一种基于RFID监测的电气设备故障预警方法及系统

技术领域

本发明涉及一种电气设备监测技术，尤其是涉及一种基于RFID监测的电气设备故障预警方法及系统。

背景技术

电力系统中，电力设备的安全稳定运行是电力系统稳定的基础。但实际的电力系统中，电气设备连接松动、接触不良、漏磁、过电流等诸多因素都可引起设备过热引发设备故障。因此温度检测是判定电气设备是否异常的主要途径之一。针对基于超高频射频识别技术的电力设备温度检测系统，利用系统检测得到的电力设备温度时序数据，融合深入学习技术实现时序温度数据的异常趋势辨识，进而实现电力设备故障的预测与预警。

基于RFID技术的电力设备温度采集系统的温度采集数据具有如下问题：因多标签及多阅读器之间的碰撞，数据集中存在数据点缺失、数据异位等异常数据；RFID基于反向电磁波实现数据通信与传递，实际场景中电力设备工作环境复杂，外界环境中电磁场对数据传输造成干扰，产生数据噪声；RFID设备故障时会导致温度数据长时间尺度内缺少，变化趋势异常。温度数据具有明显的时序特征，时间序列数据的预测中目前主流的为采用递归神经网络RNN、卷积神经网络CNN或长短时记忆神经网络LSTM实现时序数据序列的预测，基于以上几个特征，传统的应用RNN、CNN、LSTM技术的方法容易导致过拟合、预测精度低等问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于RFID监测的电气设备故障预警方法及系统，避免过拟合，精度高。

本发明的目的可以通过以下技术方案来实现：

一种基于RFID监测的电气设备故障预警方法，具体为：

通过RFID温度采集系统实时采集电气设备的时序温度数据集并进行预处理，将预处理后的时序温度数据集输入训练好的去噪自编码网络和长短时记忆神经网络，分别获得第一故障预警信息和第一预测故障预警信息，将第一故障预警信息和第二故障预警信息输入训练好的Xgboost模型，获得故障预警等级，实现对电气设备的故障预测和预警，避免电力设备因突发故障造成更大的经济损失，预测精度高。

其中，获取电气设备的历史时序温度数据和对应的历史故障预警信息，对历史时序温度数据进行预处理，所述的去噪自编码网络和长短时记忆神经网络以预处理后的历史时序温度数据和对应的历史故障预警信息作为训练集，进行训练；

将历史时序温度数据对应的故障预警信息按严重程度分为若干个故障预警等级，所述的Xgboost模型以历史故障预警信息及对应的故障预警等级作为训练集，对训练集进行归纳后得到元学习器，根据第一故障预警信息和第二故障预警信息综合判断故障预警等级，精度高。

进一步地，所述的预处理通过邻传播聚类算法修正时序温度数据集，过程具体为：

301)将时序温度数据集中每个温度序列T

302)将各个

303)计算每个

304)确定

305)设定隶属度阈值，当群体中的

进一步地，将新获得的时序温度数据集、第一故障预警信息和第二故障预警信息并入去噪自编码网络和长短时记忆神经网络的训练集，利用新的训练集训练去噪自编码网络和长短时记忆神经网络；

将新获得的第一故障预警信息、第二故障预警信息和故障预警等级并入Xgboost模型的训练集，利用新的训练集训练Xgboost模型，使得去噪自编码网络、长短时记忆神经网络和Xgboost模型均可实现反馈校正，不断修正参数以提高预测精度。

进一步地，所述的自编码网络、长短时记忆神经网络和Xgboost模型采用对称嵌入度量学习法进行训练，训练的损失函数J的公式为：

其中l

一种基于RFID监测的电气设备故障预警系统，包括数据采集模块、数据处理模块、第一预测模块、第二预测模块、故障预警模块和模型训练模块：

所述的数据采集模块用于通过RFID温度采集系统采集电气设备的时序温度数据集，同时采集电气设备的历史故障预警信息和对应的历史故障预警等级，所述的故障预警等级按故障预警信息的严重程度分为若干等级；

所述的数据处理模块用于对采集的时序温度数据集进行预处理；

所述的第一预测模块用于将预处理后的时序温度数据集输入训练好的去噪自编码网络，获得第一故障预警信息；

所述的第二预测模块用于将预处理后的时序温度数据集输入训练好的长短时记忆神经网络，获得第二故障预警信息；

所述的故障预警模块用于将第一故障预警信息和第二故障预警信息输入训练好的Xgboost模型，获得故障预警等级，

所述的模型训练模块用于将预处理后的电气设备的历史时序温度数据集和对应的故障预警信息作为去噪自编码网络和长短时记忆神经网络的训练集，进行训练；所述的模型训练模块以电气设备的历史故障预警信息及对应的故障预警等级作为Xgboost模型的训练集，进行训练。

进一步地，所述的数据处理模块通过近邻传播聚类算法修正时序温度数据集，过程具体为：

801)将时序温度数据集中每个温度序列T

802)将各个

803)计算每个

804)确定

805)设定隶属度阈值，当群体中的

进一步地，所述的模型训练模块将新获得的时序温度数据集、第一故障预警信息和第二故障预警信息并入去噪自编码网络和长短时记忆神经网络的训练集，利用新的训练集训练去噪自编码网络和长短时记忆神经网络；

