基于ISTOA-CNN的HVDC系统故障诊断方法及系统与流程

基于istoa-cnn的hvdc系统故障诊断方法及系统
技术领域
1.本技术涉及电力系统故障诊断技术领域，特别涉及一种基于istoa-cnn的hvdc系统故障诊断方法及系统。


背景技术：

2.随着hvdc工程在我国电网中所占比重不断增加，保证hvdc系统安全稳定运行愈发重要。高压直流输电保护系统负责快速检测故障，确保直流输电工程的安全稳定运行。高压直流技术拥有高效的传输效率，因此提高hvdc系统的可靠性、稳定性和安全性，具有重要的社会经济意义。
3.世界各地的研究人员已经对hvdc系统故障诊断有了很多优秀的策略。采用支持向量机可以实现非线性分类和回归，已经在一些数据建模领域得到应用。近年来，基于知识图谱的电力系统故障诊断方法不断地被提出，在电力系统的故障诊断中产生了积极影响。通过结合数据库技术以及数据挖掘方法，可以发掘出数据之间的联系和规律，从而提升了故障诊断的各项性能。从各种途径收集的故障数据中抽取的关键知识要素，通过标准化的表示方式和各种关系能够有效地整合，从而不断地拓展领域知识的范围，并且还能够为知识的智能应用和可视化展示提供基础元素。目前，上述技术发展中存在的问题是精确度较低，数据隐藏信息利用不到位，在一定程度上无法保证了电力系统安全稳定运行。


技术实现要素：

4.本发明提供了一种基于istoa-cnn的hvdc系统故障诊断方法及系统，引入了改进乌燕鸥优化算法(improved sooty tern optimization algorithm，istoa)对cnn进行参数智能寻优，从而解决cnn模型参数选择误差对分类效果有较大影响的问题。该方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降。
5.第一方面，本发明中所述的基于istoa-cnn的hvdc系统故障诊断方法，用于对高压直流输电系统故障进行诊断，所述方法，包括：
6.s1：利用小波变化提取故障样本集信号特征；
7.s2：搭建cnn模型；
8.s3：引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；
9.s4：对高压直流输电系统各种故障类型进行标签，获得故障样本集；
10.s5：将所述故障样本集划分为训练集和测试集，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；
11.s6：所述基于ihba-tcn的hvdc系统故障诊断模型用于对高压直流输电系统进行故障诊断。
12.本发明利用小波变化提取故障样本集信号特征；搭建cnn模型，实现hvdc故障数据
集分类；同时，为了减少cnn参数选择存在误差从而影响cnn分类精度，引入istoa对cnn进行参数智能寻优；最后将hvdc系统故障样本集划分为训练集和测试集，并对istoa-cnn进行训练，得出故障识别精度。本发明所述故障诊断方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降，为hvdc系统故障诊断提供了一种新的工具。
13.在一些实现方式中，所述步骤s1利用小波变化提取故障样本集信号特征，具体包括：
14.对故障信号进行小波变换，令
15.若a、b不断变化，则得到与之对应的一簇ψ(a,b)(t)；
16.定义高压直流输电系统的故障波形信号x(t)∈l2(r)的小波变换为：
[0017][0018]
将a、b离散化，计算得hvdc系统故障波形信号x(t)的离散小波变化为：
[0019]
(dw
ψ
f)(j,k)＝《f(t),ψ
(j,k)
(t)》；
[0020]
式中：a和b是离散化的常数，且a＞0；t是离散化的时间变量；ψ(t)是小波函数；l2(r)是指故障波形信号x(t)所属的函数空间；j是指....；k是指....；f(t)是指....；dw
ψ
f是指....。
[0021]
在一些实现方式中，所述步骤s2搭建cnn模型，具体包括：
[0022]
所述cnn模型由卷积层、采样层和全连接层组成；其中，
[0023]
所述卷积层的输出为：
[0024]
所述采样层的输出为：
[0025]
将所述卷积层和采样层的输出整理成为x＝{x1,x2,...,xn}∈rn作为全连接层的输入，所述全连接层的输出为：y＝f(w1x+b1)；
[0026]
所述y∈rm
×
1，且作为所述cnn模型输出层的输入，采用softmax回归函数作为激活函数，获得所述输出层的输出结果为：z＝s(w2y+b2)；
[0027]
其中，所述softmax回归函数为
[0028]
上式中，mj表示选择的上一层输出组合：klij表示第i个输入和第j个输出之间所用的卷积核；bj表示第j个输出所对应的偏置；f为激活函数；down()表示降采样函数，β表示权重；w1∈rm
×
n、b1∈rm
×
1分别为输入层到隐藏层的权重和偏置；w2∈rk
×
n、b2∈rk
×
