CN119397404B 基于深度学习网络的电力设备故障检测方法及系统 （国网江西省电力有限公司经济技术研究院）

产业开发区青山湖大道999号1#楼第基于深度学习网络的电力设备故障检测方本发明提供了一种基于深度学习网络的电免通过单一维度的数据进行故障判断造成因数2在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行非线;;在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmax函数;;概率预测值，yeN2表示时间点t的电力设备的实际状态正常，yeF.表示时间点t的电力选取观测时段，以获取电力设备在所述观测时段内的状态参数数据，根据所有时间节点的故障概率预测值获取故障系数;若所述观测时段下的故障系数大于预设故障系数阈值，则判定所述电力设备存在故若所述电力设备存在故障，则将与每一时间节点分别对应的故3基于卷积神经网络在每个时间点的故障概率预测值通过全连接层映射到故障类别参;从同一时间点下的所有故障概率中筛选出最大故障概率，并以与所述最维时间序列；将所述第二多维时间序列输入到记忆模块，经过时间维度的特征提取;通过以下公式计算输入门和当前时间点t的候;;;通过以下公式计算输出门并更新当前时间t;;4通过softmax函数将故障类别参数u转化为不同故;在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行非线;;在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmax函数;;概率预测模块，用于选取观测时段，以获取电力设备在所述观测时故障检测模块，用于根据所有时间节点的故障概率预测值获取故5;若所述观测时段下的故障系数大于预设故障系数阈值，则判定所述电力设备存在故故障类别输出模块，用于若所述电力设备存在故障，则将与每一时故障概率预测值输入到所述故障分类模型中，得到与所述观测时段对应的故障类别集合，并根据所述故障类别集合获取当前时间节点的故障类别；基于卷积神经网络在每个时间点的故障概率预测值通过全连接层映射到故障类别参;从同一时间点下的所有故障概率中筛选出最大故障概率，并以与所述最行时实现如权利要求1_4任一项所述的基于深度学习网络的电力设备故所述处理器用于执行存储器上所存放的计算机程序时，实现如权利要求1_4任一项所6的复杂性和运行环境的多样性使得设备故障的检测[0005]本发明的目的在于提供一种基于深度学习网络的电力设至少一个时间节点的状态参数数据，将所述第一多维时间序列输入至所述深度学习模型，7[0018]f=o(WF·[hr-1,x]+bg)；[0020]it=o(w·[hr-1,x]+by)；[0025]o=o(w·[hr-1,x]+b)；[0026]hr=or*tanh(cp)；[0030]在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行[0031]Z1=w1*hr+b1；8bt为第一层卷积神经网络的可学习参数，z1为第一卷积值，A为输出[0034]在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmaxb2为第二层卷积神经网络的可学习参数，z2为第二卷积值，p据所述故障类别集合获取当前时间节点的故障类别的[0045]基于卷积神经网络在每个时间点的故障概率预测值通过全连接层映射到故障类率对应的故障类别为该时间点的最终故障类9被处理器执行时实现上述的基于深度学习网络的电力设备[0067]图1为本发明一实施例提出的基于深度学习网络的电力设备故障检测方法的流程[0068]图2为本发明一实施例提出的基于深度学习网络的电力设备故障检测系统的结构[0071]如图1所示，本发明一实施例提供一种基于深度学习网络的电力设备故障检测方[0074]f=min1lyr-:l；据对故障预测结果不具备参考价值，得出的概率预测值准确率远远不如在近三个月的取述故障类别集合获取当前时间节点的故障类述第二多维时间序列输入到记忆模块，经过时间维度的特征提取并输出至卷积神经网络[0101]f=o(WF·[hr-1,x]+bg)；[0103]it=o(w·[hr-1,x]+by)；[0108]o=o(w·[hr-1,x]+b)；[0109]hr=or*tanh(cp)；[0111]此外，在故障分类模型的构建中，还需将时间点t的隐藏状态代入卷积神经网络[0112]在第一层卷积神经网络中，采用以下公式对时间点t的隐藏状态进行卷积后进行b1为第一层卷积神经网络的可学习参数，z1为第一卷积值，A为输出[0116]在第二层卷积神经网络中，采用以下公式对输出值进行卷积操作并基于softmax合能够高效以及精确地分析出是否存在故障以及存在的故障类[0122]如图2所示，本发明一实施例还提供一种基于深度学习网络的电力设备故障检测