一种基于机器学习的配网设备故障识别方法及系统与流程

1.本技术涉及配网设备故障识别的技术领域，尤其涉及一种基于机器学习的配网设备故障识别方法及系统。


背景技术：

2.配电网是电力系统中极其重要的一环，其作为面向用户的终端，对于供电质量、运行效率、用户服务创新意义重大。但由于配电网覆盖面广、设备数量和种类多、替换成本较低，电网公司往往不重视配电网供电可靠性，相关故障辨识技术也因此发展缓慢。
3.目前对于配电网中的故障，主要还是采取事后抢修的方式，也因此用户往往能感受到配电网中的设备故障。随着电网的发展和用户对于供电可靠性要求的提高，配电网设备故障预测和诊断被越来越多关注，以及时消除安全隐患，从而降低停电频率。
4.由于配电网网架结构复杂，基于机理的波形分析方法往往效率不高，且随着大量传感器的安装，配电网故障数据被逐步收集，数据驱动模型被应用于这一领域。目前很多配电网故障辨识(例如卷积神经网络算法和支持向量机)通过人工智能方法对仿真波形数据进行辨识，但往往不具备可解释性，模型提取的特征人类无法理解，无法判断特征好坏和引入先验知识，在实际应用中性能不佳。


技术实现要素：

5.本技术提供了一种基于机器学习的配网设备故障识别方法及系统，以解决现有技术提取的特征不具备可解释性和辨识率低的问题。
6.本技术提供了一种基于机器学习的配网设备故障识别方法，包括，
7.对配网设备的仿真波形进行分解，获得特征向量；
8.对所述特征向量进行降维和重构；
9.通过最大化重构一致性概率求解特征向量的最佳线性映射，对获得的特征向量进行聚类，完成故障类别的识别。
10.一些实施例中，所述对配网设备的仿真波形进行分解，获得初始特征向量具体包括，利用滤波算法对配网设备的仿真波形进行滤波，并根据滤波前后的变化值计算随机噪声；
11.基于所述随机噪声，求解配网设备的仿真波形的特征参数，获得特征向量。
12.一些实施例中，所述对所述特征向量进行降维具体包括，
13.计算特征向量间的相似条件概率；
14.通过梯度下降策略修正异常，计算梯度；
15.根据梯度迭代更新所述特征向量，当迭代次数达到最大迭代值是停止更新，获得降维特征向量。
16.一些实施例中，所述重构过程具体包括，
17.将降维特征向量乘以降维向量的转置，并叠加去中心化的均值，完成重构。
18.一些实施例中，所述聚类包括，
19.初始化控制参数和选定初始聚类中心；
20.按最近邻规则将获得的特征向量中每个特征样本分到某一类中；
21.根据每一类中允许的最少样本数目n判断合并，若类a中的样本数n《n，则取消该类的中心z，更新初始聚类中心个数nc
′
＝nc-1，并重新根据最近邻规则划分特征样本的类别；
22.若类a中的样本数n≥n，则计算特征样本分类后的参数，包括重心、类内平均距离及总体平均距离；
23.根据更新后的初始聚类中心个数nc
′
判断特征样本是否要进行分裂处理，若不需要，则判断特征样本是否收敛，若收敛，则输出结果；若不收敛，则重新初始化控制参数；
24.若需要，则将类a分裂为两个类，并所述取消类的中心z，并重新根据最近邻规则划分特征样本的类别；
25.其中，控制参数包括期望的类别数c，初始聚类中心个数nc，每一类中允许的最少样本数目n，最大迭代次数t。
26.一些实施例中，分解单元，用于分解配网设备的仿真波形，获得特征向量；
27.重构单元，与所述分解单元连接，用于对所述特征向量进行降维和重构；
28.计算单元，与所述重构单元连接，用于求解特征向量的最佳线性映射，和用于对获得的特征进行聚类，完成故障类别的识别。
29.一些实施例中，所述计算单元通过最大化重构一致性概率求解特征向量的最佳线性映射。
30.一些实施例中，所述分解单元包括滤波模块和特征提取模块；
31.通过所述滤波模块对配网设备的仿真波形进行滤波，并根据滤波前后的变化值计算随机噪声；
32.基于所述随机噪声，通过所述特征提取模块求解配网设备的仿真波形的特征参数，获得所述特征向量。
33.本技术提供了一种基于机器学习的配网设备故障识别方法及系统，通过对配网设备的仿真波形进行分解，并优化聚类算法，利用优化的聚类算法对获得的特征向量进行聚类，实现故障类别的准确分类。
附图说明
34.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为本技术的基于机器学习的配网设备故障识别方法的流程示意图；
36.图2为本技术的基于机器学习的配网设备故障识别系统的整体结构示意图。
具体实施方式
37.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下
所获得的所有其他实施例，都应当属于本发明的保护的范围。
38.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
39.其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
40.本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
41.同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
42.本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
43.参照图1，为本发明的第一个实施例，该实施例提供了一种基于机器学习的配网设备故障识别方法，包括：
44.s100：利用分解单元100对配网设备的仿真波形进行分解，获得特征向量。
45.分解单元100包括滤波模块101和特征提取模块102；首先通过滤波模块101对配网设备的仿真波形进行滤波和计算随机噪声；其次通过特征提取模块102求解配网设备的仿真波形的特征参数，获得特征向量。
46.具体的，s110滤波模块101利用滤波算法对配网设备的仿真波形进行滤波，并根据滤波前后的变化值计算随机噪声；
47.利用λ/μ算法对配网设备的仿真波形进行滤波，将滤波后的波形数据的最小值作为背景噪声，并根据滤波前后的变化值计算随机噪声k；
