CN116029221B - 一种电力设备故障诊断方法、装置、设备及介质 - Google Patents
一种电力设备故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116029221B CN116029221B CN202310314363.1A CN202310314363A CN116029221B CN 116029221 B CN116029221 B CN 116029221B CN 202310314363 A CN202310314363 A CN 202310314363A CN 116029221 B CN116029221 B CN 116029221B
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- data
- diagnosis
- power equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000007246 mechanism Effects 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 48
- 239000000463 material Substances 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000013499 data model Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004643 material aging Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力设备状态评估技术领域，具体涉及一种电力设备故障诊断方法、装置、设备及介质，电力设备故障诊断方法包括：利用代理模型对电力设备在故障发生情况下进行仿真模拟，得到各物理参量对应的状态变量数据；基于机理分析结果与故障观测数据的差值对故障诊断模型进行优化，得到最终故障诊断模型；利用最终故障诊断模型对电力设备的故障进行诊断，得到最终诊断结果。本方法通过机理数据融合，以数据为基础，综合考虑多种物理机理，实现了对于电力设备故障成因的研究与分析，增强了模型的泛化能力与稳定性。
Description
技术领域
本发明属于电力设备状态评估技术领域，具体涉及一种电力设备故障诊断方法、装置、设备及介质。
背景技术
深度学习方法是一类具有多隐层的自动从原始数据中挖掘规律的算法，通过组合各类非线性模块来构建深层网络模型。这些非线性模块从原始输入开始，将人工神经网络每层的特征提炼为更高、更抽象的属性，较高的隐层会放大输入中对输出有重要影响的方面，同时会抑制不相关的变化。深度学习通过逐层抽象提取和逐层迭代来实现深层次特征的学习。当前具有代表性的深度学习网络包括：卷积神经网络(Convolutional NeuralNetworks,CNN)、深度置信网络(Deep Belief Network,DBN)、堆叠自编码器(StackedAutoEncoder ,SAE)、长短期记忆网络(Long Short-Term Memory ,LSTM)、受限玻尔兹曼机(restricted Boltzmann machine, RBM)和生成式对抗网络(Generative AdversarialNetworks,GAN)等。
基于机器学习的电力设备故障智能诊断方法主要包括2类：一类是由贝叶斯网络、支持向量机、决策树、随机森林、神经网络等为核心算法的传统机器学习方法；另一类是以卷积神经网络、循环神经网络、深度置信网络、自动编码器为核心算法的深度学习方法。相比于传统机器学习方法，深度学习方法在故障特征提取、学习能力，以及对海量数据和高维数据的处理中有着明显的优势。基于数据驱动人工智能技术的电力设备故障诊断技术可以充分利用运维过程的在线监测、智能巡检和运维中的多模异构数据，从底层数据中挖掘设备的故障运行状态特征，有助于提升故障诊断的准确率。但是电力设备故障频率低、故障集数据量小且缺乏完备性，导致模型的泛化能力降低，易出现故障诊断偏差等问题。
发明内容
本发明的目的在于提供一种电力设备故障诊断方法、装置、设备及介质，以解决模型泛化能力低，易出现故障诊断偏差的问题。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一方面，提供了一种电力设备故障诊断方法，包括如下步骤：
获取预先训练好的电力设备的代理模型；
利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；
利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；
对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；
将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果分别对应的置信度；
基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；
按照置信度的大小对所述推理结果进行降序排序；
将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；
获取预先构建好的电力设备的复杂物理模型；
将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；
获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；
获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果。
进一步的，在获取预先训练好的电力设备的代理模型的步骤中，按照如下方式训练所述代理模型：
确定要构建代理模型的电力设备；
获取用于训练代理模型的训练集并预处理；
将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程；
基于所述物理学控制方程设计代理模型的神经网络结构；
以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将所述物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化；其中，所述物理约束损失函数包括数据损失项和控制方程损失项；
