一种基于TCN-BiLSTM和注意力机制的微电网故障诊断方法与系统
本发明涉及一种基于tcn-bilstm和注意力机制的微电网故障诊断方法与系统,属于电力系统故障诊断。
背景技术:
1、随着全球能源需求的持续增长以及能源结构转型的不断深入,以风能、太阳能为代表的可再生能源正加速融入现代电力系统。
2、然而,风光储直流微电网在运行过程中面临诸多挑战。一方面,风能和太阳能具有明显的间歇性、随机性和波动性;另一方面,储能设备、电力电子变换器和直流母线等关键环节容易引发开路故障、短路故障、传感器异常和变换器失效等多种故障形式。传统故障诊断方法主要依赖模型分析、阈值判据、专家经验及信号处理技术,对系统模型精度依赖较强,在面对复杂工况、多源扰动和非线性耦合特性时诊断性能容易下降。
3、因此,如何提升风光储直流微电网故障类型识别精度,降低误判和漏判风险已经成为亟待解决的问题。
技术实现思路
1、本发明的目的是针对风光储直流微电网故障信号进行高精度识别,降低误判和漏判风险的技术问题,提出一种基于tcn-bilstm和注意力机制的微电网故障诊断方法与系统。
2、本发明的目的是通过以下技术方案实现的:
3、本发明公开的一种基于tcn-bilstm和注意力机制的微电网故障诊断方法,包括以下步骤:
4、步骤1:在直流母线及待检测电力模块并网处设置电压、电流检测点对微电网中多通道的电压时序信号和电流时序信号同步进行信号采集,并以故障诊断控制器中预设长度作为滑动窗口大小、以预设滑动步长对采集信号进行包含重叠时间片段的步进式的滑动截取,进而构建时序样本集;
5、所述时序样本集分为训练集样本和测试集样本;对于训练集样本,以原始512点的故障时序数据为基础,设定窗口长度为256个连续采样点,以32或64的滑动步长依次截取重叠的局部时间片段,完成样本扩增;对于测试集样本,直接截取以故障时刻为中心、长度为256个采样点的固定窗口作为测试样本,不进行滑动扩增;
6、步骤2:将时序样本集输入至由因果卷积、引入扩张率的空洞卷积组成以残差连接的时序卷积网络中,并将通过时序卷积网络所提取的多尺度局部时序特征,生成初步时序特征图;所述时序卷积网络由三层tcn残差块堆叠构成;每个tcn残差块依次包含空洞因果卷积层、relu激活层、权重归一化层与dropout层,且每个残差块设置有跨层残差连接支路;所述空洞因果卷积层包含因果卷积、引入扩张率的空洞卷积,所述引入扩张率的空洞卷积利用逐层递增的扩张率扩大时序感受野,对不同时间尺度的故障特征进行筛选;
7、所述因果卷积采用对当前时刻之前的特征进行提取,表示为:
8、;
9、其中,为卷积核大小,为包含多通道时序信号的时序样本;为滤波器;依赖于时刻之前的时序样本;
10、所述空洞卷积采用三层空洞卷积层,所述扩张率按照由低到高的顺序依次在残差块上设置为1、2、4;在进行不同时间尺度的故障特征筛选提取时,扩张率d=1的低层残差块用于捕捉信号瞬时突变的局部时序模式,扩张率d=2的中层残差块用于提取故障暂态过程的动态演化特征,扩张率d=4的高层残差块用于整合全局时序信息识别故障演化规律,表示为:
11、;
12、其中,为卷积核,为卷积核大小,为扩张率;
13、步骤3:将所述初步时序特征图输入至bilstm双向长短期记忆网络中,通过引入包含门控机制的lstm层分别沿时间正序与逆序对时序特征进行编码,拼接双向隐藏状态后生成用于提升对故障模式的判别能力且包含全局上下文依赖关系的上下文特征序列;所述门控机制的lstm层用于维持长序列的特征传递,在每层lstm包含遗忘门、输入门、细胞状态更新单元与输出门;
14、所述门控机制的lstm层表示为:
15、;
16、其中,为遗忘门用于对刻细胞状态的故障信号进行筛选,其输出范围在(0,1)之间,趋向于0表示遗忘,趋向于1表示保留;为输入门用于控制当前时刻写入细胞状态的程度;为细胞状态更新单元用于lstm对信号进行融合更新;⊙表示逐元素乘法;为所生成的候选记忆向量;;为当前细胞状态的隐藏状态输出;;上一时刻隐藏状态为,上一时刻细胞状态为;
17、所述双向隐藏状态表示为:
18、;
19、其中,为时刻的拼接双向隐藏状态由前向lstm的隐藏状态、后向lstm的隐藏状态进行编码融合获得,为前向lstm的隐藏状态用于提取故障从正常状态到异常状态的演变过程,为后向lstm的隐藏状态用于识别故障发生的起始时刻和初期特征;
