一种基于设备局部放电数据图的故障识别方法及系统与流程

1.本发明涉及一种故障识别方法及系统，尤其涉及一种基于局部放电数据图的故障识别方法及系统。


背景技术：

2.在当前电力设备中，局部放电是一种十分常见的故障性，针对电力设备的局部放电检测是目前对于电力设备状态的常用在线监测方法之一，当有局部放电发生时立刻采取预警与行动可以有效预防严重事故的发生。
3.在针对电力设备的局部放电故障进行识别时，由于设备局部放电缺陷样本数据库中的数据信息量较大，如果直接进行分析诊断，将存在数据挖掘速度慢、效率差、精度低等问题。因此，研究人员需要进一步研究应用于设备不同类型的绝缘局部放电数据异常的典型特征挖掘和状态故障诊断方法。
4.研究发现，当前传统的设备局部放电故障类型的诊断算法以提取故障特征信息为核心思想，其通常手动设计特征参数，并且主要依靠设计师的先验知识进行设置，其特征设计中出现的参数数量有限，且有效特征的提取往往需要大量的努力。这种传统的局部放电故障诊断方法耗时较长，且难以利用大数据的优势，因此诊断的准确性往往不高。
5.基于以上几个方面，有必要研究基于深度学习的状态检测图识别和缺陷类型诊断技术，利用现有来自各种来源的状态检测数据，充分挖掘海量数据的有用信息，为电力设备状态维护提供基本的决策能力。
6.为此，本发明设计了一种新的基于设备局部放电数据图的故障识别方法及系统，其可以提高设备不同类型局部放电信号图诊断的适应性和通用化程度，以及智能诊断速度和异常状态信息的准确性。


技术实现要素：

7.本发明的目的之一在于提供一种基于设备局部放电数据图的故障识别方法，其旨在提高设备不同类型局部放电信号图诊断的适应性和通用化程度，以及智能诊断速度和异常状态信息的准确性，从而根据设备局部放电数据图，快速且准确的识别诊断出故障。
8.为了实现上述目的，本发明提供了一种基于设备局部放电数据图的故障识别方法，其包括步骤：
9.(1)采集表征设备故障类型的局部放电prpd图谱训练样本，并提取其统计特征，以构建局部放电prpd图谱训练样本的指纹特征库；
10.(2)采用关联规则算法评估指纹特征库中的统计特征，以获得指纹特征库的高频项集；
11.(3)采用所述高频项集对构建的深度信念神经网络进行训练，以使得其输出对应的故障类型；
12.(4)采集实测的设备局部放电prpd图谱，并提取其统计特征，将统计特征输入所述
经过训练的深度信念神经网络中，以获得输出的故障类型。
13.在本发明所设计的这种故障识别方法中，首先需要采集表征设备故障类型的局部放电prpd图谱训练样本，并对样本数据进行特征提取，以构建局部放电prpd图谱训练样本的指纹特征库；然后，再使用关联规则算法来评估和评价特征指纹库中的特征，以获得指纹特征库的高频项集；最后，基于获得的高频项集能够对构建的深度信念神经网络(dbn)进行训练，训练后的深度信念神经网络(dbn)就可以根据实测的设备局部放电prpd图谱进行识别和分类，以快速且准确地诊断出对应的故障类型。
14.进一步地，在本发明所述的基于设备局部放电数据图的故障识别方法中，所述统计特征包括陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi。
15.在本发明所设计的这种故障识别方法中，发明人具体选用了陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi作为提取局部放电prpd图谱训练样本的统计特征量。
16.100.陡峭度ku：陡峭度ku用来描述局部放电prpd图谱形状与正态分布相比，局部放电prpd图谱形状分布的突起程度。其中，若陡峭度ku为0，则表示局部放电prpd图谱的形状分布与正态分布一致；若陡峭度ku为正值，则表示局部放电prpd图谱的轮廓与正态分布相比更加尖锐陡峭；若陡峭度为负值，则表示局部放电prpd图谱的轮廓与正态分布相比更加平坦。
17.陡峭度ku的计算公式为：
[0018][0019]
在上述计算中，为prpd图谱中第i个相窗的相位；表示相位宽度；参数μ，pi和σ分别表示以为变量时prpd图谱中第i个相窗内局放缺陷发生的均值、概率密度和方差。
[0020]
