CN117034169A - 基于时序因果关系网络的电网主变设备异常状态预测方法 - Google Patents

基于时序因果关系网络的电网主变设备异常状态预测方法 Download PDF

Info

Publication number
CN117034169A
CN117034169A CN202311017786.3A CN202311017786A CN117034169A CN 117034169 A CN117034169 A CN 117034169A CN 202311017786 A CN202311017786 A CN 202311017786A CN 117034169 A CN117034169 A CN 117034169A
Authority
CN
China
Prior art keywords
main transformer
data
transformer equipment
equipment
power grid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311017786.3A
Other languages
English (en)
Inventor
张洁
孙友强
张可
杨振南
黄文礼
李�瑞
张辉
杜健铭
陈红波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Hefei Institutes of Physical Science of CAS
Original Assignee
Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Hefei Institutes of Physical Science of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui Nanrui Jiyuan Power Grid Technology Co ltd, Hefei Institutes of Physical Science of CAS filed Critical Anhui Nanrui Jiyuan Power Grid Technology Co ltd
Priority to CN202311017786.3A priority Critical patent/CN117034169A/zh
Publication of CN117034169A publication Critical patent/CN117034169A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及基于时序因果关系网络的电网主变设备异常状态预测方法，与现有技术相比解决了未探究主变设备异常变量间因果关系的缺陷。本发明包括以下步骤：主变设备运行数据获取和预处理；主变设备数据集的构建；构建电网主变设备异常状态检测模型；电网主变设备异常状态检测模型的训练；主变设备运行实时数据的获取；电网主变设备异常状态的预测。本发明基于动态的设备运行、随时间变化的变量间关系的特点，充分探究主变设备异常变量间的因果关系，基于时序因果关系网络的方法来从变量在时间分布上的动态行为中得到更多的隐藏的因果关系，提高主变设备异常预测的可靠性。

