基于神经网络的电力通信故障分析检测方法及系统技术方案

本公开提供了一种基于神经网络的电力通信故障分析检测方法，包括以下步骤：获取电力通信节点数据并生成样本集；通过卷积神经网络构建故障分析检测模型，并对故障分析检测模型进行预训练；通过预训练好的故障分析检测模型得出故障分析结果，所述获取电力通信节点数据，包括在区域网络节点处使用相量测量单元对节点电压，支路电流，功率角，有功和无功功率进行测量并获取数据。基于已经训练好的电力故障信号检测模型，可以提前对待检测的质量不佳的电力信号进行预判，可进一步提前通知工作人员提高对其的关注度。提高对其的关注度。提高对其的关注度。

【技术实现步骤摘要】
基于神经网络的电力通信故障分析检测方法及系统


[0001]本公开涉及电力通信领域，尤其涉及一种基于神经网络的电力通信故障分析检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]电力通信的发展和社会的进步对电力通信的运行提出了越来越高的要求，加强对电力通信故障的检测处理显得尤为重要。故障检测一直是电力系统中的一项重要且不可忽视的任务，它能提高电力系统的可靠性，减少因故障造成的损失，其中配电网的故障和异常处理是配电网运行的首要工作，保证配电网运行经济性是配电网运行的重要工作。现今电力系统的拓扑结构和耦合干扰日益复杂，电力系统的故障检测变得愈加困难，适用于单一故障类型或简单系统的传统方法很难达到满意的效果，而卷积神经网络等深度学习的方法在特征提取、图像识别中显示出较大的潜力，对于电力系统故障的检测与辩识，有着重要的研究价值与实际意义。
[0004]卷积神经网络应用在电力系统故障检测方面，主要是是对电力系统的故障进行分类处理，然后用卷积神经网络做模式识别，由输出的概率向量快速判断故障位置和类型。卷积神经网络是人工神经网络的一种，已成为当前图像识别领域的研究热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值数量，同时图像可以直接作为网络的输入，对图像的平移、比例缩放等变形具有高度不变性。
[0005]电力企业通常利用故障录波器在系统发生故障时，自动地、准确地记录故障前、后过程的各种电气量的变化情况，通过对这些电气量的分析、比较，对分析处理事故、判断保护是否正确动作、提高电力系统安全运行水平有着重要作用，但故障信号识别不能预判，工作人员只能在故障发生时，根据故障录波器的记录，掌握故障前后各种电气量信号的变化情况，这样不利于工作人员对电力系统运行状态的掌控。

