數計算各個特征與設備破損位置之間的相關性，選擇相關性最高的前n個特征作為設備狀態特征子集，將篩選出的設備狀態特征子集作為輸入，采用支持向量機算法訓練設備狀態診斷模型；使用網格搜索和交叉驗證的方法，優化支持向量機的核函數類型和核函數參數，當有新的設備傳感器數據輸入時，經過預處理和特征提取后，將提取的頻譜熵頻域特征和時域特征輸入訓練好的設備狀態診斷模型，訓練好的設備狀態診斷模型根據輸入的特征進行分類預測，判斷設備所處的健康狀態；
14、若診斷為設備亞健康或故障，則利用診斷結果篩選出的故障特征子集，采用支持向量回歸算法訓練設備破損位置的支持向量機預測模型；
15、支持向量機通過尋找特征空間中的最優回歸超平面，實現對設備破損位置的連續值預測；
16、將故障特征子集輸入訓練好的支持向量機預測模型，訓練好的支持向量機預測模型根據輸入的特征進行回歸預測，得到設備狀態特征。
17、優選的，步驟3中設備狀態特征通過時間插值實現時間同步，將設備狀態特征統一到相同的時間軸上，設備狀態特征通過坐標變換方法實現數據的空間對齊，將設備狀態特征統一到相同的空間坐標系下，選擇時空數據融合算法，采用卡爾曼濾波建立數據融合模型，將時間同步和空間對齊后的傳感器數據作為輸入，通過時空數據融合算法計算設備的狀態參數，在數據融合過程中，通過建立設備狀態的動態模型，利用卡爾曼濾波算法對設備狀態進行預測和更新，結合當前時刻的多傳感器觀測數據對預測結果進行校正，得到設備狀態估計值，將數據融合得到的設備狀態估計值作為全局一致的設備狀態表征。
18、優選的，步驟4中確定設備故障類型，包括：
19、s401:獲取設備的歷史運行數據和故障記錄，構建包含多種設備故障模式的知識庫，多種設備故障模式的知識庫包括記錄各種故障模式的特征描述、影響范圍和嚴重程度；
20、s402:針對全局一致的設備狀態表征，采用卷積神經網絡提取局部特征，捕捉數據中的關鍵模式；同時采用長短時記憶網絡提取時序特征，捕捉數據的動態變化趨勢；
21、s403:將卷積神經網絡提取的局部特征和長短時記憶網絡提取的時序特征進行融合，得到設備狀態的綜合特征表示，作為深度學習多標簽分類算法的輸入；
22、s404:采用深度學習多標簽分類算法對設備狀態的綜合特征表示進行分類識別，通過softmax激活函數層輸出各種故障模式的概率，判斷設備是否存在故障，若存在故障，則輸出概率最大的前n種可能的故障模式；
23、s405:將分類識別的結果與多種設備故障模式的知識庫中的故障模式進行匹配，獲取故障模式的詳細信息，包括故障原因、影響范圍和嚴重程度，形成設備故障診斷報告；
24、s406:根據設備故障診斷報告，自動觸發相應的故障處置流程，包括告警通知、應急預案和維修工單，確定設備故障類型。
25、優選的，在步驟5中獲取設備拓撲結構信息和故障信息，構建設備拓撲圖；針對設備拓撲圖，采用圖注意力網絡對節點進行表示學習，獲得節點的低維向量表示；根據故障信息，在設備拓撲圖上標注已知的故障節點；采用圖卷積網絡在設備拓撲圖上進行端到端的故障傳播路徑，獲得潛在的故障傳播路徑；根據潛在的故障傳播路徑，判斷故障的根源節點，確定設備故障的原因；針對識別出的根源節點，采用圖注意力網絡在其鄰域子圖上進行影響分析，獲得受影響的節點集合；將根源節點和受影響節點在設備拓撲結構中的位置信息進行融合，判斷設備破損的具體部位本文檔來自技高網...