基于代理模型的总体优化目标函数和设计好的神经网络结构，采用反向传播算法对代理模型进行训练，收敛后得到训练好的代理模型。
进一步的，所述利用预先获取的业务数据知识对所述状态变量数据进行调整的步骤，具体包括：
根据业务数据知识确定状态变量数据中的含噪数据；
对含噪数据进行降噪处理；
对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。
进一步的，所述根据业务数据知识确定状态变量数据中的含噪数据的步骤，具体包括：
提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认定为含噪数据。
进一步的，在将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据的步骤中，按照如下方式训练所述故障诊断模型：
获取用于故障诊断模型训练的数据集；
将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；
根据数学公式设计故障诊断模型的神经网络结构；
将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；
基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；
使用专家经验规则对所述初步故障诊断模型进行优化，得到训练好的故障诊断模型。
进一步的，所述使用专家经验规则对所述初步故障诊断模型进行优化的步骤，具体包括：
获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型；
用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试；
分析测试结果，按照分类错误率对发生的故障类型进行筛选；
若某一故障类型分类错误率大于预设水平，则用数据增强的方法扩充该故障类型对应的训练数据，并利用扩充后的数据集对初步故障诊断模型进行微调。
进一步的，在得到最终诊断结果之后，还包括步骤：
根据最终诊断结果确定故障问题，根据故障问题确定数据模型；其中，故障问题包括局部异常故障引起的故障问题和材料老化引起的故障问题；数据模型包括代理模型和复杂物理模型；
基于确定的数据模型和故障问题，进行故障溯因。
进一步的，对于所述局部异常故障引起的故障问题，确定数据模型为代理模型；对于所述材料老化引起的故障问题，确定数据模型为复杂物理模型。
进一步的，所述基于确定的数据模型和故障问题，进行故障溯因的步骤，包括：
对于局部异常故障引起的故障问题：
根据最终诊断结果确定猜测故障位置，基于猜测故障位置和代理模型进行正向故障演化计算，得到模型故障演化情况；
计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入到代理模型的初始故障位置进行更新；若差值大于预设阈值，则对初始故障位置进行更新，直至现有故障现象和模型故障演化情况的差值小于预设阈值；
当现有故障现象和模型故障演化情况的差值小于预设范围时，将此时的猜测故障位置作为最终故障位置反演结果。
进一步的，所述基于确定的数据模型和故障问题，进行故障溯因的步骤，包括：
对于材料老化引起的故障问题；
根据最终诊断结果确定引发故障的材料特性，基于材料特性和复杂物理模型进行正向故障演化计算，得到故障演化情况；
计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入复杂物理模型的材料特性进行调整，若差值大于预设阈值，则对材料特性进行调整，直至现有故障现象和复杂物理模型故障演化情况的差值小于预设范围；
当现有故障现象和模型故障演化情况的差值小于预设范围时，差值小于预设范围时对应的材料特性作为最终材料特性反演结果。
本发明的第二方面，提供了一种电力设备故障诊断装置，包括：
第一获取模块，用于获取预先训练好的电力设备的代理模型；
第一仿真模块，用于利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；
数据调整模块，用于利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；
采样模块，用于对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；
第一诊断模块，用于将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果分别对应的置信度；
推理模块，用于基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；
排序模块，用于按照置信度的大小对所述推理结果进行降序排序；
结果输出模块，用于将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；
第二获取模块，用于获取预先构建好的电力设备的复杂物理模型；
第二仿真模块，用于将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；
优化模块，用于获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；
第二诊断模块，用于获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果。
本发明的第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的电力设备故障诊断方法。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的电力设备故障诊断方法。
与现有技术相比较，本发明的有益效果如下：
本发明提供的电力设备故障诊断方法，利用预先训练好的代理模型对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；基于状态变量数据和预先训练好的故障诊断模型，得到初步诊断结果；将初步诊断结果输入复杂物理模型中，利用复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；利用最终故障诊断模型对电力设备的故障进行诊断，得到最终诊断结果。本发明方法针对电力设备的机理数据融合，将电力设备运行及故障机理与数据驱动的人工智能模型融合，提升模型的理论完备性及可解释性。在故障诊断的过程中综合考虑多方面物理机理因素，降低模型对于数据的依赖程度，提升模型的可靠性和准确性，克服了模型泛化能力低的难题。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一种电力设备故障诊断方法的流程图；
