[發(fā)明專利]一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110502213.4
• 申請(qǐng)日: 2021-05-08
• 公開（公告）號(hào): CN113159345A
• 公開（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 劉幸蔚;范士雄;衛(wèi)澤晨;張風(fēng)彬;齊曉琳;楊楠;韓昳;黃宇鵬;邱成建;齊洋洋;李章文;宋旭日;周德生;杜炤鑫;葉洪波;肖飛;王治華;陳宏福;胡友琳;李立新;李勁松;狄方春;於益軍;劉升;門德月
• 申請(qǐng)（專利權(quán)）人: 中國電力科學(xué)研究院有限公司;國家電網(wǎng)有限公司;國網(wǎng)上海市電力公司
• 主分類號(hào): G06Q10/00
• 分類號(hào): G06Q10/00;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京中巡通大知識(shí)產(chǎn)權(quán)代理有限公司 11703
• 代理人: 齊書田

1.一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，包括：

獲取待故障辨識(shí)電網(wǎng)線路中若干表征電網(wǎng)運(yùn)行狀態(tài)的電力參數(shù)作為特征值并進(jìn)行預(yù)處理；

將預(yù)處理后的特征值輸入預(yù)先獲得的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率；

其中，所述融合神經(jīng)網(wǎng)絡(luò)模型融合了一維卷積神經(jīng)網(wǎng)絡(luò)以及LSTM神經(jīng)網(wǎng)絡(luò)；所述融合神經(jīng)網(wǎng)絡(luò)模型通過對(duì)電網(wǎng)的故障運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)獲得。

2.根據(jù)權(quán)利要求1所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述獲取待故障辨識(shí)電網(wǎng)線路的特征值并進(jìn)行預(yù)處理的步驟中，所述待故障辨識(shí)電網(wǎng)線路為具有拓?fù)浣Y(jié)構(gòu)的電網(wǎng)線路。

3.根據(jù)權(quán)利要求2所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述獲取待故障辨識(shí)電網(wǎng)線路的特征值并進(jìn)行預(yù)處理的步驟中，具體包括：

采用樹搜索方式對(duì)拓?fù)浣Y(jié)構(gòu)的待故障辨識(shí)電網(wǎng)線路進(jìn)行節(jié)點(diǎn)編號(hào)；

所述特征值包括線路首端電壓幅值、線路末端電壓幅值、線路首端注入功率、線路末端注入功率、線路有功和線路無功中至少三個(gè)；

其中，線路首端為節(jié)點(diǎn)編號(hào)最小的一端，線路末端為節(jié)點(diǎn)編號(hào)最大的一端。

4.根據(jù)權(quán)利要求3所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述獲取待故障辨識(shí)電網(wǎng)線路的特征值并進(jìn)行預(yù)處理的步驟中，線路有功P_ij計(jì)算方法為：

線路無功Q_ij計(jì)算方法為：

其中，U_i為線路首端電壓幅值，U_j為線路末端電壓幅值，B_ij為線路電納，G_ij為線路電導(dǎo)，y_ij0為對(duì)地導(dǎo)納，θ_ij為首末端節(jié)點(diǎn)電壓相角差。

5.根據(jù)權(quán)利要求1所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述將預(yù)處理后的特征值輸入預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率的步驟中，所述預(yù)處理具體為將獲取的待故障辨識(shí)電網(wǎng)線路的特征值轉(zhuǎn)化為一維向量格式。

6.根據(jù)權(quán)利要求1所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述將預(yù)處理后的特征值輸入預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率的步驟中，所述預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型包括依次連接的一層一維卷積神經(jīng)網(wǎng)絡(luò)、一層池化層、兩層LSTM神經(jīng)網(wǎng)絡(luò)和三層全連接層。

7.根據(jù)權(quán)利要求6所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述將預(yù)處理后的特征值輸入預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率的步驟中，所述一維卷積神經(jīng)網(wǎng)絡(luò)的卷積核數(shù)量等于特征值的數(shù)量M；每個(gè)卷積核的大小為a，a的取值范圍為步長為l，步長大于或等于卷積核尺寸a。

8.根據(jù)權(quán)利要求6所述的一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)方法，其特征在于，所述將預(yù)處理后的特征值輸入預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率的步驟中，以三層全連接層作為輸出層，最后的輸出層輸出單元個(gè)數(shù)與故障類型數(shù)相同，采用sigmoid函數(shù)作為激活函數(shù)，將各輸出歸為(0，1)區(qū)間，表明各類故障發(fā)生的概率大小。

9.一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)系統(tǒng)，其特征在于，包括：

數(shù)據(jù)采集模塊，用于獲取待故障辨識(shí)電網(wǎng)線路的特征值并進(jìn)行預(yù)處理；

故障辨識(shí)模塊，用于將預(yù)處理后的特征值輸入預(yù)先建立的融合神經(jīng)網(wǎng)絡(luò)模型，獲得待故障辨識(shí)電網(wǎng)線路的故障概率。

10.一種基于融合神經(jīng)網(wǎng)絡(luò)模型的電網(wǎng)故障辨識(shí)系統(tǒng)，應(yīng)用于電力系統(tǒng)，其特征在于，包括：處理器以及與所述處理器耦合的存儲(chǔ)器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至8中任一項(xiàng)所述的方法步驟。