【技术实现步骤摘要】
本专利技术属于电力设备故障诊断领域，特别涉及一种基于知识约束的电力设备故障诊断方法及相关装置。
技术介绍
1、电力设备对电力系统安全稳定运行意义重大，电力设备长期运行中，在外部和内部各种因素的影响下，设备性能逐渐下降，存在缺陷隐患和劣化故障的可能，一些故障会导致电网运行面临严重的安全风险，因此研究电力设备故障诊断方法，准确及时地得出电力设备运行状态，有助于保障电力设备的运行可靠性。
2、目前采用人工智能、深度学习等技术在进行设备故障诊断中，常采用带有完备标签数据集训练算法的形式进行故障诊断，在故障样本充足、标注完整等情形下，能够训练得到满足指标要求的模型，但是在实际场景中，设备故障数据往往较少，大部分都是正常数据，同时由于数据量较大，没有足够的人力开展数据标注工作，在这种情形下训练得到的故障诊断模型误报率较高，同时泛化性不足。如何在故障样本少、数据标注不足时提高故障诊断模型的效果，成为需要解决的重要问题。
技术实现思路
1、本专利技术的目的在于提供一种基于知识约束的电力设备故障诊断方法及相关装置，以解决故障样本少、数据标注不足时训练得到的故障诊断模型误报率较高的技术问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种基于知识约束的电力设备故障诊断方法，包括：
4、获取待诊断电力设备运行的声音数据；
5、将所述声音数据输入预先训练好的基于知识约束的半监督神经网络故障诊断模型，获得待诊断
6、其中，基于知识约束的半监督神经网络故障诊断模型由知识约束的故障辨识算子和有监督学习神经网络模型构成；所述待诊断电力设备故障诊断结果由知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得。
7、本专利技术进一步的改进在于：所述预先训练好的基于知识约束的半监督神经网络故障诊断模型由以下步骤训练获得：
8、s101、获取待诊断电力设备历史运行的声音数据，所述历史运行的声音数据包括标记数据集和无标记数据集；
9、s102、使用标记数据集训练一个有监督学习神经网络模型，获得练好的有监督学习神经网络模型；
10、s103、使用训练好的有监督学习神经网络模型和知识约束的故障辨识算子构建基于知识约束的半监督神经网络故障诊断模型；基于知识约束的半监督神经网络故障诊断模型中，训练好的有监督学习神经网络模型和知识约束的故障辨识算子共同对未标记数据集进行预测，将知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得预测结果；并将预测结果与标记数据集中的类别进行比较，将高置信度的样本合并到标记数据集中；
11、s104、使用扩充后的标记数据集重新训练有监督学习神经网络模型，并重复步骤s102-s103直到基于知识约束的半监督神经网络故障诊断模型收敛，获得预先训练好的基于知识约束的半监督神经网络故障诊断模型。
12、本专利技术进一步的改进在于：所述待诊断电力设备故障诊断结果由知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得的步骤中，所述知识约束的故障辨识算子的输出通过以下步骤获得：
13、针对声音数据进行知识特征提取，获得峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf；
14、基于峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf分别计算单特征判别故障概率值p1、p2、p3、p4；知识约束的故障辨识算子的输出为result＝f(p1,p2,p3,p4)。
15、本专利技术进一步的改进在于：所述针对声音数据进行知识特征提取，获得峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf的步骤，具体峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf的计算公式包括：
16、峰值脉宽比pratio＝脉冲正负峰值和与脉冲宽度之比；
17、频率复杂度pf的计算公式为：
18、
19、其中，ef为f频率下的幅值，ef＝100、ef＝200……ef＝2000代表不同频率下的频域幅值，pf表示了频率为f波形分量在整体频域波形中的占比；
20、能量差比edr的计算公式为：
21、
22、其中，m为特征向量vi的数量，μ为波形特征均值；
23、峰值因子cf的计算公式为：
24、峰值因子cf＝峰值p/有效值r；
25、其中，峰值p为波形中波峰的数值，有效值r为设定时间段内的波形的均方根值。
26、本专利技术进一步的改进在于：所述特征向量vi通过以下步骤获得：
27、对于声音波形信号，第n波段的能量如所示：
28、
29、式中，af是频率f下频域振动分量的振幅；在获得每个频带的能量分布后，使用归一化过程将绝对值转换为百分比；
