本發(fā)明屬于光ct故障辨識(shí)，具體涉及一種基于數(shù)據(jù)增強(qiáng)和深度學(xué)習(xí)的光ct故障辨識(shí)方法。

背景技術(shù)：

1、中國(guó)大型新能源基地主要分布在“三北”地區(qū)，一般處于電網(wǎng)末端，電網(wǎng)較薄弱，因此，直流輸電工程憑借其在高電壓等級(jí)、遠(yuǎn)距離、大功率電能傳輸方面的經(jīng)濟(jì)性和控制靈活性，已經(jīng)成為跨區(qū)域輸電的重要手段。在直流輸電工程中大量應(yīng)用了光ct進(jìn)行電流的監(jiān)測(cè)；光ct（computed?tomography）又名光纖電流互感器，通常由光纖線(xiàn)圏、采集器和聯(lián)結(jié)光纖組成；光ct利用的是faraday磁光效應(yīng)，通過(guò)光在磁場(chǎng)中的偏振角反應(yīng)電流大小。

2、然而，光ct?設(shè)備故障的頻發(fā)直接影響了直流輸電工程的可靠運(yùn)行，因此開(kāi)展光ct故障辨識(shí)的研究，深度挖掘數(shù)據(jù)潛在信息，對(duì)提高光ct運(yùn)維效率和保障直流系統(tǒng)的安全可靠運(yùn)行具有重要意義。

3、現(xiàn)有研究缺乏對(duì)光ct運(yùn)行數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析，難以建立光ct的狀態(tài)參量與故障類(lèi)型之間的多維映射關(guān)系，并且傳統(tǒng)的特征提取方法難以有效捕捉光ct的狀態(tài)參量間空間特征以及光ct的狀態(tài)參量序列的時(shí)間特征，同時(shí)基于電力系統(tǒng)的保密性、特殊性也會(huì)導(dǎo)致難以獲取大量的高質(zhì)量光ct故障數(shù)據(jù)。因此，如何準(zhǔn)確識(shí)別光ct的故障類(lèi)型且提供可靠的識(shí)別結(jié)果成為亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題是提供一種基于數(shù)據(jù)增強(qiáng)和深度學(xué)習(xí)的光ct故障辨識(shí)方法，通過(guò)對(duì)算法的改進(jìn)，可準(zhǔn)確識(shí)別光ct的故障類(lèi)型和提供可靠的識(shí)別結(jié)果。

2、為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：一種基于數(shù)據(jù)增強(qiáng)和深度學(xué)習(xí)的光ct故障辨識(shí)方法，所述方法包括以下步驟：

3、s1，獲取預(yù)設(shè)測(cè)點(diǎn)光ct的狀態(tài)參量和故障類(lèi)型標(biāo)簽；

4、s2，利用apriori關(guān)聯(lián)規(guī)則法篩選出關(guān)鍵狀態(tài)參量；

5、s3，以篩選后的關(guān)鍵狀態(tài)參量作為光ct的故障樣本集，利用wgan生成對(duì)抗網(wǎng)絡(luò)對(duì)光ct的故障樣本集進(jìn)行數(shù)據(jù)擴(kuò)充；

6、s4，對(duì)擴(kuò)充后的故障樣本集進(jìn)行奇異譜分析，分離出光ct的若干信號(hào)序列；

7、s5，構(gòu)建基于深度學(xué)習(xí)的光ct故障辨識(shí)模型，提取光ct的關(guān)鍵狀態(tài)參量的時(shí)空特征，實(shí)現(xiàn)光ct不同故障類(lèi)型的識(shí)別。

8、進(jìn)一步地，所述步驟s1中光ct的狀態(tài)參量包括led驅(qū)動(dòng)電流、調(diào)制器驅(qū)動(dòng)電壓、二次諧波電壓、輸入電壓峰值、輸入電壓平均偏差值、光電探測(cè)器接收到的光的四次諧波、光電探測(cè)器接收到的光強(qiáng)平均偏差和電子單元內(nèi)部溫度；

9、所述光ct的狀態(tài)參量的采集時(shí)間分辨率為q分鐘；

10、所述步驟s1中光ct的故障類(lèi)型包括電子單元衰弱、e2000插頭破損、光纖溶解點(diǎn)異常、調(diào)制回路調(diào)制線(xiàn)松動(dòng)和調(diào)制罐故障；

11、所述電子單元衰弱、e2000插頭破損、光纖溶解點(diǎn)異常、調(diào)制回路調(diào)制線(xiàn)松動(dòng)和調(diào)制罐故障分別用標(biāo)簽1、2、3、4和5表示；

12、光ct的故障類(lèi)型標(biāo)簽和狀態(tài)參量的時(shí)間分辨率相對(duì)應(yīng)；

13、當(dāng)光ct處于正常運(yùn)行狀態(tài)時(shí)，光ct的故障類(lèi)型標(biāo)簽記為0。

14、進(jìn)一步地，所述步驟s2包括：

15、步驟s21，采用k-means聚類(lèi)算法將連續(xù)的狀態(tài)參量離散為布爾型變量，每種狀態(tài)參量劃分為四個(gè)簇，每一簇表示為某一個(gè)狀態(tài)參量特征條件；

16、步驟s22，劃分好后的狀態(tài)參量特征條件和故障類(lèi)型標(biāo)簽，使用apriori關(guān)聯(lián)算法挖掘關(guān)聯(lián)規(guī)則，輸出頻繁項(xiàng)集；