1分别为输入层到隐藏层的权重和偏置；sj表示分类类别为第j中的概率；aj表示全连接层输出的第j个结果。
[0029]
所述步骤s3引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，具体包括：
[0030]
s31：初始化所述cnn模型的变量参数sa；
[0031]
s32：根据改进乌燕鸥优化算法获得初始种群；
[0032]
s33：对所述变量参数sa进行改进，获得改后的目标函数值；
[0033]
s34：通过迁徙和攻击以更新乌燕鸥个体的位置信息；
[0034]
s35：根据所述个体的位置信息重新计算目标函数适应度值，保留最优个体；根据
所述最优个体获得优化后的istoa-cnn模型。
[0035]
在一些实现方式中，所述步骤s5中获得最终基于ihba-tcn的hvdc系统故障诊断模型，具体的实现过程包括：
[0036]
s51：通过所述训练集对所述istoa-cnn模型进行训练，达到最大迭代次数时输出改进乌燕鸥优化算法的全局最优cnn模型参数；
[0037]
s52：采用所述全局最优cnn模型参数建立识别模型，并通过测试集进行高压直流输电系统运行状态辨识，直至达到预设故障识别精度，输出最优参数结果；
[0038]
s53：将所述最优参数结果作为最终基于ihba-tcn的hvdc系统故障诊断模型参数；
[0039]
所述最优参数结果至少包括乌燕鸥种群、迭代次数，设置cnn学习率、丢弃率、隐藏层权值和偏置。
[0040]
针对cnn参数选择误差对分类效果有较大影响的问题，本发明引入了istoa对cnn进行参数智能寻优。该方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降。
[0041]
第二方面，本发明还提供一种基于istoa-cnn的hvdc系统故障诊断方法的诊断系统，所述诊断系统至少包括：
[0042]
数据处理单元，利用小波变化提取故障样本集的信号特征，对高压直流输电系统各种故障类型进行标签，并将所述故障样本集划分为训练集和测试集；
[0043]
第一优化单元，引入改进乌燕鸥优化算法对cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；
[0044]
第二优化单元，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；
[0045]
故障诊断单元，采用所述基于ihba-tcn的hvdc系统故障诊断模型对高压直流输电系统进行故障诊断。
[0046]
第三方面，本发明还提供一种故障诊断模型，所述故障诊断模型用于对高压直流输电系统进行故障诊断；所述故障诊断模型为如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0047]
第四方面，本发明还提供一种高压直流输电系统故障诊断方法，包括以下步骤：
[0048]
步骤1：采集多个电力设备终端的数据信息，提取所述数据信息中的故障样本；
[0049]
步骤2：将所述故障样本输入至基于ihba-tcn的hvdc系统故障诊断模型中，通过所述基于ihba-tcn的hvdc系统故障诊断模型计算得各个所述电力设备终端的故障类型；
[0050]
步骤3：将所述故障样本保存至数据训练集中，以用于对所述基于ihba-tcn的hvdc系统故障诊断模型的优化训练；
[0051]
所述基于ihba-tcn的hvdc系统故障诊断模型采用如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0052]
第五方面，本发明还提供一种故障诊断设备，所述故障诊断设备至少包括：
[0053]
与高压直流输电系统中的多个电力设备终端通讯连接的数据采集模块；
[0054]
与所述数据采集模块连接的第一处理单元，所述第一处理单元用于对所述采集模块发来的数据信息提取所述数据信息中的故障样本，并将所述故障样本划分为训练集和测
试集，并存储至存储单元；
[0055]
以及数据处理单元，调用所述存储单元中的数据以完成数据处理模型的实时优化，并响应于上位机发来的诊断指令，对所述电力设备终端进行故障诊断。
[0056]
其中，所述数据处理单元，还包括：
[0057]
当接收到上位机发来的诊断指令时，获取所述数据采集模块端一预设时间段内人实时数据信息，并将实时数据信息输入至基于ihba-tcn的hvdc系统故障诊断模型中计算得各个所述电力设备终端的故障类型；所述基于ihba-tcn的hvdc系统故障诊断模型采用如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0058]
与现有技术相比，本发明技术方案的有益效果是：
[0059]
1.本发明引入了改进乌燕鸥优化算法(improved sooty tern optimization algorithm，istoa)对cnn进行参数智能寻优，来提升cnn对hvdc系统的故障辨识准确率。
[0060]
