[发明专利]一种基于循环神经网络的GIS故障预测方法

说明书

本发明涉及一种基于循环神经网络的GIS故障预测方法。包括数据处理模块和循环神经网络识别模块。数据处理模块中，先对所采集的较长一段时间的GIS历史参数数据进行处理，再使用数学函数赋值的方法来构造待训练循环神经模型的训练与测试样本。在循环神经网络识别模块中，首先构建循环神经模型结构，接着使用循环神经模型进行异常点检测，为样本数据贴上标签，再使用确定标签后的样本数据对循环神经模型进行训练，调整模型参数，将修正后的循环神经模型作为GIS故障预测模型；最后输入测试数据，预测输出GIS未来可能发生故障的概率与故障类型。

技术领域

本发明涉及一种循环神经网络的GIS故障预测方法，属于预装式变电站技术领域。

背景技术

近年来，伴随着电压等级的提高与用电量的上升，人民对于供电可靠性的要求有进一步的提高。气体绝缘开关柜GIS(Gas Insulated Switchgear)因其占地面积小、可靠性高及抗震能力强等特点在配电环节中占据着重要的一个环节。一旦GIS发生故障，将会导致大规模的电网瘫痪，给国民的日常生活与必要的工业生产造成重大影响。故障GIS的维修不仅需要停电检修并拆除外部壳体进行维修，还会花费较长的维修时间，将会给国民经济进一步造成重大的损失。及时进行故障预测可以有效对GIS故障进行排查，在GIS故障危及电网前把危险解除。在此情况下，如何能够在GIS设备故障发生前进行故障预测成为了配电安全的需求。在GIS故障发生前迅速、准确地对故障类型及发生概率进行判断对于减少停电时间，提高维修效率和设备利用率具有至关重要的意义。

与传统建模或少量数据的训练不同，深度学习能通过大量数据的训练来挖掘和学习数据内部的复杂结构，即特征提取。具体应用可以抽象为将原始数据、信号作为低层次的特征送入神经网络，把人们想要得到的信息作为高层表示的过程。深度学习的主要结构包含卷积神经网络(CNN)、深度置信网络(DBN)及循环神经网络(RNN)等。与CNN通过滑动窗口保留部分历史输入不同，本文采用的循环神经网络(RNN)能保留所有的历史输入，通过抽象历史输入之间的关联，具有很高的分类准确性。并且，RNN网络通用性好，对各种输入信号有着良好的识别效果，在解决时间序列相关的问题上得到了广泛的应用。目前RNN网络已被成功应用于自然语言处理、计算机视觉、疾病预测等领域中，取得了良好的效果。故障预测与语言处理和疾病预测相似，各种设备的传感器信号大多为时间序列，当前时刻的信号与历史数据有不可分割的联系，因此使用RNN网络恰好能够满足故障预测的需求。

发明内容

本发明技术解决问题：针对现有GIS故障预测技术的缺失，提出一种基于循环神经网络的GIS故障预测方法，填补现有技术的空缺。

本发明技术解决方案：一种基于循环神经网络的GIS故障预测方法，包括数据处理模块与循环神经网络识别模块。在数据处理模块中使用数学函数赋值的方法建立训练样本，在循环神经网络识别模块中，首先构建循环神经模型结构，接着使用循环神经模型进行异常点检测，为训练样本数据贴上标签，再使用数据处理模块构建的训练样本对循环神经模型进行训练，调整模型参数，确定GIS故障预测模型。最后将数据输入循环神经模型对GIS进行故障预测。具体包括以下步骤：

1)采集GIS传感器上较长时间内的振动、气压、电流三种信号的数据，作为历史数据；

2)在数据处理模块中，使用数学函数赋值的方法建立训练与测试样本矩阵；

3)在循环神经网络识别模块中，首先确定循环神经模型结构，再使用循环神经模型进行异常点检测，为样本数据贴上标签，接着输入训练样本来调整模型参数，最后对循环神经模型输入测试数据，得出预测结果。

上述步骤1)中，收集GIS传感器较长一段时间，即183天及以上的GIS振动、气压及电流数据进行汇总。

上述步骤2)中的数据处理模块，包括以下步骤：

21)对提取的振动、气压及电流信号的历史数据以天为单位进行采样；