本發(fā)明屬于電力系統(tǒng)故障診斷領(lǐng)域，涉及深度學(xué)習(xí)技術(shù)，具體是基于lstm與注意力機(jī)制的架空線故障診斷系統(tǒng)。

背景技術(shù)：

1、架空線是電力傳輸系統(tǒng)中重要的組成部分，負(fù)責(zé)將電能從發(fā)電廠輸送至各個(gè)用戶。然而，由于自然環(huán)境的影響，例如風(fēng)雨、雷電、冰凍等，和長期運(yùn)行導(dǎo)致的老化，架空線容易發(fā)生故障，如斷線、短路、接觸不良等，不僅會(huì)影響電力的正常供應(yīng)，還可能造成嚴(yán)重的經(jīng)濟(jì)損失和安全隱患。

2、傳統(tǒng)的架空線故障診斷方法多依賴于人工巡檢和專家經(jīng)驗(yàn)，不僅效率低下，還難以覆蓋所有潛在的故障點(diǎn)。局部放電模式是中壓絕緣架空線早期故障的關(guān)鍵預(yù)警信號(hào)。通過對原始信號(hào)中的局部放電信息進(jìn)行精確的模式識(shí)別和特征提取，可以更有效的支持架空線的早期故障診斷工作。然而在信號(hào)的實(shí)際采集過程中，尤其是在噪聲脈沖的干擾下，觀測數(shù)據(jù)的質(zhì)量往往會(huì)受到影響。因此當(dāng)前的方法通常采用設(shè)置閾值的方式來過濾噪聲脈沖，容易導(dǎo)致噪聲過濾不徹底，甚至?xí)l(fā)誤判。此外，現(xiàn)有方法對脈沖序列數(shù)據(jù)的特征提取不夠充分，未能完全揭示出信號(hào)中的故障特征，進(jìn)一步影響了故障診斷的精確度和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一；為此，本發(fā)明提出了基于lstm與注意力機(jī)制的架空線故障診斷系統(tǒng)，用于解決現(xiàn)有方法中對脈沖序列數(shù)據(jù)的特征提取不充分，導(dǎo)致故障診斷精度不高的技術(shù)問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了基于lstm與注意力機(jī)制的架空線故障診斷系統(tǒng)，包括：信號(hào)采集與預(yù)處理模塊、特征提取模塊、故障診斷模塊以及預(yù)警輸出模塊；

3、所述信號(hào)采集與預(yù)處理模塊，用于在采樣點(diǎn)采集真實(shí)環(huán)境中的信號(hào)數(shù)據(jù)，對所述信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理操作，得到預(yù)處理的局部放電脈沖信號(hào)；其中，每一個(gè)信號(hào)數(shù)據(jù)都包含了一個(gè)信號(hào)id；

4、所述特征提取模塊：用于將所述預(yù)處理的局部放電脈沖信號(hào)按照時(shí)間順序排序成脈沖序列數(shù)據(jù)，并對所述脈沖序列數(shù)據(jù)進(jìn)行特征選擇與計(jì)算，得到信號(hào)特征值集；

5、所述故障診斷模塊：用于將所述信號(hào)特征值集輸入至預(yù)訓(xùn)練的故障診斷模型，輸出診斷結(jié)果；其中，診斷結(jié)果包括正?；蚬收希还收显\斷模型基于lstm與注意力機(jī)制構(gòu)建；

6、所述預(yù)警輸出模塊：用于根據(jù)所述診斷結(jié)果啟動(dòng)預(yù)警功能，并輸出診斷結(jié)果為故障的信號(hào)對應(yīng)的信號(hào)id。

7、基于上述技術(shù)方案，通過信號(hào)采集與預(yù)處理模塊，能夠從復(fù)雜環(huán)境中準(zhǔn)確采集局部放電脈沖信號(hào)，并對其進(jìn)行有效的數(shù)據(jù)預(yù)處理，去除了噪聲和無關(guān)信息，保留了對故障診斷至關(guān)重要的信號(hào)特征；基于常用的特征選擇，設(shè)計(jì)了新的特征組合，提高了信號(hào)特征的表征能力；利用基于lstm與注意力機(jī)制的預(yù)訓(xùn)練模型對輸入數(shù)據(jù)進(jìn)行故障診斷，有效地捕捉了時(shí)序數(shù)據(jù)的長期依賴關(guān)系，并自適應(yīng)調(diào)整特征的重要性，能夠提供更加精確的故障診斷結(jié)果；最后通過預(yù)警輸出模塊根據(jù)實(shí)時(shí)診斷結(jié)果啟動(dòng)預(yù)警，并根據(jù)信號(hào)id實(shí)現(xiàn)故障的實(shí)時(shí)定位，幫助運(yùn)維人員可以迅速響應(yīng)并進(jìn)行必要的維護(hù)工作。

