本發明屬于電(dian)力電(dian)子系(xi)統故障檢測與健康管理領域，具體涉及(ji)一種(zhong)基于wac-gan的不均衡數(shu)據集下變流器故障診斷方法、系(xi)統、設備(bei)和介(jie)質。

背景技術：

1、功(gong)率(lv)開(kai)關(guan)管作為(wei)dc-ac變(bian)流器(qi)的(de)(de)(de)(de)(de)主要(yao)組成(cheng)部件，在實(shi)際工作環境中，其發生(sheng)開(kai)路故障(zhang)的(de)(de)(de)(de)(de)持續(xu)時間極其短暫(通常(chang)以(yi)微秒(miao)為(wei)計算單位(wei))。而(er)且采(cai)集數(shu)(shu)據(ju)樣(yang)(yang)本(ben)(ben)時無法(fa)(fa)判別具體發生(sheng)開(kai)路故障(zhang)的(de)(de)(de)(de)(de)功(gong)率(lv)開(kai)關(guan)管，即無法(fa)(fa)知曉(xiao)樣(yang)(yang)本(ben)(ben)對(dui)(dui)應(ying)的(de)(de)(de)(de)(de)故障(zhang)模式。而(er)正常(chang)工作狀(zhuang)態下(xia)的(de)(de)(de)(de)(de)數(shu)(shu)據(ju)樣(yang)(yang)本(ben)(ben)容(rong)易獲取，所以(yi)存在故障(zhang)數(shu)(shu)據(ju)樣(yang)(yang)本(ben)(ben)數(shu)(shu)量(liang)少以(yi)及樣(yang)(yang)本(ben)(ben)數(shu)(shu)量(liang)不(bu)(bu)均(jun)衡(heng)的(de)(de)(de)(de)(de)問(wen)題，這種(zhong)不(bu)(bu)均(jun)衡(heng)的(de)(de)(de)(de)(de)故障(zhang)數(shu)(shu)據(ju)集會嚴重影響分(fen)類器(qi)的(de)(de)(de)(de)(de)故障(zhang)識別性能。針(zhen)對(dui)(dui)樣(yang)(yang)本(ben)(ben)不(bu)(bu)均(jun)衡(heng)的(de)(de)(de)(de)(de)問(wen)題，傳統方(fang)(fang)法(fa)(fa)主要(yao)從(cong)兩個角度解決。其一為(wei)數(shu)(shu)據(ju)方(fang)(fang)面，主要(yao)方(fang)(fang)法(fa)(fa)是針(zhen)對(dui)(dui)數(shu)(shu)據(ju)的(de)(de)(de)(de)(de)采(cai)樣(yang)(yang)，包含過(guo)采(cai)樣(yang)(yang)、欠采(cai)樣(yang)(yang)以(yi)及相應(ying)的(de)(de)(de)(de)(de)創新方(fang)(fang)法(fa)(fa)，但過(guo)采(cai)樣(yang)(yang)會出(chu)(chu)現大量(liang)重復的(de)(de)(de)(de)(de)樣(yang)(yang)本(ben)(ben)，從(cong)而(er)導致分(fen)類模型(xing)產生(sheng)過(guo)擬(ni)合的(de)(de)(de)(de)(de)情況(kuang)；欠采(cai)樣(yang)(yang)則會出(chu)(chu)現數(shu)(shu)據(ju)集過(guo)少的(de)(de)(de)(de)(de)情況(kuang)，無法(fa)(fa)反應(ying)真(zhen)實(shi)的(de)(de)(de)(de)(de)故障(zhang)數(shu)(shu)據(ju)信息等(deng)(deng)等(deng)(deng)問(wen)題。

