买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开了一种具有自学习强泛化能力的失稳故障监测方法，包括采集电气量节点的数据以构建样本；输入actor‑critic架构的强化学习网络，利用该网络可以实现自学习形成不同的诊断模型；利用训练得到的诊断模型在线实时诊断电力电子化系统的失稳状态。本发明还提供了一种失稳故障监测装置。本发明提供的方法能够针对不同的电力电子系统结构和故障诊断任务，同时解决失稳监测和单模块故障问题，具有强泛化能力与高自适应用。

主权项：1.一种具有自学习强泛化能力的失稳故障监测方法，其特征在于，包括以下步骤：步骤1、采集电力电子系统中各电子器件的电气数据，并选取部分电气数据以系统失稳故障类型进行标签标注，将带有标签的电气数据与未带标签的电气数据组成数据集样本；步骤2、基于深度置信神经网络框架构建分类网络，所述分类网络包括多个叠加相连的网络层以及与末端网络层相连的softmax层，并利用数据集样本对分类网络进行训练，以构建用于判断电力电子系统是否失稳故障的判断模型；通过强化学习算法对分类网络的训练过程进行优化，所述强化学习网络以不同数量网络层和softmax层组成的网络结构作为动作空间，并以前后两次训练的判断模型损失率作为优化目标，以获得优化结果，所述优化结果包括叠加后的网络结构以及对应的预测损失率，其具体过程如下：初始化参数，eposide=0，设置T为每一个eposide中的最大执行步数，与最优诊断率；然后，在每一幕中执行以下操作，共进行T步：1初始化迭代时刻t=0，随机初始化底层的网络层结构；2然后，actor根据贪婪算法选取当前时刻动作；actor的输入为当前t时刻的状态St=DBNt，基于状态并遵循策略，actor采取动作，从备选模型中选取网络层构成t时刻的判断模型，然后与对应softmax层构成诊断模型St+1=DBNt+1；3通过比较DBNt+1和DBNt的诊断精度，得到最优诊断准确率，同时actor根据下式获得奖励值；4当缓冲区内存储的数据对到达某一设定值N，若未达到N，则重复2-3，对actor参数进行训练更新；从缓冲区中采样N个小批量样本，利用critic预测状态下对应会采取的行动和得到的奖励，并计算状态下的目标回报值；最终得到损失函数：式中，为actor待更新参数，为在缓冲区实际采集到的这N个样本中状态下采取实际行动后得到的状态，为在缓冲区实际采集到的这N个样本中状态下的实际价值；得到损失后利用梯度下降法更新actor参数；5每隔C次，更新critic的权重值，使其与actor的权重值一致，即令；当执行超过T次时，判断记录的最优准确值是否达到要求，若达到要求则终止训练，否则进入下一幕eposide，基于actor-critic架构的神经网络输出对应的诊断模型；步骤3、将电力电子系统中的电气数据输入至步骤2中满足预设预测损失率的判断模型中，以输出电力电子系统是否为失稳故障的判断结果。

全文数据：

权利要求：

百度查询： 浙江大学 一种具有自学习强泛化能力的失稳故障监测方法及装置