[发明专利]一种基于深度学习的变压设备故障预测方法

权利要求书

1.一种基于深度学习的变压设备故障预测方法，其特征在于，包括如下步骤：

(1)对得到的测试集合进行归一化处理：

首先对一个高低压成套系统的参数进行记录，得到一个输入矩阵和输出矩阵；

然后对这些值进行归一化处理，即利用下列归一化公式将它们变换为0-1之间的数；

y＝(x-min)(max-min)；

其中min是指所要归一化处理的数据集合中最小的数；max是指所要归一化处理的数据集合中最大的数，x是指所要归一化处理的数据，y是指归一化处理后的数据；

(2)创建神经网络的基础模型：

创建一个初始化的神经网络模型，定义它的初始权值和阈值，将每个神经元的权值和阈值设定为随机数，规定其对这个测试集合学习1000次，停止条件为精度小于0.001，学习率为0.01；

(3)进行神经网络的模型训练；

使用MATLAB软件中的train函数进行BP神经网络训练，首先设定好基础模型得到测试数据集合后开始进行计算，依据所设定的参数得到最终训练好的模型；

训练结束后得到相对误差曲线和相应的所有神经元的权值和阈值，根据所得到的权值和阈值得到这个神经网络模型所有的参数；

(4)模型的验证：

在得到了神经网络模型的参数后，对高低压成套设备进行测量，得到测试数据，用来当作测试集合；

使用一个测试集合，向该神经网络模型输入参数，进行预测，并与该测试集合的输出进行比对来确定该神经网络模型是否满足要求，如果满足要求则可以投入使用，如果不满足要求则增加更多的数据进行训练，直到该神经网络模型满足要求；

(5)利用该神经网络模型进行变压设备的故障预测。

2.如权利要求1所述的一种基于深度学习的变压设备故障预测方法，其特征在于：步骤(1)中具体是对高低压成套设备的401个参数进行50次记录，并且根据它们所导致的故障程度进行整理，得到一个401*50的输入矩阵和1*50的输出矩阵，它们分别代表了这401个参数50次变化对应的电气故障值。