8、進(jìn)一步的，對所述信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理操作，包括以下步驟：

9、第一步，通過離散傅里葉變換對信號(hào)數(shù)據(jù)進(jìn)行相位校正；

10、第二步，利用savitzky-golay濾波器擬合出信號(hào)數(shù)據(jù)中的低頻信號(hào)，從相位校正后的信號(hào)數(shù)據(jù)中剔除低頻信號(hào)；

11、第三步，通過soft閾值函數(shù)的sureshrink閾值小波對剔除低頻信號(hào)后的信號(hào)數(shù)據(jù)進(jìn)行去噪；

12、第四步，根據(jù)預(yù)設(shè)閾值以及預(yù)設(shè)的最小距離，采用固定振幅閾值的方式，將去噪后的信號(hào)數(shù)據(jù)中所有幅值與振幅高于預(yù)設(shè)閾值且彼此距離大于最小距離的點(diǎn)標(biāo)記峰值信號(hào)，并進(jìn)一步設(shè)置約束條件，約束脈沖峰值對之間的最大距離、相鄰峰值之間的高度差、峰值最大幅值以及最大峰值數(shù)量，將不滿足約束條件的峰值標(biāo)記為錯(cuò)誤峰值，將錯(cuò)誤峰值從峰值信號(hào)中篩除，得到預(yù)處理的局部放電脈沖信號(hào)。

13、通過相位校正以及小波閾值去噪的方式分別對信號(hào)數(shù)據(jù)中的三相信號(hào)進(jìn)行處理，減少干擾；為了提取出局部放電信號(hào)，對信號(hào)數(shù)據(jù)進(jìn)行進(jìn)一步的信號(hào)去趨勢、脈沖檢測以及錯(cuò)誤脈沖的篩除，有效地消除了外部干擾和背景噪聲，提高了信號(hào)質(zhì)量，為后續(xù)精確的特征提取和故障診斷打下了基礎(chǔ)。

14、進(jìn)一步的，所述信號(hào)特征值集包括：近似熵、卡茨分形維數(shù)、分形維數(shù)、均值、標(biāo)準(zhǔn)差、浮動(dòng)上限、浮動(dòng)下限、區(qū)塊振幅、排列奇異熵指數(shù)、樣本彼特熵指數(shù)、均值標(biāo)準(zhǔn)差比以及七個(gè)百分位數(shù)；

15、需要說明的是，其中，近似熵、卡茨分形維數(shù)、分形維數(shù)、均值、標(biāo)準(zhǔn)差、浮動(dòng)上限、浮動(dòng)下限、區(qū)塊振幅可通過python編程軟件對所述脈沖序列數(shù)據(jù)進(jìn)行計(jì)算得到。

16、進(jìn)一步的，所述排列奇異熵指數(shù)的獲取方式包括：

17、a1，數(shù)據(jù)分割：對脈沖序列數(shù)據(jù)進(jìn)行分割，得到不同長度的子序列；

18、a2，計(jì)算排列熵：通過公式pe＝-∑pilog2(pi)計(jì)算得到脈沖序列數(shù)據(jù)的排列熵pe，其中pi是第i個(gè)子序列出現(xiàn)的概率，n是子序列數(shù)量；

19、a3，計(jì)算奇異熵：通過公式計(jì)算得到脈沖序列數(shù)據(jù)的奇異熵se，其中fi是第i個(gè)子序列出現(xiàn)的頻率，n是子序列數(shù)量；

20、a4，計(jì)算排列奇異熵指數(shù)：通過公式計(jì)算得到排列奇異熵指數(shù)pesi。

21、需要說明的是，在本發(fā)明中排列奇異熵指數(shù)作為故障診斷模型的輸入特征之一，不僅包含了信號(hào)的隨機(jī)性和結(jié)構(gòu)信息，還反映了信號(hào)在不同操作條件下的穩(wěn)定性和動(dòng)態(tài)變化，能夠更全面地描述信號(hào)的特性。

22、進(jìn)一步的，所述樣本彼特熵的獲取方式包括：

23、b1，數(shù)據(jù)分割：對脈沖序列數(shù)據(jù)進(jìn)行分割，得到不同長度的子序列；

24、b2，計(jì)算樣本熵：通過公式計(jì)算得到脈沖序列數(shù)據(jù)的樣本熵sampen，其中c是連續(xù)兩個(gè)相同長度子序列的匹配數(shù)目，u是連續(xù)兩個(gè)不同長度子序列的匹配數(shù)目，m是延遲時(shí)間或相似度閾值；

25、b3，計(jì)算彼特羅西安分形維數(shù)：通過公式計(jì)算得到脈沖序列數(shù)據(jù)的彼特羅西安分形維數(shù)dp，其中σ表示覆蓋信號(hào)的最小正方形的面積，c表示包含該正方形的最小矩形的數(shù)量；

