基于RCNN和标签嵌入的电网多任务故障判别方法及系统技术方案

本发明专利技术公开了基于RCNN和标签嵌入的电网多任务故障判别方法及系统，涉及一种电网故障判别技术，包括如下步骤：S1:告警信息数据预处理；S2:告警信息文本词向量表示；S3:RCNN提取告警信息文本特征；S4：基于标签嵌入的文本语义注意力权重矩阵表示的统一学习；S5：告警信息分类预测，将每个单词的注意力权重矩阵β和RCNN的输出文本向量H进行加权平均，获得最终的文本向量表示。本发明专利技术相比于CNN、RNN，RCNN能保留文本中的重要信息，尽可能保留词序；同时，标签嵌入能针对不同分类任务对告警信息的单词分配不同注意力权重。词分配不同注意力权重。词分配不同注意力权重。

【技术实现步骤摘要】
基于RCNN和标签嵌入的电网多任务故障判别方法及系统


[0001]本专利技术属于电力工程
，具体涉及一种电网故障判别技术。

技术介绍

[0002]目前电网中基于告警信息文本的故障诊断主要依赖电网监测人员的主观判断，效率低且容易误判。
[0003]目前针对电网故障诊断的深度学习方法已经成为一项热点。将深度学习技术与电网故障诊断相结合能帮助监控人员快速准确地获取上窗告警信息，提供辅助决策，提高电网故障诊断的准确率和效率，促进电网的稳定性和安全性发展。
[0004]基于SCADA实时告警信息和深度学习的故障诊断方法主要采用的神经网络有TextCNN、LSTM、GRU、RNN等，流程为将告警信息文本的预处理、词嵌入，模型学习，最后训练出电网故障诊断模型。但电网的故障不止一种，电网故障的分类方式多样，因此针对不同的故障诊断任务调整单词权重，使模型能更加适配于不同的故障诊断任务十分重要。

