换流阀故障诊断模型的构建方法、装置和计算机设备转让专利
申请号 : CN202111330101.1
文献号 : CN113762486B
文献日 : 2022-04-08
发明人 : 杨洋 , 石延辉 , 张海凤 , 袁海 , 洪乐洲 , 杨阳 , 吴梦凡 , 吴桐 , 张朝斌 , 张博 , 黄家豪 , 李凯协 , 赖皓 , 廖名洋 , 张卓杰 , 姚言超 , 夏杰 , 李金安 , 秦金锋 , 许浩强 , 王蒙 , 叶志良 , 袁振峰 , 黄兆 , 严伟 , 蔡斌 , 关就 , 廖聪 , 李莉 , 赵晓杰 , 孔玮琦 , 王越章
申请人 : 中国南方电网有限责任公司超高压输电公司广州局
摘要 :
权利要求 :
1.一种换流阀故障诊断模型的构建方法,其特征在于,所述方法包括:获取换流阀的训练数据集;
确定卷积门控递归神经网络的超参数,并基于所述超参数构建相应的卷积门控递归神经网络;
通过所述训练数据集对所述卷积门控递归神经网络进行训练,得到训练后的卷积门控递归神经网络;
获取所述训练后的卷积门控递归神经网络的适应度,并判断所述适应度是否达到适应度阈值;所述适应度用于表征所述训练后的卷积门控递归神经网络对所述换流阀的故障诊断准确性;
若所述适应度未达到所述适应度阈值,则通过增强粒子群优化算法对所述超参数进行优化,得到新的超参数,并返回所述基于所述超参数构建相应的卷积门控递归神经网络的步骤;
若所述适应度达到所述适应度阈值,则将所述训练后的卷积门控递归神经网络,作为换流阀故障诊断模型;
其中,对所述超参数的优化包括初始化所述增强粒子群优化算法中的卷积门控递归神经网络结构、初始位置、初始速度、惯性权值和学习参数;其中,惯性权值通过非线性调整算法确定,确定方式如下述关系式所示:2
w=a×exp(bk)×rand(0,1)2
b=1/(K ‑1)ln(wmax/wmin)a=wmaxexp(‑b)
其中,w 表示惯性权值,a 和b表示调节系数,k 表示当前的迭代次数,K表示最大迭代次数,wmax、wmin分别表示惯性权值的上限和下限。
2.根据权利要求1所述的方法,其特征在于,所述获取换流阀的训练数据集,包括:构建所述换流阀的数字孪生模型;
获取所述数字孪生模型的模拟运行数据和所述换流阀的历史故障数据,得到样本数据集;
从所述样本数据集中选取多组样本数据,形成训练数据集。
3.根据权利要求2所述的方法,其特征在于,所述获取所述数字孪生模型的模拟运行数据,包括:
获取所述数字孪生模型在预设的多种故障类型下的模拟运行数据,作为故障运行数据,以及获取所述数字孪生模型在正常工作状态下的模拟运行数据,作为正常运行数据;
根据所述故障运行数据和所述正常运行数据,组成所述数字孪生模型的模拟运行数据。
4.根据权利要求1所述的方法,其特征在于,所述通过所述训练数据集对所述卷积门控递归神经网络进行训练,得到训练后的卷积门控递归神经网络,包括:通过所述训练数据集对所述卷积门控递归神经网络进行训练,当训练结果满足训练终止条件时,得到所述卷积门控递归神经网络的模型参数;
基于所述模型参数,得到训练后的卷积门控递归神经网络。
5.根据权利要求1所述的方法,其特征在于,所述通过所述训练数据集对所述卷积门控递归神经网络进行训练,得到训练后的卷积门控递归神经网络,包括:将所述训练数据集分为多个批次,并将所述训练数据集随机打乱;
根据打乱处理后的训练数据集对所述卷积门控递归神经网络进行训练,得到所述训练后的卷积门控递归神经网络。
6.根据权利要求1所述的方法,其特征在于,所述获取所述训练后的卷积门控递归神经网络的适应度,包括:
获取换流阀的测试数据集;
将所述测试数据集中的各组测试数据依次输入所述训练后的卷积门控递归神经网络,得到各组所述测试数据对应的识别结果;
根据各组所述测试数据对应的识别结果,计算所述训练后的卷积门控递归神经网络的适应度。
7.根据权利要求1所述的方法,其特征在于,在对所述超参数进行优化,得到新的超参数之前,还包括:
确定对所述超参数进行优化的优化次数和优化时间;
当所述适应度未达到适应度阈值,且所述优化次数未超出优化次数阈值,且所述优化时间未达到时间阈值时,对所述超参数进行优化,得到新的超参数。
8.一种换流阀故障诊断模型的构建装置,其特征在于,所述装置包括:获取模块,用于获取换流阀的训练数据集;
构建模块,用于确定卷积门控递归神经网络的超参数,并基于所述超参数构建相应的卷积门控递归神经网络;
