【技術實現步驟摘要】
本申請涉及故障識別，尤其涉及一種基于人工智能的電氣設備故障診斷方法及裝置。
技術介紹
1、隨著電力系統的復雜性不斷增加，傳統的故障診斷方法在精確性和效率上已難以滿足現代電力系統的要求。特別是在數據獲取、處理及分析方面，面對龐大且復雜的數據集，如何有效地進行故障預測和健康管理成為一個亟待解決的技術挑戰。
2、在現有的電氣設備故障診斷技術中，數據擴充常采用簡單的復制或線性插值方法，無法有效反映復雜的數據結構，導致擴充后的數據不能有效支持模型泛化，故障診斷準確率較低，影響了電器設備的安全運行。
技術實現思路
1、本申請旨在至少在一定程度上解決相關技術中的技術問題之一。
2、為此，本申請的第一個目的在于提出一種基于人工智能的電氣設備故障診斷方法。
3、本申請的第二個目的在于提出一種裝置。
4、本申請的第三個目的在于提出一種電子設備。
5、本申請的第四個目的在于提出一種計算機可讀存儲介質。
6、本申請的第五個目的在于提出一種計算機程序產品。
7、為達上述目的，本申請第一方面實施例提出了一種基于人工智能的電氣設備故障診斷方法，包括：
8、獲取電力系統中安裝的傳感器采集的歷史運行數據作為原始數據集，標注所述原始數據集中每個樣本的故障類別；
9、對所述原始數據集進行擴充；
10、將擴充后的所述原始數據集輸入到特征提取模型中進行特征提取模型的訓練，并輸出第一訓練特征；
12、將所述第二訓練特征輸入到分類器中進行分類器模型的訓練；
13、將電力系統中安裝的傳感器采集的實時運行數據依次輸入訓練好的所述特征提取模型、特征降維模型和分類器模型中，并輸出對應的故障類別。
14、可選的，所述對所述原始數據集進行擴充，包括：
15、對所述訓練數據進行相關性分析，確定出高度相關的特征組合；
16、設采集的原始數據集為原始數據集中樣本的數量為nds，對每個特征維度進行皮爾遜相關系數計算，用于評估各特征間的線性關系強度，表示為：
17、
18、式中，和分別是第i個樣本在第j維和第k維特征上的值；和分別表示樣本在第j維和第k維特征上的值；和分別是樣本在第j維和第k維特征的均值；為樣本在第j維和第k維特征上的值的相關系數；
19、對每個少數類樣本，根據其k最近鄰的分布計算局部密度，確定哪些少數類樣本周圍的樣本空間相對稀疏，需要更多的數據插補，局部密度的計算方式表示為：
20、
21、式中，是的k最近鄰樣本集合；是第i個樣本的局部密度；表示第i個樣本；表示第j個樣本；σc是高斯核的寬度參數；∥∥為l2范數。
22、基于每個樣本的特征相關性和局部密度，構建稀疏特征映射，并基于局部相似度與稀疏特征映射生成新樣本；
23、通過特征縮放和離群值處理對生成的新樣本進行優化，不斷生成新樣本直到新樣本的數量達到預設的閾值數量。
24、可選的，所述將擴充后的所述原始數據集輸入到特征提取模型中進行特征提取模型的訓練，并輸出第一訓練特征包括：
25、生成一個初始的種群，每個個體代表一種網絡權重的配置，其中，種群大小為np，為第i個個體初始化權重和偏置，表示為：
26、
27、式中，wpi為第i個個體對應的神經網絡的權重，bpi為第i個個體對應的神經網絡的偏置，表示第i個個體在初始狀態的權重矩陣；表示第i個個體在初始狀態的偏置；σ2表示初始化的方差；表示均值為0、方差為σ2的正態分布；
28、對于種群中的每個個體，利用其對應的神經網絡配置來處理輸入的訓練數據，計算模型的輸出，并根據預定的損失函數評估其性能；
29、根據個體的適應度，從當前種群中選擇適應度高于閾值的個體進行保留，作為下一代的候選解；
30、通過交叉和變異操作生成新的子代；
31、重復生成新的子代，直至滿足預設的停止迭代條件；
32、將所述原始數據集輸入到訓練完成的特征提取模型中提取特征以輸出所述第一訓練特征。
33、可選的，所述損失函數為：
34、
35、式中，lpi為第i個個體對應的神經網絡的損失；mps表示當前批次輸入的樣本數量；表示復合損失函數，fsig()表示神經網絡模型函數；表示第j個樣本的特征；表示第j個樣本的標簽；