概率密度pi、均值μ和方差σ的计算公式如下：
[0021][0022][0023][0024]
其中，z为局部放电prpd图谱的三维图谱z坐标，但在二维图谱中是纵坐标，zi就代表prpd图谱中的第i个相窗的z坐标。
[0025]
200.放电因素q：放电因素q能够反应局部放电prpd图谱在正负工频半周期放电量的差异性，其计算公式具体为：
[0026][0027]
其中，q
s
表示在相位正半周放电量总合，q-s
表示在相位负半周放电量总和；n
s
表示在相位正半周的放电次数总和，n-s
表示在相位负半周的放电次数总和。在本发明中，放电量指的是z坐标的值，当prpd图谱中的第i个相窗的z坐标的值不为0时，则放电次数 1。
[0028]q s
、q-s
、n
s
和n-s
的计算公式如下：
[0029][0030][0031][0032][0033][0034]
300.互相关系数cc：互相关系数cc用于描述局部放电prpd图谱在正负工频半周形状轮廓的相似程度。若互相关系数cc越接近于0，则表明局部放电prpd图谱的正负半周形状轮廓差异越大；若互相关系数cc越接近于1，则表明局部放电prpd图谱的正负半周形状轮廓越相似。
[0035]
互相关系数cc的计算公式为：
[0036][0037]
其中，q
i
和q-i
分别表示局部放电prpd图谱中第i个相窗内正、负半周的平均放电量。并且，q

i和q-i分别采用以下公式计算得到：
[0038][0039][0040]
400.放电平均值mi，放电频率bi：
[0041]
在本发明中，前面所描述的陡峭度ku、放电因素q、互相关系数cc三组特征都是对于xz二维坐标图来的，在实际的局部放电过程中，由于放电的信号会随着时间变化，所以时间因素也需要考虑在内，所以结合y坐标的三维立体图，能够在二维坐标图的基础上进一步的挖掘局部放电图谱的特征。
[0042]
因此，在设计时，需要进一步地定义放电时间效应t对局部放电随时间的变化进行描述，其根据相位的相窗分割，能够将prpd图谱划分成n个二维图谱，并控制该zy二维图谱的横坐标为y时间，纵坐标为放电量z，以求出放电量z与时间y的关系，再结合相位x的值，即可得出局部放电prpd图谱的特征。
[0043]
需要说明的是，在本发明中，针对获得的zy二维图谱进行分析，能够定义放电平均值mi为prpd图谱中的第i个相窗在规定时间内的单位时间放电值，放电平均值mi的计算公式为：
[0044][0045]
其中，t表示测量的局部放电信号的持续时间(将时间t按照不同的标准划分为一个个小时间窗，例如：当局部放电信号持续时间为50ms，则可以按照1ms的间隔来划分时间窗)；而zik对应表示prpd图谱中的第i个相窗在时间窗k内的放电量。
[0046]
相应地，在本发明中，定义放电频率bi为prpd图谱中的第i个相窗在规定时间内的放电时间所占总检测时间的比值，放电频率bi的计算公式为：
[0047][0048][0049]
其中，bik为一个算子，当此时间窗有放电时，bik为1，没有放电时，bik为0。
[0050]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别方法中，所述深度信念神经网络包括若干个串接的受限玻尔兹曼机。
[0051]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别方法中，所述深度信念神经网络包括5个串接的受限玻尔兹曼机。
[0052]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别方法中，所述故障类型包括尖端放电、内部缺陷和浮动电极。
[0053]
相应地，本发明的另一目的在于提供一种基于设备局部放电数据图的故障识别系统，该故障识别系统能够有效实施上述的故障识别方法，以根据不同类型的设备局部放电数据信号图，快速且准确的识别诊断出故障。
[0054]
为了实现上述目的，本发明提供了一种基于设备局部放电数据图的故障识别系统，其包括：
[0055]
数据采集装置，其采集表征设备故障类型的局部放电prpd图谱训练样本以及实测的设备局部放电prpd图谱；
[0056]
特征提取模块，其提取局部放电prpd图谱训练样本统计特征，以构建局部放电prpd图谱训练样本的指纹特征库；
[0057]
关联规则模块，其采用关联规则算法评估指纹特征库中的统计特征，以获得指纹特征库的高频项集；
[0058]
深度信念神经网络模块，其被设置为采用所述高频项集对其进行训练，以使得其输出对应的故障类型；
[0059]
其中，当进行设备故障识别时，特征提取模块提取实测的设备局部放电prpd图谱的统计特征，将该统计特征输入所述深度信念神经网络中，获得输出的故障类型。
[0060]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别系统中，所述统计特征包括陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi。
[0061]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别系统中，所述深度信念神经网络模块包括若干个串接的受限玻尔兹曼机。
[0062]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别系统中，所述深度信念神经网络模块包括5个串接的受限玻尔兹曼机。
[0063]
进一步地，在本发明所述的基于设备局部放电数据图的故障识别系统中，所述数
据采集装置包括uhf传感器。
[0064]
相较于现有技术，在本发明所述的基于设备局部放电数据图的故障识别方法及系统，具有以下有益效果：
[0065]
当前传统的设备局部放电故障类型的诊断算法以提取故障特征信息为核心思想，其通常手动设计特征参数，并且主要依靠设计师的先验知识进行设置，其特征设计中出现的参数数量有限，且有效特征的提取往往需要大量的努力。这种传统的局部放电故障诊断方法耗时较长，且难以利用大数据的优势，因此诊断的准确性往往不高。
[0066]
本发明所设计的这种基于设备局部放电数据图的故障识别方法在局部放电故障诊断中是有效可行的，其能够为设备局部放电的识别诊断提供新思路。
[0067]
在本发明中，发明人将深度学习人工智能神经网络(深度信念神经网络)引入到了设备的局部放电故障检测中来，其可以增大数据挖掘速度，同时提高其精度和效率。深度学习的优势在于利用现场检测数据的丰富信息，通过不断地学习迭代，达到智能效果。
[0068]
采用本发明所述的基于设备局部放电数据图的故障识别方法能够提高设备不同类型局部放电信号图诊断的适应性和通用化程度，以及智能诊断速度和异常状态信息的准确性，从而根据设备局部放电数据图，快速且准确的识别诊断出故障。
[0069]
本发明所述的基于设备局部放电数据图的故障识别系统能够有效实施上述的故障识别方法，以根据不同类型的设备局部放电数据信号图，快速且准确的识别诊断出故障，其具有同样的有益效果。
附图说明
[0070]
图1示意性地显示了本发明所述的故障识别系统的开窗示意图。
[0071]
图2示意性地显示了本发明所述的受限玻尔兹曼机的结构示意图。
具体实施方式
[0072]
下面将结合说明书附图和具体的实施例对本发明所述的基于设备局部放电数据图的故障识别方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
[0073]
在本发明中，为了基于不同类型的电力设备局部放电数据信号图，快速且准确的识别诊断出故障，发明人设计了一种基于设备局部放电数据图的故障识别系统，其具体包括：数据采集装置、特征提取模块、关联规则模块和深度信念神经网络模块。
[0074]
采用本发明所设计的这种故障识别系统针对设备局部放电数据图进行故障识别的过程，具体包括以下步骤(1)-(4)：
[0075]
(1)利用数据采集装置采集表征设备故障类型的局部放电prpd图谱训练样本，并基于特征提取模块提取其统计特征(陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi)，以构建局部放电prpd图谱训练样本的指纹特征库。
[0076]
(2)基于关联规则模块采用关联规则算法评估局部放电prpd图谱训练样本的指纹特征库中的统计特征，以获得局部放电prpd图谱训练样本的指纹特征库的高频项集。
