本發(fā)明涉及電纜故障診斷，尤其涉及一種融合并行網(wǎng)絡(luò)與注意力機(jī)制的電纜故障邊緣診斷方法。

背景技術(shù)：

1、傳統(tǒng)電纜故障診斷思路是基于主站(或調(diào)度中心)云平臺集中接收電纜運(yùn)行數(shù)據(jù)，然后利用相關(guān)算法模型對所轄電纜進(jìn)行故障診斷，其主要面臨三個(gè)問題，一是海量電纜運(yùn)行數(shù)據(jù)集中到云端處理，時(shí)效性差；二是海量數(shù)據(jù)上傳云端，其數(shù)據(jù)傳輸?shù)陌踩噪y以保障；三是電纜運(yùn)行環(huán)境與工況存在差異，云端處理缺乏針對性。伴隨新型電力系統(tǒng)的構(gòu)建，邊緣計(jì)算、人工智能、5g通信等新技術(shù)的發(fā)展引入，電網(wǎng)邊緣側(cè)電纜故障診斷思路，即通過邊緣計(jì)算與人工智能相結(jié)合的方式，能夠很好解決云端診斷的這些問題。

2、但現(xiàn)有基于人工智能的電纜故障診斷方法目前面臨一個(gè)重要挑戰(zhàn)：模型泛化能力不足。現(xiàn)有基于人工智能的電纜故障診斷模型是靜態(tài)的，其只能診斷訓(xùn)練過程中遇到的故障狀態(tài)，當(dāng)面對因電纜運(yùn)行時(shí)間增加和運(yùn)行環(huán)境變化而新產(chǎn)生的不同特性的故障時(shí)，其無法做出精確診斷，即現(xiàn)有基于人工智能的電纜故障診斷模型無法實(shí)現(xiàn)故障可擴(kuò)展化診斷?，F(xiàn)有基于人工智能的電纜故障診斷模型如果想診斷這些新場景的故障，只能把當(dāng)前訓(xùn)練好的模型舍棄，然后將新的故障數(shù)據(jù)與原有故障數(shù)據(jù)合并，重新訓(xùn)練電纜故障診斷模型部署到邊緣計(jì)算設(shè)備，若邊緣計(jì)算單元內(nèi)存無限大且不考慮數(shù)據(jù)存儲問題，則可以按照上述操作進(jìn)行新故障的診斷，但實(shí)際上邊緣計(jì)算設(shè)備的內(nèi)存容量是有限的，而且若完全舍棄之前耗費(fèi)資源訓(xùn)練的模型，也造成資源的浪費(fèi)。

3、因此，如何在邊緣計(jì)算設(shè)備內(nèi)存有限的情況下，實(shí)現(xiàn)電纜故障可擴(kuò)展化精確診斷成為亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種融合并行網(wǎng)絡(luò)與注意力機(jī)制的電纜故障邊緣診斷方法，包括以下步驟：

2、s1、獲取電纜故障信號；

3、s2、從電纜故障信號中提取特征，構(gòu)造k類故障樣本集；

4、s3、構(gòu)建融合深度卷積神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶網(wǎng)絡(luò)的并行網(wǎng)絡(luò)，并在其中加入相應(yīng)注意力機(jī)制得到電纜故障邊緣診斷模型；

5、s4、利用k類故障樣本集訓(xùn)練電纜故障邊緣診斷模型，并從并行網(wǎng)絡(luò)的全連接層獲取樣本類特征；

6、s5、利用樣本類特征計(jì)算每種故障的類中心，并根據(jù)每種故障樣本的類特征與類中心設(shè)計(jì)故障分類器；

7、s6、利用樣本類特征與故障類中心從已完成訓(xùn)練的舊故障類別樣本中篩選出特征樣本用于構(gòu)建固定容量的聯(lián)合特征集；

8、s7、當(dāng)電纜有t類新故障產(chǎn)生時(shí)，將新故障樣本與聯(lián)合特征集合并，通過知識蒸餾訓(xùn)練電纜故障邊緣診斷模型，得到能夠診斷k+t類故障的電纜故障邊緣診斷模型；

