[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

说明书

本发明公开了基于集成深度生成模型的变电站设备故障诊断方法，所述方法包括：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；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；训练AMBI‑GAN集成深度生成模型；向训练好的模型输入测试数据，计算模型的总损失L_test；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；本发明的优点在于：充分利用少量的标注数据进一步提升故障诊断性能。

技术领域

本发明涉及变电站设备故障诊断领域，更具体涉及基于集成深度生成模型的变电站设备故障诊断方法。

背景技术

随着变电站建设的发展和完善，对数据处理提出了更高的要求。如何收集具有感知和监控能力的各类数据并进行故障检测是一个关键的研究问题。变电站设备作为变电站的重要组成部分，运行时会产生海量异构电力时序数据，对这些数据进行实时故障检测并分析故障形成的原因，有助于提高特高压设计、建设、运维水平，确保变电站的安全与稳定。

目前行业内已经开展了利用各种深度学习模型来检测电力时间序列数据的异常的研究。这些模型依靠多维网络结构来挖掘时空分布特征。特别是考虑到时间序列的时空特性，一些当前的模型，如隐马尔可夫和局部异常因子已经达到了较高的检测精度。

大多数现有的时间序列异常检测研究都受到电力数据的随机性和复杂性的限制。这些问题可以归纳如下：1、现有方法难以有效提取电力数据的时间信息，限制了数据特征表示的能力。时间关系和特征关系缺乏结合，限制了模型的准确性；2、现有的符号化检测方法，如中国专利公开号CN114218998A，公开的一种基于隐马尔可夫模型的电力系统异常行为分析方法，在符号化之前没有提取特征，因此忽略了数据的有效信息。长符号序列使噪得声影响计算效率，由于电压和电流波动引起的数据噪声，很容易被检测为异常的电力运行样本。这会导致异常检测的性能下降；现有的基于相似度的检测方法，如局部异常因子方法，适用于数据点的聚集程度高、离群点较少的情况。同时，因为相似度算法通常需要对每一个数据分别进行相应计算，所以这类算法通常计算量大，不太适用于数据量大、维度高的电力数据；3、由于电力数据的准确标注需要大量的人工成本，在现实中经常面临标注数据不足的问题。因此，如何充分利用少量的标注数据进一步提升模型性能是异常检测任务的关键问题。

发明内容

本发明所要解决的技术问题在于如何充分利用少量的标注数据进一步提升故障诊断性能。

本发明通过以下技术手段实现解决上述技术问题的：基于集成深度生成模型的变电站设备故障诊断方法，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。

本发明对GAN模型进行了相应的改进，提出了基于双向长短期记忆网络和注意力机制的生成对抗网络集成深度生成模型AMBI-GAN，该模型基于双向长短期记忆网络构建，可以捕获时间序列的依赖性，有效提取电力数据的时间特征，提高模型的准确性，并且基于GAN模型固有性能，能够根据有限的真实电力数据生成大量模拟数据，从而充分利用了少量的标注数据，计算量小，原始的数据量小，人工成本小，且通过训练能够降低噪声对数据的影响，实现了对电力时间序列的异常检测，提高多维时间序列异常的检测精度，进一步提升故障诊断性能。

进一步地，所述步骤一中数据预处理包括：