[发明专利]考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统

权利要求书

1.一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其特征在于，包括步骤：

(1)采集电力设备的PRPS图谱数据并对其进行预处理；

(2)基于经过预处理的PRPS图谱数据提取局部放电特征；

(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值P(D_k)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在D_k的条件下发生故障的概率P(F|D_k)；

(4)基于下述公式获得电力设备的最终故障概率P(F)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n；P(D_k)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，D_k表示n类绝缘缺陷；P(F|D_k)表示长短时记忆神经网络输出的电力设备在D_k条件下发生故障的概率。

2.如权利要求1所述的电力设备故障概率预测方法，其特征在于，在步骤(1)中，所述预处理至少包括对PRPS图谱数据进行线性归一化。

3.如权利要求1所述的电力设备故障概率预测方法，其特征在于，采用无监督网络模型自编码器提取局部放电特征。

4.如权利要求1所述的电力设备故障概率预测方法，其特征在于，所述电力设备至少包括GIS设备，并且GIS设备的绝缘缺陷类型数量n＝4。

5.如权利要求1所述的电力设备故障概率预测方法，其特征在于，所述卷积神经网络包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。

6.如权利要求5所述的电力设备故障概率预测方法，其特征在于，对卷积神经网络进行训练包括：采集训练样本集数据进行训练，采用交叉熵代价函数，利用随机梯度下降法更新模型参数；通过反向传播算法进行有监督微调，优化模型参数；其中激活函数采用不饱和非线性函数；所述输出分类层采用Softmax分类器。

7.如权利要求1所述的电力设备故障概率预测方法，其特征在于，对长短时记忆神经网络进行训练包括：采集训练样本集数据进行训练，利用反向传播算法进行微调，优化模型参数。

8.一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测系统，其特征在于，包括：

数据采集装置，其采集电力设备的PRPS图谱数据并对其进行预处理；

无监督网络模型自编码器，其基于经过预处理的PRPS图谱数据提取局部放电特征；

故障概率预测模块，其包括卷积神经网络模块、长短时记忆神经网络模块和故障概率输出模块，其中卷积神经网络模块接收输入的局部放电特征，输出电力设备具有某类绝缘缺陷的概率值P(D_k)；长短时记忆神经网络模块接收输入局部放电特征，输出电力设备在D_k的条件下发生故障的概率P(F|D_k)；所述故障概率模块基于下述公式输出电力设备的最终故障概率P(F)：

其中，n表示电力设备的绝缘缺陷类型数量，k＝1,2,3……n；P(D_k)表示卷积神经网络输出的电力设备为某类绝缘缺陷的概率值，D_k表示n类绝缘缺陷；P(F|D_k)表示长短时记忆神经网络输出的电力设备在D_k条件下发生故障的概率。

9.如权利要求8所述的电力设备故障概率预测系统，其特征在于，所述电力设备至少包括GIS设备，并且GIS设备的绝缘缺陷类型数量n＝4。

10.如权利要求8所述的电力设备故障概率预测系统，其特征在于，所述卷积神经网络模块包括1个输入层、4个卷积层、4个池化层、1个全连接层和1个输出分类层。