9、s8、利用步驟s7訓(xùn)練得到的模型獲得t類新故障樣本的類特征與類中心，并更新聯(lián)合特征集；

10、s9、重復(fù)步驟s7和s8，直到?jīng)]有新類型故障產(chǎn)生，得到最終電纜故障邊緣診斷模型；

11、s10、將需要診斷故障的電纜信號樣本輸入最終電纜故障邊緣診斷模型得到該樣本的類特征，使用設(shè)計(jì)的故障分類器確定該樣本的電纜故障類別。

12、可選的，所述步驟s1中，從電纜眾多可觀測電氣量中獲取4個(gè)電纜可觀測電氣量，分別為接地線電流、零序電流和ac兩相相電流。

13、可選的，所述步驟s2中，利用小波變換提煉接地線電流中的波形特征與能量特征，構(gòu)建統(tǒng)計(jì)特征矩陣；從接地線電流、零序電流與ac兩相相電流4個(gè)信號中提煉時(shí)序?qū)μ卣鳎瑯?gòu)建淺層特征矩陣，每一個(gè)故障樣本由統(tǒng)計(jì)特征矩陣與淺層特征矩陣組成，若干故障樣本構(gòu)成故障樣本集x＝{x1，x2，...，xk}，故障種類為k，xk＝{xk1,xk2,...,xkn}表示第k類故障的樣本集，第k類故障的樣本數(shù)量為n。

14、可選的，所述統(tǒng)計(jì)特征矩陣可由以下方法獲得：通過4層小波分解處理接地線電流信號，得到5個(gè)接地線電流重構(gòu)信號；分別從每個(gè)接地線電流重構(gòu)信號中獲取波峰因子、脈沖因子、清除因子、形狀因子、均方根植、算術(shù)均值、峰度、方差和偏斜度9個(gè)波形特征，共計(jì)45個(gè)波形特征；根據(jù)接地線電流重構(gòu)信號與原始信號間的能量關(guān)系以及重構(gòu)信號間的能量關(guān)系獲得9個(gè)能量特征；將45個(gè)波形特征與9個(gè)能量特征合并形成維度為6×9的統(tǒng)計(jì)特征矩陣，其中矩陣前5行為波形特征，每一行為每個(gè)重構(gòu)信號的波形特征，按照頻率由低到高排列，第6行為能量特征；

15、所述淺層特征矩陣可由以下方法獲得：分別取接地線電流is、零序電流iz、ac兩相相電流ia與ic在同一時(shí)刻t的幅值組成時(shí)序?qū)ist，izt，iat，ict]，長度為l的時(shí)間窗內(nèi)的若干時(shí)序?qū)Π凑諘r(shí)間順序構(gòu)成了淺層特征矩陣。

16、可選的，所述步驟s3中，將卷積神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶網(wǎng)絡(luò)并行網(wǎng)絡(luò)，兩個(gè)網(wǎng)絡(luò)在全連接層通過concat連接，其中統(tǒng)計(jì)特診矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，淺層特征矩陣作為長短時(shí)記憶網(wǎng)絡(luò)的輸入，在卷積神經(jīng)網(wǎng)絡(luò)的池化層1之后加入通道注意力機(jī)制，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的特征凝練作用。

17、可選的，所述步驟s5中，將每種故障中的所有樣本的類特征取平均值，此平均值即為這種故障的類中心μk，計(jì)算公式如下：

18、

19、其中，x為輸入電纜故障邊緣診斷模型中的樣本，表示為電纜故障邊緣診斷模型的非線性映射函數(shù)；

20、得到k類故障的類中心μ＝{μ1，μ2，...，μk}，將每種故障中的所有樣本的類特征分別與k個(gè)類中心做差，比較這些差值，其中差向量長度最小的即為樣本所屬的故障類別。

21、可選的，所述步驟s6中，聯(lián)合特征集表示為p＝{p1，p2，...，pk}，聯(lián)合特征集容量為nu，從每個(gè)故障類別的樣本集xk中選擇m＝nu/k個(gè)樣本，pk表示第k類故障的特征樣本集，其中包含的樣本稱為特征樣本，特征樣本的選擇可按下述規(guī)則進(jìn)行：