36、所述損失函數包含正則化項，能夠增加模型的泛化能力，計算方式表示為：
37、
38、式中，mse()是均方誤差函數，reg(wpi)是正則化項，λps為正則化參數。
39、可選的，所述適應度的計算公式為：
40、
41、式中，pselect(i)表示第i個個體被選擇的概率；γpse是控制選擇壓力的參數；lpk為第k個個體對應的神經網絡的損失。
42、通過交叉和變異操作生成新的子代，包括：
43、w′pi＝αpcswp1+(1-αpcs)wp2
44、b′pi＝αpcsbp1+(1-αpcs)bp2
45、式中，αpcs是交叉率，wp1為選定的第一個個體對應的神經網絡的權重，bp1為選定的第一個個體對應的神經網絡的偏置，wp2為選定的第二個個體對應的神經網絡的權重，bp2為選定的第二個個體對應的神經網絡的偏置，w′pi為交叉操作后的個體對應的神經網絡的權重，b′pi為交叉操作后的個體對應的神經網絡的偏置；
46、變異操作對新生成的個體權重進行小幅度隨機擾動，表示為：
47、
48、式中，τ2表示變異的方差，w″pi為變異操作后的個體對應的神經網絡的權重，b″pi為變異操作后的個體對應的神經網絡的偏置。
49、可選的，將所述第一訓練特征輸入到特征降維模型中進行特征降維模型的訓練，包括：
50、將所述第一訓練特征輸入到自編碼神經網絡，通過多層非線性映射結構，映射到初始的低維特征空間，輸出初始低維特征；
51、根據當前特征空間中的特征重要性生成特征權重，并為所述初始低維特征賦予所述特征權重；
52、調整各個初始低維特征的權重，生成優化后的特征；
53、將所述優化后的特征重新映射回高維空間，并計算損失函數；
54、多輪次優化所述特征的權重直到滿足迭代停止條件；
55、將所述第一訓練特征輸入到訓練完成的特征降維模型中進行降維以輸出所述第二訓練特征。
56、可選的，所述將所述第二訓練特征輸入到分類器中進行分類器模型的訓練，包括：
57、初始化量子態，每個特征降維后的第二訓練特征表示為一個量子位；
58、通過量子態自適應轉換本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的電氣設備故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述對所述原始數據集進行擴充，包括：
3.根據權利要求2所述的方法，其特征在于，所述將擴充后的所述原始數據集輸入到特征提取模型中進行特征提取模型的訓練，并輸出第一訓練特征包括：
4.根據權利要求3所述的方法，其特征在于，所述損失函數為：
5.根據權利要求4所述的方法，其特征在于，所述適應度的計算公式為：
6.根據權利要求5所述的方法，其特征在于，所述通過交叉和變異操作生成新的子代，包括：
7.根據權利要求6所述的方法，其特征在于，所述將所述第一訓練特征輸入到特征降維模型中進行特征降維模型的訓練，包括：
8.根據權利要求7所述的方法，其特征在于，所述將所述第二訓練特征輸入到分類器中進行分類器模型的訓練，包括：
9.一種基于人工智能的電氣設備故障診斷裝置，其特征在于，包括：
10.一種電子設備，其特征在于，包括：處理器，以及與所述處理器通信連接的存儲器；
【技術特征摘要】
1.一種基于人工智能的電氣設備故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述對所述原始數據集進行擴充，包括：
3.根據權利要求2所述的方法，其特征在于，所述將擴充后的所述原始數據集輸入到特征提取模型中進行特征提取模型的訓練，并輸出第一訓練特征包括：
4.根據權利要求3所述的方法，其特征在于，所述損失函數為：
5.根據權利要求4所述的方法，其特征在于，所述適應度的計算公式為：
6.根據權利...
【專利技術屬性】
技術研發人員：安振，楊祥，李定利，蔡揚，楊榮成，付偉東，嚴套，陳智，
申請(專利權)人：華能瀾滄江水電股份有限公司，
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。