Description

基于时序因果关系网络的电网主变设备异常状态预测方法
技术领域
本发明涉及电网主变设备运行监测技术领域，具体来说是基于时序因果关系网络的电网主变设备异常状态预测方法。
背景技术
变电站是电力***的重要枢纽，变电设备的安全稳定运行是确保电力***可靠供电的重要基础。设备异常管理也是安全生产管理的重要内容之一。大量增加的设备运行异常会消耗大量的运维力量，因此制定科学的预测方法对设备异常进行预测尤为重要。
电网设备在运行过程中产生了大量的异常结果数据及设备运行监测数据。但是也存在着变电站运行工况、厂站年限不同，设备配置、厂家、型号也均有所差异等问题，容易导致由于信息源多、杂而遗漏设备运行异常。近年来，机器学习、深度学习等逐渐被应用于电网数据分析中，解决了很多传统方法难以解决的问题。但由于变电站运行数据受很多因素影响，且随时间不断变化。传统方法缺少对影响设备运行异常的因果关系进行挖掘，因果关系在揭示变量之间的动态关系和解释***运行规律方面起着重要作用。需要基于电网设备在线监测数据、工况数据、状态评价数据、历史异常数据等多维时间序列数据，研究基于时序因果关系网络的设备异常预测方法，更加精确的对设备运行异常做出预测。预测结果可以协助运检部门对可能发生异常的设备进行重点关注与维护。
因此，研究如何利用时序因果关系网络进行设备异常预测是一个急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中未探究主变设备异常变量间因果关系的缺陷，提供一种基于时序因果关系网络的电网主变设备异常状态预测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于时序因果关系网络的电网主变设备异常状态预测方法，包括以下步骤：
11)主变设备运行数据获取和预处理：获取主变设备运行数据，其包括主变设备运行时的外部数据及传感器采集的数据，并进行数据纠错预处理；
12)主变设备数据集的构建：基于预处理后的主变设备运行数据，构建带有时序特征的变量和目标变量的二维矩阵数据集，作为主变设备数据集；
13)构建电网主变设备异常状态检测模型：基于因果卷积网络构建电网主变设备异常状态检测模型；
14)电网主变设备异常状态检测模型的训练：将主变设备数据集输入电网主变设备异常状态检测模型进行训练；
15)主变设备运行实时数据的获取：获取主变设备运行时的外部实时数据及传感器采集的实时数据；
16)电网主变设备异常状态的预测：将主变设备运行实时数据输入训练后的电网主变设备异常状态检测模型，获得电网主变设备异常状态预测结果。
所述主变设备数据集的构建包括以下步骤：
21)主变设备运行数据的获取包括设备ID、设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、天气温度、天气描述、状态评价结果、负荷程度指标、铁芯接地电流指标、油色谱指标，是否发生异常数据作为预测目标数据；
22)对预处理的主变设备运行数据进行向量化处理，其中，数值型数据直接使用，文本变量采用TF-IDF表示法进行数值化后使用，对日期型数据计算其与投入运行时间月份的差值后使用；
23)将向量化处理后的数据融合到统一的结构化数据中，构建带有时序特征的变量和目标变量的二维矩阵数据集，其中每一行代表某一时间的多维变量和目标变量、每一列代表一个变量序列；
24)对于未发生异常的时间段，以月度为时间窗口在二维矩阵中填补一行，其中，变量数据为月度监测数据的平均值，目标变量为未发生异常。
所述构建电网主变设备异常状态检测模型包括以下步骤：
31)基于因果卷积网络设定电网主变设备异常状态检测模型，
设定因果卷积网络的输入为主变设备运行的二维矩阵数据，经因果膨胀卷积结构构建的编码器网络后，输出为迭代至t时刻的扩大历史信息的捕捉视野后的因果关系特征映射层；
32)对于输入的某一条设备运行变量X＝(x1，x2，...xT)的时间序列，Y＝(y1，y2，...yT)为设备状态值，使用t时刻之前的x1，x2，...xt-1以及之前的设备状态y1，y2，...yt-1数据输入，构建网络层之间的因果关系；
yt＝C_Net(x1，x2，...xt，y1，y2，...yt-1)，
其中C_Net为因果卷积网络；
33)使用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，
对于输入的某一个数据特征变量s(s∈(1，2，...N)，N为特征变量总数)，时间长度为T的设备运行时序数据，经过网络层中卷积核大小为k，膨胀系数为d的卷积滤波作用之后，得到s的特征映射层T(s)，T(s)的计算由特征序列元素s与卷积滤波f：{0，1，...，k-1}进行膨胀卷积运算，计算公式为：
其中，X为输入的长时间序列，s表示输入的时间序列中的不同运行数据特征变量，Fd为膨胀系数d的卷积滤波函数，s-d.i表示与卷积核中元素对应的序列；
34)设置不同的膨胀系数获取数据的多尺度信息，膨胀系数d随网络深度呈现指数增加，对于第m层网络：d＝2m-1；
