[发明专利]一种低压集抄故障的检测方法及装置

权利要求书

1.一种低压集抄故障的检测方法，其特征在于，包括：

对集抄系统中的各模块出现的故障，定义对应的模块故障特征向量，根据所述模块的状态对所述模块的故障特征状态量进行赋值后，得到所述集抄系统的故障断面特征向量；

根据所述故障断面特征向量与故障原因的对应关系建立训练集，将所述训练集输入到CAEs模型进行训练，得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型，所述CAEs模型由多个卷积自编器堆叠而成；

将所述训练集故障深层特征向量输入到XGboost进行训练，得到XGboost故障诊断模型；

基于所述CAEs故障深层特征向量提取模型，对所述集抄系统的实时故障断面特征向量进行提取，得到故障深层特征向量；

将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别，输出所述集抄系统的故障原因。

2.根据权利要求1所述的低压集抄故障的检测方法，其特征在于，所述根据所述模块的状态对所述模块的故障特征状态量进行赋值，具体包括：

判断所述模块是否处于正常状态，若是，将所述模块的故障特征状态量赋值为“0”，否则，将所述模块的故障特征状态量赋值为“1”。

3.根据权利要求1所述的低压集抄故障的检测方法，其特征在于，所述将所述训练集输入到CAEs模型进行训练，得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型，具体包括：

将所述训练集输入到CAEs模型进行训练，输出所述训练集故障深层特征向量；

通过随机梯度下降法计算所述CAEs模型的卷积核参数，并根据卷积核参数更新方程对卷积核参数进行更新，当获得最优卷积核参数时，得到所述CAEs故障深层特征向量提取模型。

4.根据权利要求1所述的低压集抄故障的检测方法，其特征在于，所述将所述训练集故障深层特征向量输入到XGboost进行训练，得到XGboost故障诊断模型，具体包括：

将所述训练集故障深层特征向量输入到XGboost进行训练，并通过启发式加法训练模型计算所述XGboost的目标函数，当所述目标函数为最小时，得到所述XGboost故障诊断模型。

5.根据权利要求1所述的低压集抄故障的检测方法，其特征在于，所述XGboost故障诊断模型为：

式中，n为树的数目，f_t为函数空间F中的一个函数，为预测值，H_i为输入的第i个数据，F为所有可能的CART集合，T为所述故障深层特征向量，X_obj为目标函数，为训练误差值；Ω(f_t)为正则化惩罚函数。

6.根据权利要求1所述的低压集抄故障的检测方法，其特征在于，所述模块包括：计量主站、集中器、采集器和电能表。

7.一种低压集抄故障的检测装置，其特征在于，包括：

获取单元，用于对集抄系统中的各模块出现的故障，定义对应的模块故障特征向量，根据所述模块的状态对所述模块的故障特征状态量进行赋值后，获得所述集抄系统的故障断面特征向量；

第一训练单元，用于根据所述故障断面特征向量与故障原因的对应关系建立训练集，将所述训练集输入到CAEs模型进行训练，得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型，所述CAEs模型由多个卷积自编器堆叠而成；

第二训练单元，用于将所述训练集故障深层特征向量输入到XGboost进行训练，得到XGboost故障诊断模型；

提取单元，用于基于所述CAEs故障深层特征向量提取模型，对所述集抄系统的实时故障断面特征向量进行提取，得到故障深层特征向量；

检测单元，用于将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别，输出所述集抄系统的故障原因。