[0077]
(3)将获得的局部放电prpd图谱训练样本的指纹特征库的高频项集输入到深度信念神经网络模块中，以对构建的深度信念神经网络进行训练，以使得其输出对应的故障类
型。
[0078]
(4)再次采用数据采集装置采集实测的设备局部放电prpd图谱，并利用特征提取模块提取其统计特征(陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi)，而后将统计特征输入经过训练的深度信念神经网络模块的深度信念神经网络中，以获得输出的故障类型。
[0079]
需要说明的是，在本发明中，经由本发明所设计的这种故障识别系统所输出的故障类型可以具体包括：尖端放电、内部缺陷和浮动电极。
[0080]
为了详细说明本发明所设计的这种基于设备局部放电数据图的故障识别系统进行故障识别的过程，发明人在实验室中进行了具体的测试试验，以进行进一步地说明。
[0081]
在实验室环境中构建设备的各种内部局部放电模型，其具体包括：内部缺陷，金属外壳上的浮动电极和金属尖端等典型绝缘缺陷。
[0082]
在具体上述步骤(1)中，使用多种类型的传感器测试gis内部缺陷的局部放电，并利用uhf传感器作为数据采集装置，以采集不同类型缺陷的局部放电数据，每类500组，共1500组，且每组局部放电信号时间为50ms。
[0083]
相应地，基于所采集的局部放电样本数据，可以构建表征对应设备故障类型的局部放电prpd图谱训练样本，局部放电prpd图谱是描述若干个周期内，局部放电的放电次数n、放电量q以及对应的放电相位p(0
°
～360
°
)的关系而形成的。而在本实验中，局部放电prpd图谱为连续采集50ms的pd信号，所构建的三维图谱训练样本。其中，在该三维图谱中，x坐标代表着放电相位p，y坐标代表时间，z坐标表示放电量q。
[0084]
需要说明的是，对一个周期的局部放电信号进行统计方法计算，能够获取3种基本量:p(放电相位)、q(放电电量)、n(放电次数)，将这3种基本量进一步处理，可以把某个时刻的局部放电信号平均分成n个相位窗，相当于取出xyz三维空间中的一个xz二维图像，再对此二维图谱每一个相位窗计算其p、q、n值，可以得到{pi}，{qi}，{ni}序列，这3种序列能够作为此放电信号的底层特征量。将一个时刻的相位分为360
°
，开窗个数就是对相位进行划分，相位窗口个数越多，则相位精度以及对应的时间精度越高，对于脉冲信号的分辨率也越高，计算出来的统计特征参数也就越准确，但是由于硬件系统的限制，在本次实验测试中，故障识别系统的开窗数为120个，即每3
°
为一个相位窗。图1示意性地显示了本发明所述的故障识别系统的开窗示意图。
[0085]
通过实验过程可知：在尖端放电缺陷中，大部分情况是在正半周或者负半周呈现单极性谱图，其随着信号幅值增大，会逐步呈现双极性谱图，但是其中一极信号相比另一极的信号幅值明显幅值较大。在内部缺陷中，内部缺陷放电相位特征稳定仅在正半周谱图上有零星信号出现，其所产生的放电幅值也比较分散。在浮动电极放电缺陷中，悬浮电位放电缺陷的放电相位特征稳定(正负半周谱图对称稳定)，其放电幅值较稳定(正负半周信号幅值较均等，且信号发生时幅值较大，呈现悬浮状态)，相邻放电时间间隔基本一致。
[0086]
为此，在本发明中，发明人具体选用了陡峭度ku、放电量q、互相关系数cc、放电平均值mi和放电频率bi作为提取局部放电prpd图谱训练样本的统计特征。
[0087]
在本发明中，基于所采集的表征设备故障类型的局部放电prpd图谱训练样本，能够对应提取其所对应的5个统计特征，作为统计特征的陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi的解释和获得方法如下：
[0088]
100.陡峭度ku：陡峭度ku用来描述局部放电prpd图谱形状与正态分布相比，局部放电prpd图谱形状分布的突起程度。其中，若陡峭度ku为0，则表示局部放电prpd图谱的形状分布与正态分布一致；若陡峭度ku为正值，则表示局部放电prpd图谱的轮廓与正态分布相比更加尖锐陡峭；若陡峭度为负值，则表示局部放电prpd图谱的轮廓与正态分布相比更加平坦。
