【技术实现步骤摘要】
本专利技术涉及电力系统故障诊断领域，尤其是涉及一种clcc换流器故障定位和分析方法、系统及设备。
技术介绍
1、clcc换流器承担着抵御交流故障引发的换相失败、提高直流输电功率稳定性的重任，这一过程涉及复杂的电气转换与能量控制，因此一旦clcc换流器发生故障，将直接影响电能的正常传输与分配，将会导致电网电压波动、频率偏移，甚至引发大规模停电事故，对经济社会运行造成严重影响；且clcc换流器在运行过程中产生的故障类型种类繁多如igbt损坏、晶闸管损坏、电容器失效、逆变器故障等，这些故障不仅会降低换流器的转换效率，还会引发连锁反应，导致更严重的系统故障。现有技术针对clcc换流器这类复杂设备进行故障分析的手段并不完善，存在以下问题：故障特征提取不全面；在复杂工况下诊断不够准确；故障分析模型训练时间过长导致较大的计算资源消耗，以及会影响故障排除的时效性。
2、因此，提供一种能够高效且准确对clcc换流器故障进行分析和定位的方法是需要解决的问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种clcc换流器故障定位和分析方法、系统及设备。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供了一种clcc换流器故障定位和分析方法，该方法包括以下步骤：
4、构建clcc换流器故障定位和分析模型；
5、获取数据集，并基于数据集对clcc换流器故障定位和分析模型进行离线训练
6、采集clcc系统的实时数据并进行预处理，将预处理后的实时数据输入经离线训练后的clcc换流器故障定位和分析模型进行在线学习，并输出故障信息；所述的实时数据包括clcc系统传感器采集的电流、电压和温度数据且以时间序列方式进行存储；所述的故障信息包括故障位置和故障类型；
7、对故障信息进行深入分析输出故障分析报告。
8、作为优选技术方案，所述的clcc换流器故障定位和分析模型包括级联神经网络和故障分析模块；所述的级联神经网络包括卷积神经网络、循环神经网络和两层transformer层。
9、作为优选技术方案，获取所述的故障信息的方法为：
10、所述的卷积神经网络的输入层接收预处理后的实时数据并输入至卷积神经网络的卷积层，经预处理后的实时数据为三维数据，将所述的三维数据重塑为二维数据，输入卷积层进行处理输出第一空间信息，第一空间信息输入池化层应用最大池化操作，输出第二空间信息，第二空间信息经flatten层展平为一维向量输入第一transformer层；
11、第一transformer层接收一维向量使用多头注意力机制捕捉一维向量之间的依赖性输出局部时间特征；
12、将局部时间特征作为循环神经网络的输入，由输入层接收第一transformer层的输出并输送至循环层，使用长短时记忆网络层捕捉输入数据的时间特征，dropout层接收循环层输出并随机丢弃部分神经元输出全局特征；
13、第二transformer层接收全局特征，通过全局自注意力机制对全局特征进行融合与优化将结果输入输出层，由输出层输出故障信息。
14、作为优选技术方案，所述的离线训练的具体步骤包括：
15、获取数据集，并对数据集中的故障工况数据按照故障发生的位置进行标注获取故障编码，并构建故障编码集；所述的故障编码首位表示故障大类，中间位表示故障位置，末位表示故障小类，所述故障大类和故障小类构成故障类型；
16、所述的故障大类包括电路故障、器件损坏或无法工作以及通讯故障；
17、所述的故障位置包括igbt故障、晶闸管故障、平波电抗器故障、限流电阻故障、冷却系统故障、控制系统故障、换流阀系统故障、电容器故障、测量与监控设备故障、过电压保护故障、变压器故障和直流接地极故障；
18、所述的故障小类包括电路短路、电路断路、接触不良、电路失效、器件误触发、器件功能损坏、器件能量饱和以及设备之间通讯故障；
19、将故障编码集以及正常工况数据组成的集合按预设规则划分为训练集、测试集和验证集；
20、利用训练集以监督学习的方法对clcc换流器故障定位和分析模型进行离线训练，利用测试集和验证集对训练后的clcc换流器故障定位和分析模型进行测试和验证。
21、作为优选技术方案，所述的在线学习的具体步骤包括：
22、加载离线训练后clcc换流器故障定位和分析模型的参数，初始化模型；
23、实时数据采集和预处理，所述的实时数据包括clcc系统中的电压、电流和温度；
