基于迁移学习的多中心电力系统故障预测方法及系统技术方案

本发明专利技术涉及一种基于迁移学习的多中心电力系统故障预测方法及系统,属于电力系统维护技术领域。方法包括：获取不同地区电力系统的故障数据；建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。本方法可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题，同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。大提高了预测模型的准确度。大提高了预测模型的准确度。

【技术实现步骤摘要】
基于迁移学习的多中心电力系统故障预测方法及系统


[0001]本专利技术属于电力系统维护
，尤其涉及一种基于迁移学习的多中心电力系统故障预测方法及系统。

技术介绍

[0002]随着我国社会经济的不断发展，能源消耗量也在与日俱增。由于我国幅员辽阔并且人口密度大，电力系统的持续安全运行面临着不小的挑战。
[0003]我国电力系统几乎遍及人民群众工作生活所在的每一处，若出现电力系统的故障，不光会影响人民群众的正常生活，更会直接造成众多企业和单位的经济损失。可以说，电力系统的安全直接关系着人民群众的生命财产安全，是不容回避的一个重大课题。
[0004]作为一个庞大且复杂的系统，电力传输过程中无可避免会产生各种问题，想要百分百保持电力系统安全平稳运行是不现实的。所以找到一种准确且高效的电力故障预测方法刻不容缓，有了好的故障预测方法，我们就可以准确识别出潜在的故障类型，包括短路故障、断相故障、复杂故障以及由自然灾害引发的故障等。在预测出潜在的故障类型之后，就可以及时安排相关人员在故障发生前进行检查与排除。预测结果的准确性越高，电力系统带来故障的损失也就越小。
[0005]然而，当前常用的预测方法往往只局限在某一个地区范围内，导致可用的故障数据集较小，可能不足以支撑起预测模型的训练，这也直接影响了模型的精确度。而使用仿真数据的话，又可能导致模型出现过拟合，使得模型在实际预测过程中效果不理想。

技术实现思路

[0006]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于迁移学习的多中心电力系统故障预测方法及系统，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题，同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
[0007]根据本专利技术的一个方面，本专利技术提供了一种基于迁移学习的多中心电力系统故障预测方法，所述方法包括以下步骤：
[0008]S1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
[0009]S2：建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
[0010]S3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
[0011]优选地，所述方法包括：
[0012]选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
[0013]所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
[0014]优选地，所述方法包括：
[0015]引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
[0016]R
λ
(x)＝x
[0017][0018]其中，λ参数是动态变化的，其表达式如下：
[0019][0020]上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
[0021]优选地，所述方法包括：
[0022]根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
[0023][0024]其中μ0为初始学习率，α和β为超参数。
[0025]优选地，所述方法包括：
[0026]完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0027]根据本专利技术的另一个方面，本专利技术还提供了一种基于迁移学习的多中心电力系统故障预测系统，所述系统包括：
[0028]获取模块，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
[0029]训练模块，用于建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
[0030]预测模块，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
[0031]优选地，所述训练模块用于：
[0032]选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
[0033]所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
[0034]优选地，所述训练模块用于：
[0035]引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参
数之前自动进行梯度取反，从而实现对抗学习训练：
[0036]R
λ
(x)＝x
[0037][0038]其中，λ参数是动态变化的，其表达式如下：
[0039][0040]上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
[0041]优选地，所述训练模块用于：
[0042]根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
[0043][0044]其中μ0为初始学习率，α和β为超参数。
[0045]优选地，所述预测模块用于：
[0046]完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0047]有益效果：本专利技术采用了多中心迁移学习算法，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题。同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
[0048]通过参照以下附图及对本专利技术的具体实施方式的详细描述，本专利技术的特征及优点将会变得清楚。
附图说明
[0049]图1是基于迁移学习的多中心电力系统故障预测方法流程图；
[0050]图2是基于迁移学习的多中心电力系统故障预测系统示意图。
具体实施方式
[0051]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0052]实施例1
[0053]图1是基于迁移学习的多中心电力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的多中心电力系统故障预测方法，其特征在于，所述方法包括以下步骤：S1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；S2：建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；S3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。2.根据权利要求1所述的方法，其特征在于，所述方法包括：选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。3.根据权利要求2所述的方法，其特征在于，所述方法包括：引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：R
λ
(x)＝x其中，λ参数是动态变化的，其表达式如下：上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。4.根据权利要求3所述的方法，其特征在于，所述方法包括：根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：其中μ0为初始学习率，α和β为超参数。5.根据权利要求4所述的方法，其特征在于，所述方法包括：完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。6.一种基于迁移学习的多中心电...

【专利技术属性】
技术研发人员：顾彬仕，黄霆，黄峰，袁健华，陈赛赛，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：