图2为本发明实施例中故障溯因的方法流程图；
图3为本发明实施例一种电力设备故障诊断装置的结构框图；
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示，本发明实施例提供了一种电力设备故障诊断方法，包括如下步骤：
S1、获取预先训练好的电力设备的代理模型。
本方案中，电力设备的代理模型可以按照如下方式进行训练：
（1）确定要构建代理模型的电力设备。
具体的，本方案主要针对电力设备的研究区域构建代理模型，电力设备的研究区域可以是电力设备的整体，也可以是电力设备的一部分。
（2）获取用于训练代理模型的训练集并预处理。
具体的，训练集可以包括电力设备的声音振动类业务数据，以及声音振动类业务数据分别对应的故障类型。
进一步具体的，声音振动类业务数据主要是声音传感器、振动传感器等采集到的声纹数据和振动数据。
更进一步的，声纹数据和振动数据的类型按照数据来源，可以包括：综合类数据、在线监测数据、离线试验数据、后台监测数据及巡视数据等。
具体的，训练集的预处理主要包括数据清洗、补全、增强等。
（3）将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程。
具体的，正则化处理的过程，就是将电力设备的物理学机理以函数或方程的方式表征，并以该函数或方程为依据，采用参数拟合的方法，对预处理后的声音振动类业务数据及其对应的故障类型进行表征，将声音振动类业务数据及其对应的故障类型以方程的形式表示。
作为示例，可以将声音振动类业务数据及其对应的故障类型表征为电力设备的物理学控制方程：
其中，u t代表u对t的导数；
为和u有关的函数；u为要研究的物理量；t为时间。
具体的，本方案中将电力设备的物理学机理以函数或方程的方式进行表征，是针对电力设备包含的力学、热学、声学、电磁学在内的物理学机理进行表征，物理学机理可以通过函数、方程等方式进行直接表示。
作为示例，在变压器的物理学分析中，可以将力学、热学、声学、电磁学等多种物理学机理通过偏微分方程的形式进行表征，本方案中以二阶偏微方程为例，表述为如下通用公式：
式中：φ是因变量，x和y是自变量，a~g是与x和y相关的函数。
作为一种更具体的示例，针对物理学机理中的声学，如电力设备运行中的声音振动类业务数据，可以通过先验知识定义声音振动类业务数据的方程结构，然后使用最小二乘法来拟合方程系数，从而得到表征声学物理学机理的函数或方程。
进一步具体的，在将物理学机理以函数或方程的方式进行表征后，将物理学机理内嵌至代理模型的构建过程中；具体来说，就是将表征后的物理学机理作为物理定律，将物理定律作为一个正则器来正则化训练集，得到结构化的训练集，用结构化的训练集来训练代理模型，使代理模型可以从训练集中学到更多的内容。
（4）基于物理学控制方程设计代理模型的神经网络结构。
对上述步骤（3）中得到的物理学控制方程进行分析，根据物理学控制方程中的自变量数目确定代理模型的输入维度，根据物理学控制方程中的因变量确定代理模型的输出维度；根据声音振动类业务数据的数量及对应故障类型设计代理模型的神经网络超参数；其中，神经网络超参数包括隐含层神经元数量及隐含层层数。
作为示例，因变量可以是声纹数据和振动数据等相关的数据，自变量可以是故障类型等。
（5）以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将上述步骤（3）得到的物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化。
具体的，本方案中定义残差函数
为：
上述的残差函数表征训练集数据偏离物理学控制方程的程度。
基于物理学控制方程和声音振动类业务数据构建物理约束损失函数：
其中，
代表数据损失项，/>
代表控制方程损失项。
数据损失项表示为：
控制方程损失项表示为：
其中，N u表示作为训练集数据的数量，
表示待研究物理量在t i时刻、x i位置的神经网络输出值；/>
表示待研究物理量的具体采样点；/>
表示残差项。
（7）基于上述代理模型的总体优化目标函数和设计好的神经网络结构，以物理约束损失函数最小为目标，采用反向传播算法对代理模型进行训练，收敛后得到训练好的代理模型。
S2、利用预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据。
本方案中，将代理模型训练好之后，将给定故障数据输入至代理模型中，代理模型即能够输出在不同工况下的运行情况及故障发生情况下，电力设备的各物理参量所对应的状态变量数据。
具体的，给定故障数据可以是实际观察到的故障现象，如变压器的外壳出现缺损、变压器的铁心出现位置偏移等。
对应上述给定故障数据，电力设备的各物理参量所对应的状态变量数据可以是声纹数据和振动数据等。
S3、利用预先获取的业务数据知识对状态变量数据进行调整，使状态变量数据均匀分布。
具体的，本步骤包括如下：
S31、根据业务数据知识确定状态变量数据中的含噪数据。
具体的，本方案中的业务数据知识是指，采用滤波类方法从声音振动类业务数据中提取的常见噪声数据的特征。
确定状态变量数据中的含噪数据时，首先提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认为是含噪数据。
作为示例，本方案将相似度阈值范围设置在90%，即特征相似度在90%及90%以上的状态变量数据认为是含噪数据。
S32、对含噪数据进行降噪处理。
具体的，可以采用线性滤波器对含噪数据进行降噪处理。
S33、对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。
本方案中，可以将预设比例设置为10%或8%。
S4、对均匀分布的状态变量数据进行采样，得到状态变量数据子集。
具体的，状态变量数据子集中的数据对应电力设备实际运行过程中，能够通过数据采集设备实际所采集的数据。
S5、将状态变量数据子集输入预先训练好的故障诊断模型中，故障诊断模型输出诊断数据；其中，诊断数据包括电力设备的多种故障结果，以及每种故障结果分别对应的置信度。
具体的，本方案中故障诊断模型的训练方式如下：
