一种基于深度学习的多模态电网故障检测方法和系统技术方案

本发明专利技术涉及一种基于深度学习的多模态电网故障检测方法和系统，通过传感器采集电网故障时的多模态电网数据，利用

【技术实现步骤摘要】
一种基于深度学习的多模态电网故障检测方法和系统


[0001]本专利技术涉及电网保护领域，具体涉及一种基于深度学习的多模态电网故障检测方法和系统
。

技术介绍

[0002]电力系统是现代社会不可或缺的基础设施，用于生成
、
传输和分配电能
。
随着能源需求的不断增长和电力系统规模的扩大，电网设备的可靠性和稳定性变得尤为重要
。
然而，电力系统中的设备存在着潜在的故障风险，如绝缘破损
、
设备老化
、
电气连接失效等
。
这些故障可能导致电网的不稳定
、
停电甚至引发事故
。
因此，快速准确地检测和诊断电网设备故障，对于保障电力系统的可靠运行和安全至关重要
。
[0003]如
CN202011098651.0《
一种基于模糊推理系统的快速故障检测方法
》
公开了“一种基于模糊推理系统的快速故障检测方法，属于直流电力系统

。
所述方法包括：发生低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的多模态电网故障检测方法，其特征在于，具体步骤包括：通过传感器采集电网故障时的多模态电网数据，利用
DTW
算法将多模态电网数据的时间对齐，获得时间对齐后的多模态电网数据；对时间对齐后的多模态电网数据进行特征提取，利用注意力机制将提取的特征进行特征融合，获得多模态电网数据特征；构建多模态电网设备故障检测模型，利用期望最大化
EM
算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练，获得训练完成的多模态电网设备故障模型；利用所述训练完成的多模态电网设备故障模型对待检测电网进行故障检测获得故障检测结果
。2.
根据权利要求1所述的一种基于深度学习的多模态电网故障检测方法，其特征在于，利用
DTW
算法将多模态电网数据的时间对齐，获得时间对齐后的多模态电网数据包括：通过欧式距离度量法计算多模态电网数据集中两两不同模态数据集之间的距离，获得每个模态数据集之间的相似度矩阵
D
；根据相似度矩阵
D
构建累积距离矩阵
C
；计算累积矩阵
C
中的最小累积距离路径，获得最佳对齐路径；根据最佳路径，利用插值法将多模态电网数据在时间维度上进行对齐，获得时间对齐后的多模态电网数据
。3.
根据权利要求2所述的一种基于深度学习的多模态电网故障检测方法，其特征在于，根据相似度矩阵
D
构建累积距离矩阵
C
具体为：构建累积距离矩阵
C
，所述累积距离矩阵
C
的大小为多模态电网数据集中每个模态的时间序列数据长度值增加一位的乘积，对累积距离矩阵进行初始化，将相似度矩阵
D
的元素作为累积距离矩阵
C
的初始值；比较累积距离矩阵
C
任一位置的三个相邻位置的相似度数值，选择三个相邻位置的相似度的最小值，将相似度最小值加上所述任一位置的相似度数值更新为累积距离矩阵
C
所述任一位置的数值，直至获得更新完成的累积距离矩阵
C。4.
根据权利要求3所述的一种基于深度学习的多模态电网故障检测方法，其特征在于，计算累积矩阵
C
中的最小累积距离路径，获得最佳对齐路径具体为：从累积距离矩阵
C
的右下角位置开始沿着最小路径原则依次选择下一个位置，直到回溯到累积距离矩阵
C
的左上角位置，其中，所述最小路径原则从当前位置的三个相邻位置中选择具有最小值的位置，将所选择的位置添加到对齐路径
P。5.
根据权利要求4所述的一种基于深度学习的多模态电网故障检测方法，其特征在于，其特征在于，利用注意力机制将提取的特征进行特征融合具体为：通过自注意力机制计算不同模态的电网数据特征权重，以公式表达为：
Attention_i
＝
softmax(w
i
*f
i
)
；式中，
Attention_i
为第
i
个模态的电网数据特征权重，
w
i
为学习的权重矩阵，
*
为矩阵乘法，
softmax
为对应模态的注意力权重进行归一化的操作，
f
i
为第
i
个模态特征；将不同模态的电网数据特征与对应的电网数据特征权重进行加权求和获得多模态电网数据特征，以公式表达为：
F
final
＝
F1+F2+
…
+F
i
；
F
i
＝
Attention_i*f
i
；式中，
F
final
为多模态电网数据特征，
F
i
为进行注意力机制调整后的第
i
个模态电网数据特征
。6.
根据权利要求5所述的一种基于深度学习的多模态电网故障检测方法，其特征在于，利用期望最大化
EM
算法和多模态电网数据特征对所述多模态电网设备故障检测模型进行训练具体为：所述多模态电网设备故障检测模型为高斯混合模型
GMM
，初始化
GMM
参数；对
GMM
进行
E
步骤操作，对于每个多模态电网数据特征，根据当前参数的估计值，计算隐变量的后验概率分布，将其作为每个多模态电网数据特征属于每个隐变量状态的概率，以公式表达为：式中，
γ
ij
为第
i
个多模态电网数据属于高斯分布
j
的后验概率，
F
finali
为第
i
个多模态电网数据特征，
π
j
为第
j
各高斯分布的权重，
π
k
为第
k
个高斯分布的权重，为多元高斯分布的概率密度函数，
μ
j
为第
j
个高斯分布的均值，
μ
k
为第
k
个高斯分布的均值，
∑
j
为高斯分布
j
的协方差矩阵，<...

【专利技术属性】
技术研发人员：李强，俞成强，庄莉，赵峰，王秋琳，张晓东，吴佩颖，陈江海，王燕蓉，
申请(专利权)人：福建亿榕信息技术有限公司，
类型：发明
国别省市：