【技术实现步骤摘要】
本申请涉及电力监控预警，具体而言，涉及一种基于人工智能的电力监控预警系统。
技术介绍
1、电力系统中，新能源发电系统如太阳能和风力发电，在应对全球气候变化和能源危机方面发挥着越来越重要的作用。例如，新能源微网就是一种结合了新能源发电、能源存储和智能电网技术的小规模电力系统，具有高效利用新能源资源、减少碳排放和提高电力系统稳定性等优点。然而，这类电力系统中的故障和事故也不容忽视，例如发电设备的故障、能源存储装置的故障、智能电表故障等，以及，次同步谐振事故、振荡事故等。这些故障和事故可能导致电力系统的供电不稳定，甚至导致电力系统的停电或其他严重后果。因此，如何实现对新能源微网这类小规模电力系统的实时监控和诊断，及时监测故障以便采取有效的措施防止故障对电力系统的影响，是电力系统领域中需要解决的问题。
技术实现思路
1、本申请实施例的目的在于提供一种基于人工智能的电力监控预警系统，以人工智能的方式实现对电力系统的实时监控和诊断，及时监测故障以便采取有效的措施防止故障对电力系统的影响。
2、为了实现上述目的，本申请的实施例通过如下方式实现：
3、本申请实施例提供一种基于人工智能的电力监控预警系统，包括数据获取单元、数据输入单元和监控预警单元，所述监控预警单元内置有电力监控预警模型，所述数据获取单元，用于获取当前时刻下pmu实时采集的电力数据，其中，pmu安装在待监测的电力系统中；所述数据输入单元，用于将采集的电力数据输入至所述电力监控预警模型中；所述监控预警单元，用于
4、进一步的，所述电力监控预警模型的构建过程为：获取k个pmu采集的电力数据形成的电力数据集，电力数据集包含s个电力数据，每个电力数据表征一个时刻下k个pmu采集的信息，其中，k个pmu均安装在待监测的电力系统内；针对电力数据集中的每个电力数据：对电力数据进行特征提取，确定出此电力数据对应的特征矩阵；将每个电力数据对应的特征矩阵作为一个样本，进行故障检测标注，形成标注的原始样本集；对原始样本集进行样本扩充，得到扩充样本集；构建深度学习模型，将扩充样本集划分为训练集和测试集，并利用训练集和测试集对深度学习模型进行训练和测试，最终得到所述电力监控预警模型。
5、进一步的，第t时刻下第l个pmu采集的数据为xl(t)＝[xl1，xl2，...，xli，...，xlm]t，则第t时刻下的此电力数据x(t)＝[x1(t)，x2(t)，...，xl(t)，...，xk(t)]t，对电力数据进行特征提取，确定出此电力数据对应的特征矩阵，包括：
6、对于xl(t)中的每个数据，进行小波包分解重构的信号为：
7、
8、其中，d为小波包系数，n表示尺度，即分解层级，l和h分别为小波包分解的低通滤波器组和高通滤波器组；
9、基于以下公式，确定出xl(t)对应的特征矩阵
10、
11、
12、
13、其中，表示xl(t)对应的特征矩阵，是一个m×3n阶的特征矩阵；elk表示特征矩阵中第k个特征向量，是一个3n维行向量，对应xl(t)中第k个信号；ei表示分解尺度为i时的能量函数，且en≠0；
14、那么，电力数据x(t)对应的特征矩阵则被整合为：
15、
16、其中，为电力数据x(t)对应的特征矩阵，是一个mk×3n的特征矩阵。
17、进一步的，将每个电力数据对应的特征矩阵作为一个样本，进行故障检测标注，形成标注的原始样本集，包括：对于电力数据x(t)对应的特征矩阵进行故障检测标注；若t时刻电力系统不存在运行故障，将电力数据x(t)对应的样本标注为正常样本；若t时刻电力系统存在运行故障，将电力数据x(t)对应的样本标注为故障样本；将每个电力数据对应的样本进行标注后，形成包含s个标注样本的原始样本集yo。
18、进一步的，对原始样本集进行样本扩充，得到扩充样本集，包括：将原始样本集yo分为正常样本集yn和故障样本集yd，其中，正常样本集yn中的样本数量为s1，故障样本集yd中的样本数量为s2，s1+s2＝s；将故障样本集yd按照7∶3的比例划分为故障样本子集yd1和故障样本子集yd2，以及，从正常样本集yn中随机抽取出与故障样本子集yd1等量的正常样本形成正常样本子集yn1，并将故障样本子集yd1与正常样本子集yn1合并为一个样本子集y1；构建生成对抗网络；利用样本子集y1对生成对抗网络进行第一阶段的训练；第一阶段训练完成后，获取生成器生成的一批合成样本；对合成样本进行标注后得到合成样本子集yg，将合成样本子集yg与故障样本子集yd2合并为一个样本子集y2；利用样本子集y2对生成对抗网络进行第二阶段的训练；第二阶段训练完成后，通过生成器生成合成样本，并对合成样本进行标注，确定出其中的故障合成样本，形成故障合成样本集ygd；从故障合成样本集ygd中确定出若干故障合成样本加入到故障样本集yd中，使故障样本集yd中的样本数量与正常样本集yn中的样本数量相当，再将故障样本集yd与正常样本集yn合并，得到扩充样本集y。