2.本发明引入istoa对cnn进行参数智能寻优，从而减少cnn参数选择存在误差从而影响cnn分类精度的问题。
[0061]
3.本发明中将hvdc系统故障样本集划分为训练集和测试集，并对istoa-cnn进行训练，得出故障识别精度。该方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降。
附图说明
[0062]
图1为本发明所述的基于istoa-cnn的hvdc系统故障诊断方法流程图。
[0063]
图2为图1所述基于istoa-cnn的hvdc系统故障诊断流程图。
[0064]
图3为本发明所述cnn模型示意图。
[0065]
图4为本发明所述的改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优示意图。
[0066]
图5为本发明所述的基于istoa-cnn的hvdc系统故障诊断系统示意图。
[0067]
图6为本发明所述的高压直流输电系统故障诊断方法流程图。
[0068]
图7为本发明所述故障诊断设备示意图。
具体实施方式
[0069]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0070]
实施例一：
[0071]
请参照图1-2，为本技术第一实施例提供的一种基于istoa-cnn的hvdc系统故障诊断方法原理图。
[0072]
具体的，本发明中所述的基于istoa-cnn的hvdc系统故障诊断方法，用于对高压直流输电系统故障进行诊断，所述方法，包括：
[0073]
s1：利用小波变化提取故障样本集信号特征。
[0074]
在一些实现方式中，所述步骤s1利用小波变化提取故障样本集信号特征，具体包括：
[0075]
对故障信号进行小波变换，令
[0076]
若a、b不断变化，则得到与之对应的一簇ψ(a,b)(t)。
[0077]
定义高压直流输电系统的故障波形信号x(t)∈l2(r)的小波变换为：
[0078][0079]
将a、b离散化：选择一组离散的参数a和b，这些参数控制小波函数的扩展和平移。
[0080]
计算得hvdc系统故障波形信号x(t)的离散小波变化为：
[0081]
(dw
ψ
f)(j,k)＝《f(t),ψ
(j,k)
(t)》。
[0082]
式中：a和b是离散化的常数，且a＞0；t是离散化的时间变量；ψ(t)是小波函数；l2(r)是指故障波形信号x(t)所属的函数空间；j是指....；k是指....；f(t)是指....；dw
ψ
f是指....。
[0083]
通过小波变换提取故障样本集信号特征，可以从频域和时域角度分析和描述故障信号的特性。这些特征可以用于故障诊断、分类和分析，辅助于hvdc系统的故障处理和维护。需要说明的是，具体的特征提取和分析方法可以根据实际需求和问题进行选择和实现。
[0084]
s2：搭建cnn模型；
[0085]
在一些实现方式中，所述步骤s2搭建cnn模型，具体包括：
[0086]
请参照图3，所述cnn模型由卷积层、采样层和全连接层组成；其中，
[0087]
所述卷积层的输出为：
[0088]
所述采样层的输出为：
[0089]
将所述卷积层和采样层的输出整理成为x＝{x1,x2,...,xn}∈rn作为全连接层的输入，所述全连接层的输出为：y＝f(w1x+b1)；
[0090]
所述y∈rm
×
1，且作为所述cnn模型输出层的输入，采用softmax回归函数作为激活函数，获得所述输出层的输出结果为：z＝s(w2y+b2)；
[0091]
其中，所述softmax回归函数为
[0092]
上式中，mj表示选择的上一层输出组合：klij表示第i个输入和第j个输出之间所用的卷积核；bj表示第j个输出所对应的偏置；f为激活函数；down()表示降采样函数，β表示权重；w1∈rm
×
n、b1∈rm
×
1分别为输入层到隐藏层的权重和偏置；w2∈rk
×
n、b2∈rk
×
1分别为输入层到隐藏层的权重和偏置；sj表示分类类别为第j中的概率；aj表示全连接层输出的第j个结果。
[0093]
s3：引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；
[0094]
在一些实现方式中，所述步骤s3引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，如图4所示，具体包括：
[0095]
s31：初始化所述cnn模型的变量参数sa；
[0096]
其中，变量参数sa还可以包括卷积核大小、池化操作、神经网络的层数和节点数。
[0097]
s32：根据改进乌燕鸥优化算法获得初始种群；
[0098]
改进乌燕鸥优化算法是一种基于自然界乌燕鸥策略的优化算法，通过模拟鸟群在搜索食物时的行为，通过搜索和更新操作寻找最优解。在这一步骤中，根据算法的设计，生成初始种群。
[0099]
s33：对所述变量参数sa进行改进，获得改后的目标函数值；
[0100]
