[發明專利]基于神經網絡檢測電網數據的方法及系統

在審

• 申請號: 202310243134.5
• 申請日: 2023-03-14
• 公開（公告）號: CN116361725A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 車順龍
• 申請（專利權）人: 宿州市耀艙電子商務有限公司
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;H02J13/00;G06Q10/04;G06N3/0464;G06N3/045;G06N3/047;G06N3/0442;G06N3/082;G06N3/088;G06Q50/06
• 代理公司: 杭州寒武紀知識產權代理有限公司 33271
• 代理人: 張芊楠

本申請實施例涉及數據檢測技術領域，公開了一種基于神經網絡檢測電網數據的方法及系統，包括：步驟S1，基于終端采集電網數據，對電網數據進行仿真處理，獲取故障電網數據組并按比例劃分為模型訓練集和模型測試集；步驟S2，構建CNN?GRU神經網絡模型，用模型訓練集對神經網絡模型進行訓練，生成訓練好的神經網絡模型；神經網絡模型由卷積層、批歸一化層、參數修正層、全局池化層、防止過擬合層、卷積門控循環層、全連接層、分類器構成；步驟S3，終端實時采集電網數據并在SSAE?PNN模型中進行降維；步驟S4，將降維后的電網數據作為輸入，輸入進訓練好的CNN?GRU神經網絡模型中進行檢測，進行報警。

技術領域

本申請涉及數據檢測技術領域，尤其涉及一種基于神經網絡檢測電網數據的方法及系統。

背景技術

隨著電力系統網絡的復雜化、擴大化和區域網互聯趨勢的到來，電力系統的行為將會越來越復雜。在此情況下，豐富詳盡的現場實測數據無疑將具有越來越重要的價值。它們不僅是分析故障原因、檢驗繼電保護動作行為的依據，也為電力工作者研究了解復雜系統的真實行為、發現其規律提供了寶貴資料。

隨著網絡通信技術的進步，電力系統的運行可靠性顯著增強，但由于智能電網對數據通信的依賴，使其容易遭受多種惡意網絡攻擊，尤其是電網數據攻擊，會影響電網的重要決策，從而對智能電網狀態估計造成安全威脅，如何實時高效地檢測電網數據，對于保障智能電網安全運行具有?重要?意義，因此，檢測電網數據并正確、及時地處理故障數據，能夠防止事故擴大，對保證現代電網可靠和安全的運行有著極其重要的意義。

發明內容

本申請實施例提供一種基于神經網絡檢測電網數據的方法，能夠防止事故擴大，對保證現代電網可靠和安全的運行有著極其重要的意義。

為達到上述目的，本申請的實施例采用如下技術方案：

第一方面，提供了一種基于神經網絡檢測電網數據的方法，該方法包括：

在一種可能的實施方式中，所述步驟S1包括；

按4:1的比例將故障電網數據組劃分為模型訓練集和模型測試集。

在一種可能的實施方式中，設計所述步驟S2中CNN-GRU神經網絡模型的具體方法包括：

依次將卷積層、批歸一化層、參數修正層、全局池化層、防止過擬合層、卷積門控循環層、全連接層、softmax分類器串聯連接。

在一種可能的實施方式中，所述卷積層將處理好的電網數據集矩陣傳送至批歸一化層進行歸一化處理，所述批歸一化層將歸一化處理后的數據傳送至參數修正層進行去均值處理，所述參數修正層將結果輸入全局池化層，根據數據量的大小進行池化操作，從而再次實現特征的降維，所述全局池化層將池化降維后的數據傳輸至防止過擬合層進行集成，所述防止過擬合層將集成后的數據傳輸至卷積門控循環層提取輸入數據的時序特征，所述卷積門控循環層將提取時序特征后的數據傳輸至全連接層，并通過softmax分類器進行分類輸出結果。

在一種可能的實施方式中，在全連接層之前加入50個卷積門控循環層，每個卷積門控循環層由更新門和重置門組成。

在一種可能的實施方式中，設計所述步驟S3中SSAE-PNN模型的具體方法包括：

依次將輸入層、隱藏層、連接層、概率神經網絡層、求和層和輸出層串聯連接。

在一種可能的實施方式中，所述步驟S4包括：

使用CNN-GRU神經網絡模型中的softmax分類器對電網數據進行分類，當判斷到故障數據時進行報警。

第二方面，提供了一種基于神經網絡檢測電網數據的系統，該系統包括采集模塊，模型構建模塊，降維模塊和檢測模塊，其中：

采集模塊，用于采集電網數據，對電網數據進行仿真處理，獲取故障電網數據組并按比例劃分為模型訓練集和模型測試集，存儲至數據庫；