[0048][0049]
其中，s
′
为仿真波形滤波后的峰值差的均值，s为仿真波形滤波前的峰值差的均值。
[0050]
s120基于随机噪声，通过特征提取模块102求解配网设备的仿真波形的特征参数，获得特征向量。
[0051]
将配网设备的仿真波形数据减去背景噪声的影响，获得滤波后的配网设备的仿真波形数据，并判断滤波后的配网设备的仿真波形数据的峰值是否大于2k，
[0052]
①
若大于，则计算仿真波形的特征参数，即仿真波形中的高斯分量的半波宽f，将滤波后的仿真波形乘以高斯分量的半波宽f，获得特征向量。
[0053]
②
若小于，特征向量则为此时的波形数据。
[0054]
s200：通过重构单元200对特征向量进行降维和重构。
[0055]
本实例中，步骤s200具体包括：
[0056]
s210对特征向量进行降维进行降维。
[0057]
①
计算特征向量间的相似条件概率
[0058][0059][0060]
其中，xi、xj、xr为某一特征向量数据点，p
ij
为特征向量数据点xi和xj间的条件概率分布，δi为以特征向量数据点xi为均值的高斯方差，q
ij
为降至低维时特征向量数据点xi和xj间的条件概率分布。
[0061]
②
通过梯度下降策略修正异常，计算梯度η；
[0062][0063]
③
根据梯度迭代更新特征向量，当迭代次数达到最大迭代值t是停止更新，获得降维向量x
t
。
[0064]
x
t
＝x
t-1
αη c(t)(x
t-1-x
t-2
)
[0065]
其中，t为迭代次数，α为学习率，本实施例设置为0.01，c(t)为动量，x
t-1
为迭代t-1次后获得的特征向量，x
t-2
为迭代t-2次后获得的特征向量。
[0066]
s220对降维向量进行重构。
[0067]
将降维向量乘以降维向量的转置，并叠加去中心化的均值，完成重构。
[0068]
s300：计算单元300通过最大化重构一致性概率求解特征向量的最佳线性映射，而后对获得的特征向量{xi}进行聚类完成故障类别的识别。
[0069]
聚类的具体步骤为：
[0070]
s310，初始化控制参数和选定初始聚类中心；
[0071]
控制参数包括期望的类别数c，初始聚类中心个数nc，每一类中允许的最少样本数目n，最大迭代次数t；
[0072]
s320，按最近邻规则将获得的特征向量{xi}中每个特征样本分到某一类中；
[0073]
s330，根据每一类中允许的最少样本数目n判断合并；
[0074]
a)若类a中的样本数n《n，则取消该类的中心z，更新初始聚类中心个数nc
′
＝nc-1，并重新根据最近邻规则划分特征样本的类别；
[0075]
b)若类a中的样本数n≥n，则计算特征样本分类后的参数，包括重心、类内平均距离及总体平均距离；根据更新后的初始聚类中心个数nc
′
判断特征样本是否要进行分裂处理；
[0076]
若更新后的初始聚类中心个数nc
′
《2c，则需要进行分裂处理，否则，则不需要进行分裂处理。
[0077]
①
若不需要，则判断特征样本是否收敛，若收敛，则输出结果；若不收敛，则回到步骤(1)；
[0078]
②
若需要，则将类a分裂为两个类，并取消类的中心z，并回到步骤s320，。
[0079]
通过上述步骤完成特征样本的分类。
[0080]
为了对本方法中采用的技术效果加以验证说明，本实施例选择卷积神经网络算法、支持向量机和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0081]
为验证本方法相对卷积神经网络算法、支持向量机具有参数少，识别率高，本实施例中将卷积神经网络算法、支持向量机和本方法分别对某配电网10kv线路的故障检测装置采集的波形数据进行识别对比。
[0082]
该波形数据包括100个永久性故障、100个单周波早期故障和100个多周波早期故障，本实施例使用f1分值评价卷积神经网络算法、支持向量机和本方法的识别性能。识别结果表1所示。
[0083][0084]
其中，p为准确率，r为召回率。
[0085]
表1：识别性能(f1分值)对比。
[0086] 永久性故障单周波早期故障多周波早期故障卷积神经网络算法0.7250.7160.764支持向量机0.6140.7980.821本方法0.9480.9540.943
[0087]
由上表可见本方法相较于卷积神经网络算法和支持向量机能获得更好的分类准确率。
[0088]
基于上述机器学习的配网设备故障识别方法，本技术还提供了一种基于机器学习的配网设备故障识别系统，参照图2，基于机器学习的配网设备故障识别系统包括，
[0089]
分解单元100，用于分解配网设备的仿真波形，获得特征向量。本实例中，分解单元100包括滤波模块101和特征提取模块102；通过滤波模块101对配网设备的仿真波形进行滤波，并根据滤波前后的变化值计算随机噪声；基于随机噪声，通过特征提取模块102求解配网设备的仿真波形的特征参数，获得特征向量。
[0090]
重构单元200，与分解单元100连接，用于对特征向量进行降维和重构。
[0091]
计算单元300，与重构单元200连接，用于求解特征向量的最佳线性映射(本实例中，通过最大化重构一致性概率求解特征向量的最佳线性映射)，和用于对获得的特征进行聚类，完成故障类别的识别。
[0092]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编
译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0093]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0094]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0095]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0096]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。