S51、获取用于故障诊断模型训练的数据集。
该数据集包括：电力设备的代理模型生成的状态变量数据子集，以及状态变量数据子集分别对应的故障类型。
S52、将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式。
S53、根据数学公式来设计故障诊断模型的神经网络结构。
具体的，对数学公式进行解析，确定数学公式的自变量数量和因变量数量，根据数学公式中的自变量数目确定故障诊断模型的输入维度；根据数学公式中的因变量数据及故障类型确定故障诊断模型的输出维度；根据数据集规模及对应故障类型设计神经网络超参数；其中，神经网络超参数包括隐含层神经元数量及隐含层层数。
S54、将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化。
S55、基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型。
S56、使用专家经验规则对初步故障诊断模型进行优化，得到训练好的故障诊断模型。
进一步的，使用专家经验规则对初步故障诊断模型进行优化的步骤，具体包括如下：
获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型。
用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试。
分析测试结果，按照分类错误率对故障类型进行筛选。
若某一故障类型分类错误率大于预设水平，则用数据增强的方法扩充该故障类型的训练数据，并利用扩充后的数据集对初步故障诊断模型进行微调，直至所有故障类型的分类错误率都低于预设水平。
具体的，分类错误率的预设水平可以是4%、5%、6%等预先给定值。
S6、基于规则推理，利用预先构建好的电力设备故障诊断专家系统对故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果。
具体的，本方案中电力设备故障诊断专家系统的构建方式如下：
获取电力设备运行过程中的典型故障案例，从典型故障案例中总结并抽取故障现象及对应诊断结论，形成典型电力设备故障案例数据库；
用基于产生式规则的知识表示形式和产生式的表示方法对典型电力设备故障案例数据库进行表示，得到变压器故障诊断的知识库，知识库作为基于产生式规则的电力设备故障诊断专家系统。
其他的一些实施例中，得到变压器故障诊断的知识库后，还给出数据库表图，方便后续调用。
其他的一些实施例中，从典型故障案例中总结并抽取故障现象及对应诊断结论，形成典型电力设备故障案例数据库之后，也可以用基于改进证据推理规则的专家经验等构建变压器故障诊断的知识库。
S7、按照置信度的大小对推理结果进行降序排序。
具体的，故障诊断模型输出的诊断数据包括了故障结果，以及故障结果对应的置信度，本方案中按照置信度由高到低对故障结果进行排序。
S8、将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果。
具体的，若故障诊断模型输出的置信度最高的故障结果处于推理结果排序的前50%，则认为故障诊断模型输出的故障结果结果符合专家系统规则的推理结果，输出该故障结果作为初步诊断结果。
若故障诊断模型输出的置信度最高的故障结果未处于推理结果的前50%，则认为故障诊断模型输出的故障结果不符合电力设备故障诊断专家系统的推理结果，不输出该故障结果，并按照故障结果置信度的排序对下一个故障结果重复进行判断和筛选。
S9、获取预先构建好的电力设备的复杂物理模型。
具体的，本方案中的复杂物理模型是指采用多物理场多微分方程组表征的电力设备数值计算模型，能够表达声音振动（声场、振动场量的表征）的变化规律。
本方案中将复杂物理模型作为机理分析模型，基于电力设备内部各相（如液相、固相等）的控制方程和各自的力学材料特性，对电力设备内部力场的故障情况进行仿真模拟。
S10、将初步诊断结果输入复杂物理模型中，利用复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果。
具体的，初步诊断结果可以是故障类型，如变压器绕组松动，将故障类型输入复杂物理模型中得到计算结果，记为数字仿真的机理分析结果。
进一步具体的，机理分析结果可以是声纹数据和振动数据等。
S11、获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型。
具体的，故障观测数据可以是实际观测到的声纹数据和振动数据，该实际观测到的声纹数据和振动数据所对应的故障类型，与输入复杂物理模型中的初步诊断结果的故障类型相同。
本方案中，基于数字仿真的机理分析结果优化故障诊断模型，即将数字仿真的机理分析结果与故障观测数据做差，并把差值作为正则项纳入至故障诊断模型下一步训练的总体损失函数中，并采用拉格朗日优化法对正则项的权重系数进行优化，直至机理分析结果与故障观测数据的差值在预设范围内，得到最终故障诊断模型。
S12、获取电力设备运行过程中的实际数据，将实际数据输入最终故障诊断模型中，最终故障诊断模型输出电力设备的最终诊断结果。
具体的，实际数据可以是当前时刻的设备声音、振动信号，最终诊断结果可以包括故障类型及其置信度。
在一个优选实施例中，在得到最终诊断结果之后，还包括：将最终诊断结果输入到代理模型中，得到电力设备从发生故障开始时刻直至当前时刻故障演化全过程中，声音及振动信号的变化情况。
如图2所示，在一个优选实施例中，在得到最终诊断结果之后，还包括故障溯因的方法：
S100、根据最终诊断结果确定故障问题，根据故障问题确定数据模型；其中，故障问题包括局部异常故障引起的故障问题和材料老化引起的故障问题；数据模型包括代理模型和复杂物理模型。
具体的，对于局部异常故障引起的故障问题，确定数据模型为代理模型；对于材料老化引起的故障问题，确定数据模型为复杂物理模型。
进一步具体的，当电力设备发生故障时，最终诊断结果会给出具体的故障及原因，例如当前电力设备的故障为局部异常故障或材料老化等引起，并且对于故障为局部异常故障引起的情况，会给出诊断的故障位置；对于故障为材料老化引起的情况，会给出材料特性，例如绝缘材料的绝缘电阻、介电系数、介质损耗因数和绝缘强度等。
S200、基于确定的数据模型和故障问题，进行故障溯因。
（1）对于局部异常故障引起的故障问题。
（1.1）根据最终诊断结果确定猜测故障位置，基于猜测故障位置和代理模型进行正向故障演化计算，得到模型故障演化情况。