[0089]
陡峭度ku的计算公式为：
[0090][0091]
在上述计算中，为prpd图谱中第i个相窗的相位；表示相位宽度；参数μ，pi和σ分别表示以为变量时prpd图谱中第i个相窗内局放缺陷发生的均值、概率密度和方差。
[0092]
概率密度pi、均值μ和方差σ的计算公式如下：
[0093][0094][0095][0096]
其中，z为局部放电prpd图谱的三维图谱z坐标，但在二维图谱中是纵坐标，zi就代表prpd图谱中的第i个相窗的z坐标。
[0097]
200.放电因素q：放电因素q能够反应局部放电prpd图谱在正负工频半周期放电量的差异性，其计算公式具体为：
[0098][0099]
其中，q
s
表示在相位正半周放电量总合，q-s
表示在相位负半周放电量总和；n
s
表示在相位正半周的放电次数总和，n-s
表示在相位负半周的放电次数总和。在本发明中，放电量指的是z坐标的值，当prpd图谱中的第i个相窗的z坐标的值不为0时，则放电次数 1。
[0100]q s
、q-s
、n
s
和n-s
的计算公式如下：
[0101][0102][0103]
[0104][0105][0106]
300.互相关系数cc：互相关系数cc用于描述局部放电prpd图谱在正负工频半周形状轮廓的相似程度。若互相关系数cc越接近于0，则表明局部放电prpd图谱的正负半周形状轮廓差异越大；若互相关系数cc越接近于1，则表明局部放电prpd图谱的正负半周形状轮廓越相似。
[0107]
互相关系数cc的计算公式为：
[0108][0109]
其中，q
i
和q-i
分别表示局部放电prpd图谱中第i个相窗内正、负半周的平均放电量。并且，q

i和q-i分别采用以下公式计算得到：
[0110][0111][0112]
400.放电平均值mi，放电频率bi：
[0113]
在本发明中，前面所描述的陡峭度ku、放电因素q、互相关系数cc三组特征都是对于xz二维坐标图来的，在实际的局部放电过程中，由于放电的信号会随着时间变化，所以时间因素也需要考虑在内，所以结合y坐标的三维立体图，能够在二维坐标图的基础上进一步的挖掘局部放电图谱的特征。
[0114]
因此，在设计时，需要进一步地定义放电时间效应t对局部放电随时间的变化进行描述，其根据相位的相窗分割，能够将prpd图谱划分成n个二维图谱，并控制该zy二维图谱的横坐标为y时间，纵坐标为放电量z，以求出放电量z与时间y的关系，再结合相位x的值，即可得出局部放电prpd图谱的特征。
[0115]
需要说明的是，在本发明中，针对获得的zy二维图谱进行分析，能够定义放电平均值mi为prpd图谱中的第i个相窗在规定时间内的单位时间放电值，放电平均值mi的计算公式为：
[0116][0117]
其中，t表示测量的局部放电信号的持续时间(将时间t按照不同的标准划分为一个个小时间窗，例如：当局部放电信号持续时间t为50ms，则可以按照1ms的间隔来划分时间窗)；而zik对应表示prpd图谱中的第i个相窗在时间窗k内的放电量。
[0118]
相应地，定义放电频率bi为prpd图谱中的第i个相窗在规定时间内的放电时间所占总检测时间的比值，放电频率bi的计算公式为：
[0119]
[0120][0121]
其中，bik为一个算子；当此时间窗k有放电时，则bik对应为1；而当此时间窗k没有放电时，则bik对应为0。
[0122]
综上所述，在本发明所述的步骤(1)中，在完成对1500组训练对象的特征提取后，把它们全部总结在一起，即可构建我们所需要的局部放电prpd图谱训练样本的指纹特征库。
[0123]
需要说明的是，在本发明所设计的这种实验方案中，采集的50ms内的局部放电prpd图谱即为一个项集，其之所以称为项集是因为具有5个统计特征，从而形成了集合。
[0124]
相应地，在本发明所述的步骤(2)中，需要采用关联规则算法评估指纹特征库中的统计特征，以获得指纹特征库的高频项集。
[0125]
本发明所采用的关联规则算法具体可以包括：
[0126]
1、数据挖掘：
[0127]
