[發明專利]一種融合自編碼器和卷積神經網絡的電網故障診斷方法

有效

• 申請號: 202111004270.6
• 申請日: 2021-08-30
• 公開（公告）號: CN113740667B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 張旭;鄭鈺川;郭子興;劉伯文;丁睿婷;王怡
• 申請（專利權）人: 華北電力大學
• 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所(普通合伙) 11689
• 代理人: 肖繼軍;趙卿

本發明提供一種基于PMU(Phasor Measurement Unit)的融合自編碼器和卷積神經網絡的電網故障診斷方法。所述方法包括：采集電氣設備PMU數據，構建基于自編碼器(AE)的可疑故障設備定位模型；建立基于卷積神經網絡(CNN)的故障設備精準定位模型；繪制PMU數據的雷達圖，構建基于CNN的故障類型判定模型；結合故障設備定位與故障類型判定結果實現電網故障的診斷。在PMU數據的基礎上，引入人工智能算法來提升電網故障定位的效率與故障定性的準確性，實現端到端的自動化，大幅度節約了人力成本。

技術領域

本發明屬于PMU數據故障診斷領域，具體為一種基于PMU的融合自編碼器和卷積神經網絡的電網故障診斷方法，適用于通過自編碼器和卷積神經網絡模型對電網設備進行故障診斷。

背景技術

目前電力系統同步測量裝置PMU被廣泛的運用于進行同步相量的測量和輸出以及動態記錄。電力系統中PMU從GPS中同步采集次秒級的模擬電壓、電流信號，得到電壓和電流信號的幅值和相角，并將其傳送到調度中心的數據集中器，在調度中心可以得到整個電網的同步相量，以供實時監測、保護和控制等使用，廣泛應用于電力系統廣域測量系統的各個環節。

近年來，電網規模越來越大，運行結構日趨復雜，地區電網間的聯系緊密。能快速實現電網故障設備定位和故障類型判定的電網故障診斷方法，有利于檢修和事故后電網的快速恢復，是確保電網安全穩定運行的基礎。傳統的基于PMU數據的電網故障方法無法實現端到端的自動化故障定位和故障類型診斷，這已無法滿足現如今電網高速發展的需求。

發明內容

為了解決上述問題，本發明提供一種基于PMU的融合自編碼器和卷積神經網絡的電網故障診斷方法。該方法將采集到的電氣設備的 PMU數據通過基于AE的可疑故障設備定位模型進行初步定位，再經過基于CNN的故障設備精準定位模型對故障設備進行精準定位，最終基于PMU雷達圖和CNN語義特征提取能力實現對故障類型的判定。

具體采用如下方案：

一種基于PMU的融合自編碼器和卷積神經網絡的電網故障診斷方法，所述方法包括：

S1、采集電氣設備PMU數據，構建基于自編碼器AE的可疑故障設備定位模型；

S2、建立基于卷積神經網絡CNN的故障設備精準定位模型；

S3、繪制PMU數據的雷達圖，構建基于CNN的故障復雜度判定模型和基于CNN的短路故障類型分類模型；

S4、結合故障設備定位與故障類型判定結果實現電網故障的診斷。

優選地，所述基于自編碼器AE的可疑故障設備定位模型包括輸入層、隱藏層和輸出層；其中輸入層x₁～x₅為神經網絡自主學習到的PMU 數據在電網正常狀況下的數據特征；隱藏層為輸入層提取到的數據特征x₁～x₅經過神經網絡的學習后的濃縮特征h₁～h₃；輸出層為模型的重構特征。

優選地，自編碼器通過最小化重構誤差，即原始輸入特征和重構特征之間的差異對模型進行訓練，若輸入特征x₁～x₅與重構特征之間的誤差大于閾值，則說明該樣本不符合正常設備的數據特征，從而被判定為可疑故障設備的數據樣本。

優選地，所述誤差即為輸入特征x₁～x₅與重構特征之間的差值，所述閾值為可以判別可疑故障設備與正常設備之間特征差值的最小值。

優選地，所述步驟S1包括：

利用電氣設備正常運行狀態下的PMU數據訓練AE可疑設備定位模型，將測試樣本輸入訓練好的定位模型，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備集D，所述可疑故障設備集表達式為：