一种基于深度循环神经网络的配用电故障检测方法及系统技术方案

本说明书实施例提供一种基于深度循环神经网络的配用电故障检测方法及系统，其中，所述方法包括获取多个样本，其中，样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，样本监测数据序列包括监测点在多个样本时间点的样本监测数据组，样本监测数据组包括多种候选类型的监测数据，配电柜运行状态序列包括配电柜在多个样本时间点的运行状态特征组；从多种候选类型中筛选多个目标类型；获取配电柜的多个监测点的历史监测数据序列；通过深度循环神经网络基于配电柜的多个监测点的历史监测数据序列确定配电柜的运行状态，具有较为准确地判断配电柜的运行状态的优点。点。点。

【技术实现步骤摘要】
一种基于深度循环神经网络的配用电故障检测方法及系统


[0001]本说明书涉及电力系统领域，特别涉及一种基于深度循环神经网络的配用电故障检测方法及系统。

技术介绍

[0002]随着传感技术、自动化控制技术、通信网络技术、分布式存储技术、大数据分析和人工智能技术的发展，以及社会经济和环境需求的巨大推动，电网也将真正实现与互联网的深度融合，发展“智能电网”是电力行业的必然发展趋势。电力系统规模日趋增大，电网结构日益复杂，系统故障引发后果越发严重国内外多次大停电事故造成了巨大的经济损失和恶劣的社会影响。现阶段，低压配电柜在可靠性、安全性、智能控制、模块化等方面的性能还有待提高。配电室运行的安全可靠性还只建立在值班电工的技能、责任心等不确定性的因素基础上。申请号为CN202110621110.X的中国专利公开了一种智能配电柜故障抢修系统、方法及装置，其中，所述系统包括：数据采集模块、数据传输模块、信息处理模块、故障学习模块，其中，数据采集模块，用于配电柜(箱)及其周围环境的多种异常数据采集；数据传输模块，结合地理位置环境采用高速实时的数据传输方式，将配电柜(箱)的故障数据能够实时共享给抢修人员，确保用户的实时交互。并通过卫星通信方式为极端条件下的数据传输提供保障。信息处理模块，采用机器学习算法对故障数据信息以及图像信息进行数据分析，在识别到配电柜(箱)故障的基础上识别出故障类型，并通过故障类型分析其故障等级。故障识别主要识别的故障类型包括异常发热，异常电弧，灰尘堆积，电路故障断电，电路异常短路，以及其他一些外部环境异常等。故障学习模块，通过机器学习算法和数据挖掘技术对故障后机器没有精准识别的数据进行学习，通过训练获取故障特征，从而增加系统的故障识别能力。该智能配电柜故障抢修系统，主要通过单个时间点采集的数据判断配电柜是否发生故障，容易因数据采集模块故障导致误判。
[0003]因此，需要提供一种基于深度循环神经网络的配用电故障检测方法及系统，用于通过深度循环神经网络基于一段时间的监测数据较为准确地判断配电柜的运行状态。