(1)项目和项目集：关联规则算法的评价标准是采用“支持-置信度”的方法。关联规则挖掘过程主要包括两个阶段：第一阶段必须首先从数据收集中找到所有高频项集，第二阶段则必须从这些高频项集生成关联规则。
[0128]
i＝{i1，i2...，im}是项的集合，d＝{ti，t2，...，tn}是事务数据集，其中，d由多个事务组成，每个事务ti包含项集i中的一个或多个项，ti∈i。
[0129]
例如，在事务数据集d中的项集a和项集b中，关联规则的形式是a
→
b，当a，b∈i，并且(表示空集)，则a和b分别成为关联规则的前身和后因。
[0130]
(2)支持：事务数据库d中项集a的支持程度由sup(a)表示，sup(a)具体由以下公式获得：
[0131][0132][0133]
在上述公式中，count(a)表示项集a中的项数；sup(a
→
b)表示项集a∪b的支持程度；count(a∪b)表示项集a和项集b并集的项数；|d|表示事务数据集d中所有项集的总项数。
[0134]
(3)置信度：关联规则a的置信度由conf(a
→
b)表示，其含义是在包含项目集a的条件下同时包含项目集b的概率，conf(a
→
b)具体由以下公式获得：
[0135][0136]
(4)常用项集：最小支持(minsup)是用户指定的度量值。如果项集a出现的概率很高，则使sup(a)≥minsup，则项集a是频繁的项集，否则是不频繁的项集。让和b≠φ。如果a是常用项集，则b也是常用项集；如果b是不常见的项集，则a也是不常见的项集。
[0137]
(5)强联想规则：最小置信度(minconf)也是用户指定的度量值。如果在事务数据库d中，sup(a
→
b)≥minsup并且conf(a
→
b)≥minconf，则(a
→
b)是强关联规则。
[0138]
2、先验算法：
[0139]
先验算法是一种常见的关联规则挖掘算法(apriori算法)，apriori算法主要包括
两个过程：挖掘繁琐的项集和生成关联规则。
[0140]
生成频繁的项集：频繁项集的生成是通过逐层搜索的迭代方法实现的，其主要包括连接步骤和修剪步骤。
[0141]
(1)连接步骤：为了找到候选的k项集ck，高频的k-1项集lk-1就会自动连接进算法。
[0142]
(2)修剪步骤：通过扫描事务数据库d，可以确定项集ck中每个候选项的支持是否大于最小支持计数，如果是，则候选项属于常用项集lk。为了压缩ck，使用apriori属性，如果ck中候选项集的k-1子集不属于lk-1，则修剪候选项集。
[0143]
将关联规则用于局部放电图谱特征指纹库中的特征评估时，首先在分析三维图谱时，我们总是将三维图谱降维成二维来分析，所以对于一个二维图谱的特征，它还有第三个关系量，例如以相位划分的二维图谱在时间上是可变的；以时间划分的图谱在相位上是可变的。但是，由于外界的干扰以及测量误差等因素，通常所获得图谱可能会存在部分失真或者不完整，所以本发明需要采用关联规则算法对指纹特征库中的统计特征进行甄别和评估，以减小数据的冗余度。由于图谱特征在时间或者相位上的冗余度，这也给了我们可操作的空间。
[0144]
具体来说，项目集就是整个特征指纹库，我们需要对指纹库中的指纹进行评价，找到其中的高频项目组，减少数据冗余度。
[0145]
在本发明中，以指纹库中放电平均值mi为例，1500组的放电平均值特征构成了i＝{i1,i2···im
}的集合，m为1500组训练对象得到的特征的总个数。由于1500组对象，每一个对象都拥有n个特征(n为划分的相窗个数)，所以每一个对象的n个特征构成一个项集。
[0146]
随意取其中两个项集a和b，评价他们之间的关联关系，如果a、b的特征没有相同的地方即则项集a和项集b构不成关联规则的前身和后因，此时若有一个项集已被判定为高频子集，则另一子集被舍弃；若没有，则重新选择两个项集进行分析。当时，则项集a和项集b分别成为关联规则的前身和后因。
[0147]
这时再计算项集a或项集b(非高频项集)的支持度sup(a/b)和置信度conf(a
→
b)，计算公式如下：
[0148]
sup(a)＝count(a)/n
[0149]
sup(b)＝count(b)/n
[0150]
sup(a
→
