基于多类信息融合识别的电网故障诊断方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于多类信息融合识别的电网故障诊断方法、装置及设备，其中所述方法包括：对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；根据融合后的特征数据分析电网设备故障。本公开考虑了不同类型的电网数据能够为电网故障诊断提供更为准确的数据基础。网故障诊断提供更为准确的数据基础。网故障诊断提供更为准确的数据基础。

【技术实现步骤摘要】
基于多类信息融合识别的电网故障诊断方法、装置及设备


[0001]本专利技术属于电网故障智能诊断
，尤其涉及一种基于多类信息融合识别的电网故障诊断方法、装置及设备。

技术介绍

[0002]随着建设以新能源为主体的新型电力系统政策的提出，电网呈现出高电压等级和高比例新能源并网的新特性，导致电网运行不确定因素增强，对电网故障原因诊断和处置提出了前所未有的新要求。现行电网运行信息中存储了大量的保护录波图像数据和监控运行信息数据等多种类型的数据，这些数据可以用于对电网设备故障原因进行快速追溯，为电网故障处置恢复提供策略生成基础。
[0003]但是现有技术中，由于缺乏对这些多种类型的数据进行有效地融合和分析手段，由其是在电网故障检测中，故障监控信息和保护录波图像信息是反应电网故障较为准确的数据，但是现有技术中，没有融合考虑这种两种数据进行综合分析。在发生故障时多依赖调度员凭借经验进行故障原因综合分析和判断，导致大量的价值数据难以充分利用，同时也使电网调度过度依赖人工经验，难以实现智能调度。同时，由于调度员人为需要结合多种类型的数据分析和计算，将难以及时准确地诊断出电网设备故障原因，给出合理的防控措施，严重情况将威胁电网安全稳定运行。