2、其(qi)二，是基于(yu)目(mu)前應用(yong)最(zui)為廣泛(fan)的(de)生(sheng)成對(dui)抗(kang)網絡(generative?adversarialnetworks,gan)及其(qi)改進模(mo)(mo)型(xing)(xing)，利(li)用(yong)傳統gan，dcgan，ac-gan等等生(sheng)成對(dui)抗(kang)網絡模(mo)(mo)型(xing)(xing)，生(sheng)成訓練效果更(geng)好的(de)模(mo)(mo)型(xing)(xing)和更(geng)加真實的(de)數據，使得(de)故障診斷的(de)結(jie)果精確不少。雖(sui)然(ran)在一定程度(du)(du)(du)上可以提高精度(du)(du)(du)，但在訓練生(sheng)成網絡模(mo)(mo)型(xing)(xing)時，通(tong)常(chang)采用(yong)js散度(du)(du)(du)，但其(qi)可能會使生(sheng)成模(mo)(mo)型(xing)(xing)在訓練過(guo)程中產(chan)生(sheng)梯(ti)度(du)(du)(du)消失等問題。

技術實現思路

1、本(ben)發明針對現(xian)有技(ji)術中的(de)(de)(de)(de)不(bu)足，提供一種(zhong)基(ji)于wac-gan的(de)(de)(de)(de)不(bu)均衡(heng)數(shu)據集(ji)下變流(liu)器故障(zhang)診斷方法、系統、設(she)備和介質。通過采集(ji)變流(liu)器的(de)(de)(de)(de)三相(xiang)電(dian)流(liu)信(xin)號(hao)，并對其(qi)進行頻域變換建立測試(shi)集(ji)和訓(xun)練(lian)集(ji)，判別模(mo)型的(de)(de)(de)(de)基(ji)本(ben)結構選用(yong)一維卷積(ji)神(shen)經網絡，并且在生(sheng)成模(mo)型與判別模(mo)型均添加批次歸一化與dropout層(ceng)，增強各自模(mo)型的(de)(de)(de)(de)泛化能(neng)力與特征信(xin)息挖掘能(neng)力。同時(shi)選用(yong)wasserstein距離(li)代替原(yuan)始的(de)(de)(de)(de)js散度(du)，改(gai)進模(mo)型的(de)(de)(de)(de)損失函數(shu)，提高生(sheng)成模(mo)型的(de)(de)(de)(de)訓(xun)練(lian)效果以及(ji)生(sheng)成樣(yang)本(ben)的(de)(de)(de)(de)真實性(xing)。

2、為(wei)實現上述目的，本發明采(cai)用以下技術方案：

3、一種基(ji)于wac-gan的(de)不均衡(heng)數據(ju)集下(xia)變流器故障診斷方法(fa)，包括以下(xia)步驟：

4、步驟1、采集(ji)變(bian)流器中三相(xiang)電流時(shi)域信(xin)號，通過同(tong)步壓縮小波變(bian)換(huan)將一維的(de)(de)(de)三相(xiang)電流時(shi)域信(xin)號轉換(huan)為(wei)二維時(shi)頻圖作(zuo)為(wei)故(gu)障診斷樣(yang)本，并(bing)設置故(gu)障診斷樣(yang)本中正常(chang)擬(ni)態樣(yang)本與(yu)故(gu)障擬(ni)態樣(yang)本的(de)(de)(de)比例為(wei)多種不均衡(heng)比例，得到不均衡(heng)的(de)(de)(de)訓練集(ji)與(yu)不均衡(heng)的(de)(de)(de)測試集(ji)；

5、步驟2、構建wac-gan模型(xing)；wac-gan模型(xing)包括(kuo)生(sheng)成器(qi)(qi)和加入了分(fen)類器(qi)(qi)的判別器(qi)(qi)；

6、步驟3、利(li)用不(bu)均衡(heng)的訓(xun)(xun)練集訓(xun)(xun)練wac-gan模(mo)型，保持生成器(qi)參(can)數不(bu)變，訓(xun)(xun)練判(pan)(pan)別(bie)(bie)器(qi)參(can)數；判(pan)(pan)別(bie)(bie)器(qi)訓(xun)(xun)練至最優解(jie)后，保持判(pan)(pan)別(bie)(bie)器(qi)參(can)數不(bu)變，訓(xun)(xun)練生成器(qi)參(can)數至最優解(jie)，通過生成器(qi)與判(pan)(pan)別(bie)(bie)器(qi)兩者之間(jian)的博(bo)弈(yi)機制(zhi)，達到納什平衡(heng)，完成wac-gan模(mo)型的參(can)數訓(xun)(xun)練；

