一种应用于高压开关柜缺陷预测的方法技术

本发明专利技术公开了一种应用于高压开关柜缺陷预测的方法

【技术实现步骤摘要】
一种应用于高压开关柜缺陷预测的方法、系统及设备


[0001]本专利技术涉及人工智能
，更具体涉及一种应用于高压开关柜缺陷预测的方法
、
系统及设备
。

技术介绍

[0002]高压开关柜是电力系统中应用最广泛
、
数量最多的一种开关设备，在电力系统发电
、
输电
、
配电
、
电能转换和消耗中起控制
、
保护和操作等作用
。
[0003]近年来，随着我国经济的快速发展，电力工业也得到了长期快速的发展，高压开关柜的产品也在不断迭代完善
。
在国内，高压开关柜经过了仿苏到仿欧美产品再到自主开发的漫长过程，产品类型由最初单一的 GG1A 固定式高压开关柜发展到现在的手车柜与固定柜并存
。KYN28
型中置式手车柜已在市场上得到了广泛的应用，其结构已从焊接框架逐步过渡到装配式
。
高压开关柜逐渐向着智能化
、
高可靠性
、
少维护方向发展
。
[0004]高压开关柜主要由绝缘材料和导电材料构成，组部件老化磨损
、
零部件设计
、
安装不合理，受潮
、
污秽及机构
、
二次设备异常等问题是引发电力系统出现故障的常见原因
。
我国曾多次发生高压开关柜闪爆事件，导致整个装备停车，造成了巨大的经济损失
。
常见的高压开关柜故障包括拒动
、
误动故障，开断与关合故障，绝缘故障，载流故障以及外力故障等
。
随着电力传感器技术的发展，各类传感器设计用于感知开关柜组部件运行状态的细微变化，缺陷预测则根据传感器数据对各组部件运行状态进行实时评估，根据数据分布变化和异常值的出现及时预测可能导致开关柜故障的传感器缺陷，对于预防开关柜因缺陷恶化从而导致故障停电而造成巨大经济损失具有十分重要的意义
。
[0005]针对高压开关柜中各类传感器可能出现的缺陷，目前普遍使用人工检测或者机器人辅助手段实现，但这些方法具有背景干扰大
、
监测准确度低等问题，难以满足电网快速发展对设备可靠性的需求
。
针对此问题，当前的主流解决方案是基于数据驱动算法的智能缺陷预测技术（例如中国专利公开号
CN110321585A
公开的基于
GA
‑
BP
神经网络开关柜绝缘缺陷检测方法及系统）
。
该类技术通过学习异常状态下的传感器数据模式，在预测时间间隔内对缺陷进行持续跟踪，以及时通知运维人员开展故障处理
。
但此类方法对数据来源
、
样本数等要求较高，导致昂贵的数据采集成本，极大限制了其实际应用
。
因此，如何在样本数量较少的情况下，开展智能开关柜状态与缺陷预测是当下亟待解决的问题
。

