[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

说明书

本发明公开了一种基于互重构单类自编码器的电力设备故障监测方法。本发明实现如下：对采集的正常运行的电力设备的磁场信息进行预处理后得到训练数据样本集；以训练数据样本集作为输入，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；使用正则化最小二乘单分类损失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；对于一个新采集到的电力设备的磁场信息数据，通过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故障等异常情况。本发明利用单类分类器技术实现异常检测，更加贴合本发明针对的目标。且提高电力设备故障异常监测的准确率。

技术领域

本发明涉及电磁感应、故障检测的技术领域，特别涉及一种基于互重构单类自编码器的电力设备故障监测方法。

背景技术

通过对电力设备在运转时产生的磁场进行监测，来判断电力设备是否发生故障或者异常，是目前最常用的方法之一。在现有技术中，主要通过两种方式对电力设备进行检测：1)通过比较大型的分析仪或者检测设备进行分析判断；2)根据技术人员的经验进行判断。然而，第1种方式对于设备要求较高，且仅在拆装上就要耗费大量的人力物力。第2种方式对专业经验要求较高，且存在明显的人员短缺，工作效率低，发生问题是无法第一时间进行排查，造成一定程度上的损失。

发明内容

本发明的目的是解决现有技术中存在的问题，提出一种基于互重构单类自编码器的电力设备故障监测方法，利用单类分类器技术实现异常检测。

所述方法包括以下步骤：

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、降噪等预处理，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故障等异常情况。

优选地，所述步骤3中互重构单类随机自编码器WSI-GAE的结构如附图1所示，通过按照某一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)，并且在模型训练过程中保持不变。然后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。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: