[发明专利]基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法

摘要

本发明公开了一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，涉及电力计量故障诊断技术领域。所述基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，通过深度学习中的深度置信网络模型对计量自动化终端采集的故障数据进行特征提取，并利用支持向量数据描述进行故障诊断和分类；其深度置信网络模型可直接从低层的原始信号出发，通过逐层贪心训练得到高层特征表示，避免特征提取与选择的人工操作，有效地消除传统人工特征提取与选择特征所带来的复杂性和不确定性，增强诊断过程的智能性；本发明使用支持向量数据描述对样本进行分类识别，有效提高计量自动化终端故障诊断的多类分类问题的准确率与效率。

主权项

1.一种基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法，其特征在于，包括以下几个步骤：步骤(1)：样本数据的采集；分批次采集计量自动化终端的电压数据、电流数据、本地通信模块读写数据流、远程通信模块数据流以及开关量输入输出状态数据，每批次的采样点数保持一致；对采集到的数据进行归一化预处理后，将其划分为故障训练样本和故障测试样本；步骤(2)：DBN模型的建立；建立一个多隐含层的DBN模型，根据所述步骤(1)故障训练样本和故障测试样本的样本维数确定DBN模型的输入层节点数，采用故障训练样本对DBN模型进行无监督训练；根据计量自动化终端的故障类型确定DBN模型的输出层节点数，采用无监督逐层贪心训练方法得到DBN模型的连接权值和偏置参数；对连接权值进行调优，得到各类故障类型的参考特征；步骤(3)：故障诊断；利用所述步骤(2)的参考特征建立每个故障类型SVDD模型的带宽，并对各故障超球体带宽半径进行加权归一化处理，进而对计量自动化终端的故障类型进行判别，实现计量自动化终端的故障诊断。