[发明专利]基于集成深度生成模型的变电站设备故障诊断方法

权利要求书

1.基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述方法包括：

步骤一：采集变电站设备运行数据，进行数据预处理，构建样本训练数据集和随机潜在数据集；

步骤二：构建基于双向长短期记忆网络和注意力机制的AMBI-GAN集成深度生成模型；

步骤三：训练AMBI-GAN集成深度生成模型；

步骤四：向训练好的模型输入测试数据，计算模型的总损失L_test；

步骤五：通过1-L_test得到鉴别分数，鉴别分数超过预设值则判断异常。

2.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤一中数据预处理包括：

将输入数据分为样本训练数据集和随机潜在数据集，样本训练数据集中的所有数据都是正常的，随机潜在数据集中存在异常数据，使用长度为n的滑动时间窗将所有数据划分为若干个等长的子序列。

3.根据权利要求1所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤二包括：

步骤2.1、构建Bi-LSTM结构；

步骤2.2、在Bi-LSTM结构加入注意力机制得到AMBi-LSTM结构；

步骤2.3、分别利用AMBi-LSTM结构得到生成器和鉴别器，生成器和鉴别器整体构成AMBI-GAN集成深度生成模型。

4.根据权利要求3所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.1包括：

构建双向LSTM网络作为Bi-LSTM结构，其中，双向LSTM网络的输入为X＝{x₁，...x_n}，x_n表示第n个时刻的输入，所述Bi-LSTM结构的隐藏层状态为

其中，LSTM^backward为后向LSTM，LSTM^forward为前向LSTM，x_t表示第t个时刻的输入，表示第t+1时刻后向LSTM的隐藏状态，表示第t-1时刻前向LSTM的隐藏状态；

n个时刻的隐藏层状态输出为

5.根据权利要求4所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤2.2包括：

通过公式设置Bi-LSTM结构的输入权重，从而在Bi-LSTM结构加入注意力机制得到AMBi-LSTM结构；其中，w_i表示第i个时刻Bi-LSTM结构的权重参数，softmax为归一化函数，Bi-LSTM(X，H)表示Bi-LSTM结构的输出；

AMBi-LSTM结构的输出为

其中，表示第i个时刻输入矩阵的转置，表示第i个时刻隐藏状态矩阵的转置。

6.根据权利要求5所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤三包括：

步骤3.1、生成器的输入为随机潜在数据集，计算生成器的数据分布均值；

步骤3.2、设计鉴别器的鉴别模型；

步骤3.3、根据鉴别模型设置目标函数，不断调整网络的权重参数和数据分布均值，使生成器的输出样本的均值与样本训练数据集的均值不断接近，使目标函数迭代达到纳什均衡，则停止训练。

7.根据权利要求6所述的基于集成深度生成模型的变电站设备故障诊断方法，其特征在于，所述步骤3.1包括：

生成器的输入样本z＝{z₁，...z_n}为随机潜在数据集中的数据序列，生成器的输出样本的均值为

其中，z_i为输入到生成器中的第i个数据，p(·)为输出的概率密度函数，log(·)为对数函数。