一种综合能源故障精准快速诊断方法及系统

1.本发明涉及综合能源系统故障诊断技术领域，尤其涉及一种综合能源故障精准快速诊断方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.综合能源系统将电、冷、热、气、氢各类能源的生产、传输、消耗、存储设备联系在一起，实现各类能源的有机协调与优化。相对于单一能源系统，综合能源系统的运行工况要更为复杂，某一设备单元发生故障时甚至影响整个综合能源系统的正常运转，造成全局性的危害。因此，对综合能源系统的设备进行故障诊断，对于保障综合能源系统安全可靠的运行至关重要。
4.综合能源系统具有故障数据少、故障类型多的特点，数据获取相较于单一能源系统也更加困难，如何获取到足够的综合能源系统故障数据决定后续的诊断效率。此外，得到的综合能源系统故障数据存在着很大的冗余，如何提取出有用的信息，选取合适的特征维数，既保证诊断模型准确率又降低训练时间十分重要。近年来随着人工智能和大数据的兴起，深度学习在故障诊断领域得到了飞速的发展。但对于故障诊断模型的超参数优化研究还有很多不足，人工调试超参数对于模型的诊断准确率和训练时间都造成极大的影响。


技术实现要素：

5.为了解决上述问题，本发明提出了一种综合能源故障精准快速诊断方法及系统，建立cnn-lstm神经网络模型作为故障诊断模型，并对模型超参数进行初始化，以模型准确率最高和训练时间最短为双目标，根据蜣螂优化算法对模型超参数和特征选择维数进行优化，求解出双目标的帕累托解集，通过限定准确率和训练时间选择合适的超参数。
6.在一些实施方式中，采用如下技术方案：
7.一种综合能源故障精准快速诊断方法，包括：
8.获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；
9.其中，所述故障诊断模型为cnn-lstm模型，对于故障诊断模型的训练过程具体为：
10.通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；
11.采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数；
12.构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数进行优化，最终得到训练好的cnn-lstm模型。
13.在另一些实施方式中，采用如下技术方案：
14.一种综合能源故障精准快速诊断系统，包括：
15.数据获取模块，用于获取综合能源系统运行数据；
16.故障分类模块，用于利用训练好的故障诊断模型，得到故障分类结果；
17.其中，所述故障诊断模型为cnn-lstm模型，对于故障诊断模型的训练过程具体为：
18.通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；
19.采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数；
20.构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数进行优化，最终得到训练好的cnn-lstm模型。
21.在另一些实施方式中，采用如下技术方案：
22.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的一种综合能源故障精准快速诊断方法。
23.与现有技术相比，本发明的有益效果是：
24.(1)本发明考虑采用局部均值分解技术优化综合能源系统故障初始数据集，降低数据集噪声，并使用鲸鱼算法自动优化局部均值分解机制的主要参数，增强系统适用性。
25.(2)本发明构建以cnn-lstm模型为基础的故障诊断模型，以模型诊断准确率和训练时间为双目标构建函数，从而确定超参数和故障特征向量维数。采用改进蜣螂优化算法优化上述超参数，提高了诊断准确率，降低了训练时间，能更快更准确进行综合能源系统故障诊断。
26.本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
27.图1为本发明实施例中的故障诊断模型训练过程示意图；
28.图2为本发明实施例中的采用局部均值分解方法进行降噪重构的过程示意图；
29.图3为本发明实施例中通过蜣螂优化算法对cnn-lstm模型的超参数进行优化的过程示意图。
具体实施方式
30.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.实施例一
33.在一个或多个实施方式中，公开了一种综合能源故障精准快速诊断方法，具体包括如下过程：
34.获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；
35.其中，故障诊断模型为cnn-lstm模型，结合图1，对于故障诊断模型的训练过程具体为：
36.(1)通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集。
37.本实施例中，在matlab/simulink中搭建园区综合能源系统模型，模拟常见的综合能源系统故障，通过rt-lab实时仿真，采集获取综合能源系统各设备的故障数据集。
38.具体地，园区综合能源系统模型包括热力学系统模块和电力学系统模块。
