[发明专利]基于虚实孪生空间的电力设备小样本故障诊断方法及系统

权利要求书

1.一种基于虚实孪生空间的电力设备小样本故障诊断方法，其特征在于，包括：

(1)获取包含电力设备不同故障位置、故障类型及严重程度的测试样本，组成精确实体空间；

(2)搭建待诊断设备的仿真模型，并设置相应的故障类型，对所述仿真模型的参数叠加随机噪声，以利用仿真得到所需数量样本，组成模糊镜像空间；

(3)将所述精确实体空间中的样本划分为训练集和验证集；

(4)将所述精确实体空间中的训练集与所述模糊镜像空间中的样本集进行空间融合，得到虚实孪生空间训练样本集；

其中，步骤(4)包括：

设数据对应的电力设备状态标签为γ，所述精确实体空间中标签为γ的样本记为SR_γ＝{SR_γ1；SR_γ2；SR_γ3；…}，称为所述精确实体空间的子集，所述精确实体空间的子集中共含有NR_γ个样本，NR_γ表示所述精确实体空间中标签为γ的样本的数据量；

所述模糊镜像空间中标签为γ的样本记为SV_γ＝{SV_γ1；SV_γ2；SV_γ3；…}，称为所述模糊镜像空间的子集，所述模糊镜像空间的子集中共含有NV_γ个样本，NV_γ表示所述模糊镜像空间中标签为γ的样本的数量；

对所述精确实体空间的子集及所述模糊镜像空间的子集中的所有样本进行故障特征提取，并用特征提取后的样本数据取代原来的样本数据；

从所述精确实体空间的子集中取一个标签为γ的第一待诊断设备样本数据，从所述模糊镜像空间的子集中取一个标签为γ的第二待诊断设备样本数据，对所述第一待诊断设备样本数据及所述第二待诊断设备样本数据进行融合，以此完成所述精确实体空间的子集中的各样本与所述模糊镜像空间的子集中的各样本的融合，得到虚实孪生空间训练样本集，其中，由S_γ＝α(λ_Rγ)·SR_γ+β(λ_Vγ)·SV_γ进行样本融合，α(λ_Rγ)和β(λ_Vγ)分别代表精确实体空间与模糊镜像空间的γ标签的权重分配矩阵，

(5)将所述虚实孪生空间训练样本集作为所述精确实体空间中的训练集的补充，并以故障类型和故障位置作为诊断标签，输入到深度神经网络中进行训练，并利用训练后的深度神经网络对所述精确实体空间中的验证集进行故障辨识与定位，验证诊断效果。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：

根据待诊断设备的诊断需求和故障特点划分区域，将划分的各区域作为电力设备不同故障位置，并根据所述待诊断设备的故障统计数据规律确定故障类型及严重程度，然后获取包含电力设备不同故障位置、故障类型及严重程度的测试样本，组成精确实体空间。

3.根据权利要求2所述的方法，其特征在于，步骤(2)包括：

在搭建的待诊断设备的仿真模型中，根据步骤(1)中划分的实际故障类型和故障位置设置仿真的故障类型和故障位置，并根据实际故障程度的分布随机设置仿真的严重程度；

然后进行循环仿真，遍历不同故障区域、故障类型和故障程度，从而得到仿真的设备故障样本，由所有仿真得到的故障样本构成模糊镜像空间。

4.根据权利要求1所述的方法，其特征在于，步骤(5)中利用深度神经网络进行故障诊断的方法为：

将深度神经网络最后一个有参数层的输出总数替换为n×m+1，以进行网络训练对故障标签进行分类与识别，实现故障的类型辨识与定位，其中，n为故障类型，m为故障位置。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将新的待诊断数据加入到所述精确实体空间的训练集中，返回执行步骤S4，不断更新网络。