30、进而，基于x(n)，从历史数据中导出平均向量，通过下式计算特征向量样本：
31、
32、从而得到了特征向量样本vi，i＝1,2，…m。
33、本专利技术进一步的改进在于：单特征判别故障概率值p1、p2、p3、p4的计算公式具体为：
34、p1＝α·|pratio-a|
35、p2＝β·|pf-b|
36、p3＝γ·|edr-c|
37、p4＝δ·|pratio-d|
38、其中，a、b、c、d分别为预设阈值，α、β、γ、δ分别为故障概率判别的经验系数。
39、第二方面，本专利技术提供一种基于知识约束的电力设备故障诊断装置，包括：
40、获取模块，用于获取待诊断电力设备运行的声音数据；
41、诊断模块，用于将所述声音数据输入预先训练好的基于知识约束的半监督神经网络故障诊断模型，获得待诊断电力设备故障诊断结果；
42、其中，基于知识约束的半监督神经网络故障诊断模型由知识约束的故障辨识算子和有监督学习神经网络模型构成；所述待诊断电力设备故障诊断结果由知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得。
43、本专利技术进一步的改进在于：所述预先训练好的基于知识约束的半监督神经网络故障诊断模型由以下步骤训练获得：
44、s101、获取待诊断电力设备历史运行的声音数据，所述历史运行的声音数据包括标记数据集和无标记数据集；
45、s102、使用标记数据集训练一个有监督学习神经网络模型，获得练好的有监督学习神经网络模型；
46、s103、使用训练好的有监督学习神经网络模型和知识约束的故障辨识算子构建基于知识约束的半监督神经网络故障诊断模型；基于知识约束的半监督神经网络故障诊断模型中，训练好的有监督学习神经网络本文档来自技高网...
【技术保护点】
1.基于知识约束的电力设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述预先训练好的基于知识约束的半监督神经网络故障诊断模型由以下步骤训练获得：
3.根据权利要求1所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述待诊断电力设备故障诊断结果由知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得的步骤中，所述知识约束的故障辨识算子的输出通过以下步骤获得：
4.根据权利要求3所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述针对声音数据进行知识特征提取，获得峰值脉宽比Pratio、频率复杂度Pf、能量差比EDR和峰值因子Cf的步骤，具体峰值脉宽比Pratio、频率复杂度Pf、能量差比EDR和峰值因子Cf的计算公式包括：
5.根据权利要求4所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述特征向量Vi通过以下步骤获得：
6.根据权利要求3所述的基于知识约束的电力设备故障诊断方法，其特征在于，单特征判别故障概率
7.基于知识约束的电力设备故障诊断装置，其特征在于，包括：
8.根据权利要求7所述的基于知识约束的电力设备故障诊断装置，其特征在于，所述预先训练好的基于知识约束的半监督神经网络故障诊断模型由以下步骤训练获得：
9.一种电子设备，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6中任意一项所述的基于知识约束的电力设备故障诊断方法。
10.一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6中任意一项所述的基于知识约束的电力设备故障诊断方法。
...【技术特征摘要】
1.基于知识约束的电力设备故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述预先训练好的基于知识约束的半监督神经网络故障诊断模型由以下步骤训练获得：
3.根据权利要求1所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述待诊断电力设备故障诊断结果由知识约束的故障辨识算子的输出与有监督学习神经网络模型输出的全连接层进行概率值整合获得的步骤中，所述知识约束的故障辨识算子的输出通过以下步骤获得：
4.根据权利要求3所述的基于知识约束的电力设备故障诊断方法，其特征在于，所述针对声音数据进行知识特征提取，获得峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf的步骤，具体峰值脉宽比pratio、频率复杂度pf、能量差比edr和峰值因子cf的计算公式包括：
5.根据权利要求4所述的基于知识约束的电力...
【专利技术属性】
技术研发人员：张中浩，龙天航，仝杰，欧阳慧泉，查海涛，杨峰，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。