【技术实现步骤摘要】
本专利技术涉及气体泄漏监测，尤其涉及一种gil气体泄漏故障监测方法、装置、设备及介质。
技术介绍
1、随着用电需求持续不断的增长，气体绝缘输电线路(gas insulatedtransmission line，gil)因其能有效解决大量电能向需求处的安全输送问题而得到广泛应用。gil的绝缘主要由六氟化硫(sf6)气体组成，这种气体具有非常好的绝缘性能。
2、当sf6泄漏时，在电晕及火花放电的环境下，会分解产生剧毒从而严重威胁运维人员的生命安全，需要有效的监测方法来及时发现和应对泄漏事件，以确保设备安全运行和人员生命安全，但现有气体泄漏监测技术多采用基于浓度的阈值法判断，对于多采集器数据间关联性挖掘不足，对于气室内环境因素的影响考虑较少，对于单个采样设备故障的鲁棒性不高。
3、公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术提供了一种gil气体泄漏故障监测方法、装置、设备及介质，从而有效解决
技术介绍
中的问题。
2、为了达到上述目的，本专利技术所采用的技术方案是：一种gil气体泄漏故障监测方法，包括如下步骤：
3、s10：基于dbscan密度聚类算法，对gil气体泄漏监测传感器历史采样数据进行预聚类，得到历史采样数据的聚类数；
4、s20：基于深度自编码改进的模糊c均值算法，计算历史采样数据对各
5、s30：将所述监测特征和历史环境数据拼接为一维向量后作为输入向量，并针对不同泄漏方向，构建并训练得到基于多任务架构深度神经网络的气体泄漏故障监测模型；
6、s40：计算实时采样数据对各聚类中心的隶属度，并与实时环境采样数据结合输入所述气体泄漏故障监测模型，实现对gil气体泄漏故障的在线监测。
7、进一步地，在步骤s10中，所述gil气体泄漏监测传感器采样数据为泄漏气体体积分数采样。
8、进一步地，在步骤s10中，所述dbscan密度聚类算法，包括如下步骤：
9、s11：设置固定邻域半径ε，最小对象阈值σmin；
10、s12：初始化密度联通簇集
11、s13：从数据对象库p随机获取数据对象pi，计算p中由pi固定邻域半径ε可达的数据对象数；
12、s14：判断pi是否为核心对象，若是，则找出pi所有的密度可达点，构成一个密度联通簇，并填入所述密度联通簇集c中；若否，则返回步骤s13；
13、s15：遍历数据对象库p后，将未被归入所述密度联通簇集c的数据对象标记为噪声对象。
14、进一步地，在步骤s11中，所述固定邻域半径ε为历史采样集中数据样本间最大欧式距离的10％，所述最小对象阈值σmin为历史样本个数的5％。
15、进一步地，在步骤s20中，所述基于深度自编码改进的模糊c均值算法的优化目标函数模型包括：
16、
17、式中，uk为第k次迭代得到的隶属度矩阵；ck为第k次迭代得到的聚类中心矩阵；n为数据对象库数据总量；m为聚类数，取dbscan预聚类结果数；uij,k为第k次迭代中第i个降维数据对象对第j个聚类中心的隶属度；m为大于1的隶属度因子；为第i个原始数据对象经深度自编码网络预处理后的降维数据对象；为第k次迭代得到的第j个聚类中心；||·||为欧式距离算子。
18、进一步地，所述模糊c均值算法的迭代计算，包括如下步骤：
19、s21：基于深度自编码网络对样本集中原始数据进行预处理，获得二维的降维数据对象；
20、s22：设定聚类数m，迭代终止阈值εj，初始化隶属度矩阵u0；
21、s23：计算第k次迭代的聚类中心矩阵ck；
22、s24：根据所述聚类中心矩阵ck更新隶属度矩阵uk；
23、s25：计算优化目标函数；
24、s26：判断是否满足迭代终止条件，若是，则迭代终止，输出uk、ck作为聚类分析结果；若否，则跳转步骤s23继续迭代。
25、进一步地，在步骤s30中，所述历史环境数据包括气室内风速、空气温度、空气湿度。