35)对N个特征变量进行33)的步骤，时间长度为T的设备运行时序数据构成的T×N的矩阵，得到输出T为N个特征映射层，即编码器网络的输出：N个变量之间的因果关系特征。
所述电网主变设备异常状态检测模型的训练包括以下步骤：
41)将除去当前时刻目标变量的主变设备运行的二维矩阵数据输入构建电网主变设备异常状态检测模型步骤中的编码器网络，得到N个变量之间的因果关系特征；
42)设定电网主变设备异常状态训练模型，采用结合残差块的时间卷积网络TCN，输出设备在某时刻发生异常的预测概率；
421)设定TCN的卷积层使用因果膨胀卷积结构；
422)设定TCN的残差块，内设置两层卷积和ReLU非线性函数，且卷积核的权重都经过权重归一化，残差块内的每个卷积后都添加Dropout以实现正则化；
43)TCN对41)步产生的因果关系特征进行回归预测得到预测值，预测值和设备异常发生的真实值进行比对；
采用有监督的方式进行模型训练，训练过程中误差损失衰减趋于平稳作为模型训练停止的标志，误差损失L的计算采用均方误差，其表达式如下：
其中，n为预测数据的个数，yj为第j条设备异常发生的真实值，为模型输出的第j条数据的预测异常概率值；
44)使用Adam及反向传播算法使损失函数最小，返回训练好的预测模型，Status(t)为模型输出的在t时刻的状态异常情况，
其中，为t时刻的状态异常预测值，m为设备异常状态下线评分；
当时，模型输出设备状态为异常，当/>时，模型输出设备状态为正常。
有益效果
本发明的基于时序因果关系网络的电网主变设备异常状态预测方法，与现有技术相比基于动态的设备运行、随时间变化的变量间关系的特点，充分探究主变设备异常变量间的因果关系，基于时序因果关系网络的方法来从变量在时间分布上的动态行为中得到更多的隐藏的因果关系，提高主变设备异常预测的可靠性。
本发明利用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，可以扩大模型的感受野，使之能捕获到设备运行数据中非相邻变量之间的相关性特征，设置不同的膨胀系数还可以获取数据的多尺度信息，有利于扩大感受野的同时不损失预测的精度。
本发明的基于时序因果关系网络的设备异常预测方法，可以以某一个时间窗口对设备未来的运行异常做出预测。预测的结果可以协助运检部门对可能发生异常的设备进行重点关注与维护，从而减少因设备运行异常带来的损失。
附图说明
图1为本发明的方法顺序图；
图2为本发明所述模型预测的部分设备状态结果对比图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于时序因果关系网络的电网主变设备异常状态预测方法，包括以下步骤：
第一步，主变设备运行数据获取和预处理：获取主变设备运行数据，其包括主变设备运行时的外部数据及传感器采集的数据，并进行数据纠错预处理。
第二步，主变设备数据集的构建：基于预处理后的主变设备运行数据，构建带有时序特征的变量和目标变量的二维矩阵数据集，作为主变设备数据集。
表1获取的主变设备状态预测用到的变量数据表
(1)主变设备运行数据的获取包括设备ID、设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、天气温度、天气描述、状态评价结果、负荷程度指标、铁芯接地电流指标、油色谱指标，是否发生异常数据作为预测目标数据。
(2)对预处理的主变设备运行数据进行向量化处理，其中，数值型数据直接使用，文本变量采用TF-IDF表示法进行数值化后使用，对日期型数据计算其与投入运行时间月份的差值后使用。
(3)将向量化处理后的数据融合到统一的结构化数据中，构建带有时序特征的变量和目标变量的二维矩阵数据集，其中每一行代表某一时间的多维变量和目标变量、每一列代表一个变量序列。
(4)对于未发生异常的时间段，以月度为时间窗口在二维矩阵中填补一行，其中，变量数据为月度监测数据的平均值，目标变量为未发生异常。
第三步，构建电网主变设备异常状态检测模型：基于因果卷积网络构建电网主变设备异常状态检测模型。构建基于时序因果关系网络的主变设备异常预测模型(电网主变设备异常状态检测模型)，应用膨胀因果卷积来提升长时间跨度记忆单元处理效率，实现设备异常变量参数高效特征提取。随着卷积核或扩张系数的增加来堆叠多个扩张卷积使得网络获得更大的感受野，使之能捕获到设备运行数据中非相邻变量之间的相关性特征，设置不同的膨胀系数还可以获取数据的多尺度信息，有利于扩大感受野的同时不损失预测的精度。
构建电网主变设备异常状态检测模型包括以下步骤：
(1)基于因果卷积网络设定电网主变设备异常状态检测模型，
设定因果卷积网络的输入为主变设备运行的二维矩阵数据，经因果膨胀卷积结构构建的编码器网络后，输出为迭代至t时刻的扩大历史信息的捕捉视野后的因果关系特征映射层。
(2)对于输入的某一条设备运行变量X＝(x1，x2，...xT)的时间序列，Y＝(y1，y2，...yT)为设备状态值，使用t时刻之前的x1，x2，...xt-1以及之前的设备状态y1，y2，...yt-1数据输入，构建网络层之间的因果关系；