b)＝count(a∪b)/n
[0151]
conf(a
→
b)＝sup(a
→
b)/sup(a)
[0152]
其中，count(a)为计数a的项集；count(b)为计数b的项集；count(a
→
b)为计数a
→
b中的项集；a
→
b表示a对b的关联，sup(a
→
b)表示a对b的关联的支持度，conf(a
→
b)表示a对b的关联的置信度。
[0153]
需要说明的是，在本发明中，最小置信度(minconf)也是用户指定的度量值，如果sup(a
→
b)≥minsup，并且conf(a
→
b)≥minconf，则(a
→
b)是强关联规则。则一方为高频子集时，另一方也为高频子集。若双方都不是高频子集，则保留a,将b换成c重新进行计算，同时项集a的高频系数(maxhfa)加一，直到有一方为高频子集或者同类型组类特征值已全部比较完毕。
[0154]
此时，判断项集a的高频系数(maxhfa)，和用户指定的最小高频系数(maxhfa)进行
比较，若maxhfa＞maxhfa，则可以判定a为高频项集，同时与a强关联的所有项集也都是高频项集，其余项集再重复进行分析，通过迭代求出全部的高频项集。若maxhfa＜maxhfa，则判定a为低频项集，舍去，并重新选择项集进行分析，通过迭代求出全部的高频项集。
[0155]
至此，在本发明所设计的这种故障识别系统中，利用关联规则算法能够将特征指纹库中的特征全部评价完毕，去掉了干扰和误差，减少了数据特征的冗余度，以获得指纹特征库的全部高频项集。
[0156]
相应地，在获得的上述局部放电prpd图谱训练样本的指纹特征库的高频项集后，在本发明所述的步骤(3)中，需要进一步利用高频项集对构建的深度信念神经网络进行训练，以使得其输出对应的故障类型。
[0157]
目前，深度学习在计算机视觉、语音识别、自然语言处理、机器人、自动驾驶、网络安全、医疗诊断等领域得到了广泛的探索和应用。深度学习也开始进入电力设备故障诊断领域，为电力设备智能诊断技术的应用提供新的解决方案。深度信念神经网络模型(dbn)是一种更灵活的网络模型，与其他方法具有良好的兼容性。因此，采用深度信念神经网络模型进行故障分类，并将分类结果输入到决策融合模型中，能够得到异常状态信息融合诊断结果。
[0158]
在本发明中，需要构建深度信念神经网络模型，其具体包括以下内容：
[0159]
(a)算法结构：
[0160]
深度信念神经网络(dbn)由多层神经元组成，分为显性神经元(显式细胞)和隐性神经元(隐性细胞)。其中，显性神经元用于接受输入，隐性神经元用于提取特征。因此，隐性神经元也有一个别名，称为特征检测器。深度信念神经网络的顶部两层之间的连接是无向的，形成联合记忆。有方向连接其他下层之间的上层和下层。底层表示数据向量，每个神经元表示数据向量的一个维度。
[0161]
(b)受限玻尔兹曼机：
[0162]
在本发明中，深度信念神经网络(dbn)由多个受限玻尔兹曼机(rbm)层组成。其中，典型的受限玻尔兹曼机(rbm)的结构如下述图2所示。图2示意性地显示了本发明所述的受限玻尔兹曼机的结构示意图。
[0163]
如图2所示，受限玻尔兹曼机的结构包括三个部分：可见层v、隐藏层h和偏置层。其中，可见层用作输入层，隐藏层用作输出层，偏置层用于控制隐藏层和可见层中节点的激活，并且层中的单元彼此独立。图2中神经元的上层构成隐藏层，神经元的下层构成显性细胞，即可见层。每一层都可以用一个数据向量来表示，每个维度都用每个神经元来表示。
[0164]
在受限玻尔兹曼机(rbm)中，训练深度信念神经网络(dbn)的过程是逐层进行的。在每一层中，数据向量用于推断隐藏层，然后将此隐藏层视为下一层(较高层)的数据向量。
[0165]
(c)训练深度信念神经网络(dbn)：
[0166]
在本发明中，利用的是几个受限玻尔兹曼机(rbm)“串联”形成一个深度信念神经网络(dbn)，在该实验过程中，具体采用了5个受限玻尔兹曼机(rbm)“串联”形成深度信念神经网络(dbn)。其中前一个rbm的隐藏层是下一个rbm的可见层，前一个rbm的输出是下一个rbm的输入。
[0167]