技术实现思路

[0004]本说明书实施例之一提供一种基于深度循环神经网络的配用电故障检测方法，包括：获取多个样本，其中，所述样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，所述样本监测数据序列包括所述监测点在多个样本时间点的样本监测数据组，所述样本监测数据组包括多种候选类型的监测数据，所述配电柜运行状态序列包括所述配电柜在所述多个样本时间点的运行状态特征组，所述运行状态特征组包括多个运行特征；基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型；获取所述配电柜的多个监测点的历史监测数据序列，其中，所述历史监测数据序列包括所述监测点在多个历史时间点的监测数据组，所述监测数据组包括所述多个目标类型的监测数据；通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述
配电柜的运行状态。
[0005]在一些实施例中，所述基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型，包括：基于所述多个样本，确定每个所述候选类型的监测数据的候选分值；基于所述候选分值，从所述多种候选类型中筛选多个目标类型。
[0006]在一些实施例中，所述候选分值基于所述候选类型的监测数据与所述配电柜运行状态的相关性及拉普拉斯评分确定。
[0007]在一些实施例中，所述获取所述配电柜的多个监测点的历史监测数据序列，包括：获取配电柜的多个监测点的历史原始监测数据序列，其中，所述历史原始监测数据序列包括所述监测点在多个历史时间点的原始监测数据组，所述原始监测数据组包括所述多个目标类型的原始监测数据；对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列。
[0008]在一些实施例中，所述对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列，包括：确定所述历史原始监测数据序列中的异常原始监测数据组；对于每个所述异常原始监测数据组，以所述异常原始监测数据组为中心，通过预设长度的时间窗口，从所述历史原始监测数据序列中截取用于校正所述异常原始监测数据组的多个原始监测数据组；通过数据校正模型基于所述用于校正所述异常原始监测数据组的多个原始监测数据组预测所述异常原始监测数据组对应的监测数据组；通过所述数据校正模型预测的所述异常原始监测数据组对应的监测数据组，在所述历史原始监测数据序列中替换所述异常原始监测数据组。
[0009]在一些实施例中，所述深度循环神经网络包括历史状态确定模型及未来状态确定模型；所述历史状态确定模型用于基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。
[0010]在一些实施例中，所述通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态，包括：通过所述历史状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的历史运行状态；在所述历史状态确定模型确定所述配电柜的历史运行状态为非故障状态时，通过所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的未来运行状态。
[0011]在一些实施例中，所述通过所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的未来运行状态，包括：所述未来状态确定模型基于所述配电柜的多个监测点的历史监测数据序列预测所述配电柜的多个监测点的未来监测数据序列；所述未来状态确定模型基于所述配电柜的多个监测点的未来监测数据序列确定所述配电柜的未来运行状态。
[0012]在一些实施例中，所述历史状态确定模型包括输入层、特征提取层、注意力模块以及分类层，其中，所述特征提取层至少包括单层BiLSTM、双层BiLSTM、三层BiLSTM。
[0013]本说明书实施例之一提供一种基于深度循环神经网络的配用电故障检测系统，包括：样本获取模块，用于获取多个样本，其中，所述样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，所述样本监测数据序列包括所述监测点在多个样本时间点的样本监测数据组，所述样本监测数据组包括多种候选类型的监测数据，所述配电柜运行状态序列包括所述配电柜在所述多个样本时间点的运行状态特征组，所述运行状态特
征组包括多个运行特征；数据筛选模块，用于基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型；数据获取模块，用于获取所述配电柜的多个监测点的历史监测数据序列，其中，所述历史监测数据序列包括所述监测点在多个历史时间点的监测数据组，所述监测数据组包括所述多个目标类型的监测数据；状态确定模块，用于通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。
附图说明
[0014]本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度循环神经网络的配用电故障检测方法，其特征在于，包括：获取多个样本，其中，所述样本包括配电柜的多个监测点的样本监测数据序列及配电柜运行状态序列，所述样本监测数据序列包括所述监测点在多个样本时间点的样本监测数据组，所述样本监测数据组包括多种候选类型的监测数据，所述配电柜运行状态序列包括所述配电柜在所述多个样本时间点的运行状态特征组，所述运行状态特征组包括多个运行特征；基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型；获取所述配电柜的多个监测点的历史监测数据序列，其中，所述历史监测数据序列包括所述监测点在多个历史时间点的监测数据组，所述监测数据组包括所述多个目标类型的监测数据；通过深度循环神经网络基于所述配电柜的多个监测点的历史监测数据序列确定所述配电柜的运行状态。2.如权利要求1所述的基于深度循环神经网络的配用电故障检测方法，其特征在于，所述基于所述多个样本的配电柜运行状态序列，从所述多种候选类型中筛选多个目标类型，包括：基于所述多个样本，确定每个所述候选类型的监测数据的候选分值；基于所述候选分值，从所述多种候选类型中筛选多个目标类型。3.如权利要求2所述的基于深度循环神经网络的配用电故障检测方法，其特征在于，所述候选分值基于所述候选类型的监测数据与所述配电柜运行状态的相关性及拉普拉斯评分确定。4.如权利要求1
‑
3任意一项所述的基于深度循环神经网络的配用电故障检测方法，其特征在于，所述获取所述配电柜的多个监测点的历史监测数据序列，包括：获取配电柜的多个监测点的历史原始监测数据序列，其中，所述历史原始监测数据序列包括所述监测点在多个历史时间点的原始监测数据组，所述原始监测数据组包括所述多个目标类型的原始监测数据；对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列。5.如权利要求4所述的基于深度循环神经网络的配用电故障检测方法，其特征在于，所述对所述历史原始监测数据序列进行异常数据处理，获取所述配电柜的多个监测点的历史监测数据序列，包括：确定所述历史原始监测数据序列中的异常原始监测数据组；对于每个所述异常原始监测数据组，以所述异常原始监测数据组为中心，通过预设长度的时间窗口，从所述历史原始监测数据序列中截取用于校正所述异常原始监测数据组的多个原始监测数据组；通过数据校正模型基于所述用于校正所述异常原始监测数据组的多个原始监测数据组预测所述异常原始监测数据组对应的监测数据组；通过所述数据校正模型预测的所述异常原始监测数据组对应的监测数据组，在所述历史原始监测数据序列...

【专利技术属性】
技术研发人员：朱家禄，谢洪潮，武明虎，赵楠，张立辉，吕仁冰，
申请(专利权)人：盛隆电气集团有限公司，
类型：发明
国别省市：