具体的，最终诊断结果中所包含的故障位置作为猜测故障位置，将猜测故障位置输入到代理模型中进行正向故障演化计算，得到模型故障演化情况；进一步具体的，模型故障演化情况是指代理模型输出的声纹数据、振动数据。
具体的，猜测故障位置可以是：在空间坐标系中定位的猜想故障位置M0，M0的定位坐标：（x，y，z）。
（1.2）计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入到代理模型的猜测故障位置进行更新；若差值大于预设阈值，则对猜测故障位置进行更新，直至现有故障现象和模型故障演化情况的差值小于预设阈值。
具体的，现有故障现象可以是从实际故障位置采集到的声纹数据和振动数据，该实际故障位置和猜测故障位置对应。进一步具体的，现有故障现象还可以是声纹数据和振动数据中的振动频率、振动幅度等。
具体的，根据下式迭代更新猜想故障位置：
在第l（l=1,2,…）次迭代中：
Ml+1 =β lM0+(1-β l)Ml-β lCMGl T(CD+GlCMGl T)-1×[F(Ml)-dobs-Gl(Ml-M0)]
式中，Ml+1是第l+1次猜想故障位置的坐标；β l为调整迭代步长的参数；M0是初始的猜想故障位置；Ml是第l次猜想故障位置的坐标；CM=ΔM0(ΔM0)T/(N e-1)代表参数的先验协方差；Gl是基于集合平均的敏感性矩阵；CD是参数的协方差；Gl T是基于集合平均的敏感性矩阵的转置矩阵；F(Ml)是正演模型输出；dobs是参数分布均值；ΔM0表示矩阵M0与其均值的偏差。
其他的一些方案中，也可以采用如卡曼滤波方法、集合平滑方法、集合卡曼滤波方法等进行猜想故障位置的更新。
（1.3）当现有故障现象和模型故障演化情况的差值小于预设范围时，将此时的猜测故障位置作为最终故障位置反演结果。
（2）对于材料老化引起的故障问题。
（2.1）根据最终诊断结果确定引发故障的材料特性，基于材料特性和复杂物理模型进行正向故障演化计算，得到故障演化情况。
具体的，将引发故障的材料特性输入到复杂物理模型之中，复杂物理模型输出对应的声纹数据和振动数据作为故障演化情况。
具体的，材料特性可以包括材料的种类、相关性质等，例如绝缘电阻、介电系数、介质损耗因数和绝缘强度等。
（2.2）计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入复杂物理模型的材料特性进行调整，若差值大于预设阈值，则对材料特性进行调整，直至现有故障现象和复杂物理模型故障演化情况的差值小于预设范围。
具体的，现有故障现象可以是实际采集到的声纹数据和振动数据。进一步具体的，现有故障现象还可以是声纹数据和振动数据中的振动频率、振动幅度等。
进一步的具体的，调整材料特性时，可以根据下式迭代更新材料特性：
在第l（l=1,2,…）次迭代中：
Ml+1 =β lM0+(1-β l)Ml-β lCMGl T(CD+GlCMGl T)-1×[F(Ml)-dobs-Gl(Ml-M0)]
式中，Ml+1是第l+1次更新的材料特性；β l为调整迭代步长的参数；M0是初始的材料特性；Ml是第l次更新的材料特性；CM=ΔM0(ΔM0)T/(N e-1)代表参数的先验协方差；Gl是基于集合平均的敏感性矩阵；CD是参数的协方差；Gl T是基于集合平均的敏感性矩阵的转置矩阵；F(Ml)是正演模型输出；dobs是参数分布均值；ΔM0表示矩阵M0与其均值的偏差。
（2.3）当现有故障现象和模型故障演化情况的差值小于预设范围时，差值小于预设范围时对应的材料特性作为最终材料特性反演结果。
具体的，将最终材料特性反演结果作为实际的材料特性，该实际的材料特性区别于预先给定的标准材料特性，能够表征电力设备在实际工作中的材料特性。
实施例2
如图3所示，基于与上述实施例的同一发明构思，本实施例还提供了一种电力设备故障诊断装置，包括：
第一获取模块，用于获取预先训练好的电力设备的代理模型。
第一获取模块中，按照如下方式训练代理模型：
确定要构建代理模型的电力设备；
获取用于训练代理模型的训练集并预处理；
将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程；
基于物理学控制方程设计代理模型的神经网络结构；
以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化；其中，物理约束损失函数包括数据损失项和控制方程损失项；
基于代理模型的总体优化目标函数和设计好的神经网络结构，采用反向传播算法对代理模型进行训练，收敛后得到训练好的代理模型。
第一仿真模块，用于利用预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据。
数据调整模块，用于利用预先获取的业务数据知识对状态变量数据进行调整，使状态变量数据均匀分布。
数据调整模块，具体用于：
根据业务数据知识确定状态变量数据中的含噪数据；具体来说，是通过提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认定为含噪数据；
对含噪数据进行降噪处理；
对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。
采样模块，用于对均匀分布的状态变量数据进行采样，得到状态变量数据子集。
第一诊断模块，用于将状态变量数据子集输入预先训练好的故障诊断模型中，故障诊断模型输出诊断数据。其中，诊断数据包括电力设备的多种故障结果，以及每种故障结果分别对应的置信度。
第一诊断模块中，按照如下方式训练故障诊断模型：
获取用于故障诊断模型训练的数据集；
将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；
根据数学公式设计故障诊断模型的神经网络结构；
将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；
基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；
使用专家经验规则对初步故障诊断模型进行优化，得到训练好的故障诊断模型；具体来说，首先获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型；用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试；分析测试结果，按照分类错误率对发生的故障类型进行筛选；若某一故障类型分类错误率大于预设水平，则用数据增强的方法扩充该故障类型对应的训练数据，并利用扩充后的数据集对初步故障诊断模型进行微调。
