一种电力系统故障预测方法技术方案

本发明专利技术公开一种电力系统故障预测方法

【技术实现步骤摘要】
一种电力系统故障预测方法、系统、电子设备和介质


[0001]本专利技术涉及故障预测
，特别是涉及一种电力系统故障预测方法
、
系统
、
电子设备和介质
。

技术介绍

[0002]电力系统作为现代社会不可或缺的基础设施，负责供应电能以满足人们的用电需求
。
电力系统包括发电
、
输电
、
配电等环节，其中发电站通过将各种能源转换为电能，输送至用户终端，保障电网的稳定运行
。
然而，随着经济的发展和城市化进程的推进，电力系统规模不断扩大，同时电力负荷的波动性和不确定性增加，导致电力系统面临着越来越多的挑战
。
[0003]传统的电力系统故障预测方法通常采用基于规则的静态策略，比如经验公式或优化模型，来实现电力系统的故障预测
。
然而，这些传统方法往往是基于固定的假设和规则，无法适应复杂多变的电力系统环境，也无法应对突发事件和异常情况
。
因此，在电力系统故障预测方面，传统方法在复杂性和不确定性，非线性和时变性和人工干预方面存在局限性
。
[0004]在复杂性和不确定性方面，电力系统是一个高度复杂的动态系统，涉及到多个组件之间的相互作用
。
负荷波动
、
天气变化
、
设备故障等因素导致系统状态的不确定性增加，传统方法往往难以准确建模和预测
。
[0005]在非线性和时变性方面，电力系统的非线性特性和时变性使得其运行规律难以用简单的线性模型描述，传统故障预测方法难以适应系统运行的动态变化
。
[0006]在人工干预方面，传统故障预测方法通常依赖于人工的调度和控制，其效率和准确性受限于人员经验和操作水平
。
[0007]综上所述，传统的电力系统故障预测方法导致故障预测结果准确度低，进而降低电力系统的安全性和可靠性
。

技术实现思路

[0008]本专利技术的目的是提供一种电力系统故障预测方法
、
系统
、
电子设备和介质，可提高故障预测结果的准确度，进而提高电力系统的安全性和可靠性
。
[0009]为实现上述目的，本专利技术提供了如下方案：
[0010]一种电力系统故障预测方法，包括：
[0011]获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷
、
电网各节点的电压
、
电网各节点的电流和电网各节点的功率；
[0012]将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级
LSTM
网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参
数包括权重和偏置
。
[0013]可选的，所述故障预测模型的确定过程为：
[0014]获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态；
[0015]以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用
Seq2Seq
学习策略对多尺度层级
LSTM
网络进行训练得到训练好的模型；
[0016]对所述训练好的模型中的模型参数进行量化得到量化模型；
[0017]对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型
。
[0018]可选的，在以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用
Seq2Seq
学习策略对多尺度层级
LSTM
网络进行训练得到训练好的模型之前还包括：
[0019]对所述历史时刻的电力系统运行数据均依次进行数据清洗
、
归一化操作和结构化处理
。
[0020]可选的，所述多尺度层级
LSTM
网络包括
Dence
层和多个并行的
LSTM
层；各所述
LSTM
层的输出端均与所述
Dence
层的输入端连接，所述
LSTM
层包括多个串联的
LSTM
单元
。
[0021]一种电力系统故障预测系统，包括：
[0022]数据获取模块，用于获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷
、
电网各节点的电压
、
电网各节点的电流和电网各节点的功率；
[0023]预测模块，用于将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级
LSTM
网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置
。
[0024]可选的，所述电力系统故障预测系统，还包括：
[0025]训练集获取模块，用于获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态；
[0026]训练模块，用于以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用
Seq2Seq
学习策略对多尺度层级
LSTM
网络进行训练得到训练好的模型；
[0027]量化模块，用于对所述训练好的模型中的模型参数进行量化得到量化模型；
[0028]优化模块，用于对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型
。
[0029]可选的，所述电力系统故障预测系统，还包括：
[0030]预处理模块，用于对所述历史时刻的电力系统运行数据均依次进行数据清洗
、
归一化操作和结构化处理
。
[0031]可选的，所述多尺度层级
LSTM
网络包括
Dence
层和多个并行的
LSTM
层；各所述
LSTM
层的输出端均与所述
Dence
层的输入端连接，所述
LSTM
层包括多个串联的
LSTM
单元
。
[0032]一种电子设备，包括：
[0033]存储器和处理器，所述存储器用于存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力系统故障预测方法，其特征在于，包括：获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷
、
电网各节点的电压
、
电网各节点的电流和电网各节点的功率；将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级
LSTM
网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置
。2.
根据权利要求1所述的电力系统故障预测方法，其特征在于，所述故障预测模型的确定过程为：获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态；以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用
Seq2Seq
学习策略对多尺度层级
LSTM
网络进行训练得到训练好的模型；对所述训练好的模型中的模型参数进行量化得到量化模型；对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型
。3.
根据权利要求2所述的电力系统故障预测方法，其特征在于，在以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用
Seq2Seq
学习策略对多尺度层级
LSTM
网络进行训练得到训练好的模型之前还包括：对所述历史时刻的电力系统运行数据均依次进行数据清洗
、
归一化操作和结构化处理
。4.
根据权利要求1所述的电力系统故障预测方法，其特征在于，所述多尺度层级
LSTM
网络包括
Dence
层和多个并行的
LSTM
层；各所述
LSTM
层的输出端均与所述
Dence
层的输入端连接，所述
LSTM
层包括多个串联的
LSTM
单元
。5.
一种电力系统故障预测系统，其特征在于，包括：数据获取模块，用于获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网...

【专利技术属性】
技术研发人员：李攀登，杨祎巍，梁志宏，洪超，张宇南，董良遇，王蕊，杨梓涛，蒋汉锟，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：