7、步驟4、將不均(jun)衡的(de)測(ce)試(shi)集輸入訓(xun)練完成(cheng)的(de)wac-gan模型(xing)，由生成(cheng)器生成(cheng)新(xin)樣本，擴充不均(jun)衡的(de)測(ce)試(shi)集至均(jun)衡測(ce)試(shi)集；將均(jun)衡測(ce)試(shi)集輸入至判別器進行故(gu)障診斷得到故(gu)障診斷結果。

8、為優化上述(shu)技術(shu)方(fang)案，采取(qu)的具體措施還(huan)包括：

9、進一步(bu)地，所述wac-gan模型的(de)(de)(de)(de)(de)生成器輸入維度為(wei)100，生成器g中的(de)(de)(de)(de)(de)cnn包含3個(ge)卷積層(ceng)、2個(ge)上(shang)采樣層(ceng)、2個(ge)批次歸一化層(ceng)和(he)1個(ge)全連(lian)接(jie)層(ceng)，卷積層(ceng)的(de)(de)(de)(de)(de)卷積核(he)尺寸均采用3*1小尺寸卷積核(he)，三個(ge)卷積層(ceng)的(de)(de)(de)(de)(de)卷積核(he)的(de)(de)(de)(de)(de)數量分別為(wei)128、64和(he)4，上(shang)采樣層(ceng)的(de)(de)(de)(de)(de)采樣因子設(she)置(zhi)為(wei)2，生成器g中的(de)(de)(de)(de)(de)cnn的(de)(de)(de)(de)(de)前兩(liang)層(ceng)的(de)(de)(de)(de)(de)激活(huo)函數選擇(ze)relu，輸出層(ceng)的(de)(de)(de)(de)(de)激活(huo)函數選擇(ze)tanh；

10、所述wac-gan模型的(de)(de)判(pan)別器(qi)(qi)的(de)(de)cnn包含3個(ge)(ge)卷積層(ceng)(ceng)、3個(ge)(ge)池(chi)化層(ceng)(ceng)、2個(ge)(ge)批次(ci)歸一化層(ceng)(ceng)和1個(ge)(ge)全連接層(ceng)(ceng)，判(pan)別器(qi)(qi)d的(de)(de)最后加(jia)入dropout層(ceng)(ceng)，卷積層(ceng)(ceng)的(de)(de)卷積核尺寸(cun)采用(yong)3*1小尺寸(cun)卷積核，3個(ge)(ge)卷積層(ceng)(ceng)的(de)(de)卷積核的(de)(de)數(shu)量分別為4、64和128，最大池(chi)化層(ceng)(ceng)的(de)(de)卷積核尺寸(cun)為2*1，激活函數(shu)選擇leakyrelu。

11、進一步(bu)地，所(suo)述訓練wac-gan模型(xing)的過程是(shi)生成器g與判別(bie)器d兩者間相互(hu)博(bo)(bo)弈(yi)對抗(kang)的過程，博(bo)(bo)弈(yi)對抗(kang)的過程用損失函(han)數mginmdaxv(d,g)表示如下：

12、

13、其(qi)中，v(·)代表代價函數(shu)(shu)，e代表期(qi)望函數(shu)(shu)，z代表隨(sui)機高斯噪聲(sheng)信(xin)號，d(x|y)表示判別(bie)器(qi)對于給定的真實數(shu)(shu)據(ju)樣本(ben)x和標簽(qian)y的評(ping)分，g(z|y￠)表示生成器(qi)根據(ju)輸入的噪聲(sheng)z和條件標簽(qian)信(xin)息y’生成的數(shu)(shu)據(ju)樣本(ben)。