yt＝C_Net(x1，x2，...xt，y1，y2，...yt-1)，
其中C_Net为因果卷积网络。
(3)使用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，
对于输入的某一个数据特征变量s(s∈(1，2，...N)，N为特征变量总数)，时间长度为T的设备运行时序数据，经过网络层中卷积核大小为k，膨胀系数为d的卷积滤波作用之后，得到s的特征映射层T(s)，T(s)的计算由特征序列元素s与卷积滤波f：{0，1，...，k-1}进行膨胀卷积运算，计算公式为：
其中，X为输入的长时间序列，s表示输入的时间序列中的不同运行数据特征变量，Fd为膨胀系数d的卷积滤波函数，s-d.i表示与卷积核中元素对应的序列。
(4)设置不同的膨胀系数获取数据的多尺度信息，膨胀系数d随网络深度呈现指数增加，对于第m层网络：d＝2m-1。
(5)对N个特征变量进行(3)的步骤，时间长度为T的设备运行时序数据构成的T×N的矩阵，得到输出T为N个特征映射层，即编码器网络的输出：N个变量之间的因果关系特征。
第四步，电网主变设备异常状态检测模型的训练：将主变设备数据集输入电网主变设备异常状态检测模型进行训练。为了解决经过多层卷积操作后设备状态信息存在失真的问题，引入残差块使得网络能够跨层传输原始数据的依赖信息表达，此外，添加ReLU激活函数来更好地提取非线性特征，添加Dropout层防止模型过拟合。
(1)将除去当前时刻目标变量的主变设备运行的二维矩阵数据输入构建电网主变设备异常状态检测模型步骤中的编码器网络，得到N个变量之间的因果关系特征。
(2)设定电网主变设备异常状态训练模型，采用结合残差块的时间卷积网络TCN，输出设备在某时刻发生异常的预测概率；
A1)设定TCN的卷积层使用因果膨胀卷积结构；
A2)设定TCN的残差块，内设置两层卷积和ReLU非线性函数，且卷积核的权重都经过权重归一化，残差块内的每个卷积后都添加Dropout以实现正则化。
(3)TCN对(1)步产生的因果关系特征进行回归预测得到预测值，预测值和设备异常发生的真实值进行比对；
采用有监督的方式进行模型训练，训练过程中误差损失衰减趋于平稳作为模型训练停止的标志，误差损失L的计算采用均方误差，其表达式如下：
其中，n为预测数据的个数，yj为第j条设备异常发生的真实值，为模型输出的第j条数据的预测异常概率值。
(4)使用Adam及反向传播算法使损失函数最小，返回训练好的预测模型，Status(t)为模型输出的在t时刻的状态异常情况，
其中，为t时刻的状态异常预测值，m为设备异常状态下线评分；
当时，模型输出设备状态为异常，当/>时，模型输出设备状态为正常。
第五步，主变设备运行实时数据的获取：获取主变设备运行时的外部实时数据及传感器采集的实时数据。
第六步，电网主变设备异常状态的预测：将主变设备运行实时数据输入训练后的电网主变设备异常状态检测模型，获得电网主变设备异常状态预测结果。
如图2所示，为本发明所述模型预测的部分设备状态结果。预测设备在未来的一定时间内是否发生缺陷，这对变电站设备的管理和维护、以及提高变电站***可靠性具有重要的意义。
为了对比不同的方法进行设备异常预测的效果。实验分别采用了逻辑回归方法、决策树方法、随机森林方法以及本发明方法进行设备状态预测。实验使用80％的数据集作为训练集，剩余20％的数据集作为测试集，且所有方法采用的训练集、测试集一致。不同方法的准确率、召回率、F1-score的对比结果如表2所示。
表2本发明所述方法与其他方法对比
方法 准确率 召回率 F1-score
逻辑回归 0.85 0.44 0.58
决策树 0.89 0.63 0.73
随机森林 0.9 0.48 0.63
本发明所述方法 0.93 0.62 0.74
通过对比可以看出，本发明所述方法在准确率和F1-score上均取得了最好的结果，召回率上也仅比最好的0.63小了0.01。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于时序因果关系网络的电网主变设备异常状态预测方法，其特征在于，包括以下步骤：
11)主变设备运行数据获取和预处理：获取主变设备运行数据，其包括主变设备运行时的外部数据及传感器采集的数据，并进行数据纠错预处理；
12)主变设备数据集的构建：基于预处理后的主变设备运行数据，构建带有时序特征的变量和目标变量的二维矩阵数据集，作为主变设备数据集；
13)构建电网主变设备异常状态检测模型：基于因果卷积网络构建电网主变设备异常状态检测模型；
14)电网主变设备异常状态检测模型的训练：将主变设备数据集输入电网主变设备异常状态检测模型进行训练；
15)主变设备运行实时数据的获取：获取主变设备运行时的外部实时数据及传感器采集的实时数据；
16)电网主变设备异常状态的预测：将主变设备运行实时数据输入训练后的电网主变设备异常状态检测模型，获得电网主变设备异常状态预测结果。
