[發明專利]一種電網故障診斷方法、裝置、設備及可讀存儲介質

在審

• 申請號: 201810966929.8
• 申請日: 2018-08-23
• 公開（公告）號: CN108919059A
• 公開（公告）日: 2018-11-30
• 發明（設計）人: 江映燕;李偉堅;羅一文;徐曉東;陳素敏;張國翊;陳業釗;楊志花;劉超;李雅丹;徐鍵;胡飛飛;王遠豐;羅崇立;秦鳳枝;姜文婷;馬騰騰;許柏濤;劉紫健;陳燕;廖穎茜
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司電力調度控制中心
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本發明公開了一種電網故障診斷方法，一方面，在獲取與電網對應的樣本數據，并依據預定義規則確定出目標數據之后，為目標數據添加噪聲信號以形成故障數據，也就是說該故障診斷方法考慮了噪聲數據的影響，進而提高了電網故障診斷準確性；另一方面，在確定出故障數據之后，依據故障數據和樣本數據中剩余的非故障數據構建SOM神經網絡模型，并對SOM神經網絡模型進行訓練；最后根據訓練后的SOM神經網絡模型對電網故障進行診斷，因為SOM神經網絡模型相比于現有技術中傳統的BP神經網絡模型，收斂速度較快，所以進一步提高了電網故障診斷準確性。另外，本發明還公開了一種電網故障診斷裝置、設備及可讀存儲介質，效果如上。

技術領域

本發明涉電力系統應用領域，特別涉及一種電網故障診斷方法、裝置、設備及可讀存儲介質。

背景技術

隨著智能電網的逐步構建，電網的故障診斷問題也開始受到越來越多的關注，運維人員可以根據系統中顯示的信息了解當前電網的運行狀況，進而分析、定位和處理故障，因此根源故障的識別對電網的運維工作十分重要。近年來，基于人工智能的故障診斷算法已普遍應用于電網故障診斷中，旨在能準確分析并發現電網運行過程中出現的故障。

目前，主要通過構建BP神經網絡模型對電網故障信息進行診斷，但是由于電網系統的網絡數據量大，噪聲數據較多，并且電網故障的故障類型較多，傳統的BP神經網絡模型收斂速度較慢，沒有考慮噪聲數據的影響，進而導致電網故障的診斷準確性較低。

由此可見，如何克服在對電網故障進行診斷時，診斷準確性低的問題是本領域技術人員亟待解決的問題。

發明內容

本申請實施例提供了一種電網故障診斷方法、裝置、設備及可讀存儲介質，以解決現有技術中在對電網故障進行診斷時，診斷準確性低的問題。

為解決上述技術問題，本發明提供了一種電網故障診斷方法，包括：

獲取與電網對應的樣本數據，并依據預定義規則確定出目標數據；

為所述目標數據添加噪聲信號以形成故障數據；

依據所述故障數據和非故障數據構建SOM神經網絡模型，并對所述SOM 神經網絡模型進行訓練；

根據訓練后的所述SOM神經網絡模型對電網故障進行診斷；

其中，所述樣本數據由所述故障數據和所述非故障數據構成。

優選地，在所述獲取與電網對應的樣本數據之后，還包括：

對所述樣本數據進行規范化處理。

優選地，所述為所述目標數據添加噪聲信號具體為：

為所述目標數據添加高斯噪聲信號和置零噪聲信號。

優選地，在所述依據所述故障數據和非故障數據構建SOM神經網絡模型之后，還包括：

計算獲勝神經元，并確定所述獲勝神經元的鄰域函數。

優選地，所述確定所述獲勝神經元的鄰域函數具體包括：

當鄰域范圍等于閾值時，所述鄰域函數為柯西函數與高斯函數的符合函數；

當所述鄰域范圍大于所述閾值時，所述鄰域函數為所述柯西函數；

當所述鄰域范圍小于所述閾值時，所述鄰域函數為所述高斯函數。

優選地，所述根據訓練后的所述SOM神經網絡模型對電網故障進行診斷具體為：

依據訓練后的所述SOM神經網絡模型中的相似度函數對所述電網故障進行診斷。

為解決上述技術問題，本發明還提供了一種與電網故障診斷方法對應的裝置，包括：