不平衡数据集下海量配电网量测终端故障诊断方法

配电网量测终端设备的大规模接入,往往伴随着突发性、多样性的故障,其故障类型的精准判断对合理的运维检修策略制定与配电系统可靠运行具有重要意义。为此,以量测终端中的智能电表为典型,提出一种基于卷积神经网络-长短时记忆模型的故障分类方法。首先,考虑实际场景中智能电表故障数据不平衡以及存在分类特征的情况,通过K-prototypes算法对少数类故障类别进行聚类,在簇中心附近通过SMOTE-NC过采样技术生成智能电表故障数据;其次,将平衡后的故障数据通过卷积神经网络提取更高层次的特征信息作为长短时记忆网络的输入以实现智能电表的故障分类。最后,基于浙江省各市区智能电表故障分拣数据进行算例分析,结果表明本文所提出方法具有可行性和有效性。     

基于模型自适应选择融合的智能电表故障多分类方法

智能电表故障的准确分类能大幅提高用电采集系统运维能力。融合多个分类模型的机器学习算法是解决该问题的有效手段,但现有方法无法解决输出分别为样本所属各类别概率值和类别标签的两个基分类模型融合问题。提出一种基于模型自适应选择融合的智能电表故障多分类方法。首先,分别取各基分类模型对各类样本分类准确率最大值,将其与阈值系数的乘积作为该类样本准确率阈值,实现阈值自适应调整;然后对各类样本分别计算基分类模型的准确率差值,与阈值进行比较设置样本融合标记;最后根据该标记选择参与融合的基分类模型,结合输出为概率值的基分类模型的Top-N分类标签集,得到模型融合结果。在10组KEEL公共数据集上验证了所提融合方法的有效性,且融合后准确率较基分类模型均有稳定提升,最大提升4.62%;以近年采集的智能电表故障数据为基础,对比实验表明,所提算法能够明显提高故障分类准确率。     

数据不足条件下基于改进自动编码器的变压器故障数据增强方法

变压器发生故障的情况较少,使得基于机器学习的变压器故障诊断方法存在数据不足的问题.为此,提出一种基于改进自动编码器(IAE)的变压器故障数据增强方法.首先,针对传统自动编码器生成的数据有限和缺乏多样性的问题,提出改进的变压器故障数据生成策略.其次,考虑到传统卷积神经网络的池化操作会丢失大量特征信息,构建改进的卷积神经网络(ICNN)作为故障诊断的分类器.最后,通过实际数据验证了所提方法的有效性和适应性.仿真结果表明,相对于随机过采样算法、合成少数类过采样技术及自动编码器等传统的数据增强方法,IAE能同时兼顾数据的分布和多样性特征,生成的变压器故障数据对分类器的性能提升效果最好.和传统分类器相比,ICNN在数据增强前、后都具有更高的故障诊断精度.     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

考虑不平衡案例样本的电力变压器故障诊断方法

针对电力变压器各故障类别间案例数量不平衡导致的神经网络等传统机器学习诊断方法准确率较低,及各故障类型之间识别效果差距大的问题,基于层次分类和集成学习的思想,构造了一种多级层次变压器故障诊断模型。该方法根据每级类别样本的不平衡程度分级建立相应的分类器,逐级深入进行诊断。第1级分类器选取神经网络,提取正常、放电故障和过热故障3种广义特征标签,并与原始参量输入进行特征融合,以引导DL/T722—2014中采用的9种更细致的状态类型分类;第2级分类器采用EasyEnsemble集成学习方法,通过欠采样生成多个数据平衡的训练子集,充分平衡了多数类和少数类故障信息,再通过并行训练子分类器合成最终分类器,避免了欠采样丢失数据信息的问题。实验结果表明:与传统诊断方法相比,所提出的方法提升了少数类故障的泛化特性,使总体准确率提升了7%,具有更准确和更平衡的电力变压器故障诊断效果。     

基于多分类融合模型的智能电能表故障预测北大核心

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究

由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。     

基于深度学习的智能录波器配置数据自动化映射方法

智能变电站配置描述文件中包含大量智能二次设备数据输出接口地址的配置数据集,将这些数据集映射至智能录波器各信息组是保证录波器精准采集设备运行数据的基础性步骤,当前主流映射方法是依照输出接口描述文本人工映射对应的配置数据,二次设备数目繁多时映射工作量大,而描述文本一定程度的不规范性给数据集自动化映射提出了难题。针对这一问题,本文提出了基于深度学习框架—动态卷积神经网络构造的智能录波器配置数据的自动化映射方法;首先利用文本表征模型word2vec对数据集描述文本的稀疏文本向量进行词组语义及关联关系的表征;随后构造动态卷积神经网络并输入文本向量,基于其多层次抽象化学习典型样本特征的特点进行语义规律挖掘与文本分类映射,据此结果实现接口地址配置数据的自动化映射。实际算例表明,基于动态卷积神经网络模型的文本分类方法语义分析能力强,分类精度高,有效提升了智能录波器配置数据自动化映射的准确率。     

