【技术实现步骤摘要】
本专利技术涉及电力系统监测，尤其是涉及一种高速铁路变压器异常监测方法、系统、电子设备及介质。
技术介绍
1、随着高速铁路运力的增加和线路规模的扩大，高速铁路的运行安全问题变得越来越重要。高速铁路系统复杂，设备众多。变压器是高速铁路系统中的重要设备之一，起着电能转换、功率传输等重要作用。变压器的运行故障将导致高速铁路的设备受损、列车停运等严重问题，因此高速铁路变压器的异常监测尤其重要。
2、现有的高速铁路变压器异常监测手段主要大概可以分为以下两种：(1)用传感器监测变压器内部的温度、振动等变量，和设定阈值相比较判断运行是否正常；(2)建立变压器的机理模型，通过模型输出和实际数据的大小比对判断运行是否正常；(3)通过大量数据训练神经网络模型，直接给出变压器运行结果；上述方法中，第一类智能化程度低，容易误报和漏报，第二类具有较好的解释性但是建模往往困难，许多参数难以计算，第三类方法充分利用了变压器设备的大量运行监测数据，但其解释性较差。将数据与机理结合进行设备的异常监测既可以利用已有的机理建模信息也可以充分利用海量运行数据，目前尚缺乏一种结合高速铁路变压器运行机理和运行数据进行异常监测的方法。
技术实现思路
1、本专利技术的目的在于提供一种高速铁路变压器异常监测方法、系统、电子设备及介质，结合了机理模型和数据驱动方法的优点，通过时变状态空间模型和循环神经网络，既符合变压器的运行机理，又能充分利用监测数据，提高了监测的准确性和可解释性。此外，本专利技术的设计使得非专业人士也能进
2、为实现上述目的，本专利技术提供了一种高速铁路变压器异常监测方法，包括以下步骤：
3、步骤s1、采集高速铁路变压器的监测数据，包括在空载和不同负载下的输入和输出数据，构成数据集；
4、步骤s2、构建高速铁路变压器异常监测模型；
5、步骤s3、训练高速铁路变压器异常监测模型；
6、步骤s4、获取高速铁路变压器实时运行数据，进行运行状态的异常监测。
7、优选的，步骤s1中，数据集为表示第k个监测序列t时刻的输入，表示第k个监测序列t时刻的输出，tk表示第k个监测序列的长度，l表示一共有l个监测序列。
8、优选的，步骤s2中，高速铁路变压器异常监测模型包括高速铁路变压器模型的时变状态空间模型、参数先验矩阵集合、参数掩码矩阵集合和循环神经网络，高速铁路变压器异常监测模型的构建方法如下：
9、步骤s21、根据变压器的运行机理，建立高速铁路变压器模型的时变状态空间模型；
10、
11、其中，xt是一个n维向量，表示变压器在t时刻的运行状态；ut是一个d维向量，表示t时刻变压器的输入向量；zt是m维向量，表示t时刻变压器的输出向量；φt，bt和ht分别表示t时刻变压器的状态转移矩阵、输入矩阵和输出矩阵；ωt和vt是零均值的高斯噪声，其协方差矩阵分别是qt和rt；符号表示高斯分布；
12、用符号θt表示时变状态空间模型中的参数集合，θt＝{φt，bt，ht，qt，rt}，θt是时变参数；
13、步骤s22、构建参数先验矩阵集合θp和参数掩码矩阵集合θm；
14、步骤s23、结合步骤s21中的时变状态空间模型，构建循环神经网络；
15、
16、令表示循环神经网络的输出集合，其中和分别是循环神经网络给出的状态转移矩阵预测值、输入矩阵预测值、输出矩阵预测值、ωt的协方差矩阵预测值和vt的协方差矩阵预测值，的矩阵维度分别和φt、bt、ht、qt、rt相同。
17、优选的，步骤s22中，构建θt对应的参数先验矩阵集合θp＝{φp，bp，hp，qp，rp}，φp、bp、hp、qp和rp分别是φt、bt、ht、qt和rt对应的先验矩阵，θp和θt具有以下关系：
18、
19、
20、
21、
22、
23、其中，符号[]ij表示[]中矩阵的第i行第j列元素。
24、优选的，步骤s22中，构建θt对应的参数先验矩阵集合θm＝{φm，bm，hm，qm，rm}，φm、bm、hm、qm和rm分别是φt、bt、ht、qt和rt对应的掩码矩阵，θm和θt具有以下关系：
25、
26、
27、
28、
29、
30、优选的，步骤s3中，训练高速铁路变压器异常监测模型，包括如下步骤：
31、步骤s31、将数据集中的输入数据输入循环神经网络，计算网络输出
32、步骤s32、将做掩码计算，得到具体计算公式为：
33、
34、
35、
36、
37、
38、其中，和分别是掩码计算后的状态转移矩阵、输入矩阵、输出矩阵、ωt的协方差矩阵和vt的协方差矩阵，符号表示矩阵对应元素相乘；
39、步骤s33、运用卡尔曼滤波器，计算网络的训练损失；
40、
41、其中，和表示t时刻和t-1时刻的状态最佳估计值，表示t时刻的状态先验估计，表示t时刻的状态协方差矩阵的先验估计，上标符号t表示矩阵转置运算，表示t时刻输出向量的先验估计，st表示t时刻输出向量的协方差矩阵的先验估计，kt表示t时刻的卡尔曼增益，∑t和∑t-1分别表示t时刻和t-1时刻的最佳状态协方差矩阵估计，特别地，当t＝0时，∑0＝i；