24、将预处理后的实时数据输入clcc换流器故障定位和分析模型，并输出故障信息；
25、将输出的故障信息与实际故障信息进行比对，评估定位和分析模型的准确性；
26、基于评估结果实时更新定位和分析模型的模型参数。
27、作为优选技术方案，所述的预处理的具体步骤为：
28、使用滤波算法对实时数据进行去噪处理，去除噪声信号；
29、将去噪后的实时数据进行归一化处理，将不同量纲的数据转换为0到1之间的数值；
30、将所述的数值按照时间序列方式存储。
31、作为优选技术方案，获取所述的故障分析报告的具体步骤为：
32、获取历史故障工况数据以及专家知识库；
33、将故障信息输入故障分析模块，结合所述的历史故障工况数据以及专家知识库识别故障原因；
34、根据故障原因生成故障分析报告，所述的故障分析报告包括故障原因、影响范围及解决方案。
35、根据本专利技术的第二方面，提供了一种clcc换流器故障定位和分析系统，所述的故障定位和分析系统用于实现上述的方法，包括：
36、数据采集与处理模块：用于采集和处理数据；
37、故障定位模块：该模块包括卷积神经网络和循环神经网络，接收数据采集和处理模块的输出数据，进行处理并输出故障信息；
38、故障分析模块：接收故障信息并进行深入分析并输出故障分析报告；
39、显示模块：用于显示故障信息和故障分析报告。
40、根据本专利技术的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
41、根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的方法。
42、与现有技术相比，本专利技术具有以下优点：
43、1）、本专利技术的训练数据集涵盖实际工况中出现的所有故障类型，且基于该训练集对clcc换流器故障定位和分析模型进行离线训练使其针对现有实际工况能够精准的提取出clcc系统中出现的故障；且对于此前未出现的故障工况，本专利技术基于离线训练的模型再通过在本文档来自技高网...
【技术保护点】
1.一种CLCC换流器故障定位和分析方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种CLCC换流器故障定位和分析方法，其特征在于，所述的CLCC换流器故障定位和分析模型包括级联神经网络和故障分析模块；所述的级联神经网络包括卷积神经网络、循环神经网络和两层Transformer层。
3.根据权利要求2所述的一种CLCC换流器故障定位和分析方法，其特征在于，获取所述的故障信息的方法为：
4.根据权利要求1所述的一种CLCC换流器故障定位和分析方法，其特征在于，所述的离线训练的具体步骤包括：
5.根据权利要求1所述的一种CLCC换流器故障定位和分析方法，其特征在于，所述的在线学习的具体步骤包括：
6.根据权利要求5所述的一种CLCC换流器故障定位和分析方法，其特征在于，所述的预处理的具体步骤为：
7.根据权利要求1所述的一种CLCC换流器故障定位和分析方法，其特征在于，获取所述的故障分析报告的具体步骤为：
8.一种CLCC换流器故障定位和分析系统，其特征在于，所述的故障定位和分析系统
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
...【技术特征摘要】
1.一种clcc换流器故障定位和分析方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种clcc换流器故障定位和分析方法，其特征在于，所述的clcc换流器故障定位和分析模型包括级联神经网络和故障分析模块；所述的级联神经网络包括卷积神经网络、循环神经网络和两层transformer层。
3.根据权利要求2所述的一种clcc换流器故障定位和分析方法，其特征在于，获取所述的故障信息的方法为：
4.根据权利要求1所述的一种clcc换流器故障定位和分析方法，其特征在于，所述的离线训练的具体步骤包括：
5.根据权利要求1所述的一种clcc换流器故障定位和分析方法，其特征在于，所述的在线学习的具体步骤包括：
【专利技术属性】
技术研发人员：冷超，闫全全，李锋锋，薛楚亮，倪汝冰，朱正一，孙梦，肖江龙，
申请(专利权)人：国网上海市电力公司，
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。