一种基于深度学习的电网运行数据分析方法技术

本发明专利技术公开了一种基于深度学习的电网运行数据分析方法，通过设置第一对比模块、第一数据库、检测装置、提醒模块、第一处理模块和第一读取模块，能够检测电网的运行数据，如果电网的运行数据出现问题，就会向电网负责人发送消息，及时对所发现的电网问题进行预警；通过设置第二对比模块、第二数据库、第二处理模块和第一读取模块，能够提前诊断出电网出现的问题，预先安排维修人员去进行巡检维修，无需要采用传统的方式，即安排人员先去查看情况，再安排人员去进行维修，耽误大量的时间和精力。耽误大量的时间和精力。耽误大量的时间和精力。

【技术实现步骤摘要】
一种基于深度学习的电网运行数据分析方法


[0001]本专利技术涉及计算机技术，特别是一种基于深度学习的电网运行数据分析方法。

技术介绍

[0002]电力系统中各种电压的变电所及输配电线路组成的整体，称为电力网，简称电网。电网运行的时候有些电气元件会出现损坏，如果电气元件损坏不能及时发现并且及时维修，不仅会导致社会财产的损失，还会严重影响人们的生活和工作。

技术实现思路

[0003]专利技术目的：本专利技术的目的是提供一种基于深度学习的电网运行数据分析方法，从而检测电网的运行数据，及时对所发现的电网问题进行预警。
[0004]技术方案：本专利技术所述的一种基于深度学习的电网运行数据分析方法，包括以下步骤：
[0005]S1、将检测装置与电网连接，检测装置检测电网运行情况，检测装置会将检测到的数据发送给第一处理模块。
[0006]S2、第一处理模块启动第一读取模块，第一读取模块读取第一数据库内的电网正常运行数据，并将数据发送给第一处理模块。
[0007]S3、第一处理模块启动第一对比模块，第一对比模块将检测数据(电流和电压)与电网正常运行数据进行对比诊断，得出电网运行数据是否正常，并将对比诊断结果发送给第一处理模块。
[0008]S4、检测装置检测数据(电流和电压)与电网正常运行数据对比有不一致时，第一处理模块将检测数据(电流和电压)发送给第一传输模块。
[0009]S5、第一传输模块将检测数据(电流和电压)传输到第二传输模块，第二传输模块将检测数据(电流和电压)发送送到第二处理模块。
[0010]S51、为连续测试函数(testing function)，λ为特征值，N为空间维度，为电流和电压的相位、i和n为向量。
[0011]S52、LES的大数定律：依概率收敛于：S52、LES的大数定律：依概率收敛于：中，p(λ)为矩阵特征值的概率密度函数(PDF，probability densityfunction)。
[0012]S53、LES的中心极限：给定一个非Hermitian的矩形矩阵x，其元素为Xij满足标准正态独立同分布(i.i.d.)；M是x的协方差sinθ矩阵令测试函数满足连续且则N，T
→
∞且c＝N/T≤1时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：∞且c＝N/T≤1时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：中，是元素Ψ的4阶累计量；θ、θ1、θ
2为积分自变量，K4＝E(X4)
‑
3(E(X4)为期望值。
[0013]S54、LES的期望均值按照大数定律公式(2)计算，LES的期望方差按照中心极限定理公式(3)计算；期望值与方差偏差为Δ均值＝O(N
‑
1)，Δ方差＝O(N
‑
2)。
[0014]S55、通过将电网故障的高维统计特征构建过程作用于电网实时数据，即将得到的特征值与期望和方差进行比对，判断是否超出期望和方差设定的范围从而得到初步故障诊断Rψ。
[0015]S6、第二处理模块启动第二读取模块，第二读取模块读取第二数据库内的多种电网不正常运行数据，并将数据发送给第二处理模块。
[0016]S7、第二处理模块启动第二对比模块，第二对比模块将检测数据(电流和电压)与电网不正常运行数据进行对比诊断，得出电网运行数据出现的问题，并将对比诊断结果发送给第二处理模块。
[0017]S8、第二处理模块将对比诊断得出电网运行数据出现的问题发送给显示模块。
[0018]在所述步骤S1开始前，先将电网正常运行数据和多种电网不正常运行数据分别存入第一数据库和第二数据库内。
[0019]一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的一种基于深度学习的电网运行数据分析方法。
[0020]一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种基于深度学习的电网运行数据分析方法。
