基于MP-Convformer并行网络的电力系统故障诊断方法

本技术涉及电力系统暂态信号故障识别与检测，具体涉及一种基于mp-convformer并行网络的电力系统暂态信号故障诊断方法和系统。背景技术：：：1、电能质量扰动信号的分析已经成为电力系统状态监测和维护的重要工作，由于大规模光伏发电、水利发电等分布式发电系统以及新能源汽车充电桩、工业驱动器等各种非线性负载的广泛使用，使得电网信号越来越复杂。这些分布式发电系统以及非线性负载并入电网都会向电网输入扰动信号，从而导致电网电压、电流出现波形畸变等电能质量劣化，这将对电力系统安全稳定运行以及周边的电气环境造成严重威胁。因此，对电力系统暂态扰动信号进行识别与分类具有重要意义。2、现如今电网的暂态信号扰动并非都是单一基本扰动，大多数是由多种不同扰动类型、不同扰动强度、不同起止时刻的基本扰动混合而成的复合电能质量扰动。这些复合电能质量扰动特征量之间可能存在时频域特征相互重叠、复杂交叉等情况，这也是当前电能质量扰动识别所面临的困难。3、此外，暂态信号具有持续时间短并随着时间的推移逐渐衰减、变化速度快、周期性不明显等特点，导致暂态信号在传输过程中会受到线路和设备的衰减和失真影响，使信号的波形和幅值发生改变。衰减和失真导致信号的特征信息丢失，增加了信号的识别和检测难度。4、随着计算机仿真技术的发展，出现了许多基于物理特征的电能质量扰动信号特征提取方法，如快速傅里叶变换（fft）、小波变换（wt）和希尔伯特-黄变换（hht）。但是，这些传统方法都存在某些难以克服的缺点。例如，fft仅适用于平稳信号，并且信号采集必须满足采样定理，否则分析结果将出现频谱混叠效应；wt在小波基选择上存在局限性，不存在一种小波基能适用所有的情况；hht能够很好的处理非线性非平稳信号，相对于前两者，具有更好的普适性，但存在模态混淆等问题。5、针对电力系统暂态信号变化速度快、噪声干扰强、不同暂态信号特征之间存在耦合等问题，单靠提取暂态信号单尺度特征和局部特征信息难以获取暂态信号的全局上下文信息，从而导致难以及时检测故障发生且难以准确识别故障类型。由于暂态信号扰动类型与扰动特征量类型复杂，故针对电力系统复合扰动此类传统的信号处理方法难以应对。技术实现思路1、本技术提供一种基于mp-convformer并行网络的电力系统暂态信号故障诊断方法和系统，以解决现有信号处理方法难以处理复合扰动信息的技术问题。2、本技术提供一种基于mp-convformer并行网络的电力系统暂态信号故障诊断方法，其包括：3、采集异常情况下的暂态信号的数据；4、利用小波降噪对暂态信号进行预处理，并获取预处理信号；5、利用倒残差模块中的卷积操作对预处理信号进行上采样并提取局部特征信息；6、利用倒残差模块中嵌入的通道注意力机制整合不同通道的特征信息；7、利用convformer模块提取不同路径下不同尺度上的全局特征信息；8、基于特征融合模块对局部特征信息以及全局特征信息进行融合；9、基于softmax函数的分类器对电力系统暂态信号的故障进行分类。10、可选的，所述利用小波降噪对暂态信号进行预处理，并获取预处理信号的步骤，包括以下步骤：11、基于正交小波分解将含噪声的暂态信号在时域和频域进行局部分解，其中正交小波分解后幅值比较大的小波系数为去噪信号，而幅值较小的系数为噪声信号；12、判断小波系数是否大于预设阈值，若是，保留该小波系数，若否，将该小波系数替换为预测的变量阈值，其中利用软阈值函数对小波系数进行处理的公式为：13、<mstyledisplaystyle="true"mathcolor="#000000"><msubsup><mi>σ</mi><mi>λ</mi><mi>s</mi></msubsup><mrow><mo>(</mo><mi>d</mi><mo>)</mo></mrow><mi>=</mi><mrow><mo>{</mo><mtable><mtr><mtd><mrow><mo>[</mo><mrow><mi>sgn</mi><mrow><mo>(</mo><mi>d</mi><mo>)</mo></mrow><mrow><mo>(</mo><mrow><mrow><mo>|</mo><mi>d</mi><mo>|</mo></mrow><mi>−</mi><mi>λ</mi></mrow><mo>)</mo></mrow></mrow><mo>]</mo></mrow><mi>,</mi><mrow><mo>|</mo><mi>d</mi><mo>|</mo></mrow><mi>&gt;</mi><mi>λ</mi></mtd></mtr><mtr><mtd><mn>0</mn><mi>,</mi><mrow><mo>|</mo><mi>d</mi><mo>|</mo></mrow><mi>≤</mi><mi>λ</mi></mtd></mtr></mtable><mo>}</mo></mrow></mstyle>，14、和分别代表经过去噪处理前后小波变换系数，为符号函数，λ为预设阈值，s代表小波分解层数；15、利用小波逆变换对处理后的小波系数进行还原。16、可选的，在所述判断小波系数是否大于预设阈值的步骤中，预测的变量阈值按照以下公式计算：17、，18、<mstyledisplaystyle="true"mathcolor="#000000"><mi>crit</mi><mi>=</mi><mfrac><msup><mrow><mo>[</mo><mrow><mi>log</mi><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mi>/log</mi><mn>2</mn></mrow><mo>]</mo></mrow><mrow><mn>1</mn><mi>.