【技術實現步驟摘要】
本專利技術涉及電力設備故障預測，尤其涉及一種開關柜觸頭故障預測方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，并不必然構成在先技術。
2、開關柜作為電力系統中不可或缺的重要設備，在電力的分配、控制和保護等方面發揮著關鍵作用，其內部的觸頭部分更是實現電路連接與斷開功能的核心組件。在長期運行過程中，開關柜觸頭面臨多種因素的影響，從而容易出現故障。一旦開關柜觸頭發生故障將會導致電力傳輸中斷，影響電網正常運行，使得供電不穩定，造成非計劃停電，故對開關柜觸頭故障進行提前預測顯得至關重要。
3、傳統的開關柜觸頭的故障檢測方法，很多檢測手段主要側重于對已經發生的故障或者已經出現明顯故障征兆的情況進行檢測，如基于閾值的檢測方法，當觸頭溫度超過預先設定的某個高溫閾值或者電流出現明顯異常波動時才會發出警報。這種檢測方式往往是滯后的，無法在故障發生的早期階段就進行預測。隨著神經網絡技術的不斷發展，本領域技術人員嘗試將神經網絡應用到開關柜觸頭故障預測中，但是基于目前的神經網絡結構在進行預測時，數據在隱藏層中傳遞的過程中容易丟失部分信息，并且現有的神經網絡結構在面對多樣化的數據分布時，泛化能力有限且難以捕捉到復雜的特征關系，進而導致預測結果準確性不高，這些都制約著神經網絡在開關柜觸頭故障預測領域中的發展。
技術實現思路
1、本專利技術為了解決上述問題，提出了一種開關柜觸頭故障預測方法及系統，本專利技術選用多層感知機神經網絡模型，并對傳統的多層感知機
2、為了實現上述目的，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供了一種開關柜觸頭故障預測方法，包括：
4、獲取絕緣子數據，所述絕緣子數據包括絕緣子自身屬性數據、歷史運行數據以及歷史環境數據，對獲取的絕緣子數據進行預處理；
5、采集待測開關柜觸頭物理數據，并對采集的物理數據進行預處理；
6、構建改進多層感知機神經網絡模型，所述改進多層感知機神經網絡模型中的隱藏層為雙通道隱藏層，其中一條通道為全連接神經元層，另一條通道為基于注意力機制神經元層；對所述改進多層感知機神經網絡模型進行訓練，利用改進交叉熵函數作為改進多層感知機神經網絡模型的損失函數，將訓練后的改進多層感知機神經網絡模型作為觸頭故障預測模型；采集當前開關柜觸頭物理數據，并對物理數據進行過預處理，將預處理后的物理數據輸入至所述觸頭故障預測模型中，輸出故障概率和故障類型概率分布。
7、進一步的技術方案，所述開關柜觸頭物理數據包括：開關柜觸頭的溫度數據、振動數據、位移數據以及流經開關柜觸頭的電流數據；并對所述溫度數據、振動數據、位移數據以及電流數據進行預處理。
8、進一步的技術方案，所述預處理包括數據清洗，所述數據清洗的具體方法為：將采集的待測開關柜觸頭物理數據按照固定的時間間隔劃分成若干個子區間，對每個子區間進行多權重設置，得到最終權重wi，根據最終權重wi進行加權計算，并確定動態閾值；超過動態閾值的物理數據為異常數據，并對異常數據進行剔除；
9、所述預處理還包括對數據清洗后的物理數據進行歸一化處理。
10、進一步的技術方案，所述得到最終權重wi的方法為：首先根據采集的物理數據到當前時間的距離確定時間權重公式為：其中，β為衰減系數，ti采集的物理數據與當前時間的時間差；其次根據采集的物理數據所在子區間的數據密度確定密度權重公式為：其中，ni為物理數據所在子區間的物理數據的數量，為所有子區間內物理數據的平均數量；最終權重
11、
12、所述進行加權計算的方法為：利用最終權重wi計算每個子區間的加權均值μw和加權標準差均值σw，公式為：其中，xi為子區間內的物理數據，n為子區間內物理數據的總數；所述動態閾值為μw±kσw，其中，k為比例系數。
13、進一步的技術方案，在所述全連接神經元層中的每個神經元均與輸入層的神經元相連，即：zij＝xi×wij，其中zij為全連接神經元層的輸入，xi為輸入層的神經元，wij為連接權重；對所述全連接神經元層的輸入求和得到第一總輸入，對第一總輸入進行非線性變換得到第一輸出；
14、在所述基于注意力機制神經元層中，依次進行計算注意力權重、加權求和以及非線性變換，具體的：計算由輸入層輸出的每個特征與基于注意力機制神經元層中神經元的關聯程度aij，并作為注意力權重，具體公式為：aij＝σ(yi×wa+ba)，其中，σ為sigmoid函數，yi為輸入層輸出的特征，wa為只有一層的全連接網絡的權重，ba為偏置項；將輸入層輸出的特征乘以相應的注意力權重并求和得到第二總輸入，對第二總輸入進行非線性變換得到第二輸出。
15、進一步的技術方案，將所述全連接神經元層中的第一輸出與所述基于注意力機制神經元層中的第二輸出合并，作為下一層神經元的輸入。
16、進一步的技術方案，所述改進交叉熵函數具體為：
17、其中，mi為真實標簽，為預測值，ci為代價權重，μ為正則化參數，k為權重數量，cj為與權重j相關的代價權重。
18、第二方面，本專利技術提供了一種開關柜觸頭故障預測系統，包括：
19、數據采集模塊，被配置為：采集待測開關柜觸頭物理數據，并對采集的物理數據進行預處理；
20、網絡模型構建模塊，被配置為：構建改進多層感知機神經網絡模型，所述改進多層感知機神經網絡模型中的隱藏層為雙通道隱藏層，其中一條通道為全連接神經元層，另一條通道為基于注意力機制的神經元層；對所述改進多層感知機神經網絡模型進行訓練，利用改進交叉熵函數作為改進多層感知機神經網絡模型的損失函數，將訓練后的改進多層感知機神經網絡模型作為觸頭故障預測模型；
21、觸頭故障預測模塊，被配置為：采集當前開關柜觸頭物理數據，并對物理數據進行過預處理，將預處理后的物理數據輸入至所述觸頭故障預測模型中，輸出故障概率和故障類型概率分布。
22、本專利技術與現有技術相比，具有如下的優點和有益效果：
23、本專利技術選用多層感知機神經網絡模型，并對傳統的多層感知機神經網絡模型進行了改進，將傳統的隱藏層改為雙通道隱藏層，其中一條通道為全連接神經元層，另一條通道為基于注意力機制神經元層；全連接神經元層能夠對輸入的物理數據進行全面的特征提取，可以學習到物理數據不同特征之間的復雜關系；基于注意力機制神經元層側重有局部重要特征的提取，通過計算注意力權重能夠突出對任務有重要影響的特征，并增強模型的泛化能力，將二者結合進一步提高特征提取能力；并且雙通道隱藏層能夠減少數據在傳輸過程中的丟失，并能更好的處理不同類型的數據。
24、本專利技術還改進了傳統多層感知機神經網絡模型的誤差函數，利用改進交叉熵函數作為改進多層感知機神經網絡模型的損失函數，解決現有技術中的誤差本文檔來自技高網...