2.根据权利要求1所述的基于时序因果关系网络的电网主变设备异常状态预测方法，其特征在于，所述主变设备数据集的构建包括以下步骤：
21)主变设备运行数据的获取包括设备ID、设备名称、设备类型、变电站、变电站电压、设备电压、设备型号、生产厂家、生产日期、投运日期、天气温度、天气描述、状态评价结果、负荷程度指标、铁芯接地电流指标、油色谱指标，是否发生异常数据作为预测目标数据；
22)对预处理的主变设备运行数据进行向量化处理，其中，数值型数据直接使用，文本变量采用TF-IDF表示法进行数值化后使用，对日期型数据计算其与投入运行时间月份的差值后使用；
23)将向量化处理后的数据融合到统一的结构化数据中，构建带有时序特征的变量和目标变量的二维矩阵数据集，其中每一行代表某一时间的多维变量和目标变量、每一列代表一个变量序列；
24)对于未发生异常的时间段，以月度为时间窗口在二维矩阵中填补一行，其中，变量数据为月度监测数据的平均值，目标变量为未发生异常。
3.根据权利要求1所述的基于时序因果关系网络的电网主变设备异常状态预测方法，其特征在于，所述构建电网主变设备异常状态检测模型包括以下步骤：
31)基于因果卷积网络设定电网主变设备异常状态检测模型，
设定因果卷积网络的输入为主变设备运行的二维矩阵数据，经因果膨胀卷积结构构建的编码器网络后，输出为迭代至t时刻的扩大历史信息的捕捉视野后的因果关系特征映射层；
32)对于输入的某一条设备运行变量X＝(x1，x2，...xT)的时间序列，Y＝(y1，y2，...yT)为设备状态值，使用t时刻之前的x1，x2，...xt-1以及之前的设备状态y1，y2，...yt-1数据输入，构建网络层之间的因果关系；
yt＝C_Net(x1，x2，...xt，y1，y2，...yt-1)，
其中C_Net为因果卷积网络；
33)使用膨胀卷积与因果卷积结合形成因果膨胀卷积结构，
对于输入的某一个数据特征变量s(s∈(1，2，...N)，N为特征变量总数)，时间长度为T的设备运行时序数据，经过网络层中卷积核大小为k，膨胀系数为d的卷积滤波作用之后，得到s的特征映射层T(s)，T(s)的计算由特征序列元素s与卷积滤波f：{0，1，...，k-1}进行膨胀卷积运算，计算公式为：
其中，X为输入的长时间序列，s表示输入的时间序列中的不同运行数据特征变量，Fd为膨胀系数d的卷积滤波函数，s-d.i表示与卷积核中元素对应的序列；
34)设置不同的膨胀系数获取数据的多尺度信息，膨胀系数d随网络深度呈现指数增加，对于第m层网络：d＝2m-1；
35)对N个特征变量进行33)的步骤，时间长度为T的设备运行时序数据构成的T×N的矩阵，得到输出T为N个特征映射层，即编码器网络的输出：N个变量之间的因果关系特征。
4.根据权利要求1所述的基于时序因果关系网络的电网主变设备异常状态预测方法，其特征在于，所述电网主变设备异常状态检测模型的训练包括以下步骤：
41)将除去当前时刻目标变量的主变设备运行的二维矩阵数据输入构建电网主变设备异常状态检测模型步骤中的编码器网络，得到N个变量之间的因果关系特征；
42)设定电网主变设备异常状态训练模型，采用结合残差块的时间卷积网络TCN，输出设备在某时刻发生异常的预测概率；
421)设定TCN的卷积层使用因果膨胀卷积结构；
422)设定TCN的残差块，内设置两层卷积和ReLU非线性函数，且卷积核的权重都经过权重归一化，残差块内的每个卷积后都添加Dropout以实现正则化；
43)TCN对41)步产生的因果关系特征进行回归预测得到预测值，预测值和设备异常发生的真实值进行比对；
采用有监督的方式进行模型训练，训练过程中误差损失衰减趋于平稳作为模型训练停止的标志，误差损失L的计算采用均方误差，其表达式如下：
其中，n为预测数据的个数，yj为第j条设备异常发生的真实值，为模型输出的第j条数据的预测异常概率值；
44)使用Adam及反向传播算法使损失函数最小，返回训练好的预测模型，Status(t)为模型输出的在t时刻的状态异常情况，
其中，为t时刻的状态异常预测值，m为设备异常状态下线评分；当/>时，模型输出设备状态为异常，当/>时，模型输出设备状态为正常。
CN202311017786.3A 2023-08-14 2023-08-14 基于时序因果关系网络的电网主变设备异常状态预测方法 Pending CN117034169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311017786.3A CN117034169A (zh) 2023-08-14 2023-08-14 基于时序因果关系网络的电网主变设备异常状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311017786.3A CN117034169A (zh) 2023-08-14 2023-08-14 基于时序因果关系网络的电网主变设备异常状态预测方法