42、得到网络的训练损失为：
43、
44、其中，log表示对数函数；
45、步骤s34、使用该训练损失训练循环神经网络。
46、优选的，步骤s4中，获取高速铁路变压器实时运行数据，进行运行状态的异常监测，包括如下步骤：
47、步骤s41、将变压器输入向量ut输入到训练好的循环神经网络中，计算得到
48、步骤s42、根据步骤s32，将做掩码计算：
49、
50、步骤s43、给定阈值δ，根据步骤s33，计算t时刻的和st，得到高斯概率分布当时，表明变压器工作正常；否则，表明变压器工作异常。
51、本专利技术还提供了一种高速铁路变压器异常监测系统，包括：
52、数据采集模块，用于采集高速铁路变压器在空载和不同负载下的输入和输出数据；
53、模型构建模块，用于构建高速铁路变压器异常监测模型，该模型包括时变状态空间模型、参数先验矩阵、参数掩码矩阵和循环神经网络；
54、训练模块，用于训练所述异常监测模型，通过输入数据计算循环神经网络的输出，进行掩码计算和卡尔曼滤波器处理，以计算网络的训练损失，并使用该训练损失训练循环神经网络；
55、实时监测模块，用于获取高速铁路变压器的实时运行数据，并利用训练好的循环神经网络进行运行本文档来自技高网...
【技术保护点】
1.一种高速铁路变压器异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S1中，数据集为表示第k个监测序列t时刻的输入，表示第k个监测序列t时刻的输出，Tk表示第k个监测序列的长度，L表示一共有L个监测序列。
3.根据权利要求2所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S2中，高速铁路变压器异常监测模型包括高速铁路变压器模型的时变状态空间模型、参数先验矩阵集合、参数掩码矩阵集合和循环神经网络，高速铁路变压器异常监测模型的构建方法如下：
4.根据权利要求3所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S22中，构建Θt对应的参数先验矩阵集合Θp＝{Φp，Bp，Hp，Qp，Rp}，Φp、Bp、Hp、Qp和Rp分别是Φt、Bt、Ht、Qt和Rt对应的先验矩阵，Θp和Θt具有以下关系：
5.根据权利要求4所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S22中，构建Θt对应的参数先验矩阵集合Θm＝{Φm，Bm，Hm，Qm，Rm}，Φm、Bm、Hm、Qm
6.根据权利要求5所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S3中，训练高速铁路变压器异常监测模型，包括如下步骤：
7.根据权利要求6所述的一种高速铁路变压器异常监测方法，其特征在于，步骤S4中，获取高速铁路变压器实时运行数据，进行运行状态的异常监测，包括如下步骤：
8.一种高速铁路变压器异常监测系统，其特征在于，包括：
9.一种计算机设备，包括：存储器和处理器；存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现权利要求1-7任一项所述的高速铁路变压器异常监测方法的步骤。
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，计算机程序被处理器执行时实现权利要求1-7任一项所述的高速铁路变压器异常监测方法的步骤。
...【技术特征摘要】
1.一种高速铁路变压器异常监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种高速铁路变压器异常监测方法，其特征在于，步骤s1中，数据集为表示第k个监测序列t时刻的输入，表示第k个监测序列t时刻的输出，tk表示第k个监测序列的长度，l表示一共有l个监测序列。
3.根据权利要求2所述的一种高速铁路变压器异常监测方法，其特征在于，步骤s2中，高速铁路变压器异常监测模型包括高速铁路变压器模型的时变状态空间模型、参数先验矩阵集合、参数掩码矩阵集合和循环神经网络，高速铁路变压器异常监测模型的构建方法如下：
4.根据权利要求3所述的一种高速铁路变压器异常监测方法，其特征在于，步骤s22中，构建θt对应的参数先验矩阵集合θp＝{φp，bp，hp，qp，rp}，φp、bp、hp、qp和rp分别是φt、bt、ht、qt和rt对应的先验矩阵，θp和θt具有以下关系：
5.根据权利要求4所述的一种高速铁路变压器异常监测方法，其特征在于，步骤s2...
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。