26、进一步地，在步骤s30中，所述气体泄漏故障监测模型采用拟递归神经网络。
27、进一步地，所述气体泄漏故障监测模型采用直接信息共享的多任务架构，包含一个共享层和针对管道上方、下方和两侧四个泄漏方向的四组子任务隐藏层和输出层。
28、本专利技术还包括一种gil气体泄漏故障监测装置，使用如上述的方法，包括：
29、预聚类模块，用于基于dbscan密度聚类算法，对gil气体泄漏监测传感器历史采样数据进行预聚类，得到历史采样数据的聚类数；
30、隶属度模块，用于基于深度自编码改进的模糊c均值算法，计算历史采样数据对各聚类中心的隶属度，作为监测特征；
31、训练监测模型模块，用于将所述监测特征和历史环境数据拼接为一维向量后作为输入向量，并针对不同泄漏方向，构建并训练得到基于多任务架构深度神经网络的气体泄漏故障监测模型；
32、在线监测模块，用于计算实时采样数据对各聚类中心的隶属度，并与实时环境采样数据结合输入所述气体泄漏故障监测模型，实现对gil气体泄漏故障的在线监测。
33、本专利技术还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。
34、本专利技术还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。
35、本专利技术的有益效果为：
36、1)基于深度自编码改进的模糊c均值算法进行聚类分析，利用深度自编码网络对原始数据样本进行降维，所得的二维数据样本一方面具备更好的聚类鲁棒性，另一方面使得聚类结果能直接呈现在二维空间中，有更好的可视效果，提高了监测特征的利用便利性；此外，相比k-means等硬聚类算法，模糊聚类不直接将样本归为某一具体类别，而是采用隶属度这一指标来反应单个样本与聚类中心间的关联性强度，作为软聚类方法具有更高的聚类灵活度，由此提取的故障特征也具备更高的量化性和鲁棒性。
37、2)由于聚类数的选择会对模糊c均值聚类的聚类效果产生较大影响，本专利技术利用非监督的基于密度的聚类算法对历史数据进行预聚类，以确定聚类数，相比传统设计评估指标对大量聚类数从低到高逐个评估的方法，本专利技术所设计方法能有效减少聚类数选取的计算量，提高聚类效率。
38、3)基于多任务架构的深度神经网络对气体泄漏采样数据进行故障研判，将对气体泄漏后分布特性影响较大的环境因素考虑进来，利用多任务架构的共享层来更高效提取故障监测中的环境特征，同时通过针对不同泄漏方向构建并训练不同的子任务研判模型，相比传统阈值方法，本文档来自技高网...
【技术保护点】
1.一种GIL气体泄漏故障监测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的GIL气体泄漏故障监测方法，其特征在于，在步骤S10中，所述GIL气体泄漏监测传感器采样数据为泄漏气体体积分数采样。
3.根据权利要求1所述的GIL气体泄漏故障监测方法，其特征在于，在步骤S10中，所述DBSCAN密度聚类算法，包括如下步骤：
4.根据权利要求3所述的GIL气体泄漏故障监测方法，其特征在于，在步骤S11中，所述固定邻域半径ε为历史采样集中数据样本间最大欧式距离的10％，所述最小对象阈值σmin为历史样本个数的5％。
5.根据权利要求1所述的GIL气体泄漏故障监测方法，其特征在于，在步骤S20中，所述基于深度自编码改进的模糊C均值算法的优化目标函数模型包括：
6.根据权利要求5所述的GIL气体泄漏故障监测方法，其特征在于，所述模糊C均值算法的迭代计算，包括如下步骤：
7.根据权利要求6所述的GIL气体泄漏故障监测方法，其特征在于，在步骤S30中，所述历史环境数据包括气室内风速、空气温度、空气湿度。
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。