在这一步骤中，根据算法中所定义的适应度函数或目标函数，对cnn模型的参数进行更新和改变，并计算对应的目标函数值。
[0101]
s34：通过迁徙和攻击以更新乌燕鸥个体的位置信息；
[0102]
其中，改进乌燕鸥优化算法通过模拟乌燕鸥的行为，包括迁徙和攻击等操作，更新个体的位置信息，以达到优化目标的目的。
[0103]
s35：根据所述个体的位置信息重新计算目标函数适应度值，保留最优个体；根据所述最优个体获得优化后的istoa-cnn模型。
[0104]
在这一步骤中，根据迭代更新后的个体位置信息，重新计算目标函数适应度值，并保留最优个体。最终，根据最优个体的参数值，获得优化后的istoa-cnn模型。
[0105]
针对cnn参数选择误差对分类效果有较大影响的问题，本发明引入了istoa对cnn进行参数智能寻优。该方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降。
[0106]
s4：对高压直流输电系统各种故障类型进行标签，获得故障样本集；
[0107]
针对cnn参数选择误差对分类效果的影响，引入istoa对cnn进行参数智能寻优，以提高分类精度和减少误诊率。通过改进乌燕鸥优化算法，能够高效地搜索cnn模型的参数空间，并找到最优个体参数以优化istoa-cnn模型。
[0108]
在一些实现方式中，对hvdc系统故障类型进行标签对应，标签具体如下：表1标签对应表：
[0109]
hvdc系统故障类型标签直流侧输电线路单相故障0电极按地故障1换流变压器故障2直流侧输电线路相间故障3控制器故障4极限性能故障5
[0110]
s5：将所述故障样本集划分为训练集和测试集，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；
[0111]
在一些实现方式中，所述步骤s5中获得最终基于ihba-tcn的hvdc系统故障诊断模型，具体的实现过程包括：
[0112]
s51：通过所述训练集对所述istoa-cnn模型进行训练，达到最大迭代次数时输出改进乌燕鸥优化算法的全局最优cnn模型参数；
[0113]
在这一步骤中，将训练集作为输入，使用istoa-cnn模型进行训练，并在每次迭代中记录损失函数的值。当达到预定的最大迭代次数后，输出改进乌燕鸥优化算法得到的全
局最优cnn模型的参数。
[0114]
s52：采用所述全局最优cnn模型参数建立识别模型，并通过测试集进行高压直流输电系统运行状态辨识，直至达到预设故障识别精度，输出最优参数结果；
[0115]
在这一步骤中，根据全局最优cnn模型的参数，对识别模型进行建立，即基于ihba-tcn的hvdc系统故障诊断模型。然后，使用测试集对该模型进行验证和评估，根据预设的故障识别精度要求，进行迭代训练和参数调整，直至达到预设的精度要求，并输出最优参数结果。
[0116]
s53：将所述最优参数结果作为最终基于ihba-tcn的hvdc系统故障诊断模型参数；
[0117]
在这一步骤中，将获得的最优参数结果作为ihba-tcn模型的参数，形成最终的hvdc系统故障诊断模型。
[0118]
所述最优参数结果至少包括乌燕鸥种群、迭代次数，设置cnn学习率、丢弃率、隐藏层权值和偏置。这些参数对于模型的训练和性能具有重要影响，通过改进乌燕鸥优化算法获得的最优参数结果，可以提高模型的准确度和可靠性，进而提高hvdc系统故障诊断的效果。
[0119]
s6：所述基于ihba-tcn的hvdc系统故障诊断模型用于对高压直流输电系统进行故障诊断。
[0120]
在一些实现方式中，本发明利用小波变化提取故障样本集信号特征；搭建cnn模型，实现hvdc故障数据集分类；同时，为了减少cnn参数选择存在误差从而影响cnn分类精度，引入istoa对cnn进行参数智能寻优；最后将hvdc系统故障样本集划分为训练集和测试集，并对istoa-cnn进行训练，得出故障识别精度。本发明所述故障诊断方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降，为hvdc系统故障诊断提供了一种新的工具。
[0121]
此外，为了更好的说明步骤s3：引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型，优选的实现过程如下：
[0122]
步骤一：迁徙行为(全局搜索)。
[0123]
算法通过模拟乌燕鸥群体的迁徙过程来实现全局搜索，在迁徙阶段需要满足3个条件。
[0124]
(1)避免冲突。
[0125]
为了防止乌燕鸥群体之间出现碰撞，算法采用附加变量sa来计算乌燕鸥的新位置，其公式为：
[0126]cst
＝sa×
p
st
(z)；
[0127]
式中：cst为乌燕鸥不与其他乌燕鸥冲突的迁徙新位置；pst(z)为乌燕鸥当前所在位置；sa为乌燕鸥在给定空间的运动方式。
[0128]
sa＝c
f-(z
×
(cf/m
iteration
))；
[0129]
式中：cf可以调整控制变量sa，它的值从2线性降低至0；z为当前迭代次数；miteration为最大迭代次数。
