[发明专利]一种气体绝缘组合电器设备故障定位方法

权利要求书

1.一种气体绝缘组合电器设备故障定位方法，它包括：

步骤1、对GIS设备进行故障分区，分为10个故障区域；

步骤2、将不同故障区域的气体数据按滑动时间窗口进行处理，时间步长20s；

步骤3、将滑动处理好的不同故障区域气体数据按80％和20％的比例划分为训练集和测试集；

步骤4、确定神经网络初始参数；

步骤5、搭建CNN-LSTM神经网络模型；

步骤6、将训练集数据预处理后送入CNN-LSTM神经网络模型中训练，通过激活函数激活神经网络内部参数；

步骤7、通过误差反向传播计算神经网络内部参数的梯度值；

步骤8、通过优化算法更新神经网络参数，反复迭代直到损失函数降到设定值，结束神经网络模型训练；

步骤9、按照均方误差和分类准确率指标，通过训练集数量的改变和测试集的测试确定CNN-LSTM模型的精度；

步骤10、通过采集各个故障区域内的气体数据输入训练好的神经网络模型进行故障定位。

2.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：

步骤1所述10个故障区域的划分方法为：采用Spacecliam方法将GIS设备划分为10个故障区域；划分方法为：依据距离设备取气口的远近来划分，区域1距离取气口最近，区域10距离取气口最远。

3.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：步骤4所述确定神经网络初始参数为：卷积核的类型为1d，大小为20，池化层的池化方式为最大池化，神经元个数为100。

4.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：步骤5所述搭建CNN-LSTM神经网络模型的方法为：采用CNN模型提取数据的隐含特征，LSTM模型解释CNN提取出的隐含特征的方式构建CNN-LSTM混合神经网络预测模型；

CNN-LSTM混合神经网络预测模型的输入是经过滑动时间窗口处理的故障特征组份气体数据，CNN-LSTM混合神经网络预测模型的前半部分是CNN网络层，用于对故障特征组份气体数据的空间特征提取，卷积层用来提取特征，在CNN-LSTM混合神经网络预测模型的卷积层之后添加池化层，池化层用来降维减小卷积核的尺寸，同时保留相应特征；CNN-LSTM混合神经网络预测模型的后半部分LSTM模型，用于提取故障特征组份气体数据的时间特征；首先对CNN处理的数据进行维度的变化，输入到LSTM层，最后CNN-LSTM的输出通过全连接层来产生最终的输出。

5.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：将训练集数据预处理的方法为：采用最大最小法对数据进行归一化处理，公式为：

x_k＝(x_k-x_min)/(x_max-x_min)

式中：x_min为数据序列中的最小值；x_max为数据序列中的最大值。

6.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：激活函数为relu函数。

7.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：优化算法采用Nadam。

8.根据权利要求1所述的一种气体绝缘组合电器设备故障定位方法，其特征在于：迭代次数的确定方法为：令学习率随网络迭代次数发生变化；变化规律为：每迭代10次，网络的学习率减小为原来的0.94；建立迭代次数与网络准确率之间的关系曲线；通过迭代次数与网络准确率之间的关系曲线确定迭代次数为900次。