39.热力学系统模块的设备主要包括：电制冷机组、溴化锂吸收式制冷机组、热泵、余热锅炉、蒸汽-燃气联合循环电厂(chp机组)和余热锅炉。
40.电力学系统模块的设备主要包括：风电机组、光伏机组、蓄电池组、氢燃料电池、电解槽、柴油机以及配电网。
41.采集的综合能源系统各设备的数据包括：电制冷机组的制冷功率、用电功率、cop、制冷量、冷冻水供水温度、冷却水回水温度；chp机组的发电功率、供热功率、热效率、制热量、烟气温度、热水供水温度、输出三相电压、三相电流；光伏机组输出三相电压、三相电流；风电机组输出三相电压、三相电流；蓄电池组输出三相电压、三相电流；氢燃料电池的气体温度、气体入口压力、电流。
42.模拟的综合能源系统故障类型主要包括：冷水机组蒸发器过热故障、冷水机组蒸发器压力过低故障、冷水机组膨胀阀积垢故障、冷水机组冷凝器过热故障、冷水机组冷凝器积垢故障、chp机组压气机积垢故障、chp机组压气机压比降低故障、chp机组循环泵压力过低故障、chp机组汽轮发电机单相短路故障、chp机组汽轮发电机各相短路故障、风机各相短路故障、光伏逆变器各相短路故障、蓄电池各相短路故障、氢燃料电池膜电极故障和温控阀故障。
43.(2)对故障数据集进行扩充，得到新的故障数据样本集。
44.本实施例中，根据仿真得到的数据集，采用变分自编码器进行数据增强得到扩充后的样本集，将扩充后的样本集与仿真得到的样本集合并成新的故障数据样本集。
45.(3)采用局部均值分解方法对新的故障数据样本集进行降噪重构。
46.本实施例中，选择局部均值分解方法降低故障数据样本集的噪声，并重构故障数据集，使用鲸鱼算法自动优化局部均值分解方法的主要参数，包括pf分量的个数k，去除噪声对特征提取的影响。
47.具体地，结合图2，局部均值分解方法主要包含以下步骤：
48.步骤301：初始化鲸鱼算法参数，包括种群数量、迭代次数、pf分量个数k、相关系数。
49.步骤302：采用局部均值分解方法根据需要确定的k个pf分量处理信号。
50.步骤303：根据每个个体对应参数计算包络信号值，以最小化包络信号的能量为算法目标函数，对局部均值分解进行迭代优化，选出最佳个数k进行分解，得到分解后的结果。
51.步骤304：从原始信号中逐个分解出k个pf分量和一个余量，然后通过自相关原理重构信号，得到去噪后的信号。
52.本实施例中，鲸鱼算法的个体是局部均值降噪法中的pf分量的个数k，种群为每个个体的值构成的集合。pf分量的个数k，是局部均值分解方法的重要参数，局部均值分解方
法可将采集的综合能源故障信号分解成若k个pf分量，pf分量的个数影响最终的降噪效果；因此本实施例采用鲸鱼算法对局部均值分解方法中的pf分量的个数k进行优化，选取降噪效果最优条件下的pf分量个数k。
53.(4)将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数。
54.本实施例中，cnn-lstm模型是进行综合能源系统故障诊断的神经网络模型，cnn为卷积神经网络，主要包括卷积层、池化层、全连接层；lstm为长短时记忆网络，主要包括输入门、记忆单元、输出门。
55.cnn-lstm网络是将lstm嵌入到cnn的最后一个池化层和全连接层之间，最后全连接层连接输出层进行故障诊断结果的输出。
56.准确率由神经网络的各超参数决定，卷积核尺寸决定最终诊断时的特征维数，进而决定故障诊断时间。本实施例中，准确率的解集选取范围应为95％及以上，准确率小于95％的解舍弃。
57.对于优化的cnn-lstm模型的超参数，主要包括学习率η、神经网络隐藏层层数l、各层神经元数j、正则化参数λ、优化器类型、激活函数类型、各层卷积核尺寸，对于以上超参数构成超参数集φ。
58.对于优化的故障特征维数，首先应对输入去噪后的数据进行故障样本集的构建，并输入网络进行特征的提取。综合能源系统设备故障特征样本的构建包括以下步骤：
59.步骤401：对去噪后的数据进行信息融合，得到包括冷水机组、chp机组、光伏发电系统、风机发电系统、蓄电池储能系统在内的多源故障数据样本集s
denoise
。
60.步骤402：将多源故障数据样本集s
denoise
输入cnn-lstm，依次通过卷积层、池化层，进行卷积计算和信号压缩，每次按照所需优化的卷积核尺寸输出对应的故障特征向量。
61.步骤403：根据cnn-lstm提取的特征向量构建特征向量样本集s
feature
，以此作为最终进行故障诊断分类的输入。
62.(5)构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数进行优化，最终得到训练好的cnn-lstm模型。
63.本实施例中，构建以模型准确率最高和训练时间最短的双目标函数，具体为：
[0064][0065]
式中，n
correct
为正确诊断的样本数，n为样本总数，t为模型训练时间。
[0066]
本实施例通过改进的蜣螂优化算法对cnn-lstm模型的超参数和特征选择维数进行优化；为全面提升种群的多样性，采用logistic混沌映射对算法的初始化种群进行优化，其数学模型为：
[0067]yn+1
＝μyn(1-yn)
[0068]
式中，yn∈(0,1)，μ∈[0,4]，当μ＝4时，混沌映射系统处于完全混沌状态，该时刻的映射分布最均匀。
[0069]
