自主学习的新能源电网连锁故障预测方法、系统及应用技术方案

本发明专利技术属于电网故障数据识别技术领域，公开了自主学习的新能源电网连锁故障预测方法、系统及应用。所述方法包括：利用无人机搭载的图像摄取装置获取新能源电网连锁部件图像，并将所获取图像经初步处理后同步传送至地面站；地面站对传输的图像进行利用训练好的图像软件网络模型对获取的图像进行故障特征分析，将有故障的新能源电网连锁位置检测出来；基于检测出来的有故障的新能源电网连锁位置，进行坐标系的生成，并将生成的坐标系发送客户端，进行可视化示出。本发明专利技术方法步骤简单、设计合理且实现方便，投入成本较低。本发明专利技术构建的运算模型，运算速度快，对获取准确图像提供依据。对获取准确图像提供依据。对获取准确图像提供依据。

【技术实现步骤摘要】
自主学习的新能源电网连锁故障预测方法、系统及应用


[0001]本专利技术属于电网故障数据识别
，尤其涉及自主学习的新能源电网连锁故障预测方法、系统及应用。

技术介绍

[0002]传统电力系统连锁故障过程可以定义为系统在多种内外部因素共同交织作用下，受到初始扰动造成源发性故障，进而引发一系列具有时序特征的强因果性相继事件的过程，如线路因潮流严重过载而断开、潮流重新分配导致新的线路断开事件等，如果此类故障迅速扩展，将会导致电网失稳、解列，甚至引发大停电事故。为避免此类灾难性事件的发生，现有研究通过连锁故障预测技术对连锁故障的传播路径进行预测，具体可分为模式搜索法、模型法、风险评估法三大类。
[0003]近年来，在我国以新能源为主体的新型电力系统建设背景下，包括风电、光伏在内的新能源发展迅猛，传统电网逐渐演变为高占比新能源电网。相比而言，高占比新能源电网系统的拓扑结构更为复杂，且由于新能源出力具有强随机波动性，系统的不确定性大大增加，抗扰动能力更低，事故的发生概率更高；此外，系统包含海量能够快速响应的电力电子设备，具有低惯量响应特性，故而连锁故障的演化时间更短。这对传统的连锁故障预测方法提出了更高的要求，需要在精准预测连锁故障演化路径的同时，大幅提升预测速率。因此，亟需面向高占比新能源电网提出一种精准、高效的连锁故障预测方法，对于连锁故障的预防和控制具有重要的指导意义。
[0004]为解决上述问题，现有技术的中国专利CN114784793A，公开日2022年07 月22日，提供了一种基于机器学习的新能源电网连锁故障预测方法，包括：步骤1：基于历史连锁故障实测数据、仿真模拟数据，构建高占比新能源电网连锁故障数据库；步骤2：基于连锁故障数据库，提取能够表征复杂网络拓扑特征与系统运行状态的特征指标；步骤3：分析所提取的特征指标与系统连锁故障运行状态之间的相关性，选取具有强相关性的特征指标构成复杂网络连锁故障特征指标集；步骤4：基于长短期记忆神经网络，学习历史连锁故障过程中复杂网络连锁故障特征指标与系统运行状态间的映射关系，构建高占比新能源电网连锁故障预测模型。该技术的优点在于构建高占比新能源电网连锁故障预测模型，实现对海量历史连锁故障数据的深入信息挖掘与利用，提升连锁故障预测。但该技术往往检测精度低，易受环境干扰。而且是故障发生后进行分析，使得获得的数据实时性差。
[0005]随着无人机技术的发展，利用无人机进行线路巡检是目前的一个研究热点和发展方向。无人机利用机载图像采集装置对输电线路和杆塔上重要的新能源电网连锁部件进行拍摄，然后通过图像识别技术对采集到的视频进行分析和判断，从而确定存在缺陷或故障的新能源电网连锁部件。
[0006]所采用的图像识别技术主要是结合待检测对象的特点，人工提取图像特征(如颜色特征、形状特征等)，然后利用该特征将其从视频图像中提取出来，并与正常状态下的该新能源电网连锁部件进行比对，从而判断待检测新能源电网连锁部件是否发生故障。
[0007]通过上述分析，现有技术存在的问题及缺陷为：
[0008](1)现有技术往往检测精度低，易受环境干扰。而且是故障发生后进行分析，使得获得的数据实时性差。
[0009](2)针对不同新能源的不同连锁故障时需要设计不同的特征，所设计的特征泛化能力弱。
[0010](3)当检测多类故障时，实时性往往不好。

