一种多元信息融合的发电厂电气设备分类与异常检测方法与流程

技术特征：
1.一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，包括以下步骤：s1、通过发电厂监控系统，获取电气设备的多元信息；s2、根据综合判据，判断电气设备所处的状态；s3、预置声音传感器获取电气设备运行的音频；s4、采用电气设备状态声音样本库训练深度神经网络，并通过训练好的深度神经网络进行状态识别，得到状态识别置信度分数；s5、若状态识别置信度≤置信度阈值，则认为电气设备存在故障，执行步骤s6，否则完成电气设备状态声音分类；s6、采用电气设备故障声音样本库训练深度神经网络，并通过训练好的深度神经网络进行已知故障异常识别，得到故障识别置信度分数；s7、若故障识别置信度分数≤置信度阈值，则认为电气设备存在未知故障，执行步骤s8，否则完成电气设备已知故障异常识别；s8、进行电气设备未知故障识别，并作为新异常样本加入电气设备故障声音样本库。2.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s1中，所述多元信息包括转速、有功出力、无功出力、导叶开度和水头。3.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s2中，提前统计电气设备运行状态与对应的多元信息集，提炼得到运行状态与多元信息的对应关系，作为综合判据，并根据综合判据和步骤s1中得到的电气设备的多元信息，确定电气设备运行状态。4.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s3中，通过预置声音传感器位置，收集特定对象的电气设备运行声音并进行存储。5.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s4中，首先通过电气设备状态声音样本库对深度神经网络进行训练，训练过程的深度神经网络采用卷积神经网络结构；训练过程包括声音预处理、时频变换和卷积神经网络训练；声音预处理为时长切割，时频变换为将时域信号转换成声谱图；其次基于对多元信息的综合判据，获取电气设备当前运行状态，同时利用训练好的深度神经网络对采集的音频进行状态识别，得到具体运行状态识别的置信度。6.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s5中，将电气设备具体运行状态识别的置信度与预设的置信度阈值对比，若大于置信度阈值，则视为电气设备运行状态识别正常；若小于等于置信度阈值，则视为该音频为异常音频。7.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s6中，首先通过电气设备故障声音样本库对深度神经网络进行训练，训练过程的深度神经网络采用卷积神经网络结构；训练过程包括声音预处理、时频变换和卷积神经网络训练；声音预处理为时长切割，时频变换为将时域信号转换成声谱图；
利用训练好的深度神经网络对异常音频进行已知故障识别，得到异常故障识别结果及其故障识别置信度。8.根据权利要求5或7所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，卷积神经网络包括输入层、卷积层、池化层和输出层。9.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s7中，将故障识别置信度与预设的置信度阈值对比，若大于置信度阈值，则视为电气设备已知故障识别正常，该电气设备出现已知故障；若小于等于置信度阈值，则视为该音频为未知异常音频。10.根据权利要求1所述的一种多元信息融合的发电厂电气设备分类与异常检测方法，其特征在于，步骤s8中，识别出未知异常音频，通过分析电气设备此时异常状态下的多元信息数据，以人工方式进行对该未知异常音频进行定性分析，将其打上故障标签，加入电气设备故障声音样本库。

技术总结
本发明公开了一种多元信息融合的发电厂电气设备分类与异常检测方法。所述方法包括以下步骤：获取电气设备的多元信息；判断电气设备所处的状态；预置声音传感器获取电气设备运行的音频；通过训练好的深度神经网络进行状态识别，得到状态识别置信度分数；若状态识别置信度≤置信度阈值，则认为电气设备存在故障，否则完成电气设备状态声音分类；通过训练好的深度神经网络进行已知故障异常识别，得到故障识别置信度分数；若故障识别置信度分数≤置信度阈值，则认为电气设备存在未知故障，否则完成电气设备已知故障异常识别；进行电气设备未知故障识别，并作为新异常样本加入电气设备故障声音样本库。本发明解决了目前算法存在的问题。题。题。


技术研发人员：彭煜民 冯志延 张豪 孙建超 李壮 沈燕 赵增涛 付建美 刘士刚 陈艳鑫 高靖昂 徐子韬 陆哲贤 李毅 周天添
受保护的技术使用者：南方电网调峰调频发电有限公司
技术研发日：2022.09.30
技术公布日：2023/1/13