[0130]
(2)聚集。
[0131]
乌燕鸥个体在移动过程中避免与其他乌燕鸥位置发生冲突以后，会向最佳位置所在的方向进行移动，其公式为：
[0132]mst
＝cb×
(p
bst
(z)-p
st
(z))；
[0133]
式中：mst为最佳位置所在方向；pbst(z)为乌燕鸥最佳位置；cb为使探索更加全面的随机数。
[0134]
cb＝0.5
×rrand
；
[0135]
式中：rrand为[0,1]的随机数。
[0136]
(3)更新。
[0137]
乌燕鸥向着最佳位置所在方向进行移动的轨迹，其公式为
[0138]dst
＝c
st
+m
st
；
[0139]
步骤二：攻击行为(局部搜搜)。
[0140]
乌燕鸥在迁徙过程中依靠翅膀和重量来保持高度，并且可以不断调整攻击角度和速度。在要攻击猎物时，乌燕鸥在空中的盘旋行为可被定义为如下数学模型。
[0141]
x
′
＝r
×
sin(i)；
[0142]y′
＝r
×
cos(i)；
[0143]z′
＝r
×
i；
[0144]
r＝u
×ekv
；
[0145]
式中：r为每个螺旋的半径；i为[0,2π]的随机角度；u和v是螺旋形状的相关常数。根据上述乌燕鸥的攻击位置可得：
[0146]
ps(z)＝(d
st
×
(x
′
+y
′
+z
′
))
×
p
bst
(z)；
[0147]
式中：ps(z)为乌燕鸥的攻击位置。
[0148]
步骤三：改进乌燕鸥算法。
[0149]
变量sa在寻优过程中,起着自适应惯性权重的作用，权重较大时有很好的全局搜索能力，可以加快收敛速度，但难以得到最优解。为了增强局部搜索能力，随着迭代次数增多适当降低权重数值，对变量sa进行改进，如下式所示：
[0150]
sa＝[c
f-(z
×
(cf/m
iteration
))]/ω；
[0151][0152]
实施例二：
[0153]
本发明还提供一种基于istoa-cnn的hvdc系统故障诊断方法的诊断系统，如图5所示，所述诊断系统至少包括：
[0154]
数据处理单元，利用小波变化提取故障样本集的信号特征，对高压直流输电系统各种故障类型进行标签，并将所述故障样本集划分为训练集和测试集；
[0155]
第一优化单元，引入改进乌燕鸥优化算法对cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；
[0156]
第二优化单元，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；
[0157]
故障诊断单元，采用所述基于ihba-tcn的hvdc系统故障诊断模型对高压直流输电
系统进行故障诊断。
[0158]
本发明所述的基于istoa-cnn的hvdc系统故障诊断方法的诊断系统，用于实现对hvdc系统各种故障进行分类。针对卷积神经网络(convolutional neural network,cnn)参数选择误差对分类效果有较大影响的问题，引入了改进乌燕鸥优化算法(improved sooty tern optimization algorithm，istoa)对cnn进行参数智能寻优，来提升cnn对hvdc系统的故障辨识准确率。
[0159]
本方法显著提高了hvdc系统故障诊断的准确精度。首先利用小波变化提取故障样本集信号特征；然后搭建cnn，实现hvdc故障数据集分类；同时，为了减少cnn参数选择存在误差从而影响cnn分类精度，引入istoa对cnn进行参数智能寻优；最后将hvdc系统故障样本集划分为训练集和测试集，并对istoa-cnn进行训练，得出故障识别精度。该方法对hvdc系统各类故障分类正确率高，相较于其他方法，误诊率得到了一定得下降，
[0160]
实施例三：
[0161]
本发明还提供一种故障诊断模型，所述故障诊断模型用于对高压直流输电系统进行故障诊断；所述故障诊断模型为如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0162]
基于ihba-tcn的故障诊断模型经过训练和优化，能够对高压直流输电系统中的故障进行准确的诊断。它利用istoa-cnn模型，并通过乌燕鸥优化算法对其进行参数智能寻优，以获得更好的性能和准确度。该模型使用小波变换提取故障样本集的信号特征，与训练集和测试集一起进行训练和测试，直到达到预设的故障识别精度。通过使用该故障诊断模型，可以有效地对高压直流输电系统中的故障进行准确的诊断，提高系统的可靠性和稳定性。
[0163]
实施例四：
[0164]
本发明还提供一种高压直流输电系统故障诊断方法，如图6所示，包括以下步骤：
[0165]
步骤1：采集多个电力设备终端的数据信息，提取所述数据信息中的故障样本；
[0166]
其中，数据采集过程中，可以通过传感器、监控设备或数据仪表等，采集电力设备终端的数据信息。这些数据可以包括电压、电流、功率、频率、温度、压力等各种参数。将采集到的数据信息进行记录和存储。可以使用数据记录系统、数据库或云平台等方式来保存数据，并确保数据的完整性和可靠性。