【技術保護點】
1.基于深度學習的多能互補配電系統數據分析方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，還包括步驟6，采用數據增強和遷移學習方法，擴充包含多種故障模式的知識庫，通過邊緣計算和分布式推理技術，將基于深度學習的多標簽分類算法對全局一致的設備狀態表征進行識別和判斷，得到全局一致的故障模式識別結果。
3.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，在步驟1中根據數據清洗規則對多源異構傳感器數據進行清洗，得到清洗后的傳感器數據，清洗規則包括去除缺失值和異常值；采用最小-最大歸一化方法對清洗后的傳感器數據進行標準化處理，將數據映射到[0,1]的統一尺度空間中，得到標準化后的數據；利用動態時間規整算法，將標準化后的數據在時間維度上進行對齊，得到已對齊的傳感器數據，通過小波變換對已對齊的傳感器數據進行去噪處理，選擇分解層數，對每一層的高頻分量進行閾值處理，再重構得到去噪后的傳感器數據；所述再重構得到去噪后的傳感器數據，包括利用基于密度的空間聚類算法，識別已對齊的傳感器數據中的異常值
4.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，在步驟2中采用快速傅里葉變換對預處理后的傳感器數據進行頻域分析，提取頻譜能量和頻譜熵頻域特征；同時，使用小波包分解對預處理后的傳感器數據進行時頻域分析，在不同尺度下提取所述預處理后的傳感器數據的小波系數作為時域特征；提取的頻譜熵頻域特征和時域特征反映設備的健康狀態和故障特征；
5.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，步驟3中設備狀態特征通過時間插值實現時間同步，將設備狀態特征統一到相同的時間軸上，設備狀態特征通過坐標變換方法實現數據的空間對齊，將設備狀態特征統一到相同的空間坐標系下，選擇時空數據融合算法，采用卡爾曼濾波建立數據融合模型，將時間同步和空間對齊后的傳感器數據作為輸入，通過時空數據融合算法計算設備的狀態參數，在數據融合過程中，通過建立設備狀態的動態模型，利用卡爾曼濾波算法對設備狀態進行預測和更新，結合當前時刻的多傳感器觀測數據對預測結果進行校正，得到設備狀態估計值，將數據融合得到的設備狀態估計值作為全局一致的設備狀態表征。
6.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，步驟4中確定設備故障類型，包括：
7.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，在步驟5中獲取設備拓撲結構信息和故障信息，構建設備拓撲圖；針對設備拓撲圖，采用圖注意力網絡對節點進行表示學習，獲得節點的低維向量表示；根據故障信息，在設備拓撲圖上標注已知的故障節點；采用圖卷積網絡在設備拓撲圖上進行端到端的故障傳播路徑，獲得潛在的故障傳播路徑；根據潛在的故障傳播路徑，判斷故障的根源節點，確定設備故障的原因；針對識別出的根源節點，采用圖注意力網絡在其鄰域子圖上進行影響分析，獲得受影響的節點集合；將根源節點和受影響節點在設備拓撲結構中的位置信息進行融合，判斷設備破損的具體部位，輸出設備故障診斷結果。
8.根據權利要求2所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，步驟6中對全局一致的設備狀態表征進行識別和判斷，包括：
9.基于深度學習的多能互補配電系統數據分析系統，用于實現權利要求1至8中任一項所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，包括：
10.根據權利要求9所述的基于深度學習的多能互補配電系統數據分析系統，其特征在于，還包括：
...【技術特征摘要】
1.基于深度學習的多能互補配電系統數據分析方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，還包括步驟6，采用數據增強和遷移學習方法，擴充包含多種故障模式的知識庫，通過邊緣計算和分布式推理技術，將基于深度學習的多標簽分類算法對全局一致的設備狀態表征進行識別和判斷，得到全局一致的故障模式識別結果。
3.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，在步驟1中根據數據清洗規則對多源異構傳感器數據進行清洗，得到清洗后的傳感器數據，清洗規則包括去除缺失值和異常值；采用最小-最大歸一化方法對清洗后的傳感器數據進行標準化處理，將數據映射到[0,1]的統一尺度空間中，得到標準化后的數據；利用動態時間規整算法，將標準化后的數據在時間維度上進行對齊，得到已對齊的傳感器數據，通過小波變換對已對齊的傳感器數據進行去噪處理，選擇分解層數，對每一層的高頻分量進行閾值處理，再重構得到去噪后的傳感器數據；所述再重構得到去噪后的傳感器數據，包括利用基于密度的空間聚類算法，識別已對齊的傳感器數據中的異常值，將異常值點標記為噪聲點并進行剔除處理，得到最終的已清洗、對齊、去噪和異常剔除的傳感器數據。
4.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，在步驟2中采用快速傅里葉變換對預處理后的傳感器數據進行頻域分析，提取頻譜能量和頻譜熵頻域特征；同時，使用小波包分解對預處理后的傳感器數據進行時頻域分析，在不同尺度下提取所述預處理后的傳感器數據的小波系數作為時域特征；提取的頻譜熵頻域特征和時域特征反映設備的健康狀態和故障特征；
5.根據權利要求1所述的基于深度學習的多能互補配電系統數據分析方法，其特征在于，步驟3中設備狀態特征通過時間插值實現時間同步，將設備狀態特征統...
【專利技術屬性】
技術研發人員：廖曉群，廖子添，藺麗華，王傳良，武虎雄，李維新，
申請(專利權)人：陜西華添聚能科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。