一种多模态城市电网故障诊断方法及系统技术方案

本发明专利技术提供一种多模态城市电网故障诊断方法及系统，所述方法包括：采集城市电网多模态数据集；对城市电网多模态数据集进行小波包分解，并对分解后的数据进行重构，以形成城市电网多模态数据集的高频特征集；根据所述高频特征集，形成故障数据训练集；根据故障数据训练集，构建故障诊断模型；根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断。本发明专利技术有效地对多模态城市电网故障进行诊断。发明专利技术有效地对多模态城市电网故障进行诊断。发明专利技术有效地对多模态城市电网故障进行诊断。

【技术实现步骤摘要】
一种多模态城市电网故障诊断方法及系统


[0001]本专利技术属于城市电网故障诊断
，特别涉及一种多模态城市电网故障诊断方法及系统。

技术介绍

[0002]近年来，随着电力电子技术的发展，城市电网故障诊断在神经网络、机器视觉等技术的加持下，朝着高度智能化方向发展。故障诊断技术是识别机器或机组运行状态的科学，它研究的是机器或电网发电机组运行状态的变化在诊断信息中的反应。然而，从城市电网得到的故障数据大多数属于正常工况下的数据，仅有少量的故障前兆数据，有效可用的多模态城市电网故障数据并不充足，这将在很大程度上影响深度神经网络的训练效果，导致获得的城市电网故障诊断模型因泛化能力弱与表达能力不足而无法实际应用。
[0003]为了保证城市电网正常平稳的运行，需要对城市电网核心部件多种模态故障数据进行分析，然而实际中采集到的电网数据故障数据很稀少，特别是城市电网核心区域。
[0004]现有的数据生成技术大多都是利用迁移学习或者常规的生成对抗式网络进行数据生成。迁移学习是从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。将源领域和目标领域的数据从原始特征空间映射到新的特征空间中去。这样，在该空间中，源领域数据与的目标领域的数据分布相同，从而可以在新的空间中，更好地利用源领域已有的有标记数据样本进行分类训练，最终对目标领域的数据进行分类测试。迁移学习的缺点在于通常只适合于处理有限的小数据集，且其他领域的“知识”在某个特定领域并不一定可行。常规的生成对抗网络利用生成器与判断器相互对抗学习来进行训练，生成故障数据的质量较低，生成数据的分布与实际故障数据的分布差异较大。此外，传统的迁移学习并不能增加数据集，扩充丰富原始的数据，达到丰富人工智能故障诊断与预测的过程。
[0005]因此，需要设计一种多模态城市电网故障诊断方法及系统，以解决上述技术问题。