推理模块，用于基于规则推理，利用预先构建好的电力设备故障诊断专家系统对故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果。
排序模块，用于按照置信度的大小对推理结果进行降序排序。
结果输出模块，用于将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果。
第二获取模块，用于获取预先构建好的电力设备的复杂物理模型。
第二仿真模块，用于将初步诊断结果输入复杂物理模型中，利用复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果。
优化模块，用于获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型。
第二诊断模块，用于获取电力设备运行过程中的实际数据，将实际数据输入最终故障诊断模型中，最终故障诊断模型输出电力设备的最终诊断结果。
实施例3
如图4所示，本发明还提供一种用于实现上述实施例一种电力设备故障诊断方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种电力设备故障诊断方法步骤。
存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
电子设备100中的存储器101存储多个指令以实现一种电力设备故障诊断方法，处理器102可执行多个指令从而实现：
获取预先训练好的电力设备的代理模型；
利用预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；
利用预先获取的业务数据知识对状态变量数据进行调整，使状态变量数据均匀分布；
对均匀分布的状态变量数据进行采样，得到状态变量数据子集；
将状态变量数据子集输入预先训练好的故障诊断模型中，故障诊断模型输出诊断数据；其中，诊断数据包括电力设备的多种故障结果，以及每种故障结果分别对应的置信度；
基于规则推理，利用预先构建好的电力设备故障诊断专家系统对故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；
按照置信度的大小对推理结果进行降序排序；
将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；
获取预先构建好的电力设备的复杂物理模型；
将初步诊断结果输入复杂物理模型中，利用复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；
获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；
获取电力设备运行过程中的实际数据，将实际数据输入最终故障诊断模型中，最终故障诊断模型输出电力设备的最终诊断结果。
实施例4
电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种电力设备故障诊断方法，其特征在于，包括如下步骤：
获取预先训练好的电力设备的代理模型；
利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；
利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；
对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；
将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果分别对应的置信度；
基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；
按照置信度的大小对所述推理结果进行降序排序；
将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；
获取预先构建好的电力设备的复杂物理模型；
将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；
获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；
获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果；
在将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据的步骤中，按照如下方式训练所述故障诊断模型：
获取用于故障诊断模型训练的数据集；
将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；
根据数学公式设计故障诊断模型的神经网络结构；
将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；
基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；
使用专家经验规则对所述初步故障诊断模型进行优化，得到训练好的故障诊断模型。
2.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在获取预先训练好的电力设备的代理模型的步骤中，按照如下方式训练所述代理模型：
确定要构建代理模型的电力设备；
获取用于训练代理模型的训练集并预处理；
将电力设备的物理学机理以函数或方程的方式进行表征，利用表征后的函数或方程对预处理后的训练集进行正则化处理，将训练集表征为物理学控制方程；
基于所述物理学控制方程设计代理模型的神经网络结构；
以物理约束损失函数最小为目标构建代理模型的总体优化目标函数，将所述物理学控制方程转化为残差函数，并添加至代理模型的总体优化目标函数中，应用拉格朗日乘子法对残差函数的权重进行优化；其中，所述物理约束损失函数包括数据损失项和控制方程损失项；
基于代理模型的总体优化目标函数和设计好的神经网络结构，采用反向传播算法对代理模型进行训练，收敛后得到训练好的电力设备的代理模型。
3.根据权利要求1所述的电力设备故障诊断方法，其特征在于，所述利用预先获取的业务数据知识对所述状态变量数据进行调整的步骤，具体包括：
根据业务数据知识确定状态变量数据中的含噪数据；
对含噪数据进行降噪处理；