[0021]有益效果：与现有技术相比，本专利技术具有如下优点：
[0022]1、本专利技术通过设置第一对比模块、第一数据库、检测装置、提醒模块、第一处理模块和第一读取模块，能够检测电网的运行数据，如果电网的运行数据出现问题，就会向电网负责人发送消息，及时对所发现的电网问题进行预警；
[0023]2、本专利技术通过设置第二对比模块、第二数据库、第二处理模块和第一读取模块，能够提前诊断出电网出现的问题，预先安排维修人员去进行巡检维修，无需要采用传统的方式，即安排人员先去查看情况，再安排人员去进行维修，耽误大量的时间和精力。
附图说明
[0024]图1为本专利技术的运行流程图。
具体实施方式
[0025]下面结合附图对本专利技术的技术方案作进一步说明。
[0026]如图1所示，一种基于深度学习的电网运行数据分析方法，包括以下步骤：
[0027]S1、将检测装置与电网连接，检测装置检测电网运行情况，检测装置会将检测到的数据发送给第一处理模块。
[0028]S2、第一处理模块启动第一读取模块，第一读取模块读取第一数据库内的电网正常运行数据，并将数据发送给第一处理模块。
[0029]S3、第一处理模块启动第一对比模块，第一对比模块将检测数据(电流和电压)与电网正常运行数据进行对比诊断，得出电网运行数据是否正常，并将对比诊断结果发送给
第一处理模块。
[0030]S4、检测装置检测数据(电流和电压)与电网正常运行数据对比有不一致时，第一处理模块将检测数据(电流和电压)发送给第一传输模块。
[0031]S5、第一传输模块将检测数据(电流和电压)传输到第二传输模块，第二传输模块将检测数据(电流和电压)发送送到第二处理模块。
[0032]S51、为连续测试函数(testing function)，λ为特征值，N为空间维度，为电流和电压的相位、i和n为向量。
[0033]S52、LES的大数定律：依概率收敛于：S52、LES的大数定律：依概率收敛于：中，p(λ)为矩阵特征值的概率密度函数(PDF，probability densityfunction)。
[0034]S53、LES的中心极限：给定一个非Hermitian的矩形矩阵x，其元素为Xij满足标准正态独立同分布(i.i.d.)；M是x的协方差sinθ矩阵令测试函数满足连续且则N，T
→
∞且c＝N/T≤1时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：∞且c＝N/T≤1时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：中，是元素Ψ的4阶累计量；θ、θ1、θ2为积分自变量，K4＝E(X4)
‑
3(E(X4)为期望值。
[0035]S54、LES的期望均值按照大数定律公式(2)计算，LES的期望本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电网运行数据分析方法，其特征在于，包括以下步骤：S1、将检测装置与电网连接，检测装置检测电网运行情况，检测装置会将检测到的数据发送给第一处理模块；S2、第一处理模块启动第一读取模块，第一读取模块读取第一数据库内的电网正常运行数据，并将数据发送给第一处理模块；S3、第一处理模块启动第一对比模块，第一对比模块将检测数据与电网正常运行数据进行对比诊断，得出电网运行数据是否正常，并将对比诊断结果发送给第一处理模块；S4、检测装置检测数据与电网正常运行数据对比有不一致时，第一处理模块将检测数据发送给第一传输模块；S5、第一传输模块将检测数据传输到第二传输模块，第二传输模块将检测数据发送送到第二处理模块；S51、为连续测试函数，λ为特征值，N为空间维度，为电流和电压的相位、i和n为向量；S52、LES的大数定律：依概率收敛于：S52、LES的大数定律：依概率收敛于：中，p(λ)为矩阵特征值的概率密度函数；S53、LES的中心极限：给定一个非Hermitian的矩形矩阵x，其元素为Xij满足标准正态独立同分布；M是x的协方差sinθ矩阵令测试函数满足连续且则N，T
→
∞且c＝N/T≤1时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：时，按照式(2)所构造的其值分布收敛于均值为0、方差如下的高斯变量：中，是元素Ψ的4阶累计量；θ、θ1、θ2为积分自变量，K4＝E(X4)
‑
3(E(X4)为期望值；S54、LES的期望均值...

【专利技术属性】
技术研发人员：成翔，孙小兵，李斌，张佳乐，朱毅，杨超，
申请(专利权)人：扬州大学，
类型：发明
国别省市：