提升算法收敛速度，本实施例蜣螂优化算法在迭代前期有更好的全局开发能力，在迭代后期具有良好的局部搜索能力，采用自适应t分布对蜣螂种群更新位置进行优化，其
表达式为：
[0070]
xi'＝xi+xi·
t(iter)
[0071]
式中，xi'是基于自适应t分布扰动后更新的位置，xi是正常更新的位置，t(iter)以迭代次数为自由度参数的t分布。
[0072]
自适应t分布变异算子对算法每次迭代中的所有个体使用，一方面会增加算法的计算时间，另一方面不利于发挥原算法本身的特点。因此，算法采用动态选择概率p来调节自适应t分布变异算子的使用，表达式为：
[0073]
p＝w1-w2
×
(t
max-iter)/t
max
[0074]
式中，t
max
为最大迭代次数，iter为当前迭代次数，w1为动态选择概率的上限，w2为动态选择概率的下限。
[0075]
动态选择概率p是一种概率，或者说是利用自适应t分布对最优解进行扰动的频繁度，使得算法在迭代前期有较大概率利用自适应t分布变异算子对位置进行扰动，改善原算法在迭代初期就存在收敛于最优解的倾向；同时在迭代后期，充分发挥原算法良好的局部开发能力，并以较小概率的t分布变异作为补充，提升算法的收敛速度。
[0076]
本实施例中，蜣螂优化算法是针对cnn-lstm模型的超参数进行优化的，其个体为所要优化的cnn-lstm模型超参数的值，种群为每个个体解构成的集合。所述代理即指个体，蜣螂位置即为每个个体的值，每个个体的值为所要优化的超参数的值，个体(代理)的适应度值为模型的准确率和训练时间的值，最优解为目标函数最优时的个体。
[0077]
结合图3，改进的蜣螂优化算法的过程具体为：
[0078]
步骤501：初始化种群参数如蜣螂群位置x，最大迭代次数t
max
，种群数量n，优化的上下限ub和lb等，采用logistic混沌映射对算法的种群分布进行优化。
[0079]
步骤502：根据目标函数计算各代理的适应度值。
[0080]
步骤503：更新所有类型蜣螂的位置，采用自适应t分布变异算子对蜣螂位置进行扰动，以扰动更新后的位置作为本次迭代的最终新生成位置。
[0081]
步骤504：判断各代理是否超出边界。
[0082]
步骤505：判断新生成的位置是否比原来位置更优，是则更新位置，否则保持原来位置。
[0083]
步骤506：比较各类型蜣螂的最新位置，选取当前最优解和适应度值。
[0084]
步骤507：判断迭代次数是否达到上限，是则执行步骤509，否则执行步骤408；
[0085]
步骤508：迭代次数iter＝iter+1，返回步骤502。
[0086]
步骤509：输出全局最优解及其适应度值。
[0087]
采用通过改进的蜣螂优化算法优化上述超参数，最终得到优化后的故障诊断模型，提高了诊断准确率，降低了训练时间，能更快更准确进行综合能源系统故障诊断。
[0088]
实施例二
[0089]
在一个或多个实施方式中，公开了一种综合能源故障精准快速诊断系统，包括：
[0090]
数据获取模块，用于获取综合能源系统运行数据；
[0091]
故障分类模块，用于利用训练好的故障诊断模型，得到故障分类结果；
[0092]
其中，所述故障诊断模型为cnn-lstm模型，对于故障诊断模型的训练过程具体为：
[0093]
通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数
据集进行扩充，得到新的故障数据样本集；
[0094]
采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数；
[0095]
构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数和特征选择维数进行优化，最终得到训练好的cnn-lstm模型。
[0096]
上述各模块的具体实现方式已经在实施例一中进行了详细的说明，此处不再详述。
[0097]
实施例三
[0098]
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的一种综合能源故障精准快速诊断方法。为了简洁，在此不再赘述。
[0099]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0100]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0101]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
[0102]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.一种综合能源故障精准快速诊断方法，其特征在于，包括：获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；其中，所述故障诊断模型为cnn-lstm模型，对于故障诊断模型的训练过程具体为：通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数；构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数进行优化，最终得到训练好的cnn-lstm模型。2.