</mi><mn>5</mn></mrow></msup><msqrt><mi>n</mi></msqrt></mfrac></mstyle>，19、，20、其中，n为暂态信号x长度，为通用固定阈值规则的阈值，eta为通用固定阈值规则，为无偏似然估计规则的阈值，crit为无偏似然估计规则，λ为预测的变量阈值。21、可选的，在所述利用小波逆变换对处理后的小波系数进行还原的步骤中，利用小波重构减少噪声干扰，小波重构公式为：22、，23、，24、，25、其中，j为小波分解层数，k为离散采样点数，和表示低通滤波器组系数，和 表示高通滤波器组系数，和分别为尺度系数和滤波处理后的小波系数，m表示滤波器索引参数。26、可选的，所述利用倒残差模块中的卷积操作对预处理信号进行上采样并提取局部特征信息的步骤，包括以下步骤：27、利用卷积核大小为3的深度可分离卷积进行上采样并提取局部特征信息；28、利用卷积核大小为1的点卷积操作改变预处理信号的维度。29、可选的，所述利用倒残差模块中嵌入的通道注意力机制整合不同通道的特征信息的步骤，包括以下步骤：30、利用通道注意力机制整合不同通道的特征信息，所述通道注意力机制嵌入至两个卷积核大小为1x1的标准卷积层之间；31、利用卷积核大小为1的点卷积操作恢复预处理信号数据的维度；32、利用卷积核大小为3的深度可分离卷积恢复卷积处理后的预处理信号。33、可选的，所述利用convformer模块提取不同路径下不同尺度上的全局特征信息中，所述convformer模块包括多层卷积模块和多头注意力卷积模块；34、所述多层卷积模块包括依次堆叠的三个卷积核大小为3的卷积层，用以提取预处理信号更深层特征；35、所述多头注意力卷积模块包括三个不同尺度卷积核的卷积层、多头注意力机制、归一化层和前馈网络层。36、可选的，所述多头注意力卷积模块执行以下步骤：37、利用三个不同尺度卷积核的卷积层提取不同尺度的预处理信号故障特征，三个卷积层的卷积核大小分别为3、5、7；38、将输入的预处理信号分为三个维度相同的向量，所述向量分别为查询向量q、键向量k和值向量v；39、分别将三个向量封装成三个矩阵，分别为查询q、值k、值向量v；40、计算矩阵q与值k之间的点积操作得到两者之间相似性；41、通过softmax操作进行归一化处理；42、通过将归一化处理后的权重与值向量v进行加权求和，以赋予注意力层不同的表示子空间，来提高自注意力层的性能，注意力机制计算公式如下：43、，44、其中，q表示查询，k表示值、v表示值向量，表示缩放因子。45、可选的，在所述基于特征融合模块对局部特征信息以及全局特征信息进行融合的步骤中，特征融合模块的计算公式为：46、<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>a</mi><mi>i</mi></msub><mi>=</mi><mi>concat</mi><mrow><mo>(</mo><mrow><mo>[</mo><mrow><msub><mi>l</mi><mi>i</mi></msub><mi>,</mi><msub><mi>g</mi><mrow><mi>i</mi><mi>,</mi><mn>0</mn></mrow></msub><mi>,</mi><msub><mi>g</mi><mrow><mi>i</mi><mi>,</mi><mn>1</mn></mrow></msub><mi>,...,</mi><msub><mi>g</mi><mrow><mi>i</mi><mi>,</mi><mi>n</mi></mrow></msub></mrow><mo>]</mo></mrow><mo>)</mo></mrow></mstyle>，47、其中，gin表示多头注意力卷积模块的输出，li表示多层卷积模块的输出，ai表示聚合后的特征，i表示第i个类别特征，n表示第n个并联式convformer模块输出；48、在所述基于softmax函数的分类器对电力系统暂态信号的故障进行分类的步骤中，softmax函数的计算公式为：49、，50、其中，表示第f个类别的得分，k表示总的类别数。51、相应的，本技术还提供一种基于mp-convformer并行网络的电力系统暂态信号故障诊断方法和系统，其包括存储器以及处理器，存储器用于存储可执行程序代码；处理器连接至所述存储器，通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以执行上述任一项基于mp-convformer并行网络的电力系统暂态信号故障诊断方法中的步骤。52、本技术提供一种基于mp-convformer并行网络的电力系统暂态信号故障诊断方法和系统，基于mp-convformer并行网络的电力系统暂态信号故障诊断方法通过比较固定阈值规则和无偏似然估计规则度量指标的相对大小来决定在预处理阶段选择不同类型的小波变换阈值，从而最大程度去除噪声信息并保留故障信号特征。53、倒残差模块利用深度可分离卷积代替普通卷积操作，可以有效降低模型的参数量，同时为了重点关注重要通道上的特征，在结构中加入了通道注意力机制，可以有效地提升模型的特征表示能力并使得模型更加轻量化。54、利用convformer模块中的多头注意力卷积结构可以实现对不同细粒度特征进行建模，丰富了暂态信号的故障特征表示，并且以一种互补的方式将cnn与多头注意力机制结合起来，同时考虑到暂态信号的局部特征和全局特征，从而实现分类任务有更准确的理解和判断。当前第1页12当前第1页12