14、進一(yi)步(bu)地，步(bu)驟(zou)3的具體過程包括：

15、步驟3.1、隨機初(chu)始化(hua)生成器(qi)g和判(pan)別器(qi)d的(de)參數；

16、步驟3.2、將不均衡的訓練集作為真(zhen)實樣本數據(ju)集，從(cong)真(zhen)實樣本數據(ju)集中(zhong)抽取一(yi)批(pi)真(zhen)實圖像(xiang)和對(dui)應(ying)的標簽(qian)，從(cong)隨(sui)機(ji)噪聲(sheng)信號中(zhong)采樣一(yi)批(pi)噪聲(sheng)z，并通(tong)過生成(cheng)器(qi)g生成(cheng)一(yi)批(pi)假圖像(xiang)和對(dui)應(ying)的假標簽(qian)；

17、步驟(zou)3.3、保(bao)持(chi)生(sheng)成器(qi)g參數不變，訓練判別器(qi)d，判別器(qi)d在滿足lipschitz要求固(gu)定(ding)范圍的前提下(xia)，判別器(qi)d的代價函數l表達(da)式為(wei)：

18、

19、式中(zhong)，e代表(biao)期望函(han)數，fw(x)視為含參(can)數w的判別器(qi)網絡模(mo)型函(han)數；代價函(han)數l表(biao)示真實樣本與生成(cheng)樣本之(zhi)間的wasserstein距離；

20、判(pan)別器d的(de)目標為最大化代價函(han)(han)數(shu)l，得(de)到判(pan)別器d的(de)損失(shi)函(han)(han)數(shu)ld表示如下：

21、

22、計算判別器(qi)的損失ld，并更新判別器(qi)d的參(can)數；

23、步驟3.4、判(pan)別器d訓(xun)(xun)練(lian)(lian)至最優解后，保持(chi)判(pan)別器d參(can)數(shu)不變，訓(xun)(xun)練(lian)(lian)生成器g，生成器g的訓(xun)(xun)練(lian)(lian)目標(biao)為(wei)最小化(hua)代價函數(shu)l，得到(dao)生成器g的損失函數(shu)lg表示如下：

24、

25、計算生成器g的(de)損失lg并更新生成器g的(de)參(can)數，使得生成器g訓練至最優解(jie)；

26、步(bu)驟3.5、若達(da)到預定的(de)迭代次數(shu)或wac-gan模型收斂(lian)，則訓練結束，保存(cun)模型參數(shu)，否(fou)則，迭代次數(shu)加(jia)一，返回步(bu)驟3.2。

27、進一步地，步驟4具體包括：

28、步驟4.1、設置類別標(biao)簽信息為標(biao)簽向(xiang)量(liang)yk，有(you)色噪聲(sheng)隨(sui)(sui)機(ji)向(xiang)量(liang)z；生(sheng)成(cheng)器(qi)g的輸(shu)入為標(biao)簽向(xiang)量(liang)yk和有(you)色噪聲(sheng)隨(sui)(sui)機(ji)向(xiang)量(liang)z，輸(shu)出(chu)為生(sheng)成(cheng)樣(yang)(yang)本(ben)(ben)(ben)，生(sheng)成(cheng)樣(yang)(yang)本(ben)(ben)(ben)是(shi)與yk同(tong)長(chang)度的樣(yang)(yang)本(ben)(ben)(ben)，判別器(qi)d的輸(shu)入為真(zhen)(zhen)實樣(yang)(yang)本(ben)(ben)(ben)t和生(sheng)成(cheng)器(qi)g輸(shu)出(chu)的生(sheng)成(cheng)樣(yang)(yang)本(ben)(ben)(ben)；判別器(qi)d的輸(shu)出(chu)為二(er)分(fen)類模型，代表生(sheng)成(cheng)樣(yang)(yang)本(ben)(ben)(ben)是(shi)真(zhen)(zhen)樣(yang)(yang)本(ben)(ben)(ben)還是(shi)假樣(yang)(yang)本(ben)(ben)(ben)；