训练模块,用于通过所述训练数据集对所述卷积门控递归神经网络进行训练,得到训练后的卷积门控递归神经网络;
判断模块,用于获取所述训练后的卷积门控递归神经网络的适应度,并判断所述适应度是否达到适应度阈值;所述适应度用于表征所述训练后的卷积门控递归神经网络对所述换流阀的故障诊断准确性;
优化模块,用于若所述适应度未达到所述适应度阈值,则通过增强粒子群优化算法对所述超参数进行优化,得到新的超参数,并返回所述基于所述超参数构建相应的卷积门控递归神经网络的步骤;其中,对所述超参数的优化包括初始化所述增强粒子群优化算法中的卷积门控递归神经网络结构、初始位置、初始速度、惯性权值和学习参数;其中,惯性权值2
通过非线性调整算法确定,确定方式如下述关系式所示:w=a×exp(bk)×rand(0,1),b=1/2
(K ‑1)ln(wmax/wmin),a=wmaxexp(‑b),其中,w 表示惯性权值,a 和b表示调节系数,k 表示当前的迭代次数,K表示最大迭代次数,wmax、wmin表示惯性权值的上限和下限;
确定模块,用于若所述适应度达到所述适应度阈值,则将所述训练后的卷积门控递归神经网络,作为换流阀故障诊断模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
说明书 :
换流阀故障诊断模型的构建方法、装置和计算机设备
技术领域
背景技术
工作使得关键系统设备容易出现故障。因此,如果未能预先发现故障的发生,可能会导致严
重的后果。更重要的是,虽然相关的操作人员通常都接受了足够的培训,但当换流阀发生故
障时,操作人员很难在很短的时间内准确判断故障类型。
发明内容
统安全风险和经济损失的换流阀故障诊断模型的构建方法、装置、计算机设备和存储介质。
障诊断准确性;
所述换流阀的故障诊断准确性;
障诊断准确性;
障诊断准确性;
训练,得到训练后的卷积门控递归神经网络,进一步,在训练后的卷积门控递归神经网络的
适应度未达到适应度阈值,对所述超参数进行优化,得到新的超参数,基于新的超参数重新
构建卷积门控递归神经网络,再次进行训练,直至适应度达到适应度阈值,将最后得到的训
练后的卷积门控递归神经网络作为换流阀故障诊断模型。该方法通过训练得到换流阀故障
诊断模型,使得后续在换流阀出现故障时,可将换流阀的故障运行数据输入换流阀故障诊
断模型,得到换流阀的故障类型,由此,根据故障类型快速确定故障位置。
附图说明
具体实施方式
用于限定本申请。
以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法
包括以下步骤:
集,以便于通过训练数据集对卷积门控递归神经网络进行训练,通过测试数据集对卷积门
控递归神经网络进行测试。
活功能层、池化层和退出层。然后,叠加多层GRU层、退出层、全连层、输出层,完成卷积门控
递归神经网络模型的构建。
积门控递归神经网络,其中,模型参数可以为卷积门控递归神经网络的权重和偏差。
性。
注有故障类型。在通过测试数据集进行测试时,将测试数据集中的每组测试数据输入训练
后的卷积门控递归神经网络,得到各组测试数据对应的故障类型;将各组测试数据对应的
故障类型,以及各组测试数据标注的故障类型进行比对,根据比对结果获取训练后的卷积
门控递归神经网络的适应度。将适应度与适应度阈值进行比对,判断适应度是否达到适应
度阈值。
化,寻找超参数的最优解。其中,对超参数的优化包括初始化EPSO中的CGRU网络结构、初始
位置和速度、惯性权值、学习因子等参数,之后,各个超参数以粒子的形式呈现,以便于采用
粒子群优化算法对超参数进行优化,更具体地,优化过程可表示为:
“社会”分别表示为c1k和c2k。对于惯性的权值,与标准PSO的线性减重值相比,本申请采用了
一种非线性调整算法,避免了与实际搜索过程的不匹配。具体计算结果如下:
换,保证了惯性重量的整体趋势呈现出非线性趋势。因此,某一迭代时间的惯性权重不一定
小于前一状态的值,也不一定大于后一状态的值,以避免快速惯性权重衰减的问题。
到各维粒子的最新值。
障诊断精度视为EPSO的适合度。在此基础上,通过比较时间T处每个粒子的适应度值与之前
所有的粒子状态的适应度值,得到了具有最佳适应度的粒子,并保存为全局最优粒子。
则可将训练后的卷积门控递归神经网络,作为换流阀故障诊断模型。进一步地,可获取换流
阀的实际运行数据,将实际运行数据输入换流阀故障诊断模型中,得到换流阀的故障类型,
基于故障类型确定故障位置。
控递归神经网络,进一步,在训练后的卷积门控递归神经网络的适应度未达到适应度阈值,
对所述超参数进行优化,得到新的超参数,基于新的超参数重新构建卷积门控递归神经网
络,再次进行训练,直至适应度达到适应度阈值,将最后得到的训练后的卷积门控递归神经
网络作为换流阀故障诊断模型。该方法通过训练得到换流阀故障诊断模型,使得后续在换
流阀出现故障时,可将换流阀的故障运行数据输入换流阀故障诊断模型,得到换流阀的故
障类型,由此,根据故障类型快速确定故障位置。另外,本申请提供的换流阀故障诊断模型
的构建方法中,在采用换流阀的训练数据集对卷积门控递归神经网络进行训练,还通过增
强粒子群优化算法对卷积门控递归神经网络的超参数进行优化,极大地提高了所得到的换
流阀故障诊断模型的故障识别准确性。
中选取多组样本数据,形成训练数据集。
常工作状态下的模拟运行数据,作为正常运行数据;根据故障运行数据和正常运行数据,组
成数字孪生模型的模拟运行数据。
备的全生命周期过程。
请采用构建换流阀的数字孪生模型的方法,实现故障运行数据的获取。本申请构建的换流
阀的数字孪生模型是一个交‑直流变换过程的模拟模型,通过初始化和在线更新,仿真模型
与典型条件下的实际换流阀同步,由此实现数字孪生。在将数字仿真模型在不同故障类型
下进行运行,得到对应的故障数据后,还可根据故障类型对故障数据进行对应的标注,由
此,得到具有标注故障类型的故障运行数据和正常运行数据,作为模拟运行数据,将模拟运
行数据和换流阀的历史故障数据构成换流阀的训练样本集,存储至数据库中,以便于后续
进行网络训练和测试。
定的间隔时间,设定的滑动窗口长度,将模拟运行数据和历史故障数据转换为三维堆叠数
据块,其中,间隔时间可设定1s,滑动窗口长度可设定20s。如图2所示,图2为门控循环单元
GRU的门关循环机构示意图,卷积层利用下面的方程式(1)来提取特征。卷积后,需要激活函
数将信息输出到池化层。
更加稀疏。此外,相关的特征可以很容易地理解和挖掘,用于训练。
探索数据。最后,维度相对较低的特征被认为是没有监督的原始数据的高抽象。在CNN结构中,
相关的超参数包括每一层的卷积核的数量、卷积核的大小、步幅的大小、最大池层的大小等。
重置门和候选隐藏状态的输入层的权重矩阵。并且,Whz和Whr表示圆形连接的权重矩阵。bz、
br和 是相应的偏差向量。另外,r是符号函数,tanh是双曲切线函数, 是点积运算。
数据集训练得到的换流阀故障诊断模型故障诊断的准确性。
参数;基于模型参数,得到训练后的卷积门控递归神经网络。
练后的卷积门控递归神经网络的故障类型识别准确度达到一定阈值时,结束训练,得到模
型参数。
损失函数的数值最小化。当训练达到一定次数或训练准确度达到预设准确度阈值时,得到
卷积门控递归神经网络的模型参数,基于模型参数,得到训练后的卷积门控递归神经网络。
到训练后的卷积门控递归神经网络。
过度拟合。
组测试数据的识别结果,计算训练后的卷积门控递归神经网络的适应度。
测试数据所标注的内容进行比对,当一组测试数据的识别结果与其标注的内容一致时,判
定该组测试数据的识别是准确的,否则,不准确。将准确或不准确作为测试数据的识别结
果,在对各组测试数据均进行识别后,计算识别准确的测试据占所有测试数据总数目的百
分比,作为训练后卷积门控递归神经网络的适应度。
度,作为适应度。
时,对超参数进行优化,得到新的超参数。
值,则将每个超参数对应的当前全局最优值,作为新的超参数,基于新的超参数构建新的卷
积门控递归神经网络,并返回步骤S106,对新的卷积门控递归神经网络进行训练。若适应度
未达到适应度阈值,则将优化次数加一,当优化次数达到优化次数阈值时,将最后一次寻优
得到的超参数作为新的超参数。
法更新权重和偏差,并计算训练和测试的准确性,当训练结果满足训练终止条件时,得到训
练后的CGRU网络,否则,迭代次数加一,返回继续训练。
诊断模型。若适应度小于95%,则更新惯性权重和学习因子等参数,计算适应度并更新超参
数个体和全局最优值,并进行邻域空间的综合搜索和自适应变异的大规模搜索,搜索完成
后再次计算适应度并更新个体和全局最优值,判断优化次数N是否大于优化次数阈值,若
是,则结束寻优,将最后一次寻优得到的超参数作为新的超参数。
模型的关键参数进行寻优,进而对换流阀的故障进行诊断,具有良好的稳定性,适用于不同
的系统以及其它类型的换流阀。
试数据获得以下各种情况下的诊断精度,默认情况下,数据归一化为(0,1),噪声强度设置
为30dBW。每个样本的默认长度为1000秒。此外,每个样本的800秒用于训练,其余的用于测
试。已选择泄露单元作为CGRU中每一层的激活功能。同样对于EPSO,粒子数量被设置为20,
最大进化值为20。使用CGRU中的测试数据进行故障诊断的准确度作为适应度功能。EPSO全
局最优解和平均适应度的变化代数如图4所示。结果表明,全局最优解在迭代过程中迅速达
到峰值,然后保持不变,而20个粒子群的平均适应度在全局最优解的范围内有所变化。这证
明了解空间中的大多数粒子进行了全面的随机搜索,以通过大尺度变化和非线性加权因子
调整来避免陷入局部最优。随后,通过细致的邻域搜索,得到了全局最优解。对应于全局最
优解的全局最优粒子被用作CGRU的最优网络结构,如表1所示。
均趋于最小值,并保持稳定,表明本申请所述方法给出了准确的故障诊断。为了进一步验证
该方法的准确性,采用混淆矩阵显示了不同故障模式的模型诊断精度,如图7所示。除了故
障1和故障2之外,CGRU的精度都保持在高水平。这主要是因为这些故障下参数趋势的变化
相对较近,导致特征识别程度较低。尽管如此,该模型还是保持了很高的准确性。
骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和3中的至少
一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执
行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,
而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
中:
断准确性;
中选取多组样本数据,形成训练数据集。
模拟运行数据,作为正常运行数据;根据故障运行数据和正常运行数据,组成数字孪生模型
的模拟运行数据。
基于模型参数,得到训练后的卷积门控递归神经网络。
到训练后的卷积门控递归神经网络。
的识别结果;根据各组测试数据对应的识别结果,计算训练后的卷积门控递归神经网络的
适应度。
到时间阈值时,对超参数进行优化,得到新的超参数。
术特征及其有益效果均适用于换流阀故障诊断模型的构建装置的实施例中,具体内容可参
见本申请方法实施例中的叙述,此处不再赘述,特此声明。
器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各
个模块对应的操作。
屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存
储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程
序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算
机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、
运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种换
流阀故障诊断模型的构建方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显
示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳
上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可
包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑
Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器
(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种
形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存
储器(Dynamic Random Access Memory,DRAM)等。
盾,都应当认为是本说明书记载的范围。
说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护
范围。因此,本申请专利的保护范围应以所附权利要求为准。