【技術保護點】
1.一種開關柜觸頭故障預測方法，其特征在于，包括：
2.如權利要求1所述的一種開關柜觸頭故障預測方法，其特征在于，所述開關柜觸頭物理數據包括：開關柜觸頭的溫度數據、振動數據、位移數據以及流經開關柜觸頭的電流數據；并對所述溫度數據、振動數據、位移數據以及電流數據進行預處理。
3.如權利要求2所述的一種開關柜觸頭故障預測方法，其特征在于，所述預處理包括數據清洗，所述數據清洗的具體方法為：將采集的待測開關柜觸頭物理數據按照固定的時間間隔劃分成若干個子區間，對每個子區間進行多權重設置，得到最終權重wi，根據最終權重wi進行加權計算，并確定動態閾值；超過動態閾值的物理數據為異常數據，并對異常數據進行剔除；
4.如權利要求3所述的一種開關柜觸頭故障預測方法，其特征在于，所述得到最終權重wi的方法為：首先根據采集的物理數據到當前時間的距離確定時間權重公式為：其中，β為衰減系數，ti采集的物理數據與當前時間的時間差；其次根據采集的物理數據所在子區間的數據密度確定密度權重公式為：其中，ni為物理數據所在子區間的物理數據的數量，為所有子區間內物理數據的平均數量；最
5.如權利要求1所述的一種開關柜觸頭故障預測方法，其特征在于，在所述全連接神經元層中的每個神經元均與輸入層的神經元相連，即：zij＝xi×wij，其中zij為全連接神經元層的輸入，xi為輸入層的神經元，wij為連接權重；對所述全連接神經元層的輸入求和得到第一總輸入，對第一總輸入進行非線性變換得到第一輸出；
6.如權利要求5所述的一種開關柜觸頭故障預測方法，其特征在于，將所述全連接神經元層中的第一輸出與所述基于注意力機制神經元層中的第二輸出合并，作為下一層神經元的輸入。
7.如權利要求1所述的一種開關柜觸頭故障預測方法，其特征在于，所述改進交叉熵函數具體為：其中，mi為真實標簽，為預測值，Ci為代價權重，μ為正則化參數，k為權重數量，Cj為與權重j相關的代價權重。
8.一種開關柜觸頭故障預測系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-7任一項所述的一種開關柜觸頭故障預測方法中的步驟。
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的一種開關柜觸頭故障預測方法中的步驟。
...【技術特征摘要】
1.一種開關柜觸頭故障預測方法，其特征在于，包括：
2.如權利要求1所述的一種開關柜觸頭故障預測方法，其特征在于，所述開關柜觸頭物理數據包括：開關柜觸頭的溫度數據、振動數據、位移數據以及流經開關柜觸頭的電流數據；并對所述溫度數據、振動數據、位移數據以及電流數據進行預處理。
3.如權利要求2所述的一種開關柜觸頭故障預測方法，其特征在于，所述預處理包括數據清洗，所述數據清洗的具體方法為：將采集的待測開關柜觸頭物理數據按照固定的時間間隔劃分成若干個子區間，對每個子區間進行多權重設置，得到最終權重wi，根據最終權重wi進行加權計算，并確定動態閾值；超過動態閾值的物理數據為異常數據，并對異常數據進行剔除；
4.如權利要求3所述的一種開關柜觸頭故障預測方法，其特征在于，所述得到最終權重wi的方法為：首先根據采集的物理數據到當前時間的距離確定時間權重公式為：其中，β為衰減系數，ti采集的物理數據與當前時間的時間差；其次根據采集的物理數據所在子區間的數據密度確定密度權重公式為：其中，ni為物理數據所在子區間的物理數據的數量，為所有子區間內物理數據的平均數量；最終權重
5.如權利要求1所述的一種開關柜觸頭故障預測方法，...
【專利技術屬性】
技術研發人員：翟華，王玉冉，于秋蕊，劉志敬，孫興宇，田彥孜，唐坦坦，滿娜，江廣沖，劉凱，
申請(專利權)人：國網山東省電力公司嘉祥縣供電公司，
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。