技术实现思路

[0011]为克服相关技术中存在的问题，本专利技术公开实施例提供了自主学习的新能源电网连锁故障预测方法、系统及应用。
[0012]所述技术方案如下：一种基于自主学习的新能源电网连锁故障预测方法，包括以下步骤：
[0013]S1，利用无人机搭载的图像摄取装置获取新能源电网连锁部件图像，并将所获取图像经初步处理后同步传送至地面站；
[0014]S2，地面站对传输的图像进行利用训练好的图像软件网络模型对获取的图像进行故障特征分析，将有故障的新能源电网连锁位置检测出来；
[0015]S3，基于检测出来的有故障的新能源电网连锁位置，进行坐标系的生成，并将生成的坐标系发送客户端，进行可视化示出。
[0016]在步骤S1中，所述图像所包含的新能源电网连锁部件利用图像软件进行抠取，制作新能源电网连锁部件图像数据集合。
[0017]在步骤S1中，获取图像经初步处理包括：
[0018]步骤(1)，无人机搭载的图像摄取装置围绕新能源电网连锁部件每转一圈采样64个点，采集10圈的数据，获取多帧图像；
[0019]步骤(2)，采集数据后，对多帧图像分别进行离散傅里叶变换，窗口大小为64
×
10个点，根据信号情况设置自适应阈值；变换公式具体如下：
[0020][0021]其中，n＝0，
…
，N
‑
1，N表示数据长度。
[0022]在一个实施例中，多帧图像分别进行离散傅里叶变换后，还需进行以下步骤：
[0023](1)每一幅图像首先缩放到256
×
256；
[0024](2)每一幅图像被划分为S
×
S个新能源电网连锁识别网格，图片中新能源电网连锁部件中心在某个cell单元内，该网格负责检测所述新能源电网连锁部件；
[0025]在训练图像软件网络模型时，预测5个参数，分别是中心点坐标(x，y)，宽高(w，h)和置信度；置信度检测识别区边界栏检测出的新能源电网连锁部件的置信度；
[0026]没有新能源电网连锁部件存在于cell单元中，则Pr(Object)＝0；
[0027]存在新能源电网连锁部件的前提下，图像软件网络模型根据预测的 boundingbox和真实的boundingbox计算置信度，同时预测该新能源电网连锁部件属于某类的后验概率Pr；在得到各识别区边界栏的置信值后，进行非极大值抑制处理；
[0028](3)将输入图像送图像软件网络模型，提取图片特征并输出向量。
[0029]在一个实施例中，步骤(2)中，非极大值抑制处理的方法包括：
[0030]首先从所有的识别区域中找到置信值最大的栏，然后计算这个栏与其余栏的重叠度，重叠度值比设定阈值大，就将该栏剔除；再对剩余的识别区域重复上述过程，直到处理完所有的识别区域；
[0031]识别区边界栏中心坐标的误差项表示如下：
[0032][0033]λ
coord
为坐标预测误差且取较大值为5，指的是第i个单元格存在新能源电网连锁部件，且该单元格中的第j个识别区边界栏负责预测该新能源电网连锁部件；(x
i
,y
i
,w
i
,h
i
)为预测栏坐标值，为真实栏坐标；含有新能源电网连锁部件和不含新能源电网连锁部件的栏置信度误差项分别表示如下：
[0034][0035][0036]包含新能源电网连锁部件的单元格的分类误差项表示如下：