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，获取综合能源系统运行数据，具体包括：制冷机组的制冷功率、用电功率、cop、制冷量、冷冻水供水温度和冷却水回水温度；chp机组的发电功率、供热功率、热效率、制热量、烟气温度和热水供水温度、输出三相电压、三相电流；光伏机组输出三相电压和三相电流；风电机组输出三相电压、三相电流；蓄电池组输出三相电压、三相电流；氢燃料电池的气体温度、气体入口压力和电流。3.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集，具体为：在matlab/simulink中搭建的园区综合能源系统模型，模拟常见的综合能源系统故障，通过rt-lab实时仿真，采集获取综合能源系统各设备的故障数据集；其中，园区综合能源系统模型包括热力学系统模块和电力学系统模块；热力学系统模块中的设备包括电制冷机组、溴化锂吸收式制冷机组、热泵、余热锅炉、蒸汽-燃气联合循环电厂和余热锅炉；电力学系统模块中的设备包括风电机组、光伏机组、蓄电池组、氢燃料电池、电解槽、柴油机以及配电网。4.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，采用局部均值分解方法对新的故障数据样本集进行降噪重构，具体为：通过局部均值分解方法将采集的综合能源故障信号分解成k个pf分量和一个余量，然后通过自相关原理重构信号，得到去噪后的信号；其中，采用鲸鱼算法对pf分量的个数k进行优化，得到最优的k值。5.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，所述cnn-lstm模型具体为：将lstm嵌入到cnn的最后一个池化层和全连接层之间，最后全连接层连接输出层进行故障诊断结果的输出；对于输入的去噪后的数据集，所述cnn-lstm模型依次通过卷积层、池化层，进行卷积计算和信号压缩，每次按照所需优化的卷积核尺寸输出对应的故障特征向量；基于每次提取的故障特征向量构建特征向量样本集，作为最终进行故障诊断分类的输入。6.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，构建以模型准确率最高和训练时间最短的双目标函数，具体为：
其中，n
correct
为正确诊断的样本数，n为样本总数，t为模型训练时间。7.如权利要求1所述的一种综合能源故障精准快速诊断方法，其特征在于，通过蜣螂优化算法对cnn-lstm模型的超参数和特征选择维数进行优化，具体为：初始化种群参数；根据目标函数计算各代理的适应度值；更新所有类型蜣螂的位置，采用自适应t分布变异算子对蜣螂位置进行扰动，以扰动更新后的位置作为本次迭代的最终新生成位置；判断各代理是否超出边界，判断新生成的位置是否比原来位置更优，是则更新位置，否则保持原来位置；比较各类型蜣螂的最新位置，选取当前最优解和适应度值；直至迭代次数满足要求，输出全局最优解及其适应度值。8.如权利要求7所述的一种综合能源故障精准快速诊断方法，其特征在于，采用动态选择概率p来调节自适应t分布变异算子的使用，具体为：p＝w1-w2
×
(t
max-iter)/t
max
其中，t
max
为最大迭代次数，iter为当前迭代次数，w1为动态选择概率的上限，w2为动态选择概率的下限。9.一种综合能源故障精准快速诊断系统，其特征在于，包括：数据获取模块，用于获取综合能源系统运行数据；故障分类模块，用于利用训练好的故障诊断模型，得到故障分类结果；其中，所述故障诊断模型为cnn-lstm模型，对于故障诊断模型的训练过程具体为：通过模拟综合能源系统故障，得到综合能源系统各设备的故障数据集；对故障数据集进行扩充，得到新的故障数据样本集；采用局部均值分解方法对新的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至cnn-lstm模型，初始化cnn-lstm模型的超参数；构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对cnn-lstm模型的超参数进行优化，最终得到训练好的cnn-lstm模型。10.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-8任一项所述的一种综合能源故障精准快速诊断方法。

技术总结
本发明公开了一种综合能源故障精准快速诊断方法及系统，包括：获取综合能源系统运行数据，利用训练好的故障诊断模型，得到故障分类结果；其中，对于故障诊断模型的训练过程为：获得综合能源系统各设备的故障数据集并进行扩充；对扩充后的故障数据样本集进行降噪重构，将重构后的故障数据样本集输入至故障诊断模型；构建以模型准确率最高和训练时间最短的双目标函数，通过蜣螂优化算法对故障诊断模型的超参数进行优化，最终得到训练好的故障诊断模型。本发明考虑采用局部均值分解技术优化综合能源系统故障初始数据集，降低数据集噪声，使用鲸鱼算法自动优化局部均值分解机制的主要参数，增强系统适用性。增强系统适用性。增强系统适用性。


技术研发人员：王瑞琪 马文骁 刘松 李岩 荣以平 朱峰 张军 鞠文杰 刘玉娇 王者龙 李国亮 王为帅 彭嘉怡 李丹 迪心怡
受保护的技术使用者：华北电力大学 国网山东省电力公司枣庄供电公司
技术研发日：2023.06.29
技术公布日：2023/9/20