对降噪后整体的状态变量数据进行样本集均衡性判断，当状态变量数据中的正/负样本数量差异大于整体数据规模的预设比例时，对整体的状态变量数据进行数据增强，使正/负样本数量均衡。
4.根据权利要求3所述的电力设备故障诊断方法，其特征在于，所述根据业务数据知识确定状态变量数据中的含噪数据的步骤，具体包括：
提取状态变量数据的特征，将状态变量数据的特征与常见噪声数据的特征进行相似度比对，将相似度在预设阈值范围内的状态变量数据认定为含噪数据。
5.根据权利要求1所述的电力设备故障诊断方法，其特征在于，所述使用专家经验规则对所述初步故障诊断模型进行优化的步骤，具体包括：
获取代理模型新生成的状态变量数据，以及状态变量数据对应的故障类型；
用状态变量数据及其对应的故障类型作为测试集，对初步故障诊断模型进行测试；
分析测试结果，按照分类错误率对发生的故障类型进行筛选；
若某一故障类型分类错误率大于预设水平，则用数据增强的方法扩充该故障类型对应的训练数据，并利用扩充后的数据集对初步故障诊断模型进行微调。
6.根据权利要求1所述的电力设备故障诊断方法，其特征在于，在得到最终诊断结果之后，还包括步骤：
根据最终诊断结果确定故障问题，根据故障问题确定数据模型；其中，故障问题包括局部异常故障引起的故障问题和材料老化引起的故障问题；数据模型包括代理模型和复杂物理模型；
基于确定的数据模型和故障问题，进行故障溯因。
7.根据权利要求6所述的电力设备故障诊断方法，其特征在于，
对于所述局部异常故障引起的故障问题，确定数据模型为代理模型；
对于所述材料老化引起的故障问题，确定数据模型为复杂物理模型。
8.根据权利要求7所述的电力设备故障诊断方法，其特征在于，所述基于确定的数据模型和故障问题，进行故障溯因的步骤，包括：
对于局部异常故障引起的故障问题：
根据最终诊断结果确定猜测故障位置，基于猜测故障位置和代理模型进行正向故障演化计算，得到模型故障演化情况；
计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入到代理模型的初始故障位置进行更新；若差值大于预设阈值，则对初始故障位置进行更新，直至现有故障现象和模型故障演化情况的差值小于预设阈值；
当现有故障现象和模型故障演化情况的差值小于预设范围时，将此时的猜测故障位置作为最终故障位置反演结果。
9.根据权利要求7所述的电力设备故障诊断方法，其特征在于，所述基于确定的数据模型和故障问题，进行故障溯因的步骤，包括：
对于材料老化引起的故障问题；
根据最终诊断结果确定引发故障的材料特性，基于材料特性和复杂物理模型进行正向故障演化计算，得到故障演化情况；
计算现有故障现象和模型故障演化情况的差值，根据差值和预设阈值的大小关系，判断是否对输入复杂物理模型的材料特性进行调整，若差值大于预设阈值，则对材料特性进行调整，直至现有故障现象和复杂物理模型故障演化情况的差值小于预设范围；
当现有故障现象和模型故障演化情况的差值小于预设范围时，差值小于预设范围时对应的材料特性作为最终材料特性反演结果。
10.一种电力设备故障诊断装置，其特征在于，包括：
第一获取模块，用于获取预先训练好的电力设备的代理模型；
第一仿真模块，用于利用所述预先训练好的电力设备的代理模型，对电力设备在故障发生情况下进行仿真模拟，输出电力设备的各物理参量所对应的状态变量数据；
数据调整模块，用于利用预先获取的业务数据知识对所述状态变量数据进行调整，使所述状态变量数据均匀分布；
采样模块，用于对均匀分布的所述状态变量数据进行采样，得到状态变量数据子集；
第一诊断模块，用于将所述状态变量数据子集输入预先训练好的故障诊断模型中，所述故障诊断模型输出诊断数据；其中，所述诊断数据包括电力设备的多种故障结果，以及每种所述故障结果分别对应的置信度；
推理模块，用于基于规则推理，利用预先构建好的电力设备故障诊断专家系统对所述故障结果进行推理，得到每个故障结果的概率值，将故障结果依据概率值的大小进行降序排序，获得推理结果；
排序模块，用于按照置信度的大小对所述推理结果进行降序排序；
结果输出模块，用于将诊断数据中置信度最高且在推理结果预设排名内的故障结果作为初步诊断结果；
第二获取模块，用于获取预先构建好的电力设备的复杂物理模型；
第二仿真模块，用于将初步诊断结果输入所述复杂物理模型中，利用所述复杂物理模型对故障现象进行复现，得到数字仿真的机理分析结果；
优化模块，用于获取故障观测数据，基于机理分析结果与故障观测数据的差值，对故障诊断模型进行循环优化，得到最终故障诊断模型；
第二诊断模块，用于获取电力设备运行过程中的实际数据，将所述实际数据输入所述最终故障诊断模型中，所述最终故障诊断模型输出电力设备的最终诊断结果；
在第一诊断模块中，按照如下方式训练所述故障诊断模型：
获取用于故障诊断模型训练的数据集；
将用于故障诊断模型训练的数据集进行预处理，将预处理后的数据集表征为以周期函数为基底的数学公式；
根据数学公式设计故障诊断模型的神经网络结构；
将数学公式转化为残差的形式，添加至故障诊断模型的总体优化目标函数中，并应用拉格朗日乘子法对残差的权重进行优化；
基于故障诊断模型的总体优化目标函数和神经网络结构，对故障诊断模型进行训练，收敛后得到初步故障诊断模型；
使用专家经验规则对所述初步故障诊断模型进行优化，得到训练好的故障诊断模型。
11.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至9中任意一项所述的电力设备故障诊断方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至9中任意一项所述的电力设备故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314363.1A CN116029221B (zh) | 2023-03-28 | 2023-03-28 | 一种电力设备故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310314363.1A CN116029221B (zh) | 2023-03-28 | 2023-03-28 | 一种电力设备故障诊断方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116029221A CN116029221A (zh) | 2023-04-28 |
| CN116029221B true CN116029221B (zh) | 2023-06-06 |
Family