[0037][0038]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自主学习的新能源电网连锁故障预测方法，其特征在于，该方法包括以下步骤：S1，利用无人机搭载的图像摄取装置获取新能源电网连锁部件图像，并将所获取图像经初步处理后同步传送至地面站；S2，地面站对传输的图像进行利用训练好的图像软件网络模型对获取的图像进行故障特征分析，将有故障的新能源电网连锁位置检测出来；S3，基于检测出来的有故障的新能源电网连锁位置，进行坐标系的生成，并将生成的坐标系发送客户端，进行可视化示出。2.根据权利要求1所述的基于自主学习的新能源电网连锁故障预测方法，其特征在于，在步骤S1中，所述图像所包含的新能源电网连锁部件利用图像软件进行抠取，制作新能源电网连锁部件图像数据集合。3.根据权利要求1所述的基于自主学习的新能源电网连锁故障预测方法，其特征在于，在步骤S1中，获取图像经初步处理包括：步骤(1)，无人机搭载的图像摄取装置围绕新能源电网连锁部件每转一圈采样64个点，采集10圈的数据，获取多帧图像；步骤(2)，采集数据后，对多帧图像分别进行离散傅里叶变换，窗口大小为64
×
10个点，根据信号情况设置自适应阈值；变换公式具体如下：其中，n＝0，
…
，N
‑
1，N表示数据长度。4.根据权利要求3所述的基于自主学习的新能源电网连锁故障预测方法，其特征在于，多帧图像分别进行离散傅里叶变换后，还需进行以下步骤：(1)每一幅图像首先缩放到256
×
256；(2)每一幅图像被划分为S
×
S个新能源电网连锁识别网格，图片中新能源电网连锁部件中心在某个cell单元内，该网格负责检测所述新能源电网连锁部件；在训练图像软件网络模型时，预测5个参数，分别是中心点坐标(x，y)，宽高(w，h)和置信度；置信度检测识别区边界栏检测出的新能源电网连锁部件的置信度；没有新能源电网连锁部件存在于cell单元中，则Pr(Object)＝0；存在新能源电网连锁部件的前提下，图像软件网络模型根据预测的boundingbox和真实的boundingbox计算置信度，同时预测该新能源电网连锁部件属于某类的后验概率Pr；在得到各识别区边界栏的置信值后，进行非极大值抑制处理；(3)将输入图像送图像软件网络模型，提取图片特征并输出向量。5.根据权利要求4所述的基于自主学习的新能源电网连锁故障预测方法，其特征在于，步骤(2)中，非极大值抑制处理的方法包括：首先从所有的识别区域中找到置信值最大的栏，然后计算这个栏与其余栏的重叠度，重叠度值比设定阈值大，就将该栏剔除；再对剩余的识别区域重复上述过程，直到处理完所有的识别区域；识别区边界栏中心坐标的误差项表示如下：
λ
coord
为坐标预测误差且取较大值为5，指的是第i个单元格存在新能源电网连锁部件，且该单元格中的第j个识别区边界栏负责预测该新能源电网连锁部件；(x
i
,y
i
,w
i
,h
i
)为预测栏坐标值，为真实栏坐标；含有新能源电网连锁部件和不含新能源电网连锁部件的栏置信度误差项分别表示如下：连锁部件的栏置信度误差项分别表示如下：包含新能源电网连锁部件的单元格的分类误差项表示如下：其中，表示是否有新能源电网连锁部件落入第i个识别区边界栏；最终的损失函数表示为：L
yolo
＝L1+L2+L3+L4。6.根据权利要求1所述的基于自主学习的新能源电网连锁故障预测方法，其特征在于，在步骤S2中，对获取的图像进行故障特征分析包括：步骤1)对处理后的数据进行傅里叶变换，得到不同尺度下的系数；步骤2)计算新能源电网连锁部件故障无定性特征指标S
f
，将特征指标S
f
作为...

【专利技术属性】
技术研发人员：严俊，罗凤章，张艳来，张雨芊，张静，矫贺，肖健飞，孙蕾，
申请(专利权)人：天津天大求实电力新技术股份有限公司，
类型：发明
国别省市：