19、进一步的，生成对抗网络的生成器参数与判别器参数的更新方式为：
20、
21、
22、
23、其中，表示将判别器参数θd更新为梯度下降后的值，表示判别器参数θd的梯度，下标b为1或2，b为1时，ybi代表样本子集y1中的第i个样本，mbn为样本子集y1的大小，b为2时，ybi代表样本子集y2中的第i个样本，mbn为样本子集y2的大小，g(zi)为生成器生成的第i个样本，表示将生成器参数θg更新为梯度下降后的值，表示生成器参数θg的梯度，random(·)为随机噪声生成器，用来生成zi序列。
24、进一步的，构建深度学习模型，将扩充样本集划分为训练集和测试集，并利用训练集和测试集对深度学习模型进行训练和测试，最终得到所述电力监控预警模型，包括：采用lstm模型为深度学习模型；将扩充样本集y按照8∶2的比例划分为训练集ytr和测试集yte；利用训练集ytr对深度学习模型进行迭代训练，训练完成后，利用测试集yte对深度学习模型进行测试，最终得到训练好的电力监控预警模型。
25、进一步的，所述监控预警单元，具体用于：在故障监测结果为存在运行故障时，生成监控预警信息并预警；在故障监测结果为不存在运行故障时，进行下一次故障监测。
26、有益效果：
27、1.采用k个同步相量量测单元(phasor measurement unit，pmu)对电力系统进行实时的数据采集，输入到构建的电力监控预警模型，以便进行实时的故障监控。通过构建电力监控预警模型，使用小波包分解重构的方案，进行数据特征的提取，提取特征时，考虑将分解层级的能量构本文档来自技高网...
【技术保护点】
1.一种基于人工智能的电力监控预警系统，其特征在于，包括数据获取单元、数据输入单元和监控预警单元，所述监控预警单元内置有电力监控预警模型，
2.根据权利要求1所述的基于人工智能的电力监控预警系统，其特征在于，所述电力监控预警模型的构建过程为：
3.根据权利要求2所述的基于人工智能的电力监控预警系统，其特征在于，第t时刻下第l个PMU采集的数据为xl(t)＝[xl1，xl2，...，xli，...，xlm]T，则第t时刻下的此电力数据x(t)＝[x1(t)，x2(t)，...，xl(t)，...，xK(t)]T，对电力数据进行特征提取，确定出此电力数据对应的特征矩阵，包括：
4.根据权利要求3所述的基于人工智能的电力监控预警系统，其特征在于，将每个电力数据对应的特征矩阵作为一个样本，进行故障检测标注，形成标注的原始样本集，包括：
5.根据权利要求4所述的基于人工智能的电力监控预警系统，其特征在于，对原始样本集进行样本扩充，得到扩充样本集，包括：
6.根据权利要求5所述的基于人工智能的电力监控预警系统，其特征在于，生成对抗网
7.根据权利要求5所述的基于人工智能的电力监控预警系统，其特征在于，构建深度学习模型，将扩充样本集划分为训练集和测试集，并利用训练集和测试集对深度学习模型进行训练和测试，最终得到所述电力监控预警模型，包括：
8.根据权利要求1所述的基于人工智能的电力监控预警系统，其特征在于，所述监控预警单元，具体用于：
...【技术特征摘要】
1.一种基于人工智能的电力监控预警系统，其特征在于，包括数据获取单元、数据输入单元和监控预警单元，所述监控预警单元内置有电力监控预警模型，
2.根据权利要求1所述的基于人工智能的电力监控预警系统，其特征在于，所述电力监控预警模型的构建过程为：
3.根据权利要求2所述的基于人工智能的电力监控预警系统，其特征在于，第t时刻下第l个pmu采集的数据为xl(t)＝[xl1，xl2，...，xli，...，xlm]t，则第t时刻下的此电力数据x(t)＝[x1(t)，x2(t)，...，xl(t)，...，xk(t)]t，对电力数据进行特征提取，确定出此电力数据对应的特征矩阵，包括：
4.根据权利要求3所述的基于人工智能的电力监控预警系统，其特征在于...
【专利技术属性】
技术研发人员：董怀亮，任义文，
申请(专利权)人：威科智控科技浙江有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。