ID=86089604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310314363.1A Active CN116029221B (zh) | 2023-03-28 | 2023-03-28 | 一种电力设备故障诊断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029221B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116519021B (zh) * | 2023-06-29 | 2023-09-15 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
| CN118155662B (zh) * | 2024-05-09 | 2024-08-09 | 国网江西省电力有限公司南昌供电分公司 | 基于人工智能的变压器声纹故障识别方法 |
| CN118296404B (zh) * | 2024-06-03 | 2024-08-13 | 中国人民解放军国防科技大学 | 基于多特征提取的复杂装备状态监控与故障诊断方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809596A (zh) * | 2022-11-28 | 2023-03-17 | 北京无线电计量测试研究所 | 一种数字孪生故障诊断方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
| CN112598537B (zh) * | 2020-12-22 | 2022-08-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
| CN115112400A (zh) * | 2022-06-27 | 2022-09-27 | 广东石油化工学院 | 一种石化大机组并发故障诊断方法及系统 |
| CN115389865A (zh) * | 2022-08-16 | 2022-11-25 | 中国电力科学研究院有限公司 | 基于云边端协同架构的电力设备故障诊断方法及系统 |
| CN115423009A (zh) * | 2022-08-25 | 2022-12-02 | 中国电力科学研究院有限公司 | 一种面向云边协同的电力设备故障识别方法及系统 |
| CN115422759A (zh) * | 2022-09-15 | 2022-12-02 | 西安热工研究院有限公司 | 一种设备故障诊断模型构建及设备故障诊断方法、装置 |
-
2023
- 2023-03-28 CN CN202310314363.1A patent/CN116029221B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115809596A (zh) * | 2022-11-28 | 2023-03-17 | 北京无线电计量测试研究所 | 一种数字孪生故障诊断方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116029221A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116029221B (zh) | 一种电力设备故障诊断方法、装置、设备及介质 | |
| US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
| JP6709277B2 (ja) | 異常音検出装置、異常音検出学習装置、異常音サンプリング装置、これらの方法及びプログラム | |
| Zhang et al. | Training cost-sensitive deep belief networks on imbalance data problems | |
| CN113899577A (zh) | 异常声音探测装置、异常声音生成装置及异常声音生成方法 | |
| US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
| CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
| CN116451123A (zh) | 基于issa-mkelm的变压器早期故障诊断方法 | |
| CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
| CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
| CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
| CN108647772B (zh) | 一种用于边坡监测数据粗差剔除的方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
| CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
| CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
| Kuo et al. | A new symbiotic evolution-based fuzzy-neural approach to fault diagnosis of marine propulsion systems | |
| CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
| CN116430234A (zh) | 一种燃料电池故障诊断模型构建方法 | |
| CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 | |
| US20230025677A1 (en) | Architecture for ml drift evaluation and visualization | |
| CN115713032A (zh) | 一种电网预防控制方法、装置、设备及介质 | |
| CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |