一种基于深度学习的石油钻机微电网故障预测方法技术

本发明专利技术公开了一种基于深度学习的石油钻机微电网故障预测方法，涉及电网预测技术领域，具体地，本发明专利技术将降水量、风速、雷击密度、气压、温度、运行时长等作为辅助信息量，并对辅助信息量有效的进行组合赋权量化，并作为预测模型的子网络输入，建立石油钻机微电网电气量(电流、电压、有功功率)的预测模型，进一步，基于多任务学习网络的诊断分类模型，以电气量预测值作为输入，通过改进的softmax分类器输出故障预测结果，本文提出的故障预测方法，可以有效地提高石油钻机微电网故障预测的精度，而提高石油钻机系统的可靠性。提高石油钻机系统的可靠性。提高石油钻机系统的可靠性。

【技术实现步骤摘要】
一种基于深度学习的石油钻机微电网故障预测方法


[0001]本专利技术涉及电网预测
，具体地，涉及一种基于深度学习的石油钻机微电网故障预 测方法。

技术介绍

[0002]石油钻机微电网系统作为特殊的一种微电网结构，是一个集柴油发电机、储能系统、负荷 和控制系统为一体的系统单元。石油钻机微电网系统为石油钻机的转盘电机、绞车电机、泥浆 泵电机、制动电机等用电设备提供源源不断的电力。随着石油钻机规模的扩大和功能的升级， 保障微电网的电力系统安全是石油钻机可靠运行的稳定基础。其中线路跳闸故障是最常见的故 障，线路跳闸是线路出现异常情况的反映和最终结果，在石油钻机微电网系统中，线路跳闸故 障预测有利于提高系统运行的安全性，其中线路的跳闸故障情况主要表征在电流、电压、有功 功率三种电气量数据变化中。在系统识别到即将发生线路跳闸故障后，则需要采取相应的措施， 合理制定停电检修计划。因此本文的研究对象主要针对石油钻机为电网中的跳闸故障类型。
[0003]目前，大多数传统研究都是基于物理退化模型，这存在两个问题，一方面，没有充分利用 石油钻机微电网下的丰富数据资源，石油钻机微电网系统的用电设备由于受天气、认为等因素， 在长时间的累积作用下，对微电网故障存在一定的影响，如何去刻画对造成故障的影响程度是 一个需要解决的问题；另一方面，基于故障特征量预测的基础上，如何建立对应的跳闸故障类 型判断，考虑不同电气量的权重影响，获得最终的故障判断结果与故障概率，建立石油钻机微 电网故障预测模型是需要解决的另一个问题。
[0004]综上，本专利技术基于深度学习，建立对应的预测与分类诊断模型，深度挖掘丰富石油钻机微 电网下的丰富数据的有效信息。

技术实现思路

[0005]本专利技术针对现有技术对石油钻机微电网系统故障预测方法无法解决设备数据信息的有效 挖掘、预测精度不够可靠等缺点，提供了一种基于深度学习的石油钻机微电网故障预测方法。
[0006]本专利技术技术方案为一种基于深度学习的石油钻机微电网故障预测方法，该方法包括：
[0007]步骤1：整理石油钻机微电网系统电网线路历史数据，历史数据包括电流、电压、功率、 气象、温度，断路器时序开关量信息、保护器时序开关量信息、系统故障信息，然后整理成故 障样本、正常样本,以及无标签样本，进一步选取对应的辅助信息数据，最后对数据进行预处 理。对缺失数据样本补全，采用插值算法进行缺省插值填补。
[0008]其中，数据的无量纲化，采用(0,1)标准化处理，处理方法如下:
[0009][0010]其中，x
i
为数据处理后结果，e
max
和e
min
是数据预处理后结果的最大值和最小值，x
max
和 x
min
是数据预处理前的最大值和最小值。
[0011]步骤2：采用基于G1和熵权法的组合赋权方法对辅助信息进行赋权量化处理。辅助信息 量包括降水量、风速、雷击密度、气压、温度、运行时长。
[0012]具体地，赋权方法如下：
[0013]步骤2.1：基于G1计算主观赋权
[0014](1)评价专家通过自身标准在所有的辅助信息量因子集中选择出影响程度最大的因子， 将该指标记为x1；
[0015](2)评价专家在其余的n
‑
1个评价因子中，选择其中最为重要的评价因子，设为x1：
[0016](3)在进行了t次挑选后，评价专家在剩下的n
‑
(t
‑
1)个评价因子中选出其中最为重要 的评价因子，标记为x
t
；
[0017](4)在经过n
‑
1次选择后，剩余最后的评价因子为x
n
；
[0018]步骤2.1.1：经过专家评价选择按重要程度从高到低确定了评价因子x1，x2，...，x
n
，建立了 各评价因子之间的序关系。
[0019]步骤2.1.2：在确定了因子间的序关系后需要进行各个因子的定量分析，设专家判断因子 x
k
‑1与x
k
的重要程度之比ω
k
‑1/ω
k
分别为：
[0020]ω
k
‑1/ω
k
＝r
k
(k＝n，n
‑
1，n
‑
2，
…
，3，2)
[0021]其中ω
k
为第k辅助信息的主观权重。根据常用文化用语设定，对定量分析中的r
k
建立9 级的语气算子关系说明如下表1所示：
[0022]表1 r
k
与算子说明的对应说明
[0023][0024][0025]步骤2.1.3：根据实际情况给r
k
赋值后，根据归一化原则，计算出各辅助信息的主观权重；
[0026]步骤2.2：基于熵权法计算客观赋权
[0027]步骤2.2.1：构建初始评价矩阵，评价体系有n个辅助信息指标X1，X2，...，X
n
，每个辅助信 息指标有m个样本量，具体为X
i
＝{x1，x2，...，x
m
}，则构成初始矩阵R；
[0028][0029]其中r
ij
为第i个辅助信息的第j个样本数据；
[0030]步骤2.2.2：对R不同的元素进行归一化处理，计算r
ij
的特征比重P
ij
，得到标准化初始矩 阵P；
[0031][0032]其中，r
i
表示第i个辅助信息指标的所有样本量数据；
[0033]步骤2.2.3：计算第i个辅助信息量的信息熵H
i
：
[0034][0035]其中，参数k与数据的组数m有关；
[0036]步骤2.2.4：计算第i个辅助信息指标对应的熵权ω
i
：
[0037][0038]步骤2.3：基于G1和熵权法的组合赋权方法计算组合权重；
[0039][0040]其中ω
1i
为通过G1法获得的第i个辅助信息指标的主观权重，ω
2i
为通过熵权法获得的第i个 因子的客观权重，W
i
为通过综合赋权得到第i个辅助信息指标的综合权重。
[0041]步骤3：基于门控循环单元(GRU,Gate Recurrent Unit)建立预测模型，分别为电流、电 压、有功功率三种电气量建立预测模型。
[0042]具体的，预测模型具体步骤如下，流程图如图4所示。
[0043]步骤3.1将预测日上一周当天的电气量曲线数据和预测日辅助信息量化后数据合并得到 网络的训练集和测试集；
[0044]步骤3.3利用训练集训练附图2的石油钻机微电网电气量预测模型，并利用测试集测试， 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的石油钻机微电网故障预测方法，该方法包括：步骤1：整理石油钻机微电网系统电网线路历史数据，然后将获得历史数据整理成故障样本、正常样本、无标签样本；选取对应的辅助信息数据；采用插值算法对辅助信息进行缺省插值填补、最后进行归一化处理；步骤2：对辅助信息进行赋权量化处理；步骤3：基于门控循环单元(Gated Recurrent Unit，GRU)建立电气量预测神经网络，分别为电流、电压、有功功率三种电气量建立电气量预测神经网络，具体步骤如下：步骤3.1：将预测日上一周当天的电气量曲线数据和预测日辅助信息量化后数据合并得到网络的训练集和测试集；步骤3.3：利用训练集训练电气量预测神经网络，并利用测试集测试，得到最终的电流、电压、有功功率三种电气量预测神经网络；步骤4：基于长短期记忆网络建立石油钻机微电网故障预测模型；步骤4.1：基于步骤3的电气量预测神经网络，获得电流、电压、有功功率时间历史序列样本和预测值样本，并对应整理四个微电网线路运行状态的故障数据：正常、过电流、设备缺陷、外力破坏；步骤4.2：对步骤4.1得到的数据进行数据补全和0
‑
1标准化预处理，根据K
‑
CV检验方法，随机分组得到训练集和测试集；步骤4.3：建立故障分类诊断神经网络，输入为电流、电压、有功功率，输出为对应的故障分类；采用步骤3得到的训练集和测试集对故障预测神经网络进行训练和测试；步骤5：采用训练好的电气量预测神经网络和故障分类神经网络对待检测数据进行故障预测。2.根据权利要求1所述的一种基于深度学习的石油钻机微电网故障预测方法，其特征在于，所述步骤2为采用基于G1和熵权法的组合赋权方法，其具体方法为：步骤2.1：基于G1计算主观赋权；步骤2.1.1：根据影响程度大小对n个辅助信息进行从大到小排序，依次记为x1,x2，
…
,x
n
，步骤2.1.2：建立辅助信息之间的重要程度之比r
k
，x
k
‑1与x
k
的主观权重之比ω
k
‑1/ω
k
分别为：ω
k
‑1/ω
k
＝r
k
其中,k＝n,n
‑
1,n
‑
2,
…
,3,2，ω
k
为第k辅助信息的主观权重；步骤2.1.3：根据实际情况给r
k
赋值后，根据归一化原则，计算出各辅助信息的主观权重；步骤2.2：基于熵权法计算客观赋权；步骤2.2.1：构建初始评价矩阵，评价体系有n个辅助信息指标X1,X2,
…
,X
n
，每个辅助信息指标有m个样本量，具体为X
i
＝{x1,x2，
…
，x
m
}，则构成初始矩阵R；
其中r
ij
为第i个辅助信息的第j个样本数据；步骤2.2.2：对R不同的元素进行归一化处理，计算r
ij
的特征比重P
ij
，得到标准化初始矩阵P；其中，r
i
表示第i个辅助信息指标的所有样本量数据；步骤2.2.3：计算第i个辅助信息量的信息熵H
i
：其中，m为数据的组数；步骤2.2.4：计算第i个辅助信息指标对应的熵权ω
i
：步骤2.3：基于G1和熵权法的组合赋权方法计算组合权重；其中ω
1i
为通过G1法获得...

【专利技术属性】
技术研发人员：李波，周章宁，胡家文，洪涛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：