技术实现思路

[0006]本公开为了解决上述问题，提出了基于神经网络的电力通信故障分析检测方法及系统，本公开能够提前对待检测的质量不佳的电力信号进行预判，可进一步提前通知工作人员提高对其的关注度。
[0007]根据一些实施例，本公开采用如下技术方案：
[0008]一种基于神经网络的电力通信故障分析检测方法，包括以下步骤：
[0009]获取电力通信节点数据；
[0010]对所述电力通信节点数据进行数据预处理；
[0011]利用预处理的电力通信节点数据及预训练的故障分析检测模型得出故障分析结果；
[0012]其中，训练的故障分析检测模型通过深度卷积神经网络获得，根据深度卷积神经网络建立卷积神经网络的关键层，所述关键层包括卷积层、池化层和全连接层；将所述关键层的深度进行延伸，并不断进行交互连接，形成深度卷积神经网络。
[0013]进一步地，所述获取电力通信节点数据，包括在区域网络节点处使用相量测量单元对节点电压，支路电流，功率角，有功和无功功率进行测量并获取数据。
[0014]进一步地，对所述电力通信节点数据进行数据预处理；对所述电力通信节点数据进行归一化处理，形成归一化样本集；将所述归一化样本集分为训练集和测试集。
[0015]进一步地，所述通过卷积神经网络构建故障分析检测模型，包括根据所述电力通信节点数据的特点，确定符合所述特点的卷积神经网络深度，建立深度卷积神经网络。
[0016]进一步地，所述通过卷积神经网络构建故障分析检测模型，还包括对故障分析检测模型进行预训练。
[0017]进一步地，所述预训练包括将训练集输入深度卷积神经网络中，对卷积神经网络进行训练得到故障分析检测模型。
[0018]进一步地，将测试集输入到故障分析检测模型中，得到对测试集的故障信息判断结果并与测试集的故障信息比对，得到关于故障信息的准确率以及误差。
[0019]一种基于神经网络的电力通信故障分析检测系统，包括：
[0020]数据获取模块，被配置为，获取电力通信节点数据并生成样本集；
[0021]卷积网络模块，被配置为，通过卷积神经网络构建故障分析检测模型，并对故障分析检测模型进行预训练；
[0022]故障分析检测模块，被配置为，通过预训练好的故障分析检测模型得出故障分析结果。
[0023]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于神经网络的电力通信故障分析检测方法。
[0024]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于神经网络的电力通信故障分析检测方法。
[0025]与现有技术相比，本公开的有益效果为：
[0026]本公开通过采集具有故障且故障位置已知的电力信号及无故障的电力信号，然后对以上电力信号进行预处理，构造预处理矩阵及与预处理矩阵匹配的输出训练矩阵，之后构建卷积神经网络模型，利用预处理矩阵及与预处理矩阵匹配的输出训练矩阵对卷积神经网络模型进行训练，得到电力故障信号检测模型，最后利用电力故障信号检测模型对待检测的电力信号进行检测，检测过程的设计复杂度低，而且基于已经训练好的电力故障信号检测模型，可以提前对待检测的质量不佳的电力信号进行预判，可进一步提前通知工作人员提高对其的关注度。
附图说明
[0027]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0028]图1是本实施例的架构图；
具体实施方式：
[0029]下面结合附图与实施例对本公开作进一步说明。
[0030]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]实施例1.
[0033]如图1所示，一种基于神经网络的电力通信故障分析检测方法，包括以下步骤：
[0034]获取电力通信节点数据并生成样本集；
[0035]通过深度卷积神经网络构建故障分析检测模型，并对故障分析检测模型进行预训练；
[0036]通过预训练好的故障分析检测模型得出故障分析结果。
[0037]所述获取电力通信节点数据，包括在区域网络节点处使用相量测量单元对节点电压，支路电流，功率角，有功和无功功率进行测量并获取数据。
[0038]对所述电力通信节点数据进行数据预处理；对所述电力通信节点数据进行归一化处理，形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的电力通信故障分析检测方法，包括以下步骤：获取电力通信节点数据；对所述电力通信节点数据进行数据预处理；利用预处理的电力通信节点数据及预训练的故障分析检测模型得出故障分析结果；其中，训练的故障分析检测模型通过深度卷积神经网络获得，根据深度卷积神经网络建立卷积神经网络的关键层，所述关键层包括卷积层、池化层和全连接层；将所述关键层的深度进行延伸，并不断进行交互连接，形成深度卷积神经网络。2.如权利要求1所述的一种基于神经网络的电力通信故障分析检测方法，其特征是：所述获取电力通信节点数据，包括在区域网络节点处使用相量测量单元对节点电压，支路电流，功率角，有功和无功功率进行测量并获取数据。3.如权利要求1所述的一种基于神经网络的电力通信故障分析检测方法，其特征是：对所述电力通信节点数据进行数据预处理；对所述电力通信节点数据进行归一化处理，形成归一化样本集；将所述归一化样本集分为训练集和测试集。4.如权利要求1所述的一种基于神经网络的电力通信故障分析检测方法，其特征是：所述通过卷积神经网络构建故障分析检测模型，包括根据所述电力通信节点数据的特点，确定符合所述特点的卷积神经网络深度，建立深度卷积神经网络。5.如权利要求1所述的一种基于神经网络的电力通信故障分析检测方法，其特征是：所述通过卷积神经网络构建故障分析检测模型，还包括...

【专利技术属性】
技术研发人员：赵洪振，郭祥，郭保证，于为珍，李东兰，王超南，韩靖，薛燕，
申请(专利权)人：国网山东省电力公司济宁供电公司国家电网有限公司，
类型：发明
国别省市：