需要说明的是，在训练过程中，需要对前一层的rbm进行全面训练，然后才能训练当前层的rbm，直到最后一层，其具体的训练过程可以参阅下述步骤a-e：
[0168]
a.第一次全面训练第一次成果管理制。
[0169]
b.固定第一个rbm的权重和偏移量，然后使用其隐藏神经元的状态作为第二个rbm的输入向量。
[0170]
c.在充分训练第二个成果管理制之后，将第二个成果管理制堆叠在第一个成果管理制之上。
[0171]
d.重复上述a、b、c三个步骤任意次数。
[0172]
e.如果训练集中的数据有标签，那么在顶级rbm训练中，除了rbm的可见层中的优势神经元之外，还需要有代表分类标签的神经元来一起训练。
[0173]
综上所述，在本发明所设计的这种步骤(3)中，为了对所构建的深度信念神经网络进行训练，首先要将本发明所述的步骤(2)中得到局部放电prpd图谱训练样本的指纹特征库的高频项集从第一层受限玻尔兹曼机(rbm)导入深度信念神经网络中，特征数据进入可见层，在每一层rbm中嵌入不同的权重和偏移量，用以达成不同的目标。
[0174]
将特征指纹库中收集到的不同统计特征加入不同的rbm，由于本实施方式中，具体应用了5个统计特征以及受限玻尔兹曼机。因此，第一层rbm可以用于检测陡峭度ku，第二层rbm可以用于检测放电因素q,第三层rbm可以用于检测互相关系数cc，第四层rbm可以用于检测放电平均值mi，第五层rbm可以用于检测放电频率bi，然后出示结果。并且，在训练过程中需要人工调试系统分类的参数。
[0175]
由此，在本发明步骤(3)中，训练深度信念神经网络深度信念神经网络(dbn)可以具体包括以下三个步骤：
[0176]
第一步，在每一层的rbm中先初步设定好权重值和偏移量。
[0177]
第二步，将一个特征指纹库中典型缺陷的局部放电的图谱数据传入，经过五层rbm后，出示结果，如果结果相符；如果不相符，则rbm每一层自行修改自己的权重和偏移量，将此数值的判定更改。
[0178]
第三步，设置系统自动传输特征指纹库中的一个新的图谱进入，重复第二步的步骤，进行迭代。直到局部放电prpd图谱训练样本的指纹特征库中的所有关于统计特征的高频项集全部传输完毕，此时深度信念神经网络已经训练完毕，其能够输出对应的故障类型。
[0179]
相应地，在本发明所设计的这种实施方式中，为了检验最终所构建的这种由5个串接的受限玻尔兹曼机所构建的深度信念神经网络在训练后能否有效检测输出对应的故障类型。
[0180]
在本发明所述的步骤(4)中，本案发明人再次采集了300组放电数据进行实验，并获得对应的设备局部放电prpd图谱，同时提取了其对应的陡峭度ku、放电因素q、互相关系数cc、放电平均值mi和放电频率bi的统计特征，以构建用于测试的局部放电prpd图谱训练样本的指纹特征库。
[0181]
将该用于测试的局部放电prpd图谱训练样本的指纹特征库中的统计特征对应输入到经过训练的深度信念神经网络，即可获得输出的故障类型，以此来检查该局部放电故障识别系统的准确率，其最终得到的结果如下述表1所示。
[0182]
表1.
[0183]
缺陷类型识别准确率/％尖端放电82
内部缺陷78浮动电极84总计81.3
[0184]
从上表1的识别结果可以看出，采用本发明所设计的这种局部放电故障识别系统对设备局部放电数据图进行识别判断时，其金属尖端故障的识别率为82％，内部缺陷的识别率为78％，浮动电极的识别率为84％，整体识别准确率为81.3％。
[0185]
综上所述，采用本发明所述的基于设备局部放电数据图的故障识别系统能够提高设备不同类型局部放电信号图诊断的适应性和通用化程度，以及智能诊断速度和异常状态信息的准确性，从而根据设备局部放电数据图，快速且准确的识别诊断出故障。
[0186]
需要说明的是，本发明的保护范围中现有技术部分并不局限于本技术文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
[0187]
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
[0188]
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。