【技术实现步骤摘要】
本专利技术涉及电力电子，具体为一种基于神经网络的静止无功发生器故障诊断方法及系统。
技术介绍
1、静止无功发生器svg作为现代电力系统中重要的无功补偿设备，能够快速、精确地调节无功功率，对维持电网电压稳定、提高电能质量等方面起着至关重要的作用。然而，在实际运行过程中，svg可能会出现各种各样的故障，如功率电子器件损坏、控制电路故障、连接电抗器或变压器故障等。这些故障若不能及时发现和诊断，不仅会影响svg本身的正常运行，导致无功补偿功能失效，还可能对整个电力系统的安全稳定运行造成严重威胁。
2、目前，现有的svg故障诊断方法存在一定的局限性。例如，一些方法仅能对单一类型的故障进行诊断，无法全面覆盖svg可能出现的各种故障情况；还有一些方法诊断精度不高，容易出现误判或漏判的情况。其次，部分诊断方法的实时性较差，不能在故障发生的第一时间准确检测到故障并发出警报。再次，静止无功发生器一般需要长时间工作在高压大功率环境中，功率开关管长时间在高温高频条件下工作，会增大发生故障的概率。当发生igbt开路故障后，svg仍然可以带故障运行一段时间，故障可能在长时间不被人察觉。但“带病运行”这种情况不能有效地对电网提供无功电流，同时引起直流母线电容电压波动，影响补偿的性能，带来更加严重的损失，所以对svg进行故障诊断的研究有非常重要的意义。
3、因此，有必要研发一种能够全面、准确、实时地诊断svg故障的方法。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于神经网络的
2、为解决上述技术问题，本专利技术的实施例提供如下技术方案：
3、一种基于神经网络的静止无功发生器故障诊断方法，包括以下步骤：
4、采集静止无功发生器svg运转时在故障状态和正常状态下的运行参数数据，记录在故障状态下对应的处理过程数据、故障结果数据，采集svg在正常运行情形下的补偿电流数据，建立故障诊断数据库；
5、对故障诊断数据库中的数据进行预处理，包括：
6、对运行参数数据进行数据清洗、数据归一化、数据标准化、特征工程的处理；对经过预处理的运行参数数据进行特征提取，通过建立特征提取模型，提取出能够反映svg运行状态的关键特征；
7、提取处理过程数据和故障结果数据关键词，对提取的关键词进行编码，并将编码后的处理过程数据与故障结果数据建立映射，构建故障处置数据库；
8、对svg在正常运行情形下的补偿电流数据，通过傅里叶变换对svg发生单管开路故障时的补偿电流基波和各次谐波进行幅值和相位的特征提取，并进行隐性故障特征识别；
9、基于故障诊断数据库中预处理后的运行参数数据和运行结果数据构建lstm模型数据集，包括训练集、验证集、测试集，按照70％:15％:15％的比例划分，然后构建lstm神经网络的故障预测模型，并基于改进遗传算法进行优化，并将训练集数据输入lstm模型进行模型训练；同时，基于svg在正常运行情形下识别的所述隐性故障特征，对隐性故障特征进行赋值、编码，同时将隐性故障特征值进行归一化处理，建立bp神经网络模型，并基于隐性故障特征归一化值和故障编码进行bp神经网络模型训练；
10、将测试集中运行参数数据输入训练好的lstm模型，使用softmax分类器识别是否发生故障并进行故障类别多分类划分，分别得出故障诊断的置信度向量数据，其中向量数据中最高置信度对应的类别即为诊断结果，将所述诊断结果输入所述故障处置数据库，通过数据映射匹配得出故障处置策略；
11、将测试集中svg在正常运行情形下的隐性故障特征赋值后输入训练好的bp神经网络模型，计算出故障编码值，进行故障编码值解码得出svg在正常运行情形下的隐性故障，并基于所述隐性故障对应处理。
12、可选地，所述对运行参数数据进行数据清洗、数据归一化、数据标准化、特征工程的处理，具体为：
13、数据清洗，包括缺失值处理、重复值处理、异常值处理、错误值处理；
14、数据归一化，公式为：
15、
16、其中，x为样本原始数据，xmin为样本数据中的最小值，xmax为样本数据中的最大值，y是归一化后的数据；
17、数据标准化，包括时间序列数据标准化和数据格式标准化；
18、特征工程，包括特征选择和特征组合构造。
19、可选地，所述对经过预处理的运行参数数据进行特征提取，具体包括：
20、时域特征提取，包括平均值计算、有效值计算、值和峰-峰值确定、方差和标准差计算；
21、频域特征提取，包括频谱分析、功率谱密度计算、谐波分析；
22、时频域特征提取，具体采用小波变换分析；
23、基于事件的特征提取，包括故障事件特征、操作事件特征；
24、关联特征提取，包括设备关联特征、时间关联特征。
25、可选地，所述对处理过程数据进行关键词提取，具体为：
26、对处理过程数据的文本内容进行数据清洗，去除文本的多余空格、标点和异常字符；
27、对数据清洗后的文本内容进行语法分析，包括分类中文名词和技术类英文名词；
28、对文本进行词性标注，将标注的词句与预先建立的词汇表进行匹配，得到初始关键词；