技术实现思路

[0006]本专利技术目的在于解决城市电网的实际运行过程中，采集到的故障数据集有限，很难通过变量之间的相关性实现故障诊断的问题，针对上述问题，本专利技术提出了一种多模态城市电网故障诊断方法及系统，具体如下：一种多模态城市电网故障诊断方法，其中，所述方法包括：采集城市电网多模态数据集；对城市电网多模态数据集进行小波包分解，并对分解后的数据进行重构，以形成城市电网多模态数据集的高频特征集；根据所述高频特征集，形成故障数据训练集；根据故障数据训练集，构建故障诊断模型；根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断。
[0007]进一步地，对城市电网多模态数据集进行小波包分解，包括：通过以下公式对城市电网多模态数据集进行小波包变换：其中，是小波变换后得到的小波系数，W是正交矩阵，是原始信号，T为转置符号。
[0008]进一步地，对经过小波包分解后的数据进行重构，包括：对经过小波包分解后的数据进行正交矩阵构造，并针对小波包分解过程中逐步分解出来的多维高频信号，选用高通滤波器进行小波包分解进行下采样。
[0009]进一步地，所使用的高通滤波器为：W=[0.707，
‑
0.707]其中，W为高通滤波器，即正交矩阵。
[0010]进一步地，根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断，包括：通过故障诊断模型，对待诊断的多模态城市电网故障数据是否具有故障进行判断；若具有故障，则对故障的类型进行诊断。
[0011]进一步地，对待诊断的多模态城市电网故障数据是否具有故障进行判断，包括1）计算待诊断的多模态城市电网故障数据的核矩阵；2）核矩阵中心化；3）计算待诊断的多模态城市电网故障数据的非线性主成分；4）计算待诊断的多模态城市电网故障数据残余误差空间统计量SPE和主元空间统计量T2；5）将SPE和T2的控制限进行比较；6）若超过控制限，则判断为故障，即待诊断的多模态城市电网故障数据具有故障。
[0012]进一步地，城市电网多模态数据集包括第一模态数据以及第二模态数据，其中，第一模态数据包括以下任意一种或多种类型的数据：电压、电流、频率、功率值；第二模态数据包括以下任意一种或多种类型的数据：近红外图像、监控图像、监控视频、声音、振动信号。
[0013]另一方面，本专利技术还提供一种多模态城市电网故障诊断系统，所述系统包括：采集模块，用于采集城市电网多模态数据集；处理模块，用于对城市电网多模态数据集进行小波包分解，并对分解后的数据进行重构，以形成城市电网多模态数据集的高频特征集；获取模块，用于根据所述高频特征集，形成故障数据训练集；构建模块，用于根据故障数据训练集，构建故障诊断模型；
诊断模块，用于根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断。
[0014]进一步地，其中，对城市电网多模态数据集进行小波包分解，包括：通过以下公式对城市电网多模态数据集进行小波包变换：其中，是小波变换后得到的小波系数，W为正交矩阵，f是原始信号，T为转置符号。
[0015]进一步地，对经过小波包分解后的数据进行重构，包括：对经过小波包分解后的数据进行正交矩阵构造，并针对小波包分解过程中逐步分解出来的多维高频信号，选用高通滤波器进行小波包分解进行下采样。
[0016]进一步地，城市电网多模态数据集包括第一模态数据以及第二模态数据，其中，第一模态数据包括以下任意一种或多种类型的数据：电压、电流、频率、功率值；第二模态数据包括以下任意一种或多种类型的数据：近红外图像、监控图像、监控视频、声音、振动信号。
[0017]本专利技术的一种多模态城市电网故障诊断方法及系统，针对多模态城市电网故障数据少，收集故障数据成本高的问题，通过条件生成对抗网络生成多模态城市电网故障数据，解决了故障数据不足的问题，间接提高了城市电网运行的可靠性和稳定性。
[0018]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1示出了本专利技术实施例的一种多模态城市电网故障诊断方法的流程图。
[0021]图2示出了根据本专利技术实施例的小波包分解的分解结构示意图。
[0022]图3示出了根据本专利技术实施例双损失函数残差网络的结构示意图。
[0023]图4示出了根据本专利技术实施例使用数据增强方法，从而获得的结果示意图。
[0024]图5示出了根据本专利技术实施例不使用数据增强方法，从而获得的结果示意图。
[0025]图6示出了根据本专利技术实施例一种多模态城市电网故障诊断系统的结构示意图。
具体实施方式
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态城市电网故障诊断方法，其特征在于，所述方法包括：采集城市电网多模态数据集；对城市电网多模态数据集进行小波包分解，并对分解后的数据进行重构，以形成城市电网多模态数据集的高频特征集；根据所述高频特征集，形成故障数据训练集；根据故障数据训练集，构建故障诊断模型；根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断。2.根据权利要求1所述的一种多模态城市电网故障诊断方法，其特征在于，对城市电网多模态数据集进行小波包分解，包括：通过以下公式对城市电网多模态数据集进行小波包变换：其中，是小波变换后得到的小波系数，W是正交矩阵，是原始信号，T为转置符号。3.根据权利要求2所述的一种多模态城市电网故障诊断方法，其特征在于，对经过小波包分解后的数据进行重构，包括：对经过小波包分解后的数据进行正交矩阵构造，并针对小波包分解过程中逐步分解出来的多维高频信号，选用高通滤波器进行小波包分解进行下采样。4.根据权利要求3所述的一种多模态城市电网故障诊断方法，其特征在于，所使用的高通滤波器为：W=[0.707，
‑
0.707]其中，W为高通滤波器，即正交矩阵。5.根据权利要求3所述的一种多模态城市电网故障诊断方法，其特征在于，根据故障诊断模型，对待诊断的多模态城市电网故障数据进行诊断，包括：通过故障诊断模型，对待诊断的多模态城市电网故障数据是否具有故障进行判断；若具有故障，则对故障的类型进行诊断。6.根据权利要求5所述的一种多模态城市电网故障诊断方法，其特征在于，对待诊断的多模态城市电网故障数据是否具有故障进行判断，包括1）计算待诊断的多模态城市电网故障数据的核矩阵；2）核矩阵中心化；3）计算待诊断的多模态城市电网故障数据的非线性主成分；4）计算待诊断的多模态城市电网故障数据残余误差空间统计量SPE和主元空间统计量T2；5）将SPE和T2的控制限进行比较；6）若超过控制限，则判断为故...

【专利技术属性】
技术研发人员：张颖，梁睿，李冰洁，刘长德，刘祚安，
申请(专利权)人：国家电网有限公司国网天津市电力公司，
类型：发明
国别省市：