20、步骤4:采用加性注意力机制计算所述上下文特征序列中各时刻特征对应的注意力权重,按权重对各时刻特征进行加权求和,得到融合关键时段信息的上下文向量;其中,所述注意力权重的时域分布根据故障信号的暂态变化特性进行自适应动态调控;进一步的,在进行注意力权重自适应动态调控时,当信号处于平稳运行状态时,注意力权重降低;当信号处于突变、暂态振荡或异常波动时,注意力权重升高;
21、所述加性注意力机制为:对每个时刻的隐藏状态进行非线性变换,计算注意力得分;通过函数对各时刻注意力得分进行归一化,得到各时刻的注意力权重;利用注意力权重对上下文特征序列加权求和,得到上下文向量;
22、所述注意力得分表示为:
23、;
24、其中,为时刻的注意力得分,为注意力向量的转置,为权重矩阵,为时刻的融合隐藏状态;
25、所述注意力权重表示为:
26、;
27、其中,为时刻的注意力权重,为序列总长度;
28、所述上下文向量表示为:
29、;
30、步骤5:将所述上下文向量输入带有输出层的分类器,经全连接层映射与概率归一化后,对微电网故障类别进行分类识别输出;所述分类识别采用输出层中最大概率值与次大概率值的比值作为置信度评分与预设置信度阈值进行对比识别,将置信度评分大于预设置信度阈值时,直接输出信号故障类别,置信度评分小于或等于预设置信度阈值时,输出识别模糊状态,并将对应上下文向量存入对应复核队列;所述信号故障类别包括瞬态冲击型故障、缓变漂移型故障和多源耦合故障;对信号故障类别通过注意力权重峰值化进行多源耦合故障识别后,利用电压或电流在时间窗口内的幅值变化率与预设的变化率阈值进行瞬态冲击型故障和缓变漂移型故障的对比识别;
31、所述注意力权重峰值化进行多源耦合故障识别方式为:所述多源耦合故障为两个及以上设备同时或先后发生故障形成的复合故障;将时序卷积网络中不同扩张率的空洞卷积层提取对应不同时间常数的多尺度故障特征分量采用加性注意力机制在时序上定位出高于局部平均得分预设倍数的注意力权重峰值的多个故障源以及峰值位置对应不同故障源的发生时刻,输出包含故障设备组合与故障时序的诊断结果;
32、所述瞬态冲击型故障和缓变漂移型故障的对比识别具体方式为:当时域特征为电压或电流在1~5毫秒时间窗口内的幅值变化率大于预设的第一变化率阈值时识别为瞬态冲击型故障;当时域特征为电压或电流在100毫秒~2秒时间窗口内的幅值变化率小于预设的第二变化率阈值时识别为缓变漂移型故障;所述第一变化率阈值大于第二变化率阈值,且第一变化率阈值取直流系统过流保护的动作电流变化率整定值,第二变化率阈值取光伏发电单元最大功率点跟踪的功率变化率阈值;所述瞬态冲击型故障包括极间短路故障和直流侧短路故障;所述缓变漂移型故障包括单极接地故障、光照强度变化故障和风力强度变化故障;
33、所述最大概率值表示为:
34、;
35、其中,表示输入样本属于第类故障的概率分布;;为k×d的权重矩阵,为偏置项,输出向量的维度为k;上下文向量的维度为d;
36、第二方面,一种基于tcn-bilstm和注意力机制的微电网故障诊断系统,用于实现上述方法,所述系统包括:信息获取模块、特征提取模块、数据网络序列整理模块、数据网络序列整理模块和故障分类模块;
37、所述信息获取模块,用于获取微电网中多通道的电压时序信号和电流时序信号,并采用滑动窗口从多通道的所述电压时序信号和所述电流时序信号中构建出时序样本;将作为特征提取模块的输入;
38、所述特征提取模块,用于将所述时序样本输入至时序卷积网络中,从时间维度提取故障信号的多尺度局部特征,以根据多尺度局部特征生成初步时序特征图;将作为数据网络序列整理模块的输入;
39、所述数据网络序列整理模块,用于将所述初步时序特征图输入至双向长短记忆神经网络中生成上下文特征序列,并根据加性注意力机制计算所述上下文特征序列中各时刻的注意力权重,加权求和得到上下文向量;将作为故障分类模块的输入;
40、所述故障分类模块,用于将所述上下文向量输入分类器,输出微电网的故障类别;
41、与现有技术相比,具有如下有益效果:
42、1、在本技术中,通过时序卷积层网络的空洞卷积机制在不增加计算量的前提下扩大感受野,有效提取故障信号的局部突变特征和多尺度时序模式,解决了传统方法对暂态特征捕捉能力不足的问题;
43、2、在本技术中,通过双向长短记忆神经网络的双向时序建模,同时利用前向和后向的上下文信息,充分捕捉故障演化过程中的长距离依赖关系,弥补了单向时序模型信息利用不充分的缺陷。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com