26、b4，計(jì)算樣本彼特熵：通過公式計(jì)算得到樣本彼特熵spei；

27、需要說明的是，在本發(fā)明中樣本彼特熵作為故障診斷模型的輸入特征之一，能夠綜合評估時(shí)間序列數(shù)據(jù)的復(fù)雜性和不規(guī)則性，描述時(shí)間序列在時(shí)間維度上的粗糙度，有助于捕捉信號(hào)變化，識(shí)別出正常運(yùn)行狀態(tài)與故障狀態(tài)之間的差異。

28、進(jìn)一步的，所述均值標(biāo)準(zhǔn)差比的獲取方式包括：

29、c1，計(jì)算均值和標(biāo)準(zhǔn)差：通過公式和計(jì)算得到脈沖序列數(shù)據(jù)的均值μ和標(biāo)準(zhǔn)差σ，其中xi(i＝1,2,....n)表示一組脈沖序列數(shù)據(jù)，n表示數(shù)據(jù)點(diǎn)的總數(shù)；

30、c2，計(jì)算均值標(biāo)準(zhǔn)差比：通過公式計(jì)算得到脈沖序列數(shù)據(jù)的均值標(biāo)準(zhǔn)差msdr；

31、需要說明的是，在本發(fā)明中均值標(biāo)準(zhǔn)差比作為故障診斷模型的輸入特征之一，能夠反映單個(gè)數(shù)據(jù)點(diǎn)相對于數(shù)據(jù)集平均水平的偏離程度，提高模型處理異常信號(hào)數(shù)據(jù)的穩(wěn)定性。

32、進(jìn)一步的，所述七個(gè)百分位數(shù)，通過分別提取以上數(shù)據(jù)中處于最大值與最小值之間在0％、1％、25％、50％、75％、99％、100％七個(gè)位置上的數(shù)值得到。

33、通過計(jì)算近似熵、卡茨分形維數(shù)、區(qū)塊振幅等特征值，能夠細(xì)致地分析脈沖序列的復(fù)雜性；并且引入排列奇異熵指數(shù)、樣本彼特熵指數(shù)以及計(jì)算均值標(biāo)準(zhǔn)差比，能夠通過多維度的綜合分析來揭示信號(hào)的本質(zhì)特性，幫助故障診斷模型更深入的分析數(shù)據(jù)特征，增強(qiáng)了模型對異常信號(hào)的判斷能力。

34、進(jìn)一步的，所述預(yù)訓(xùn)練的故障診斷模型基于深度學(xué)習(xí)構(gòu)建，包括以下步驟：

35、d1，模型構(gòu)建：基于lstm網(wǎng)絡(luò)結(jié)構(gòu)與注意力機(jī)制，構(gòu)建故障診斷模型；

36、d2，數(shù)據(jù)預(yù)處理：對開源數(shù)據(jù)集中的若干信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理操作，得到預(yù)處理后的信號(hào)數(shù)據(jù)；

37、d3，特征工程和特征提取：將所述預(yù)處理后的信號(hào)數(shù)據(jù)按照時(shí)間順序排序成脈沖序列數(shù)據(jù)，并對所述脈沖序列數(shù)據(jù)分為若干組，對每組進(jìn)行特征選擇與計(jì)算，得到特征值集；

38、d4，模型訓(xùn)練：將所述特征值集按照5-fold交叉驗(yàn)證法劃分成訓(xùn)練集和驗(yàn)證集，輸入至故障診斷模型進(jìn)行訓(xùn)練與驗(yàn)證，得到預(yù)訓(xùn)練的故障診斷模型。

39、需要說明的是，d2中的預(yù)處理操作與信號(hào)采集與預(yù)處理模塊的預(yù)處理操作相同；d3中的特征選擇與計(jì)算與特征提取模塊中的操作相同。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過信號(hào)采集與預(yù)處理模塊，能夠?qū)膹?fù)雜環(huán)境中采集到的信號(hào)數(shù)據(jù)進(jìn)行有效的數(shù)據(jù)預(yù)處理，減少了背景噪音以及其他脈沖信號(hào)的干擾，保留了重要的信號(hào)特征；基于常用的特征選擇方法，設(shè)計(jì)了新的特征組合方案，包括排列奇異熵指數(shù)、樣本彼特熵指數(shù)和均值標(biāo)準(zhǔn)差比，增強(qiáng)了模型對信號(hào)異常程度的判斷能力，并通過多維度的綜合分析揭示了信號(hào)的本質(zhì)特性；利用基于lstm網(wǎng)絡(luò)結(jié)構(gòu)與注意力機(jī)制的預(yù)訓(xùn)練模型進(jìn)行故障診斷，有效捕捉時(shí)序數(shù)據(jù)的長期依賴關(guān)系，并自適應(yīng)調(diào)整特征的重要性，提供了更加精確的故障診斷結(jié)果；最后增加了預(yù)警輸出模塊，實(shí)現(xiàn)了及時(shí)的故障報(bào)警，幫助運(yùn)維人員迅速響應(yīng)并進(jìn)行必要的維護(hù)工作。