[发明专利]一种基于互重构单类自编码器的电力设备故障监测方法

权利要求书

1.一种基于互重构单类自编码器的电力设备故障监测方法，其特征在于利用单类分类器技术实现异常检测，具体包括以下步骤：

步骤1：采集正常运行的电力设备的磁场信息作为训练的数据样本集；

步骤2：对采集的数据样本进行分帧加窗、降噪预处理，并得到N个数据样本的训练数据样本集[X]_D×N＝[x₁ … x_N]，其中D是每个数据样本的维数；N是训练数据样本个数；

步骤3：以训练数据样本集X作为输入，训练K个互重构单类随机自编码器WSI-GAE，得到最终的编码结果Y^(K)；

步骤4：使用正则化最小二乘单分类损失RLS-OC进行单分类模型训练，并得到各个训练的数据样本的拟合误差，从由大到小排列的数据样本的拟合误差序列中挑选阈值；

步骤5：对于一个新采集到的电力设备的磁场信息数据，通过相同的预处理步骤后得到训练数据样本x_p，将x_p同时输入K个WSI-GAE进行特征提取，并通过训练好的单分类模型获得拟合误差，将获得的拟合误差与阈值进行比较，当拟合误差大于阈值，即可判定该电力设备存在异常情况；

所述步骤3中互重构单类随机自编码器WSI-GAE，通过按照某种分布随机生成输入权重矩阵[W]_L×D和隐藏层偏置[b]_L×1，其中L是隐藏层神经元数量，并且在WSI-GAE训练过程中保持不变；WSI-GAE最大的特点在于它不仅仅重建输入样本自身，而是重建所有样本，在此过程中获得最优的输出权重[β]_L×D；

所述的互重构单类随机自编码器WSI-GAE具体包括以下步骤：

步骤3.1：随机生成输入权重矩阵W和隐藏层偏置b，并计算隐藏层输出矩阵[H]_N×L＝g(WX+b·1^T)^T，其中1是N维全1向量，g(·)是激活函数，h(x_i)＝h_i＝g(Wx_i+b)^T；

步骤3.2：计算训练数据样本集X的均值向量：

然后计算类内散度:

步骤3.3：构建互重构单类随机自编码器WSI-GAE的损失函数为

其中C是正则化参数；

步骤3.4：采用基于动量的随机梯度下降算法对输出权重β求解；首先给出J(β)的梯度公式为：

其中是一个全1矩阵，D是一个对角矩阵，其对角元素为在具有N_s个样本的小批量下，仅需将H对应的N_s行，以及D和分别对应的N_s行和N_s列挑选出来，带入公式(4)进行计算即可得到

对于第i次迭代，通过下式进行输出权重更新

其中γ是权衡系数，v_i是动量项，α_i指代第i次迭代的学习率；

步骤3.5：根据步骤3.1到步骤3.4，训练得到第一个互重构单类随机自编码器WSI-GAE的最优输出权重β⁽¹⁾作为编码器，得到编码结果Y⁽¹⁾＝g(β⁽¹⁾X)；然后重新编码结果将Y⁽¹⁾作为输入训练第2个互重构单类随机自编码器WSI-GAE，以此类推得到K个输出权重以及最终的编码特征Y^(K)，其中第k编码特征Y^(k)关系表示为：

Y^(k)＝g(β^(k)Y^(k-1)),k＝1,…,K. (6)。