一种基于深度学习的变压设备故障预测方法专利检索-软件套件软件计算机系统电脑零配件专利检索查询-专利查询网

一种基于 深度学习的变压设备故障预测方法

阅读：2发布：2020-05-08

专利汇可以提供一种基于深度学习的变压设备故障预测方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于深度学习的变压设备故障预测方法。其特点是，包括如下步骤：(1)对得到的测试集合进行归一化处理，(2)创建神经网络的基础模型，(3)进行神经网络的模型训练，(4)模型的验证，(5)利用该神经网络模型进行变压设备的故障预测。本发明方法的有益效果是：1、具有不断学习的能力，所能提供的测试集合数据越精确，数量越大学习效果越显著。2、具有适应性，由于高低压成套设备所使用的环境不同，其故障发生的可能性也不同，这个方法可以使得高低压成套设备的预警装置在不同的环境下进行一段时间的学习后有相应的适应性。，下面是一种基于深度学习的变压设备故障预测方法专利的具体信息内容。

权利要求

1.一种基于深度学习的变压设备故障预测方法，其特征在于，包括如下步骤：
(1)对得到的测试集合进行归一化处理：
首先对一个高低压成套系统的参数进行记录，得到一个输入矩阵和输出矩阵；
然后对这些值进行归一化处理，即利用下列归一化公式将它们变换为0-1之间的数；
y＝(x-min)(max-min)；
其中min是指所要归一化处理的数据集合中最小的数；max是指所要归一化处理的数据集合中最大的数，x是指所要归一化处理的数据，y是指归一化处理后的数据；
(2)创建神经网络的基础模型：
创建一个初始化的神经网络模型，定义它的初始权值和阈值，将每个神经元的权值和阈值设定为随机数，规定其对这个测试集合学习1000次，停止条件为精度小于0.001，学习率为0.01；
(3)进行神经网络的模型训练；
使用MATLAB 软件中的train函数进行BP神经网络训练，首先设定好基础模型得到测试数据集合后开始进行计算，依据所设定的参数得到最终训练好的模型；
训练结束后得到相对误差曲线和相应的所有神经元的权值和阈值，根据所得到的权值和阈值得到这个神经网络模型所有的参数；
(4)模型的验证：
在得到了神经网络模型的参数后，对高低压成套设备进行测量，得到测试数据，用来当作测试集合；
使用一个测试集合，向该神经网络模型输入参数，进行预测，并与该测试集合的输出进行比对来确定该神经网络模型是否满足要求，如果满足要求则可以投入使用，如果不满足要求则增加更多的数据进行训练，直到该神经网络模型满足要求；
(5)利用该神经网络模型进行变压设备的故障预测。
2.如权利要求1所述的一种基于深度学习的变压设备故障预测方法，其特征在于：步骤(1)中具体是对高低压成套设备的401个参数进行50次记录，并且根据它们所导致的故障程度进行整理，得到一个401*50的输入矩阵和1*50的输出矩阵，它们分别代表了这401个参数
50次变化对应的电气故障值。

说明书全文

一种基于深度学习的变压设备故障预测方法

技术领域

[0001] 本发明涉及一种基于深度学习的变压设备故障预测方法。

背景技术

[0002] 经济的发展极大的提高了对电力的需求，此需求即包括数量的需求也包括质量的要求，同时对硬件(输变电设备)有了较为苛刻的要求，因为硬件设备是电力系统能否安全运作的基础。但是设备在运行过程中会因为自身原因或客观原因出现问题，故障一旦出现便会对电网的安全性和可靠性带来影响，这就需要研发企业做好对所研发的设备的故障监测和预测。

[0003] 目前，评估预测电气故障的方法主要有以下几种：最基本也是最简单的评估方法是利用打分制，用加权的方式判断目前电气数据当前的状态，此种评价方法针对的是设备的单一系统，通过于阈值的比较来判定。由于此种方法并不针对整个系统，所以对于信息的利用率较低，这也就导致了评价与预测结果的正确率较低；另一方面，此种方法对潜在的故障的判断在于判断故障类型方面还是有很多不足。这种方法由于根据固定的阈值进行判断，所以在以专家的意见为指导后续诊断工作的基础，并通过远程实现专家对系统的诊断方式称为自学习诊断系统，此方法在实际工程中具有较为广泛的应用。

发明内容

[0004] 本发明的目的是提供一种基于深度学习的变压设备故障预测方法，能够实现对变电设备的超前预警，辅助做好故障防范措施。

[0005] 一种基于深度学习的变压设备故障预测方法，其特别之处在于，包括如下步骤：

[0006] (1)对得到的测试集合进行归一化处理：

[0007] 首先对一个高低压成套系统的参数进行记录，得到一个输入矩阵和输出矩阵；

[0008] 然后对这些值进行归一化处理，即利用下列归一化公式将它们变换为0-1之间的数；

[0009] y＝(x-min)(max-min)；

[0010] 其中min是指所要归一化处理的数据集合中最小的数；max是指所要归一化处理的数据集合中最大的数，x是指所要归一化处理的数据，y是指归一化处理后的数据；

[0011] (2)创建神经网络的基础模型：

[0012] 创建一个初始化的神经网络模型，定义它的初始权值和阈值，将每个神经元的权值和阈值设定为随机数，规定其对这个测试集合学习1000次，停止条件为精度小于0.001，学习率为0.01；

[0013] (3)进行神经网络的模型训练；

[0014] 使用MATLAB 软件中的train函数进行BP神经网络训练，首先设定好基础模型得到测试数据集合后开始进行计算，依据所设定的参数得到最终训练好的模型；