技术实现思路

[0006]本专利技术所要解决的技术问题在于如何在样本数量较少的情况下对高压开关柜进行缺陷预测
。
[0007]本专利技术通过以下技术手段实现解决上述技术问题的：一种应用于高压开关柜缺陷预测的方法，所述方法包括：步骤
a
：传感器数据的收集及存储；步骤
b
：对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式
表征；
[0008]步骤
c
：基于分布式表征获取传感器数据并构建均方差损失函数对
Transformer
模型进行训练，利用训练好的
Transformer
模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
[0009]步骤
d
：基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；步骤
e
：利用缺陷的类别的特征表示对
Transformer
模型进行调整得到
Transformer
重构模型，扩展得到的传感器数据输入
Transformer
重构模型，训练
Transformer
重构模型得到训练好的
Transformer
重构模型；步骤
f
：将实时采集的传感器数据输入训练好的
Transformer
重构模型中，得到高压开关柜的缺陷预测结果
。
[0010]有益效果：本专利技术对传感器数据进行嵌入式扩展得到预设数量的传感器数据，训练
Transformer
模型提取高压开关柜缺陷的类别的特征表示，基于此对
Transformer
模型进行调整得到
Transformer
重构模型，然后利用扩充的数据对
Transformer
重构模型进行训练，从而实现在少样本条件下对缺陷精准预测
。
[0011]进一步地，所述步骤
c
包括：步骤
c01、
基于分布式表征计算时刻对应的位置嵌入向量；
[0012]步骤
c02、
以预设概率将嵌入向量与位置嵌入向量相加，否则将掩码向量与相加，得到该时刻的隐向量，基于隐向量使用
Transformer
模型获取传感器数据，，其中，表示
Transformer
模型，表示
Transformer
模型的全连接层；
[0013]步骤
c03、
基于传感器数据构建均方差损失函数，其中，表示时刻的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练
Transformer
模型，均方差损失函数值最小或者达到训练次数时，停止训练；
[0014]步骤
c04、
将嵌入向量与位置嵌入向量相加，并使用训练后的
Transformer
模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第类缺陷，特征表示为，其中，为类缺陷出现的时刻集合
。
[0015]更进一步地，所述步骤
c01
包括：基于分布式表征计算时刻对应的位置嵌入向量
[0016][0017]其中，表示嵌入向量的长度，表示第
i
个参数系数且
。
[0018]更进一步地，所述步骤
d
包括：步骤
d01、
将各时刻的高压开关柜传感器缺陷状态表示为向量，其中表示缺陷类别的数量，中的每个元素表示对应类别的缺陷是否存在；
[0019]步骤
d02、
随机选择两组实际采集的传感器数据，分别记为和，其中，表示其中一组传感器数据的嵌入向量，表示另一组传感器数据的嵌入向量，表示其中一组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用于高压开关柜缺陷预测的方法，其特征在于，所述方法包括：步骤
a
：传感器数据的收集及存储；步骤
b
：对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；步骤
c
：基于分布式表征获取传感器数据并构建均方差损失函数对
Transformer
模型进行训练，利用训练好的
Transformer
模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；步骤
d
：基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；步骤
e
：利用缺陷的类别的特征表示对
Transformer
模型进行调整得到
Transformer
重构模型，扩展得到的传感器数据输入
Transformer
重构模型，训练
Transformer
重构模型得到训练好的
Transformer
重构模型；步骤
f
：将实时采集的传感器数据输入训练好的
Transformer
重构模型中，得到高压开关柜的缺陷预测结果
。2.
根据权利要求1所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤
c
包括：步骤
c01、
基于分布式表征计算时刻对应的位置嵌入向量；步骤
c02、
以预设概率将嵌入向量与位置嵌入向量相加，否则将掩码向量与相加，得到该时刻的隐向量，基于隐向量使用
Transformer
模型获取传感器数据，，其中，表示
Transformer
模型，表示
Transformer
模型的全连接层；步骤
c03、
基于传感器数据构建均方差损失函数，其中，表示时刻的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练
Transformer
模型，均方差损失函数值最小或者达到训练次数时，停止训练；步骤
c04、
将嵌入向量与位置嵌入向量相加，并使用训练后的
Transformer
模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第类缺陷，特征表示为，其中，为类缺陷出现的时刻集合
。3.
根据权利要求2所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤
c01
包括：基于分布式表征计算时刻对应的位置嵌入向量其中，表示嵌入向量的长度，表示第
i
个参数系数且
。4.
根据权利要求3所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步
骤
d
包括：步骤
d01、
将各时刻的高压开关柜传感器缺陷状态表示为向量，其中表示缺陷类别的数量，中的每个元素表示对应类别的缺陷是否存在；步骤
d02、
随机选择两组实际采集的传感器数据，分别记为和，其中，表示其中一组传感器数据的嵌入向量，表示另一组传感器数据的嵌入向量，表示其中一组传感器缺陷状态对应的向量，表示另一组传感器缺陷状态对应的向量，表示传感器数据的时间长度，从0‑1均匀分布中随机采样，计算新的传感器数据：重复执行，直到生成预设数量的数据为止
。5.
根据权利要求4所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤
e
包括：步骤
e01、
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；步骤
e02、
基于前缀矩阵对
Transformer
模型中多头自注意力模块进行调整得到
Transformer
重构模型并构建蒸馏损失函数；步骤
e03、
...

【专利技术属性】
技术研发人员：蔡梦怡，杨为，柯艳国，朱太云，赵恒阳，黄伟民，张国宝，吴正阳，骆晨，陈忠，胡迪，官玮平，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：