17、apriori關(guān)聯(lián)算法的支持度設(shè)為0.1、置信度設(shè)為0.9；

18、所述支持度代表故障類(lèi)型標(biāo)簽和狀態(tài)參量特征條件同時(shí)發(fā)生的概率大于等于0.1的頻繁項(xiàng)集；

19、所述置信度代表多個(gè)狀態(tài)參量特征條件同時(shí)發(fā)生的前提下發(fā)生故障類(lèi)型標(biāo)簽的概率大于等于0.9的頻繁項(xiàng)集；

20、步驟s23，對(duì)步驟s22輸出的頻繁項(xiàng)集進(jìn)行統(tǒng)計(jì)排序；

21、統(tǒng)計(jì)排序的條件為在光ct發(fā)生故障時(shí)，統(tǒng)計(jì)狀態(tài)參量特征條件出現(xiàn)的次數(shù)，并按照次數(shù)大小對(duì)狀態(tài)參量特征條件進(jìn)行排序；

22、以狀態(tài)參量特征條件出現(xiàn)次數(shù)頻繁的篩選閾值為條件，篩選出關(guān)鍵狀態(tài)參量集r={r1,r2,r3…rz}；其中，r代表關(guān)鍵狀態(tài)參量，z代表關(guān)鍵狀態(tài)參量的序號(hào)。

23、進(jìn)一步地，所述步驟s3包括：

24、步驟s31，初始化wgan生成器和判別器的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用全連接層和relu激活函數(shù)；

25、步驟s32，對(duì)wgan生成器進(jìn)行訓(xùn)練，以隨機(jī)生成噪聲樣本為輸入，生成器生成若干故障樣本；其中每個(gè)故障樣本包含關(guān)鍵狀態(tài)參量集r和故障類(lèi)型標(biāo)簽；

26、步驟s33，對(duì)wgan判別器進(jìn)行訓(xùn)練，以實(shí)際故障樣本集和生成器生成的故障樣本為輸入，以判別器輸入數(shù)據(jù)服從真實(shí)分布的概率為輸出；

27、步驟s34，以wasserstein距離作為損失函數(shù)，進(jìn)行梯度反向傳播，更新判別器的參數(shù)和生成器的參數(shù)，同時(shí)對(duì)判別器的權(quán)重進(jìn)行剪切操作，以滿(mǎn)足lipschitz連續(xù)條件；

28、步驟s35，重復(fù)上述步驟s31-s34，直至輸出基于wgan數(shù)據(jù)擴(kuò)充的故障樣本集；

29、步驟s36，重復(fù)上述步驟s31-s35，按光ct的故障類(lèi)型標(biāo)簽類(lèi)別進(jìn)行數(shù)據(jù)增強(qiáng)，輸出每一種故障類(lèi)型標(biāo)簽的故障樣本集。

30、進(jìn)一步地，所述步驟s4包括：

31、對(duì)擴(kuò)充后的故障樣本集進(jìn)行奇異譜分析，將關(guān)鍵狀態(tài)參量集r分解出m個(gè)信號(hào)序列，其中m個(gè)數(shù)為3×z；

32、上述奇異譜分析的窗口設(shè)為3，每個(gè)窗口分別代表關(guān)鍵狀態(tài)參量的長(zhǎng)期趨勢(shì)信號(hào)、周期信號(hào)和噪聲信號(hào)，故奇異譜分析的分離公式為：

33、rj=r1,j+r2,j+r3,j，j=1,2…z；

34、其中，rj表示第j個(gè)關(guān)鍵狀態(tài)參量，r1,j表示第j個(gè)關(guān)鍵狀態(tài)參量的長(zhǎng)期趨勢(shì)信號(hào)，r2,j表示第j個(gè)關(guān)鍵狀態(tài)參量的周期信號(hào)，r3,j表示第j個(gè)關(guān)鍵狀態(tài)參量的噪聲信號(hào)。

35、進(jìn)一步地，所述步驟s5包括：

36、步驟s51：將n個(gè)樣本的關(guān)鍵狀態(tài)參量進(jìn)行時(shí)間序列的滑動(dòng)窗口處理，處理成符合深度學(xué)習(xí)模型輸入的三維數(shù)組，其滑動(dòng)窗口步長(zhǎng)設(shè)為48；

37、步驟s52：以處理后的三維數(shù)組作為輸入，光ct的故障類(lèi)型標(biāo)簽作為輸出，取70%數(shù)據(jù)作為訓(xùn)練集，30%數(shù)據(jù)作為測(cè)試集，構(gòu)建基于深度學(xué)習(xí)的光ct故障辨識(shí)模型；

38、構(gòu)建的基于深度學(xué)習(xí)的光ct故障辨識(shí)模型，包括1-d卷積層、池化層、lstm層和全連接層；

39、通過(guò)卷積操作捕捉關(guān)鍵狀態(tài)參量中的空間模式和lstm層處理關(guān)鍵狀態(tài)參量中的時(shí)間依賴(lài)性，提取關(guān)鍵狀態(tài)參量的時(shí)空特征。

40、本發(fā)明實(shí)施例還提供了一種存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述所述的基于數(shù)據(jù)增強(qiáng)和深度學(xué)習(xí)的光ct故障辨識(shí)方法。

41、采用本發(fā)明產(chǎn)生的有益效果：本發(fā)通過(guò)wgan生成對(duì)抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng)來(lái)生成更多的故障樣本數(shù)據(jù)，通過(guò)奇異譜分析方法提取光ct故障信號(hào)，并建立cnn-lstm深度學(xué)習(xí)模型提取光ct狀態(tài)參量的時(shí)空特征，可準(zhǔn)確識(shí)別光ct的故障類(lèi)型和提供可靠的識(shí)別結(jié)果，可提高光ct運(yùn)維效率，對(duì)保障直流系統(tǒng)的安全可靠運(yùn)行具有重要意義。