技术实现思路

[0004]为解决上述问题，本专利技术提供了一种将多种类型的信息进行融合识别进而对电网故障进行诊断的方法、装置及设备。
[0005]本公开提供了一种基于多类信息融合识别的电网故障诊断方法，所述方法包括：对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记；根据融合后的特征数据分析电网设备故障。
[0006]一些实施例中，形成融合后的特征数据后，将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；最后确定电网设备的故障。
[0007]一些实施例中，通过以下方式获得前一时刻的故障原因预测误差：其中，
为在t
‑
1时刻，即前一时刻的故障原因预测误差；
‑
1为负单位矩阵；为在t
‑
1时刻所述多种类型数据的预测值向量；为在t
‑
1时刻融合后的特征数据中的混合编码向量；为矩阵加法运算符。
[0008]一些实施例中，所述多种类型数据的预测值是通过LSTM算法获得。
[0009]一些实施例中，通过以下方式确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：其中，I
t
为输入门信号，用于控制LSTM中输入记忆细胞中的故障特征序列，F
t
为遗忘门信号，用于决定当前LSTM中记忆细胞中上一时刻的信息保留多少，O
t
为输出门，决定LSTM的输出内容；W
i
为LSTM算法中的输入门权重；x
t
为t时刻的输入数据；b
i
为输入门偏置项；为sigmoid函数； W
f
为遗忘门权重；b
f
为遗忘门偏置项；W
o
为输出门权重；b
o
为输出门偏置项。
[0010]一些实施例中，通过以下方式更新LSTM中的记忆细胞：其中，W
c
为隐含状态权重；b
c
为隐含状态偏置项。
[0011]一些实施例中，将融合后的特征数据中的混合编码向量作为M
‑
BiLSTM的输入；利用所述M
‑
BiLSTM输出故障原因类别数字；根据所述故障原因类别数字确定电网故障原因。
[0012]本公开还提供了一种基于多类信息融合识别的电网故障诊断装置，所述装置包括：获取单元，用于对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；融合单元，用于将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记；分析单元，用于根据融合后的特征数据分析电网设备故障。
[0013]一些实施例中，形成融合后的特征数据后，所述分析单元将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；最后确定电网设备的故障。
[0014]一些实施例中，通过以下方式获得前一时刻的故障原因预测误差：
其中，为在t
‑
1时刻，即前一时刻的故障原因预测误差；
‑
1为负单位矩阵；为在t
‑
1时刻所述多种类型数据的预测值向量；为在t
‑
1时刻融合后的特征数据中的混合编码向量；为矩阵加法运算符。
[0015]一些实施例中，所述多种类型数据的预测值是通过LSTM算法获得。
[0016]一些实施例中，通过以下方式确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：其中，I
t
为输入门信号，用于控制LSTM中输入记忆细胞中的故障特征序列，F
t
为遗忘门信号，用于决定当前LSTM中记忆细胞中上一时刻的信息保留多少，O
t
为输出门，决定LSTM的输出内容；W
i
为LSTM算法中的输入门权重；x
t
为t时刻的输入数据；b
i
为输入门偏置项；为sigmoid函数； W
f
为遗忘门权重；b
f
为遗忘门偏置项；W
o
为输出门权重；b
o
为输出门偏置项。
[0017]一些实施例中，通过以下方式更新LSTM中的记忆细胞：其中，W
c
为隐含状态权重；b
c
为隐含状态偏置项。
[0018]一些实施例中，将融合后的特征数据中的混合编码向量作为M
‑
BiLSTM的输入；利用所述M
‑
BiLSTM输出故障原因类别数字；根据所述故障原因类别数字确定电网故障原因。
[0019]本公开还提供了一种电子设备，所述电子设备包括至少一个处理器和一个存储器，所述存储器与所述处理器电气连接，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的方法。
[0020]与现有技术相比，本专利技术具有如下优点：由于将录波图像、监控信息等这些多源、不同类型的数据进行融合，为后续的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多类信息融合识别的电网故障诊断方法，其特征在于，所述方法包括：对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记；根据融合后的特征数据分析电网设备故障。2.根据权利要求1所述的方法，其特征在于，形成融合后的特征数据后，将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；最后确定电网设备的故障。3.根据权利要求2所述的方法，其特征在于，通过以下方式获得前一时刻的故障原因预测误差：其中，为在t
‑
1时刻，即前一时刻的故障原因预测误差；
‑
1为负单位矩阵；为在t
‑
1时刻所述多种类型数据的预测值向量；为在t
‑
1时刻融合后的特征数据中的混合编码向量；为矩阵加法运算符。4.根据权利要求3所述的方法，其特征在于，所述多种类型数据的预测值是通过LSTM算法获得。5.根据权利要求3所述的方法，其特征在于，通过以下方式确定M
‑
LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：其中，I
t
为输入门信号，用于控制LSTM中输入记忆细胞中的故障特征序列，F
t
为遗忘门信号，用于决定当前LSTM中记忆细胞中上一时刻的信息保留多少，O
t
为输出门，决定LSTM的输出内容；W
i
为LSTM算法中的输入门权重；x
t
为t时刻的输入数据；b
i
为输入门偏置项；为sigmoid函数；W
f
为遗忘门权重；b
f
为遗忘门偏置项；W
o
为输出门权重；b
o
为输出门偏置项。6.根据权利要求5所述的方法，其特征在于，通过以下方式更新LSTM中的记忆细胞：
其中，W
c
为隐含状态权重；b
c
为隐含状态偏置项。7.根据权利要求1
‑
6任一所述的方法，其特征在于，将融合后的特征数据中的混合编码向量作为M
‑
BiLSTM的输入；利用所述M
‑
BiLSTM输出故障原因类别数字；根据所述故障原因类别数字确定电网故障原因。8.一种基于多类信息融合识别的电网故障诊断装置，其特征在于，所述装置包括：获取单元，用于对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；融合单元，用于将所述多种类型数据的特征...

【专利技术属性】
技术研发人员：彭词，王佰淮，胡丽蕊，毕安露，杨昕陆，霍明亮，方晓萌，孙正明，马琳琦，刘健，徐业朝，李忠财，
申请(专利权)人：国网天津市电力公司培训中心国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：