[0015] 训练结束后得到相对误差曲线和相应的所有神经元的权值和阈值，根据所得到的权值和阈值得到这个神经网络模型所有的参数；

[0016] (4)模型的验证：

[0017] 在得到了神经网络模型的参数后，对高低压成套设备进行测量，得到测试数据，用来当作测试集合；

[0018] 使用一个测试集合，向该神经网络模型输入参数，进行预测，并与该测试集合的输出进行比对来确定该神经网络模型是否满足要求，如果满足要求则可以投入使用，如果不满足要求则增加更多的数据进行训练，直到该神经网络模型满足要求；

[0019] (5)利用该神经网络模型进行变压设备的故障预测。

[0020] 步骤(1)中具体是对高低压成套设备的401个参数进行50次记录，并且根据它们所导致的故障程度进行整理，得到一个401*50的输入矩阵和1*50的输出矩阵，它们分别代表了这401个参数50次变化对应的电气故障值。

[0021] 本发明方法的有益效果是：1、具有不断学习的能力，所能提供的测试集合数据越精确，数量越大学习效果越显著。2、具有适应性，由于高低压成套设备所使用的环境不同，其故障发生的可能性也不同，这个方法可以使得高低压成套设备的预警装置在不同的环境下进行一段时间的学习后有相应的适应性。

具体实施方式

[0022] 本发明的目的就是创建一整套方法用于预测电力故障和变压成套设备的设备故障，这方法主要通过大数据挖掘和机器学习，对设备故障影响因素进行关联分析，构建故障预测识别与风险评估模型，实现对变电设备的超前预警，辅助做好故障防范措施。

[0023] 一种基于深度学习的变压设备故障预测方法，包括如下步骤：1、输入参数训练集(x为电气设备所监测的各种参数，y为电气设备的故障程度)和学习率(一般为0.1)；2、在(0，1)范围内随机初始化网络中所有连接权和阈值；3、根据当前参数，计算当前样本输出；4、计算输出层神经元梯度项；5、计算隐层神经元梯度项；6、更新连接权与阈值；7、判断该模型是否满足精度要求，如果不满足则返回第三步继续基于下一个样本进行训练学习；8、若达到停止的条件，则输出连接权与阈值确定的多层前馈神经网络；9、利用该模型进行变压设备的故障预测。

[0024] 本发明涉及到一种成套变压设备故障预测的算法和高压电故障的预测方法，其基于深度学习的理论基础，建立了一套适用于电气行业的故障预测方法体系。适用于在微机综合保护、变电站、以及对于电路故障需要详细信息分析的企业单位使用。

[0025] 第一步：对得到的测试集合进行归一化处理。

[0026] 首先对一个高低压成套系统的各个参数进行记录，我们下面的例子是对高低压成套设备的401个参数进行50次记录，并且根据它们所导致的故障程度进行整理。我们会得到一个401*50的输入矩阵和1*50的输出矩阵，它们分别代表了这401个参数50次变化对应的电气故障值。

[0027] 由于输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢，训练时间过长，其数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。所以要对这些数据进行归一化处理。

[0028] 然后对这些值进行归一化处理，即将他们利用归一化公式变换为0-1之间的数。

[0029] y＝(x-min)(max-min)

[0030] 其中min是指所要归一化处理的数据集合中最小的数；max是指索要归一化处理的数据集合中最大的数；x指索要归一化处理的数据；y指归一化处理后的数据。

[0031] 第二步：创建神经网络的基础模型。

[0032] 得到了经过归一化后的数据后，我们要创建一个初始化的神经网络模型，即定义它的初始权值和阈值。我们在这将每个神经元的权值和阈值设定为随机数，规定其对这个测试集合学习1000次，停止条件为精度小于0.001。学习率为0.01。

[0033] 在这里我们可以选用MATLAB软件中所制定好的生成神经网络模型的函数’newff’函数进行创建整个神经网络模型。

[0034] 第三步：进行神经网络的模型训练。

[0035] 在这由于计算量非常的复杂我们选择使用对矩阵优化比较好的软件MATLAB进行整个模型的训练，使用MATLAB软件中的train函数可以进行BP神经网络训练。

[0036] 设定好了基础模型得到了测试数据集合后我们开始让其按照上述所述的原理进行不断地计算，依据所设定的参数这个模型要更新50*1000＝50000次后可以得到其最终训练好的模型。

[0037] 训练结束后我们可以获得相对误差曲线和相应的所有神经元的权值和阈值，根据所得到的权值和阈值就可以得到这个神经网络模型所有的参数。

[0038] 第四步：模型的验证。

[0039] 在得到了神经网络模型的各个参数后，我们再对高低压成套设备进行测量，获一些测试数据，用来当作测试集合。

[0040] 使用一个测试集合，向该模型只输入输入参数，让其进行预测，并于该测试集合的输出进行比对来确定该模型是否满足要求。进行模型验证后可以对这个系统的预测性能进行评价，如果满足要求则可以投入使用，如果不满足要求则需要更庞大的数据量进行训练。

标题	发布/更新时间	阅读量
一种车载显示装置冗余控制方法及装置	2020-05-08	784
利用多传感系统检测针灸技法的装置及相应的方法	2020-05-08	826
一种基于指纹识别的鼠标及其使用方法	2020-05-08	655
用于中线式尾矿筑坝的管理方法、装置、设备及介质	2020-05-08	72
用于微纳卫星的电子拓扑架构	2020-05-11	785
将EOC管理软件植入目标平台的方法和装置	2020-05-08	885
智能后勤平台管理系统	2020-05-08	368
片状陶瓷破坏强度测量装置及其使用方法	2020-05-08	589
一种带指纹开关的电脑	2020-05-08	250
一种计算机软件教育用编码教学板	2020-05-08	661

一种基于深度学习的变压设备故障预测方法

一种基于深度学习的变压设备故障预测方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：