29、对初始关键词去除停用词、合并同义词和调解关键词权重，其中权重顺序为维修对象名词＞维修动作词＞参数数量词。
30、可选地，所述对提取的处理过程数据关键词和故障结果数据进行关键词提取，对提取的关键词进行编码，并将编码后的处理过程数据与故障结果数据建立映射，具体为：
31、对处理过程数据关键词查询每个汉字对应的unicode编码，将unicode编码转换为二进制；
32、对unicode编码转换为二进制采用字典编码技术进行数据压缩；
33、将编码后的处理过程数据关键词和故障结果数据建立数组映射。
34、可选地，所述构建lstm神经网络的故障预测模型，并基于改进遗传算法进行优化，并将训练集数据输入lstm模型进行模型训练，具体为：
35、构建的lstm模型包括输入层、隐藏层、输出层，其中输入层设置至少10个神经元，隐藏层为三层，输出层至少设置5个神经元，采用softmax作为激活函数；并添加全连接层，在全连接层之前添加dropout层来防止过拟合；
36、构建改进遗传算法的评价函数，采用二进制编码初始化种群，设置各个参数；设置适应度函数，计算个个体的适应度值，保留适应度最大的个体；判断是否满足算法结束条件，如果满足收敛条件，则输出结果，否则执行交叉操作、变异操作、选择操作；判断选择操作的结果是否满足算法结束条件，若满足结果则结束算法；
37、将构建的lstm神经网络模型作为故障预测模型的主要架构，输入层层数设置为3，输出层输出状态矩阵；确本文档来自技高网...
【技术保护点】
1.一种基于神经网络的静止无功发生器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对运行参数数据进行数据清洗、数据归一化、数据标准化、特征工程的处理，具体为：
3.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对经过预处理的运行参数数据进行特征提取，具体包括：
4.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对处理过程数据进行关键词提取，具体为：
5.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对提取的处理过程数据关键词和故障结果数据进行关键词提取，对提取的关键词进行编码，并将编码后的处理过程数据与故障结果数据建立映射，具体为：
6.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述构建LSTM神经网络的故障预测模型，并基于改进遗传算法进行优化，并将训练集数据输入LSTM模型进行模型训练，具体为：
7.根据
8.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述通过数据映射匹配得出故障处置策略，采用基于字典或查找表的映射匹配得出故障处置策略。
9.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述运行参数数据包括，所述故障结果数据包括但不限于过流、过压、超温、IGBT模块损坏、通信故障、控制故障，所述运行参数数据包括但不限于SVG输出电压值、SVG输出电流值、SVG无功功率输出、SVG功率因数、SVG运行温度、SVG运行环境参数。
10.一种实现上述权利要求1-9任一项所述基于神经网络的静止无功发生器故障诊断方法的诊断系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于神经网络的静止无功发生器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对运行参数数据进行数据清洗、数据归一化、数据标准化、特征工程的处理，具体为：
3.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对经过预处理的运行参数数据进行特征提取，具体包括：
4.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对处理过程数据进行关键词提取，具体为：
5.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述对提取的处理过程数据关键词和故障结果数据进行关键词提取，对提取的关键词进行编码，并将编码后的处理过程数据与故障结果数据建立映射，具体为：
6.根据权利要求1所述的基于神经网络的静止无功发生器故障诊断方法，其特征在于，所述构建ls...
【专利技术属性】
技术研发人员：王东，杨奎，于满源，胡万浩，刘涛，强威威，郝延，周渊敏，白培霞，陈鹏国，孙永光，张典会，郝智燕，安丽娜，聂永贤，李彦芝，雷济坤，许国泽，
申请(专利权)人：华能金昌光伏发电有限公司，
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。