22、第一個(gè)特征樣本的選擇：分別將樣本集xk中每個(gè)樣本的類特征與類中心μk做差，然后比較這些差向量的長度，選擇差向量長度最小的樣本作為特征樣本集pk的第一個(gè)特征樣本，表示為pk1；

23、第二個(gè)特征樣本的選擇：將pk1去掉，然后將xk其余樣本的類特征分別與第一個(gè)特征樣本pk1的類特征取平均，再將得到的平均向量與類中心μk做差，選擇差向量長度最小的樣本作為特征樣本集pk的第二個(gè)特征樣本，表示為pk2；

24、對于剩下的特征樣本選擇：移除已經(jīng)被選擇的特征樣本，然后以選擇pk2的方法依次從樣本集xk中選取剩余的m-2個(gè)特征樣本。

25、可選的，所述步驟s7中，用gy(x)表示步驟s6得到的聯(lián)合特征集中的舊故障樣本在舊故障診斷模型中的分布概率，gy(x)被認(rèn)為是從舊故障診斷模型中蒸餾得到的知識，稱之為軟標(biāo)簽，當(dāng)聯(lián)合特征集中的舊故障樣本被輸入到電纜故障邊緣診斷模型中訓(xùn)練時(shí)，其蒸餾損失如下式所示：

26、

27、其中，ay(xi)為故障樣本輸入到電纜故障邊緣診斷模型的輸出值，θ為電纜故障邊緣診斷模型的參數(shù)，i＝1，2，…，m；

28、當(dāng)新故障樣本集中的樣本被輸入到電纜故障邊緣診斷模型中訓(xùn)練時(shí)，其分類損失如下式所示：

29、

30、其中，δ為樣本的標(biāo)簽，稱為硬標(biāo)簽；

31、為防止電纜故障邊緣診斷模型過擬合，使用l2正則化項(xiàng)對其進(jìn)行限制，公式如下：

32、

33、其中，wi為電纜故障邊緣診斷模型的權(quán)重參數(shù)，nw為權(quán)重參數(shù)的數(shù)量，λw為權(quán)重懲罰因子，取值為1×10-5；

34、由舊故障樣本的蒸餾損失、新故障樣本的分類損失和l2正則化項(xiàng)三部分構(gòu)建形成電纜故障邊緣診斷模型的總損失函數(shù)lt(θ)，如下式所示：

35、lt(θ)＝∑(l1+l2)+l2。

36、可選的，所述步驟s8中，聯(lián)合特征集的更新規(guī)則如下：

37、添加t個(gè)新故障類別后，故障類別總數(shù)變?yōu)閗+t，新的聯(lián)合特征集中每個(gè)故障類別的樣本數(shù)量為m′＝nu/(k+t)；

38、對于k個(gè)舊故障類別，去除各自特征樣本集中最后的m-m'個(gè)特征樣本，對于t個(gè)新故障類別，按照權(quán)利要求7中的方法從各自特征樣本集中選擇m'個(gè)特征樣本，更新后的聯(lián)合特征集表示為p′＝{p1′，p2′，…，pk′，pk+1′，…，pk+t′}。

39、采用上述技術(shù)方案后，本發(fā)明至少具有如下有益效果：

40、1、本發(fā)明考慮邊緣計(jì)算設(shè)備的內(nèi)存有限性，用一個(gè)固定容量的集合來對邊緣計(jì)算設(shè)備有限內(nèi)存這一實(shí)際問題予以表征，此集合被稱為聯(lián)合特征集，通過對已完成訓(xùn)練的故障樣本進(jìn)行樣本的深度選擇，將更具代表性的樣本選擇出構(gòu)建固定容量的聯(lián)合特征集；

41、2、本發(fā)明的電纜故障邊緣診斷模型融合了深度卷積神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶網(wǎng)絡(luò)的并行網(wǎng)絡(luò)，并在其中加入相應(yīng)注意力機(jī)制，通過將新故障的樣本與舊的聯(lián)合特征集結(jié)合形成新的聯(lián)合特征集，然后通過知識蒸餾不斷更新電纜故障邊緣診斷模型，而不必舍棄之前的診斷模型，就可實(shí)現(xiàn)基于人工智能電纜故障可擴(kuò)展化精確診斷。