所述的模型训练模块将新获得的第一故障预警信息、第二故障预警信息和故障预警等级并入Xgboost模型的训练集，利用新的训练集训练Xgboost模型。

进一步地，所述的自编码网络、长短时记忆神经网络和Xgboost模型采用对称嵌入度量学习法进行训练，训练的损失函数J的公式为：

其中l

与现有技术相比，本发明具有以如下有益效果：

(1)本发明通过RFID温度采集系统采集电气设备的时序温度数据集，并进行预处理，将预处理后的时序温度数据集输入训练好的去噪自编码网络和长短时记忆神经网络，分别获得第一故障预警信息和第一预测故障预警信息，Xgboost模型根据第一故障预警信息和第二故障预警信息综合判断故障预警等级，由于RFID温度采集系统采集的时序温度数据集中经常出现异常数据，包括数据噪声和数据缺失，通过第一故障预警信息和第一预测故障预警信息综合分析故障预警等级，避免过拟合，结果更加准确；

(2)本发明针采集时序温度数据集后先进行数据的预处理，采用近邻传播聚类算法进行聚类，修正数据中的异常数据，进一步避免过拟合，提高预测的精度；

(3)本发明将新获得的时序温度数据集、第一故障预警信息和第二故障预警信息并入去噪自编码网络和长短时记忆神经网络的训练集，利用新的训练集训练去噪自编码网络和长短时记忆神经网络；将新获得的第一故障预警信息、第二故障预警信息和故障预警等级并入Xgboost模型的训练集，利用新的训练集训练Xgboost模型，能够不断扩充训练样本，实现反馈校正，预测精度高；

(4)本发明采用对称嵌入度量学习法对自编码网络、长短时记忆神经网络和Xgboost模型进行训练，可进一步增加模型的训练过程，且对温度数据隐含的时序特征捕捉更为细致，进一步提高故障预警准确率。

附图说明

图1为本发明的流程图；

图2为去噪自编码网络的结构示意图；

图3为深度学习网络的结构示意图；

图4为对称嵌入示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

一种基于RFID监测的电气设备故障预警方法，如图1、图2和图3具体为：

通过RFID温度采集系统采集电气设备的时序温度数据集并进行预处理，将预处理后的时序温度数据集S，将S分为训练集E和测试集R，将训练集E等分为2个子集，分别记为D

S＝E∪R

E＝D

根据历史记录获取与D

将测试集R输入训练好的去噪自编码网络和长短时记忆神经网络，分别获得第一故障预警信息和第一预测故障预警信息，将第一故障预警信息和第二故障预警信息输入训练好的Xgboost模型，获得故障预警等级；

将新获得的时序温度数据集、第一故障预警信息和第二故障预警信息并入去噪自编码网络和长短时记忆神经网络的训练集，利用新的训练集训练去噪自编码网络和长短时记忆神经网络，将新获得的第一故障预警信息、第二故障预警信息和故障预警等级并入Xgboost模型的训练集，利用新的训练集训练Xgboost模型，可实现AE、LSTM和Xgboost模型的反馈校正，提高预测精度。

其中去噪自编码网络堆叠N

由于RFID温度采集系统采集的序温度数据会出现异常数据，如数据缺失和噪声干扰，需要进行修正，大部分聚类方法，如K均值聚类和模糊聚类等，均需实现指定群体数据，本实施例中预处理通过近邻传播聚类算法修正时序温度数据集，可以辨识出异常数据点，具体为：

301)将时序温度数据集中每个温度序列T

302)将各个

303)计算每个

304)确定

305)设定隶属度阈值，当群体中的

自编码网络、长短时记忆神经网络和Xgboost模型采用对称嵌入度量学习法进行训练，图4中实线连接的样本对属于相同类别，虚线连接的样本对属于不同类别，训练的损失函数J的公式为：

其中l

实施例2

一种基于RFID监测的电气设备故障预警系统，包括数据采集模块、数据处理模块、第一预测模块、第二预测模块、故障预警模块和模型训练模块：

数据采集模块用于通过RFID温度采集系统采集电气设备的时序温度数据集，同时采集电气设备的历史故障预警信息和对应的历史故障预警等级，故障预警等级按故障预警信息的严重程度分为若干等级；

数据处理模块用于对采集的时序温度数据集进行预处理；

第一预测模块用于将预处理后的时序温度数据集输入训练好的去噪自编码网络，获得第一故障预警信息；

第二预测模块用于将预处理后的时序温度数据集输入训练好的长短时记忆神经网络，获得第二故障预警信息；

故障预警模块用于将第一故障预警信息和第二故障预警信息输入训练好的Xgboost模型，获得故障预警等级，

模型训练模块用于将预处理后的电气设备的历史时序温度数据集和对应的故障预警信息作为去噪自编码网络和长短时记忆神经网络的训练集，进行训练；模型训练模块以电气设备的历史故障预警信息及对应的故障预警等级作为Xgboost模型的训练集，进行训练。

其中去噪自编码网络堆叠N

预处理过程具体为：数据处理模块通过聚类算法修正时序温度数据集。

聚类算法为近邻传播聚类算法，预处理过程具体为：

801)将时序温度数据集中每个温度序列T

802)将各个

803)计算每个

804)确定

805)设定隶属度阈值，当群体中的

模型训练模块将新获得的时序温度数据集、第一故障预警信息和第二故障预警信息并入去噪自编码网络和长短时记忆神经网络的训练集，利用新的训练集训练去噪自编码网络和长短时记忆神经网络；

模型训练模块将新获得的第一故障预警信息、第二故障预警信息和故障预警等级并入Xgboost模型的训练集，利用新的训练集训练Xgboost模型。

自编码网络、长短时记忆神经网络和Xgboost模型采用对称嵌入度量学习法进行训练，训练的损失函数J的公式为：

其中l

实施例1和实施例2提出了一种RFID监测的电气设备故障预警方法及系统，由于RFID温度采集系统采集的时序温度数据集中经常出现异常数据，包括数据噪声和数据缺失，通过第一故障预警信息和第一预测故障预警信息综合分析故障预警等级，避免过拟合，结果更加准确。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。