29、步驟4.2、利用生(sheng)成模型g生(sheng)成一批和標簽向量yk同長度(du)的生(sheng)成樣本；

30、步驟(zou)4.3、將真(zhen)實樣(yang)本(ben)t和生(sheng)(sheng)成(cheng)模型g生(sheng)(sheng)成(cheng)的生(sheng)(sheng)成(cheng)樣(yang)本(ben)隨機打亂混合，放入判別器d中(zhong)進(jin)行一次訓練，其(qi)中(zhong)，真(zhen)實樣(yang)本(ben)的標簽為(wei)1，生(sheng)(sheng)成(cheng)樣(yang)本(ben)的標簽為(wei)0，目(mu)的是調節對抗器d；

31、步驟4.4、利(li)用生成器g再生成一批和(he)標(biao)簽向(xiang)量yk同長(chang)度的生成樣(yang)本；

32、步驟4.5、將生成(cheng)器g和(he)判別(bie)器d相連接，并(bing)設定步驟4.4中的(de)生成(cheng)樣本標簽為(wei)1，判別(bie)器d的(de)參數固(gu)定不變(bian)，進行一(yi)次訓練(lian)，目的(de)是調節生成(cheng)器g；

33、步驟(zou)4.6、再次(ci)利用生成器g生成一批和(he)yk同長(chang)度(du)的樣本，以(yi)擴充不均(jun)衡(heng)(heng)的測試集至均(jun)衡(heng)(heng)測試集；將均(jun)衡(heng)(heng)測試集輸入至判別器d進(jin)行(xing)故障診斷得到故障診斷結果。

34、進一(yi)步(bu)(bu)地，步(bu)(bu)驟1中，所述正常(chang)擬(ni)態(tai)樣本為(wei)(wei)變(bian)流器正常(chang)工(gong)作時(shi)(shi)采集(ji)的數據(ju)，所述故(gu)障擬(ni)態(tai)樣本為(wei)(wei)變(bian)流器出故(gu)障時(shi)(shi)采集(ji)的數據(ju)，正常(chang)擬(ni)態(tai)樣本與故(gu)障擬(ni)態(tai)樣本的不均衡比(bi)例(li)設置為(wei)(wei)5:3、5:2、5:1三種比(bi)例(li)情況。

35、本發明還提出一種基于(yu)wac-gan的不均衡數據(ju)集下變流(liu)器(qi)故障(zhang)診(zhen)斷系統，包括：

36、信號采(cai)集(ji)(ji)模塊(kuai)，用于(yu)采(cai)集(ji)(ji)變(bian)流(liu)器(qi)中三相(xiang)電(dian)流(liu)時域(yu)信號，

37、不(bu)均(jun)(jun)衡(heng)數據(ju)集(ji)生成模塊，用(yong)于通過同步壓縮小(xiao)波(bo)變(bian)換將一維(wei)的(de)(de)三相電流時域信號轉換為(wei)二維(wei)時頻圖作為(wei)故障診斷(duan)樣本(ben)，并設(she)置故障診斷(duan)樣本(ben)中正常擬態樣本(ben)與故障擬態樣本(ben)的(de)(de)比例(li)為(wei)多種不(bu)均(jun)(jun)衡(heng)比例(li)，得到不(bu)均(jun)(jun)衡(heng)的(de)(de)訓練集(ji)與不(bu)均(jun)(jun)衡(heng)的(de)(de)測試集(ji)；

38、建(jian)模(mo)模(mo)塊，用于構建(jian)wac-gan模(mo)型(xing)；wac-gan模(mo)型(xing)包括生(sheng)成器(qi)和加入了分類器(qi)的判別器(qi)；

