[發(fā)明專利]一種融合自編碼器和卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法

有效

• 申請?zhí)枺?/td>: 202111004270.6
• 申請日: 2021-08-30
• 公開（公告）號: CN113740667B
• 公開（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 張旭;鄭鈺川;郭子興;劉伯文;丁睿婷;王怡
• 申請（專利權(quán)）人: 華北電力大學(xué)
• 主分類號: G01R31/08
• 分類號: G01R31/08
• 代理公司: 北京智繪未來專利代理事務(wù)所(普通合伙) 11689
• 代理人: 肖繼軍;趙卿

1.一種基于PMU的融合自編碼器和卷積神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法，其特征在于，所述方法包括：

S1、采集電氣設(shè)備PMU數(shù)據(jù)，構(gòu)建基于自編碼器AE的可疑故障設(shè)備定位模型；自編碼器通過最小化重構(gòu)誤差，即原始輸入特征和重構(gòu)特征之間的差異對模型進(jìn)行訓(xùn)練，若輸入特征x₁～x₅與重構(gòu)特征之間的誤差大于閾值，則該樣本不符合正常設(shè)備的數(shù)據(jù)特征，從而被判定為可疑故障設(shè)備的數(shù)據(jù)樣本；

S2、建立基于卷積神經(jīng)網(wǎng)絡(luò)CNN的故障設(shè)備精準(zhǔn)定位模型；基于CNN的定位模型包括輸入層、隱含層和輸出層，隱含層包括卷積層、池化層、全連接層；以貼上故障和非故障標(biāo)簽的可疑故障設(shè)備的數(shù)據(jù)樣本作為故障設(shè)備精準(zhǔn)定位模型的輸入，以分類結(jié)果即故障或非故障為故障設(shè)備精準(zhǔn)定位模型的輸出；輸入的數(shù)據(jù)樣本經(jīng)過卷積層和最大池化層自動提取故障數(shù)據(jù)特征，通過全連接層自動輸出分類結(jié)果，實(shí)現(xiàn)可疑故障設(shè)備的精準(zhǔn)定位；

S3、繪制PMU數(shù)據(jù)的雷達(dá)圖，構(gòu)建基于CNN的故障復(fù)雜度判定模型；將故障情況下的電氣設(shè)備的PMU數(shù)據(jù)雷達(dá)圖輸入故障復(fù)雜度判定模型，使其自主學(xué)習(xí)PMU數(shù)據(jù)雷達(dá)圖中的電網(wǎng)故障特征，模型輸出為簡單故障或復(fù)雜故障兩種情況的分類結(jié)果；

繪制PMU數(shù)據(jù)的雷達(dá)圖，構(gòu)建基于CNN的故障類型判定模型；選取故障設(shè)備的A、B、C三相電壓、三相電流的幅值和相角以及電頻率、有功和無功功率和繪制各設(shè)備的PMU數(shù)據(jù)雷達(dá)圖，利用CNN提取PMU數(shù)據(jù)的圖形語義，判定最終故障類型；

S4、結(jié)合故障設(shè)備精準(zhǔn)定位模型輸出的故障設(shè)備定位與故障類型判定結(jié)果實(shí)現(xiàn)電網(wǎng)故障的診斷。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S1中，

所述基于自編碼器AE的可疑故障設(shè)備定位模型包括輸入層、隱藏層和輸出層；其中輸入層x₁～x₅為神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)到的PMU數(shù)據(jù)在電網(wǎng)正常狀況下的數(shù)據(jù)特征；隱藏層為輸入層提取到的數(shù)據(jù)特征x₁～x₅經(jīng)過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后的濃縮特征h₁～h₃；輸出層為模型的重構(gòu)特征。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S1中，所述誤差即為輸入特征x₁～x₅與重構(gòu)特征之間的差值，所述閾值為可以判別可疑故障設(shè)備與正常設(shè)備之間特征差值的最小值。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟S1包括：

利用電氣設(shè)備正常運(yùn)行狀態(tài)下的PMU數(shù)據(jù)訓(xùn)練AE可疑設(shè)備定位模型，將測試樣本輸入訓(xùn)練好的定位模型，若測試樣本為非故障樣本，則模型輸出為空，否則模型輸出可疑故障設(shè)備集D，所述可疑故障設(shè)備集表達(dá)式為：

D＝{d₁,d₂,L,d_n}

其中d₁～d_n為可疑故障設(shè)備，n為可疑故障設(shè)備數(shù)量。