基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。     

基于先验知识与DBM采样的类不平衡用电数据分类方法

智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。     

基于CNN的供热管道泄漏识别方法研究

为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络（CNN）识别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数据进行学习及识别。结果发现,在对实验室数据测试中,CNN模型的平均识别正确率达98.39%。在对实际管网的验证中,三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。     

基于变压器声纹Mel语谱图-ResNet的铁心松动故障诊断

为实现变压器铁心松动故障的识别,提出基于变压器声纹的ResNet卷积神经网络（CNN）用作铁心松动故障的识别,分别比较了相同卷积神经网络ResNet在交叉熵损失函数（SE-ResNet-Dense）和特征表达的角度空间中最大化分类界限的加性角度裕度损失函数(SE-ResNet-ArcLoss)不同表现效果。通过变压器空载试验采集变压器铁心在额定预紧力、松动20%、松动40%时的噪声信号,通过离散傅里叶变换将采集的声纹信号生成时频矩阵,并使用Mel滤波器对时频矩阵降维生成尺寸大大缩小的Mel-语谱图。将采集的噪声信号制作成数据集后输入到两种模型中训练,最终测试集在模型SE-ResNet-Dense上的预测结果为90.753%,在模型SE-ResNet-ArcLoss上的预测结果为97.541%。结果验证SE-ResNet-ArcLoss最适用于变压器铁心松动故障识别。     

基于改进卷积双向门控循环网络的轴承故障诊断

针对传统深度学习方法没有充分利用轴承信号的时序特点,以及难以处理动态数据的问题,提出一种基于改进卷积双向门控循环神经网络的轴承故障智能诊断方法。采用卷积神经网络从输入信号中提取代表性特征,引入双向门控循环神经网络挖掘故障数据在时间维度上的语义信息,通过注意力机制自适应地对特征图通道赋予不同权值,从而实现高精度的轴承故障诊断。在公开轴承数据集上进行实验,实验结果表明,该方法能够正确地将轴承故障分类,分类精度可达996%。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.     

一种用于轴承故障诊断的二维卷积神经网络优化方法

轴承智能故障诊断是机械大数据状态监测的热门研究领域,传统的数据驱动故障诊断方法对基于信号处理的特征提取环节极为耗时,并且对专家经验要求高,为消除其带来的参数预定义影响,实现快速特征提取的同时提高识别率,在研究一维卷积神经网络故障诊断方法的基础上,提出一种用于轴承故障诊断的二维卷积神经网络优化方法。该方法引入了一种新的数据预处理方式,将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征,消除手工特征的影响;同时,在验证分类前对实验采集故障数据集添加了降噪处理,并对卷积神经网络梯度下降算法进行参数自适应学习率优化。仿真与实验结果表明,所提出的二维优化卷积神经网络故障诊断方法在选取64×64的信号–图片转换格式下,AMSGrad算法能将故障预测模型的准确度提升至98%,训练速度更快,同时具有更高的分类准确性和抗噪性能,使其在实际转速范围内能达到损失小于5%的识别准确率。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

计及数据类别不平衡的海量用户负荷典型特征高性能提取方法

深度探索用户负荷的用电特性是面向电力大数据趋势下电力市场精细化发展的迫切需求。该文提出一种计及数据类别不平衡的用户负荷典型形态提取模型,适用于电力系统负荷数据量大、缺乏训练标签的情况。首先,通过K-medoids算法将局部数据聚类获取类别标签作为训练集。针对训练集部分类簇数据样本过小,采用基于聚类结果的过采样方法进行类别平衡。负荷数据分类采用基于Spark的分布式神经网络基分类器集成学习方法。最后,通过形态互相关性提取典型负荷形态特征。算例选取模拟日负荷数据和爱尔兰实测负荷数据,对比K-means聚类和K-medoids+串行BPNN分类性能,验证了所提算法的有效性和实用性,同时也证明了该方法对于负荷分类所具有的效率优势。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

高压直流输电线路单端智能故障定位方法

针对当前高压直流输电线路故障定位方法中存在的问题，提出一种基于S变换组合特征能量和改进一维卷积神经网络-门控循环单元混合神经网络模型的单端智能故障定位方法。首先，对直流输电线路故障电压、电流数据分别进行S变换，提取特征频率范围内的能量；然后归一化电压、电流特征能量并构成组合能量特征向量；最后将组合能量特征向量形成的数据集输入改进的一维卷积神经网络-门控循环单元模型进行训练和测试，实现故障定位。结果表明，该模型具有较高的定位精度和较好的鲁棒性。