[發明專利]一種基于卷積長短期記憶網絡的電力故障預警方法及系統

在審

• 申請號: 202110422529.2
• 申請日: 2021-04-19
• 公開（公告）號: CN112949947A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 彭龍;黨三磊;黃友朋;姚智聰;招景明;彭策
• 申請（專利權）人: 廣東電網有限責任公司計量中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06Q50/06;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;呂金金

本發明公開了一種基于卷積長短期記憶網絡的電力故障預警方法及系統，包括：獲取目標區域內每種電力設備的歷史電壓數據，并通過所述歷史電壓數據訓練出合適的網絡參數，再根據網絡模型的預設歷史電壓數據，計算霍特林統計量并確定霍特林統計量正常的閾值；獲取目標區域內每種電力設備的實時電壓數據，然后代入到訓練后網絡模型得到每種電力設備的預測實時電壓數據，再計算所述預測實時電壓數據的霍特林統計量，檢驗所述預測實時電壓數據的霍特林統計量是否在正常的閾值范圍內，若小于閾值則為正常，若大于閾值則為異常。本發明能夠同時提取數據時間和空間特征，在高維數據復雜場景中表現效果更好。

技術領域

本發明涉及電力故障預警技術領域，特別是涉及一種基于卷積長短期記憶網絡的電力故障預警方法、系統、終端和存儲介質。

背景技術

工業過程中電力的故障監測影響著工業生產的穩定運行，故障的預警起著至關重要的作用。在復雜的工業過程中，現場繁雜的電力設備常伴隨著高維的，非線性的數據監控，常規的數據處理算法難以應用。目前工業應用的方法有簡單場景的人工監測方法，自動評估的主成分分析法(PCA)、偏最小二乘(PLS)等方法。

但是，人工檢測方法需要耗費較多的人力資源，而自動評估的主成分分析法(PCA)、偏最小二乘(PLS)等方法在高維的實踐過程中效果欠佳。

發明內容

本發明的目的是：提供一種基于卷積長短期記憶網絡的電力故障預警方法，能在現有技術方法數據擬合的基礎上，同時考慮同類數據的時間空間關聯性，相比原有方法對于復雜工業數據有更好的應用效果。

為了實現上述目的，本發明提供了一種基于卷積長短期記憶網絡的電力故障預警方法，包括：

獲取目標區域內每種電力設備的歷史電壓數據，并對所述歷史電壓數據預處理，獲得預處理后的歷史電壓數據；

將所述預處理后的歷史電壓數據輸入預設的卷積長短期記憶網絡模型中，對所述預設的卷積長短期記憶網絡模型的網絡參數進行訓練，獲得訓練后的卷積長短期記憶網絡模型；

將預處理后的歷史電壓數據輸入訓練后的卷積長短期記憶網絡模型，得到每種電力設備的預測歷史電壓數據；

分別計算所述每種電力設備的預測歷史電壓數據的霍特林統計量，并確定每種電力設備電壓數據的霍特林統計量的閾值；

獲取目標區域內每種電力設備的實時電壓數據，并對所述實時電壓數據進行預處理后輸入到訓練后的卷積長短期記憶網絡模型；獲得每種電力設備的預測實時電壓數據；

分別計算所述每種電力設備的預測實時電壓數據的霍特林統計量，并判斷所述每種電力設備的預測實時電壓數據的霍特林統計量是否小于所述每種電力設備電壓數據的霍特林統計量的閾值，若是，則對應電力設備正常，若否，則對應的電力設備異常。

進一步地，所述獲取目標區域內每種電力設備的歷史電壓數據，并對所述歷史電壓數據預處理，獲得預處理后的歷史電壓數據，具體為：

采用零-均值規范化的方法對每種電力設備的歷史電壓數據進行歸一化處理，具體公式如下：

其中x，x^*分別為歸一化前后序列，μ為樣本均值，σ為樣本標準差。

進一步地，將所述預處理后的電壓數據輸入預設的卷積長短期記憶網絡模型的網絡參數進行訓練，獲得訓練后的卷積長短期記憶網絡模型，具體為：

設置訓練過程的超參數；隨機初始化網絡的權重W和偏置參數b；代入每個樣本數據，按網絡結構順序計算獲得預測結果h_t；用預測結果與真實值的均方差計算預測損失函數；根據Adam優化算法更新網絡的權重W和偏置參數b。

進一步地，所述根據Adam優化算法更新網絡的權重W和偏置參數b，具體為：