近日，美国IEEE Transactions on Industrial Informatics期刊在线发表了清华大学安全控制技术研究团队的最新学术成果成果Compound-Fault Diagnosis of Integrated Energy Systems Based on Graph Embedded Recurrent Neural Networks（基于图嵌入循环神经网络的综合能源系统复合故障诊断方法）。

在综合能源系统（Integrated energy systems, IES）中，多种类型能源网络相互耦合，若网络内单一节点发生故障，相关变量波动将沿拓扑结构传播至邻接节点，并通过能源转换设备影响其他类型能源网络内的供需关系。IES中的复合故障将对整体系统的正常运行产生极大影响。由于传感器采样的过程数据无法直接体现复合故障特征，且复合故障形式复杂，实际工业中难以获得充足的复合故障样本，复合故障类别样本缺失为IES的故障诊断带来了巨大挑战。

清华大学安全控制技术研究团队针对小样本复合故障数据下的IES故障诊断问题提出了一种不依赖复合故障样本数据量的多尺度时空图学习方法。如图1所示，所提出模型基于IES耦合设备拓扑结构从多空间尺度挖掘子系统变量数据间的相关性信息，并基于中心损失函数学习复合故障及其单一故障组成成分样本间的恒定特征。实验所采用的各类别复合故障训练数据样本量均小于任一单一故障样本量的千分之一。首先通过故障检测和特征数据可视化实验说明了所提出的多尺度时空图模型的有效性。进一步在非理想数据条件下通过对比实验说明了所提出方法在复合故障诊断上的优势。

图1 基于多尺度时空图的IES复合故障诊断方法

该论文第一作者为清华大学自动化系2017级博士生张竞菲，清华大学自动化系教授、安全控制技术研究中心主任何潇为论文通讯作者。研究工作得到了国家自然科学基金委、国家科技部等单位的项目支持。

扫码关注

THU安全控制‍‍‍‍‍‍