[发明专利]一种配电主设备分布式状态传感器可靠性评估方法及系统

权利要求书

1.一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，所述评估方法包括以下步骤：

步骤1：建立待评估的配电主设备分布式状态传感器可靠性评估指标体系，所述指标体系包括4个一级指标，以及各一级指标所属的对应二级指标；

其中，一级指标，分别为技术评估指标、装置性效评估指标、安全性评估指标和装置运行情况评估指标；

技术评估指标所属的二级指标包括设备占空比、节点冗余度、采样频率；

装置能效评估指标所属的二级指标包括发送数据包能耗、功率因数、绕组温升；

安全性评估指标所属的二级指标包括漂移偏差故障、信号传输中断概率；

装置运行情况评估指标所属的二级指标包括端到端时延、节点连通概率；

步骤2：采集与步骤1指标体系中每个二级指标相对应的配电主设备分布式状态传感器数据，每一个传感器数据向量的维度与指标体系中二级指标的数量相等；

步骤3：将步骤2采集的传感器数据进行归一化处理，并且分别作为样本数据，并将样本数据分为训练样本、测试样本和评估样本；

步骤4：采用SASTGCN模型，对步骤3所得到的分布式状态传感器数据中的训练样本进行学习，输出为评估值，

其中，SASTGCN为自注意力机制的时空图卷积神经网络；

步骤5：将步骤3中训练样本输入步骤4确定的SASTGCN模型，对SASTGCN模型进行训练，输出评估值，目标函数为

其中，y_i为训练样本数据，y_期待值为训练样本数据期待值，i为训练样本数据的指标，n为训练样本数据总数目；

步骤5.1：将传感器数据定义为无向图G＝(V,E,A)，其中，其中V为|V|＝N个节点的集合；E是一组边，表示节点之间的连通性；A∈R^N×N表示图G的邻接矩阵，R^N×N为N行N列的方矩阵；

步骤5.2：设在图G上的每个节点检测到F个采样频率一致的时间序列数据，即每个节点在每个时间戳都会产生一个长度为F的特征向量，模型输入为X∈R^N×F×T,输出为Y∈R^T，其中N为节点个数，F为节点的特征向量的长度，T为输入的T个时间步，Y为输出的评估值；

步骤5.3：将训练样本输入到SASTGCN模型，网络中的时空自注意力模块使用自注意力机制自适应地捕捉时间和空间维度中节点之间的关联性，使网络将注意力集中在与评估值关联范围在0.5～1的指标对应的传感器数据，为图卷积模块准备数据；

在空间维度上，使用自注意力机制自适应地捕捉传感器数据的内部关联性，空间自注意力矩阵为

其中，为第r个时空块的输入，C_r-1为第r层输入数据的通道数，T_r-1为输入数据的时间维长度，V_S∈R^N×r,B_S∈R^N×N, W₄∈R^r×N为学习参数，r个时空块定义为本模型的超参数，tanh为激活函数；

将空间自注意力矩阵S进行归一化softmax函数的表示形式为

当计算得到的矩阵S′中有设定行数的值相同，最终得到的评估值则不准确，加入了Frobenius范数惩罚项使模型得到的矩阵S′的每一行的值不同；

其中，|| ||_F为矩阵的Frobenius范数，I为单位矩阵；

在时间维度上，由于传感器装置运行时不同时间段的可靠性情况之间存在相关性，不同情况下的相关性也不同，使用自注意力机制来自适应地赋予数据不同的权重：

其中，E为时间自注意力矩阵，为第r个时空块的输入，C_r-1为第r层输入数据的通道数，T_r-1为输入数据的时间维长度，V_e∈R^N×r,b_e∈R^N×N,U₄∈R^r×N为学习参数，r为超参数，tanh为激活函数，E′为E的归一化形式，I为单位矩阵，|| ||_F为Frobenius范数；

步骤5.4：通过公式将空间注意力模块的输出输入到图卷积模块，

其中，g_θ为卷积核，*G表示一个图卷积算子，x为经过自注意力机制处理后的输入数据，L为图的拉普拉斯矩阵，参数θ_k∈R^K为切比雪夫多项式系数，λ_max为拉普拉斯矩阵最大的特征值，I_N为单位矩阵，T_k为契比雪夫多项式，是矩阵对应元素相乘的哈达马积，S′为归一化后的空间自注意力矩阵；

步骤5.5：通过空间维图卷积操作对数据的空间特征进行建模后，再用标准2维卷积通过公式和捕获数据的时间维特征，

其中，为第r+1层卷积的输入数据，Φ是时间维卷积核的参数，r∈{1,...,l}，其中，l是时空卷积层数,C_r为第r+1层网络的输入数据的通道数，T_r为输入数据时间维长度，*表示一个标准的卷积算子，RELU为激活函数；

经过一层时间维卷积之后，节点的信息被该节点相邻时间片信息更新，而节点及其相邻时间片信息在经过图卷积操作后已包含其相邻节点同时刻的信息；因此，通过一层时空卷积操作之后，就会捕获到数据的时间维和空间维特征以及时空相关性；

步骤5.6：重复步骤5.3、5.4、5.5，时空自注意力模块和时空卷积模块构成了一个总的时空块，设定数目的时空块叠加，进一步提取数据更大范围的动态时空关联性；

步骤5.7：最终的全连接层使用RELU作为激活函数；

步骤5.8：重复步骤5.6、5.7，通过迭代训练不断更新模型参数，直到损失函数即均方差小于0.0001，停止训练；

步骤6：将步骤3中测试样本输入到步骤5中完成训练的SASTGCN模型进行测试，输出为评估值；

步骤7：对步骤6所得的SASTGCN模型测试结果进行评估，将步骤3中归一化处理后的评估样本的传感器数据作为该评估模型可靠性的测试数据，当测试可靠性的均方差大于设定阈值时，则将SASTGCN模型重新返回步骤5进行训练，当测试可靠性的均方差小于设定阈值时，停止训练，训练结束后的SASTGCN模型作为传感器可靠性评估模型。