Publications (1)

Publication Number Publication Date
CN117034169A true CN117034169A (zh) 2023-11-10

Family

ID=88627628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311017786.3A Pending CN117034169A (zh) 2023-08-14 2023-08-14 基于时序因果关系网络的电网主变设备异常状态预测方法

Country Status (1)

Country Link
CN (1) CN117034169A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117472898A (zh) * 2023-12-26 2024-01-30 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117472898A (zh) * 2023-12-26 2024-01-30 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及***
CN117472898B (zh) * 2023-12-26 2024-04-02 国网江西省电力有限公司电力科学研究院 一种基于融合的配电网异常数据纠错方法及***

Similar Documents

Publication Publication Date Title
Ma et al. Deep-convolution-based LSTM network for remaining useful life prediction
CN109726524B (zh) 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
Qian et al. Integrated data‐driven<? show [AQ ID= Q1]?> model‐based approach to condition monitoring of the wind turbine gearbox
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及***
Zhang et al. Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism
Yan et al. Big-data-driven based intelligent prognostics scheme in industry 4.0 environment
CN113570138A (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN117034169A (zh) 基于时序因果关系网络的电网主变设备异常状态预测方法
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
Zhu et al. Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery
Gong et al. Remaining useful life prediction based on multisensor fusion and attention TCN-BiGRU model
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
Huang et al. Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine
Shi et al. Research on the Initial Fault Prediction Method of Rolling Bearings Based on DCAE‐TCN Transfer Learning
Wang et al. Evaluation and Prediction Method of Rolling Bearing Performance Degradation Based on Attention‐LSTM
Wang et al. Wind turbine fault detection and identification through self-attention-based mechanism embedded with a multivariable query pattern
Mateus et al. Improved GRU prediction of paper pulp press variables using different pre-processing methods
Jiang et al. Measurement of health evolution tendency for aircraft engine using a data-driven method based on multi-scale series reconstruction and adaptive hybrid model
Wu et al. Real-time monitoring and diagnosis scheme for IoT-enabled devices using multivariate SPC techniques
Wu et al. Intelligent fault diagnosis of rolling bearings based on clustering algorithm of fast search and find of density peaks
Rivas et al. A component diagnostic and prognostic framework for pump bearings based on deep learning with data augmentation
CN117744859A (zh) 基于自适应双控制策略的风电机组发电机故障预警方法
Jiang et al. Multistep degradation tendency prediction for aircraft engines based on CEEMDAN permutation entropy and improved Grey–Markov model
Xu et al. A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination