[发明专利]换流阀故障诊断模型的构建方法、装置和计算机设备

权利要求书

1.一种换流阀故障诊断模型的构建方法，其特征在于，所述方法包括：

获取换流阀的训练数据集；

确定卷积门控递归神经网络的超参数，并基于所述超参数构建相应的卷积门控递归神经网络；

通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络；

获取所述训练后的卷积门控递归神经网络的适应度，并判断所述适应度是否达到适应度阈值；所述适应度用于表征所述训练后的卷积门控递归神经网络对所述换流阀的故障诊断准确性；

若所述适应度未达到所述适应度阈值，则通过增强粒子群优化算法对所述超参数进行优化，得到新的超参数，并返回所述基于所述超参数构建相应的卷积门控递归神经网络的步骤；

若所述适应度达到所述适应度阈值，则将所述训练后的卷积门控递归神经网络，作为换流阀故障诊断模型；

其中，对所述超参数的优化包括初始化所述增强粒子群优化算法中的卷积门控递归神经网络结构、初始位置、初始速度、惯性权值和学习参数；其中，惯性权值通过非线性调整算法确定，确定方式如下述关系式所示：

w=a×exp（bk²）×rand（0,1）

b=1/（K²-1）ln（w_max/w_min）

a=w_maxexp（-b）

其中，w 表示惯性权值，a 和b表示调节系数，k 表示当前的迭代次数，K表示最大迭代次数，w_max、w_min分别表示惯性权值的上限和下限。

2.根据权利要求1所述的方法，其特征在于，所述获取换流阀的训练数据集，包括：

构建所述换流阀的数字孪生模型；

获取所述数字孪生模型的模拟运行数据和所述换流阀的历史故障数据，得到样本数据集；

从所述样本数据集中选取多组样本数据，形成训练数据集。

3.根据权利要求2所述的方法，其特征在于，所述获取所述数字孪生模型的模拟运行数据，包括：

获取所述数字孪生模型在预设的多种故障类型下的模拟运行数据，作为故障运行数据，以及获取所述数字孪生模型在正常工作状态下的模拟运行数据，作为正常运行数据；

根据所述故障运行数据和所述正常运行数据，组成所述数字孪生模型的模拟运行数据。

4.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，包括：

通过所述训练数据集对所述卷积门控递归神经网络进行训练，当训练结果满足训练终止条件时，得到所述卷积门控递归神经网络的模型参数；

基于所述模型参数，得到训练后的卷积门控递归神经网络。

5.根据权利要求1所述的方法，其特征在于，所述通过所述训练数据集对所述卷积门控递归神经网络进行训练，得到训练后的卷积门控递归神经网络，包括：

将所述训练数据集分为多个批次，并将所述训练数据集随机打乱；

根据打乱处理后的训练数据集对所述卷积门控递归神经网络进行训练，得到所述训练后的卷积门控递归神经网络。