39、訓(xun)(xun)練(lian)模(mo)(mo)塊，用于利用不均衡的訓(xun)(xun)練(lian)集訓(xun)(xun)練(lian)wac-gan模(mo)(mo)型，保持(chi)生(sheng)成(cheng)器(qi)參(can)(can)數(shu)不變，訓(xun)(xun)練(lian)判(pan)(pan)別器(qi)參(can)(can)數(shu)；判(pan)(pan)別器(qi)訓(xun)(xun)練(lian)至最(zui)(zui)優解(jie)后(hou)，保持(chi)判(pan)(pan)別器(qi)參(can)(can)數(shu)不變，訓(xun)(xun)練(lian)生(sheng)成(cheng)器(qi)參(can)(can)數(shu)至最(zui)(zui)優解(jie)，通過生(sheng)成(cheng)器(qi)與判(pan)(pan)別器(qi)兩者(zhe)之間的博弈(yi)機(ji)制，達到納(na)什平衡，完(wan)成(cheng)wac-gan模(mo)(mo)型的參(can)(can)數(shu)訓(xun)(xun)練(lian)；

40、診(zhen)斷(duan)模(mo)塊(kuai)，用于將不(bu)均(jun)衡(heng)的(de)測(ce)試集(ji)輸入訓(xun)練完成的(de)wac-gan模(mo)型，由生成器(qi)生成新樣本，擴充不(bu)均(jun)衡(heng)的(de)測(ce)試集(ji)至(zhi)均(jun)衡(heng)測(ce)試集(ji)；將均(jun)衡(heng)測(ce)試集(ji)輸入至(zhi)判別器(qi)進行(xing)故障診(zhen)斷(duan)得(de)到故障診(zhen)斷(duan)結(jie)果。

41、本發明還提出一種電(dian)子設(she)備，包括：存儲器、處理器及存儲在存儲器上(shang)并可在處理器上(shang)運行的計(ji)算機(ji)程(cheng)序(xu)，所述(shu)處理器執(zhi)行計(ji)算機(ji)程(cheng)序(xu)時，實現如上(shang)所述(shu)的基于(yu)wac-gan的不(bu)均(jun)衡數據集下變流器故障診(zhen)斷方法(fa)。

42、本發明還提出一種計(ji)算(suan)(suan)機可讀存儲(chu)介(jie)質(zhi)，存儲(chu)有(you)計(ji)算(suan)(suan)機程序，所述(shu)計(ji)算(suan)(suan)機程序使計(ji)算(suan)(suan)機執行如上(shang)所述(shu)的基于wac-gan的不均衡數據集下變流器故障診斷(duan)方法。

43、本發明的有益效果是(shi)：

44、本發(fa)明解(jie)決實際工作情況中的(de)(de)樣(yang)(yang)本不均(jun)衡(heng)問(wen)題，面(mian)對(dui)多類(lei)別(bie)(bie)樣(yang)(yang)本模(mo)(mo)(mo)式中，gan模(mo)(mo)(mo)型(xing)無(wu)法對(dui)具體類(lei)別(bie)(bie)進(jin)行(xing)針對(dui)性的(de)(de)樣(yang)(yang)本擴(kuo)充與(yu)(yu)模(mo)(mo)(mo)式識別(bie)(bie)。而(er)且gan模(mo)(mo)(mo)型(xing)的(de)(de)實際應(ying)用(yong)中，生(sheng)成器g與(yu)(yu)判(pan)別(bie)(bie)器d訓練平衡(heng)點難以把控，模(mo)(mo)(mo)型(xing)容易出現梯度消失(shi)等問(wen)題。本發(fa)明采用(yong)wasserstein距離代替傳統(tong)的(de)(de)模(mo)(mo)(mo)型(xing)損(sun)失(shi)函數，增強了生(sheng)成器的(de)(de)樣(yang)(yang)本擴(kuo)充效果(guo)。在生(sheng)成器與(yu)(yu)判(pan)別(bie)(bie)器網絡結(jie)構中均(jun)加入批次歸一化與(yu)(yu)dropout層，提高(gao)了生(sheng)成器生(sheng)成數據的(de)(de)質(zhi)量和(he)判(pan)別(bie)(bie)器的(de)(de)特征提取能力。