技术实现思路

[0005]针对现有技术中的不足，本专利技术所要解决的技术问题在于提供一种基于RCNN和标签嵌入的电网多任务故障判别方法及系统，将深度学习技术与电网故障诊断相结合，提升多任务故障诊断精度。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]一方面，提供了基于RCNN和标签嵌入的电网多任务故障判别方法，在获取告警信息后进行故障判别，包括如下步骤：
[0008]S1:告警信息数据预处理；
[0009]S2:告警信息文本词向量表示；
[0010]S3:RCNN提取告警信息文本特征；
[0011]S4：基于标签嵌入的文本语义注意力权重矩阵表示的统一学习,计算标签嵌入下告警信息文本的注意力权重矩阵为B＝b1，b2，...，b
n
，b
i
∈R
k
，B的计算公式如下：
[0012][0013]其中为权重矩阵B的归一化矩阵，B∈R
n
×
k
，Θ表示同维度矩阵的对应元素相除,对B中所有元素b
i
最大池化操作，获取每个单词的权重最大值作为单词的权重，并进行softmax归一化；
[0014]S5：告警信息分类预测，将每个单词的注意力权重矩阵β和RCNN的输出文本向量H进行加权平均，获得最终的文本向量表示，公式如下：
[0015][0016]其中，β
i
为学习到的第i个单词的注意力权重，h
i
为第i个单词的文本向量表示，将T
输入softmax层中预测告警信息故障类型：
[0017]y＝softmax(T)。
[0018]优选的，将训练集样本输入模型对其进行训练，提取学习告警信息文本数据特征，经过反复地模型参数寻优和超参数调整后得到训练后的输电线路故障类型判别模型；对于不同的故障诊断任务，将测试集输入相应的训练好的输电线路故障类型判别模型中进行测试，进行输电线路故障类型的判别。
[0019]优选的，所述步骤S2采用word2vec中的CBOW来训练词嵌入。
[0020]优选的，按8：2的比例将告警信息文本随机划分为训练集和测试集。
[0021]优选的，输出故障类型判别的准确率、精确率、召回率和F1值四个评价指标以及判别结果混淆矩阵，
[0022]四个评价指标计算公式为
[0023][0024][0025][0026][0027]式中，TP表示真实值是positive，预测值是positive的数量；FN表示真实值是positive，预测值是negative的数量；FP表示真实值是negative，预测值是positive的数量；TN表示真实值是negative，预测值是negative的数量；混淆矩阵中包含各种类型判别结果的样本数量和所占百分比，数字越大矩阵块颜色越深，数字越小矩阵块颜色越浅。
[0028]另一方面，本专利技术提供了一种基于RCNN和标签嵌入的电网多任务故障判别系统，包括:
[0029]文本向量表示模块,所述文本向量表示模块用于告警信息的向量表示；
[0030]基于标签的注意力权重学习模块,所述基于标签的注意力权重学习模块用于RCNN对告警信息文本的上下文语义提取，将标签张量嵌入告警信息文本表示中，获取注意力权重矩阵；
[0031]故障分类预测模块,所述故障分类预测模块用于将告警信息文本表示和注意力权重矩阵进行加权平均获取最终的文本语义表示向量，通过softmax层进行分类预测并进行训练；
[0032]输出模块,所述输出模块输出混淆矩阵，包括输电线路故障类型判别的准确率、精确率、召回率和F1值评价指标和故障类型判别结果。
[0033]针对基于告警信息的多任务电网故障诊断，本专利技术提出将RCNN和标签嵌入结合学习告警信息深层表示，提升多任务故障诊断精度。
[0034]相比于CNN、RNN，RCNN能保留文本中的重要信息，尽可能保留词序；同时，标签嵌入
能针对不同分类任务对告警信息的单词分配不同注意力权重，从而促进多任务电网故障诊断的发展，促进电网安全化智能化发展。
[0035]本专利技术的这些特点和优点将会在下面的具体实施方式、附图中详细的揭露。
【附图说明】
[0036]下面结合附图对专利技术做进一步的说明：
[0037]图1为本专利技术基于RCNN和标签嵌入的电网多任务故障判别方法的流程图；
[0038]图2为本专利技术告警信息词向量表示的方法示意图；
[0039]图3为本专利技术RCNN模型的结构图；
[0040]图4为本专利技术的系统原理框图。
【具体实施方式】
[0041]下面结合本专利技术实施例的附图对本专利技术实施例的技术方案进行解释和说明，但下述实施例仅为本专利技术的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本专利技术的保护范围。
[0042]标签嵌入是指将图像或文本所属的类别标签转化为数字化的表现形式，再进行向量化的表示。目前提出标签嵌入注意力模型(Label
‑
Embedding Attentive Model，LEAM)结合标签嵌入与注意力机制，能获取更精准的文本表示，提升文本分类效果。
[0043]因此，针对基于告警信息的多任务电网故障诊断，本专利技术提出将RCNN和标签嵌入结合学习告警信息深层表示。
[0044]针对深度学习和电网故障诊断的融合前景以及多任务诊断的重要性，本专利技术引入文本分类表现优秀的RCNN(循环卷积神经网络)能尽可能地提取告警信息文本中的重要部分，同时针对多任务诊断，本专利技术引入标签嵌入，将标签和告警信息向量表示嵌入同一空间学习，根据分类任务的不同，调整文本中的单词注意力权重，提高电网故障分类精度。
[0045]本专利技术训练了三种故障分类模型：
①
线路故障、母线故障、变压器故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于RCNN和标签嵌入的电网多任务故障判别方法，在获取告警信息后进行故障判别，其特征在于，包括如下步骤：S1:告警信息数据预处理；S2:告警信息文本词向量表示；S3:RCNN提取告警信息文本特征；S4：基于标签嵌入的文本语义注意力权重矩阵表示的统一学习,计算标签嵌入下告警信息文本的注意力权重矩阵为B＝b1，b2，...，b
n
，b
i
∈R
k
，B的计算公式如下：其中为权重矩阵B的归一化矩阵，B∈R
n
×
k
，Θ表示同维度矩阵的对应元素相除,对B中所有元素b
i
最大池化操作，获取每个单词的权重最大值作为单词的权重，并进行softmax归一化；S5：告警信息分类预测，将每个单词的注意力权重矩阵β和RCNN的输出文本向量H进行加权平均，获得最终的文本向量表示，公式如下：其中，β
i
为学习到的第i个单词的注意力权重，h
i
为第i个单词的文本向量表示，将T输入softmax层中预测告警信息故障类型：y＝softmax(T)。2.根据权利要求1所述的基于RCNN和标签嵌入的电网多任务故障判别方法，其特征在于，将训练集样本输入模型对其进行训练，提取学习告警信息文本数据特征，经过反复地模型参数寻优和超参数调整后得到训练后的输电线路故障类型判别模型；对于不同的故障诊断任务，将测试集输入相应的训练好的输电线路故障类型判别模型中进行测试，进行输电线路故障类型的判别。3.根据权利要求1所述的基于RCNN和标签嵌...

【专利技术属性】
技术研发人员：李熙娟，杨晓丰，张锋明，张心心，孙滢涛，杨才明，钱建国，张静，谢栋，阙凌燕，吴凌燕，叶淑英，周进，陈水标，任明辉，陈坊，张童童，罗刚，王芳，陈鲁，张少杰，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
类型：发明
国别省市：