[发明专利]基于多源信息融合和深度学习网络的GIS故障检测系统及方法

权利要求书

1.一种基于多源信息融合和深度学习网络的GIS故障检测系统，其特征在于，包括：多源信息采集与调理模块、深度学习模块以及信息融合与故障推理模块，其中：多源信息采集与调理模块分别采用局部放电时间解析方法、局部放电相位解析方法和超高频法对GIS系统进行故障状态监测，将得到的电流、电压和电磁信息中分别提取出对应的特征向量并输出至深度学习模块；深度学习模块基于离线学习优化得到的深度学习网络对三种特征向量进行在线模式识别得到对应的识别结论并输出至信息融合与故障推理模块，信息融合与故障推理模块将三种识别结论融合处理得到故障特征矩阵后通过CLIPS推理机得到故障结论；

所述的CLIPS推理机包括：故障知识库、推理规则库以及推理机，其中：推理规则库包括：GIS系统发生故障的概率、发生故障会引起的后果、处理故障的措施。

2.根据权利要求1所述的系统，其特征是，所述的多源信息采集与调理模块利用多源信号采集方法，监测GIS开关系统的工作状态，并利用信号调理模块、特征提取模块将多源信号采集方法的电流、电压、电磁信号，调理为计算机能够识别的数字信号，并利用特征提取模块进行特征矩阵的提取，该多源信息采集与调理模块包括：多源信号采集单元、信号调理单元和特征提取单元，其中：多源信号采集单元将传感器检测到的电流、电压、电磁信号输出至信号调理单元，信号调理单元利用模拟-数字转换电路转换对应的数字信号并输出至特征提取单元，特征提取单元将三种数字信号进行矩阵的降维处理，得到反映信号主要特征的向量，即特征向量T、特征向量P、特征向量U并输出至深度学习模块。

3.根据权利要求1所述的系统，其特征是，所述的深度学习模块利用多源信息采集方法输入的特征向量，进行深度学习网络的构建、参数调优、输入输出计算操作，最后得出多源信息对应的识别结论；深度学习模块可以根据季节变化、GIS设备的气候特征、GIS的使用周期情况，自动调节系统的参数，使系统达到最优的输出，该深度学习模块中设有深度学习网络，该深度学习网络接收来自多源信息采集与调理模块的特征向量T、特征向量P以及特征向量U，并分别计算出相对应的三种识别结论后输出至信息融合与故障推理模块。

4.根据权利要求1所述的系统，其特征是，所述的深度学习网络采用多层网络结构，包括：输入层、卷积层、降维层、卷积层、降维层、隐含层和输出层，其中：隐含层由若干子层组成，具体数值根据需求来确定；

所述的深度学习网络采用监督学习的方式进行不同层次的、从输入到输出层的逐层训练方式，从而可以进行非线性数据的无限逼近。

5.根据权利要求1所述的系统，其特征是，所述的信息融合与故障推理模块将深度学习网络输出的识别结论进行多信息融合方法的聚合，聚合后的故障信息矩阵输入到故障推理单元中进行最终的推理决策；识别结论主要是：GIS系统在TRPD、PRPD、UHF三种方法监测下，发生故障的概率和故障的特征权值；该信息融合与故障推理模块包括：多融合方法聚合单元和故障推理单元，其中：多融合方法聚合单元将三种识别结论分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合后，再通过模糊融合得到故障特征矩阵后输出至故障推理单元，故障推理单元经过逻辑判断得出最终决策。

6.一种基于权利要求1～5中任一所述系统的GIS故障检测方法，具体包括以下步骤：

步骤1：多元信息采集与调理模块通过TRPD、PRPD、UHF三种测量方法采集故障数据；然后通过信号调理模块将不同的电压、电流、电磁信号统一调制成数字信号；最后通过特征提取模块提取出TRPD、PRPD、UHF测量方法对应的特征向量T、特征向量P和特征向量U；

步骤2：深度学习模块通过深度学习网络来输出三种测量方法对应的识别结论，从不同的侧面来反映故障的信息；

步骤3：信息融合与故障推理模块将三种特征向量进行识别后，分别采用贝叶斯方法的决策级信息融合和DS证据方法的决策级信息融合生成两种融合结论，再将融合的结果输入到CLIPS推理机中，CLIPS推理机根据其中预存的故障知识库以及推理规则来判断当前状态下的最终决策，即故障类型，诊断故障的原因，提供故障的维修方案。