[0167]
根据已知的故障情况或专家知识，对采集到的数据进行标记，确定哪些数据样本属于故障样本。可以使用专门的标记工具或软件来进行标记。
[0168]
优选的，特征提取时，可选的利用信号处理技术、统计分析方法或机器学习算法，从数据样本中提取故障特征。常用的方法包括小波变换、频谱分析、时频分析、时域特征提取等。
[0169]
优选的，故障样本集划分，可选的将提取到的故障样本划分为训练集和测试集。通常将大部分样本用于训练模型，少部分样本用于测试模型的准确性和泛化能力。
[0170]
通过采集多个电力设备终端的数据信息，并提取故障样本，以建立一个具有丰富故障数据的样本集，用于训练和测试故障诊断模型。可以有效帮助识别和预测各种故障情况，提高电力系统的安全性和可靠性。
[0171]
步骤2：将所述故障样本输入至基于ihba-tcn的hvdc系统故障诊断模型中，通过所
述基于ihba-tcn的hvdc系统故障诊断模型计算得各个所述电力设备终端的故障类型；
[0172]
在一些实现方式中，对于每个电力设备终端的故障样本，根据模型要求，将其进行预处理和格式转换，以符合模型的输入要求。这可能包括数据归一化、标准化或者其他特定的处理操作。将经过预处理的故障样本输入到基于ihba-tcn的hvdc系统故障诊断模型中。模型使用已经训练好的权重和参数对输入数据进行计算和处理。
[0173]
模型会根据输入的故障样本进行计算，并输出相应的故障类型结果。这些故障类型可能包括过载、短路、接地故障等各种类型。
[0174]
根据模型的输出结果，可以解释每个电力设备终端的故障类型。可以根据预先定义的标签或编码来解读模型输出的结果。
[0175]
通过使用基于ihba-tcn的hvdc系统故障诊断模型，可以对每个电力设备终端的故障类型进行计算和判断。这样可以提供及时的故障诊断，帮助运维人员快速定位和解决问题，确保电力系统的可靠运行。
[0176]
步骤3：将所述故障样本保存至数据训练集中，以用于对所述基于ihba-tcn的hvdc系统故障诊断模型的优化训练；
[0177]
在一些实现方式中，将提取的故障样本保存到一个数据训练集中。确保样本数据的完整性和准确性，可以采用适当的数据格式和存储方式，例如使用csv文件、数据库或专门的数据集管理工具。对保存的故障样本进行必要的数据预处理。这包括数据清洗、特征选择、样本平衡处理等操作，以确保训练集的质量和可用性。使用保存的故障样本训练基于ihba-tcn的hvdc系统故障诊断模型。通过将训练集输入到模型中，进行反向传播、优化参数等步骤来训练模型。在训练过程中，根据模型的性能和指标，对模型进行调整和优化。可以尝试不同的超参数组合、损失函数、优化算法等，以获得更好的性能和准确度。通过使用不同的评估指标，对优化训练后的模型进行验证和测试。可以使用独立的测试集或交叉验证方法来评估模型的性能，并确保其在未见过的数据上的准确性和泛化能力。
[0178]
通过将故障样本保存到数据训练集中，并使用这些数据进行模型的优化训练，可以提高基于ihba-tcn的hvdc系统故障诊断模型的性能和准确度。这样的训练过程可以使模型更好地识别和分类不同类型的故障，从而提高故障诊断的准确性和可靠性。
[0179]
所述基于ihba-tcn的hvdc系统故障诊断模型采用如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0180]
实施例五：
[0181]
本发明还提供一种故障诊断设备，如图7所示，所述故障诊断设备至少包括：
[0182]
与高压直流输电系统中的多个电力设备终端通讯连接的数据采集模块；
[0183]
与所述数据采集模块连接的第一处理单元，所述第一处理单元用于对所述采集模块发来的数据信息提取所述数据信息中的故障样本，并将所述故障样本划分为训练集和测试集，并存储至存储单元；
[0184]
以及数据处理单元，调用所述存储单元中的数据以完成数据处理模型的实时优化，并响应于上位机发来的诊断指令，对所述电力设备终端进行故障诊断。
[0185]
其中，所述数据处理单元，还包括：
[0186]
当接收到上位机发来的诊断指令时，获取所述数据采集模块端一预设时间段内人实时数据信息，并将实时数据信息输入至基于ihba-tcn的hvdc系统故障诊断模型中计算得
各个所述电力设备终端的故障类型；所述基于ihba-tcn的hvdc系统故障诊断模型采用如上所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。
[0187]
在一些实现方式中，故障诊断设备的工作过程如下：
[0188]
步骤1：获取实时数据信息：根据指令，从数据采集模块中获取所需的电力设备终端实时数据信息。这些数据可以包括电压、电流、功率、频率、温度、压力等参数，且时间范围为预设时间段内。
[0189]
步骤2：数据预处理：对获取到的实时数据进行必要的预处理和格式转换，以符合基于ihba-tcn的hvdc系统故障诊断模型的输入要求。这可能包括数据归一化、标准化或其他特定的处理操作。
[0190]
步骤3：输入数据到模型：将经过预处理的实时数据信息输入基于ihba-tcn的hvdc系统故障诊断模型中。模型将使用已经训练好的权重和参数对输入数据进行计算和处理。
[0191]
步骤4：计算故障类型：基于ihba-tcn的hvdc系统故障诊断模型将根据输入的实时数据信息进行计算，并输出各个电力设备终端的故障类型。这些故障类型可能包括过载、短路、接地故障等多种类型。
[0192]
步骤5：计算故障类型：基于ihba-tcn的hvdc系统故障诊断模型将根据输入的实时数据信息进行计算，并输出各个电力设备终端的故障类型。这些故障类型可能包括过载、短路、接地故障等多种类型。
[0193]
基于ihba-tcn的hvdc系统故障诊断模型采用前述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的模型，通过对实时数据信息进行计算，能够准确判断各个电力设备终端的故障类型。这样可以帮助操作人员及时发现和处理故障，保证电力系统的安全和可靠运行。
[0194]
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
[0195]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0196]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
[0197]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例
如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0198]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0199]
虽然对本发明的描述是结合以上具体实施例进行的，但是，熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化是显而易见的。因此，所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。

技术特征：
1.一种基于istoa-cnn的hvdc系统故障诊断方法，用于对高压直流输电系统故障进行诊断，其特征在于，所述方法，包括：s1：利用小波变化提取故障样本集信号特征；s2：搭建cnn模型；s3：引入改进乌燕鸥优化算法对所述cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；s4：对高压直流输电系统各种故障类型进行标签，获得故障样本集；s5：将所述故障样本集划分为训练集和测试集，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；s6：所述基于ihba-tcn的hvdc系统故障诊断模型用于对高压直流输电系统进行故障诊断。2.根据权利要求1所述的基于istoa-cnn的hvdc系统故障诊断方法，其特征在于，所述步骤s1，还包括：对故障信号进行小波变换，令若a、b不断变化，则得到与之对应的一簇ψ
(a,b)
(t)；定义高压直流输电系统的故障波形信号x(t)∈l2(r)的小波变换为：将a、b离散化，计算得hvdc系统故障波形信号x(t)的离散小波变化为：(dw
ψ
f)(j,k)＝<f(t),ψ
(j,k)
(t)>；式中：a和b是离散化的常数，且a＞0；t是离散化的时间变量；ψ(t)是小波函数；l2(r)是指故障波形信号x(t)所属的函数空间；j是指....；k是指....；f(t)是指....；dw
ψ
f是指....。3.根据权利要求2所述的基于istoa-cnn的hvdc系统故障诊断方法，其特征在于，所述步骤s2，还包括：所述cnn模型由卷积层、采样层和全连接层组成；其中，所述卷积层的输出为：所述采样层的输出为：将所述卷积层和采样层的输出整理成为x＝{x1,x2,...,x
n
}∈r
n
作为全连接层的输入，所述全连接层的输出为：y＝f(w1x+b1)；所述y∈r
m
×1，且作为所述cnn模型输出层的输入，采用softmax回归函数作为激活函数，获得所述输出层的输出结果为：z＝s(w2y+b2)；其中，所述softmax回归函数为上式中，m
j
表示选择的上一层输出组合：k
lij
表示第i个输入和第j个输出之间所用的卷积核；b
j
表示第j个输出所对应的偏置；f为激活函数；down()表示降采样函数，β表示权重；w1∈r
m
×
n
、b1∈r
m
×1分别为输入层到隐藏层的权重和偏置；w2∈r
k
×
n
、b2∈r
k
×1分别为输入层到
隐藏层的权重和偏置；s
j
表示分类类别为第j中的概率；a
j
表示全连接层输出的第j个结果。4.根据权利要求3所述的基于istoa-cnn的hvdc系统故障诊断方法，其特征在于，所述步骤s3，还包括：s31：初始化所述cnn模型的变量参数s
a
；s32：根据改进乌燕鸥优化算法获得初始种群；s33：对所述变量参数s
a
进行改进，获得改后的目标函数值；s34：通过迁徙和攻击以更新乌燕鸥个体的位置信息；s35：根据所述个体的位置信息重新计算目标函数适应度值，保留最优个体；根据所述最优个体获得优化后的istoa-cnn模型。5.根据权利要求4所述的基于istoa-cnn的hvdc系统故障诊断方法，其特征在于，所述步骤s5，还包括：s51：通过所述训练集对所述istoa-cnn模型进行训练，达到最大迭代次数时输出改进乌燕鸥优化算法的全局最优cnn模型参数；s52：采用所述全局最优cnn模型参数建立识别模型，并通过测试集进行高压直流输电系统运行状态辨识，直至达到预设故障识别精度，输出最优参数结果；s53：将所述最优参数结果作为最终基于ihba-tcn的hvdc系统故障诊断模型参数；所述最优参数结果至少包括乌燕鸥种群、迭代次数，设置cnn学习率、丢弃率、隐藏层权值和偏置。6.根据权利要求1-5任一所述的基于istoa-cnn的hvdc系统故障诊断方法的诊断系统，其特征在于，所述诊断系统至少包括：数据处理单元，利用小波变化提取故障样本集的信号特征，对高压直流输电系统各种故障类型进行标签，并将所述故障样本集划分为训练集和测试集；第一优化单元，引入改进乌燕鸥优化算法对cnn模型进行参数智能寻优，获得优化后的istoa-cnn模型；第二优化单元，通过所述训练集对所述istoa-cnn模型进行训练，通过所述测试集对所述istoa-cnn模型进行测试直至达到预设故障识别精度，获得最终基于ihba-tcn的hvdc系统故障诊断模型；故障诊断单元，采用所述基于ihba-tcn的hvdc系统故障诊断模型对高压直流输电系统进行故障诊断。7.一种故障诊断模型，其特征在于，所述故障诊断模型用于对高压直流输电系统进行故障诊断；所述故障诊断模型为如权利要求1-5任一所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。8.一种高压直流输电系统故障诊断方法，其特征在于，包括以下步骤：步骤1：采集多个电力设备终端的数据信息，提取所述数据信息中的故障样本；步骤2：将所述故障样本输入至基于ihba-tcn的hvdc系统故障诊断模型中，通过所述基于ihba-tcn的hvdc系统故障诊断模型计算得各个所述电力设备终端的故障类型；步骤3：将所述故障样本保存至数据训练集中，以用于对所述基于ihba-tcn的hvdc系统故障诊断模型的优化训练；所述基于ihba-tcn的hvdc系统故障诊断模型采用如权利利要求1-5任一所述的基于
istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。9.一种故障诊断设备，其特征在于，所述故障诊断设备至少包括：与高压直流输电系统中的多个电力设备终端通讯连接的数据采集模块；与所述数据采集模块连接的第一处理单元，所述第一处理单元用于对所述采集模块发来的数据信息提取所述数据信息中的故障样本，并将所述故障样本划分为训练集和测试集，并存储至存储单元；以及数据处理单元，调用所述存储单元中的数据以完成数据处理模型的实时优化，并响应于上位机发来的诊断指令，对所述电力设备终端进行故障诊断。10.根据权利要求9故障诊断设备，其特征在于，所述数据处理单元，还包括：当接收到上位机发来的诊断指令时，获取所述数据采集模块端一预设时间段内人实时数据信息，并将实时数据信息输入至基于ihba-tcn的hvdc系统故障诊断模型中计算得各个所述电力设备终端的故障类型；所述基于ihba-tcn的hvdc系统故障诊断模型采用如权利利要求1-5任一所述的基于istoa-cnn的hvdc系统故障诊断方法中的基于ihba-tcn的hvdc系统故障诊断模型。

技术总结
本发明提供了一种基于ISTOA-CNN的HVDC系统故障诊断方法及系统，引入改进乌燕鸥优化算法对所述CNN模型进行参数智能寻优，获得优化后的ISTOA-CNN模型；通过训练集对所述ISTOA-CNN模型进行训练，通过测试集对所述ISTOA-CNN模型进行测试直至达到预设故障识别精度，获得最终基于IHBA-TCN的HVDC系统故障诊断模型，用于对高压直流输电系统进行故障诊断，从而解决CNN模型参数选择误差对分类效果有较大影响的问题。本发明引入了改进乌燕鸥优化算法对CNN进行参数智能寻优，来提升CNN对HVDC系统的故障辨识准确率；引入ISTOA对CNN进行参数智能寻优，从而减少CNN参数选择存在误差从而影响CNN分类精度的问题，有效提高了HVDC系统各类故障诊断的准确率。诊断的准确率。诊断的准确率。


技术研发人员：陈潜 武雯阳 李强 彭光强 邵震 王电处 杨光源 肖耀辉 陈礼昕 黄之笛 龚泽 毛炽祖 王晨涛 陈浩
受保护的技术使用者：中国南方电网有限责任公司超高压输电公司大理局
技术研发日：2023.07.17
技术公布日：2023/10/5