【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种电力系统事件识别方法以及相关设备。
技术介绍
1、随着电力系统的发展，电力系统的可靠性却无法紧跟时代的步伐，电力系统可靠性的一大关键点就是电力系统事件识别，所以提高电力系统对事件识别与分类的能力对提高输电系统可靠性变得尤为重要。
2、近年来，数据驱动的电力系统事件检测已经得到了广泛的研究。虽然数据驱动事件检测的子领域得到了巨大的发展，但电力系统事件识别与分类这一课题尚未得到充分的探索，主要是由于缺乏了大规模标注的现实世界pmu数据的访问。为了克服这一缺点，研究人员试图创建和利用合成pmu数据，然而在电力系统中，产生具有类似于现实世界数据的时变时空相关性的大规模噪声流pmu数据是极其困难的。
技术实现思路
1、有鉴于此，本申请的目的在于提出一种电力系统事件识别方法以及相关设备，以解决或部分解决上述问题。
2、基于上述目的，本申请提供了一种电力系统事件识别方法，包括：
3、获取若干组pmu电力数据，根据所述若干组pmu电力数据的相关性确定所述pmu电力数据的最优排序；
4、根据所述最优排序对所述pmu电力数据进行排序，得到pmu电力数据序列；其中，所述最优排序使得所述pmu电力数据序列的总方差最小；
5、根据所述pmu电力数据序列确定电力特征序列，将所述电力特征序列输入到预先构建的神经网络分类器中，得到针对所述若干组pmu电力数据的识别结果。
6、在一种可能的实现方式中，所述根据所述
7、提取所述若干组pmu电力数据的拓扑信息，根据所述拓扑信息得到每组所述pmu电力数据的度矩阵和邻接矩阵；
8、根据所述度矩阵和所述邻接矩阵得到每组所述pmu电力数据的拉普拉斯矩阵；
9、计算所述拉普拉斯矩阵对应的特征向量的特征值，得到每组所述pmu电力数据的对应的特征值数据；
10、将所述特征值数据按照预设规则进行排序，得到所述若干组pmu电力数据中所有所述pmu电力数据的最优排序。
11、在一种可能的实现方式中，所述方法还包括通过以下公式计算所述pmu电力数据序列的总方差：
12、
13、其中，d表示pmu电力数据序列的方差，表示pmu电力数据位置之间距离的相关加权平方和，i表示第i组pmu电力数据，j表示第j组pmu电力数据，n表示pmu电力数据的总数，di表示第i组pmu电力数据的特征值数据，dj表示第j组pmu电力数据的特征值数据，wij表示第i组pmu电力数据的特征值数据与第j组pmu电力数据的特征值数据之间的绝对值，dt表示pmu电力数据序列的方差的转置。
14、在一种可能的实现方式中，所述方法还包括通过以下方式构建所述神经网络分类器：所述神经网络分类器包括编码器和估计器；
15、获取初始编码器、初始估计器以及训练数据集；其中，所述训练数据集包括针对pmu电力数据序列的历史特征数据；
16、将所述训练数据集输入到所述初始编码器，对所述初始编码器进行训练，得到pmu电力数据张量以及训练好的所述编码器；
17、将所述pmu电力数据张量输入到所述初始估计器，对所述初始估计器进行训练，得到训练好的所述估计器；
18、根据所述编码器以及所述估计器构建所述神经网络分类器。
19、在一种可能的实现方式中，所述将所述训练数据集输入到所述初始编码器，对所述初始编码器进行训练，得到pmu电力数据张量以及训练好的所述编码器，包括：
20、将所述历史特征数据输入到所述初始编码器，提取所述pmu电力数据序列的历史拓扑信息；
21、根据所述提取所述历史拓扑信息得到所述pmu电力数据张量以及训练好的所述编码器。
22、在一种可能的实现方式中，所述将所述pmu电力数据张量输入到所述初始估计器，对所述初始估计器进行训练，得到训练好的所述估计器，包括：
23、将所述pmu电力数据张量输入到所述初始估计器，估计所述pmu电力数据序列与所述pmu电力数据张量的相关性，得到所述pmu电力数据序列与所述pmu电力数据张量之间的互信息估计表达式以及超参数；
24、根据所述超参数对所述互信息估计表达式进行正则化，得到正则化参数，根据所述正则化参数对所述初始估计器进行调整，得到训练好的所述估计器。
25、在一种可能的实现方式中，所述将所述电力特征序列输入到预先构建的神经网络分类器中，得到针对所述若干组pmu电力数据的识别结果，包括：
26、将所述电力特征序列输入到预先构建的神经网络分类器中，确定所述神经网络分类器的损失函数的是否大于预设阈值；
27、响应于所述电力特征序列输入到预先构建的神经网络分类器后，使得所述神经网络分类器的损失函数的值大于所述预设阈值，确定所述电力特征序列对应的所述pmu电力数据为第一类电力系统事件；
28、响应于所述电力特征序列输入到预先构建的神经网络分类器后，使得所述神经网络分类器的损失函数的值不大于所述预设阈值，确定所述电力特征序列对应的所述pmu电力数据为第二类电力系统事件。
29、基于同样的目的，本申请还提出了一种电力系统事件识别装置，所述装置包括：
30、获取模块，被配置为获取若干组pmu电力数据，根据所述若干组pmu电力数据的相关性确定所述pmu电力数据的最优排序；
31、排序模块，被配置为根据所述最优排序对所述pmu电力数据进行排序，得到pmu电力数据序列；其中，所述最优排序使得所述pmu电力数据序列的总方差最小；
32、识别模块，被配置为根据所述pmu电力数据序列确定电力特征序列，将所述电力特征序列输入到预先构建的神经网络分类器中，得到针对所述若干组pmu电力数据的识别结果。
33、基于上述目的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的方法。
34、基于上述目的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任意一项所述的方法。
35、从上面所述可以看出，本申请提供的电力系统事件识别方法以及相关设备，首先获取若干组pmu电力数据，根据若干组pmu电力数据的相关性确定pmu电力数据的最优排序，进一步地，根据最优排序对pmu电力数据进行排序，得到pmu电力数据序列；其中，最优排序使得pmu电力数据序列的总方差最小，最后，根据pmu电力数据序列确定电力特征序列，将电力特征序列输入到预先构建的神经网络分类器中，得到针对若干组pmu电力数据的识别结果。本申请将pmu电力数据进行排序，使相关度高的pmu电力数据彼此靠拢，避免了在电力系统事件识别因数据堆本文档来自技高网...
【技术保护点】
1.一种电力系统事件识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述若干组PMU电力数据的相关性确定所述PMU电力数据的最优排序，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括通过以下公式计算所述PMU电力数据序列的总方差：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括通过以下方式构建所述神经网络分类器：所述神经网络分类器包括编码器和估计器；
5.根据权利要求4所述的方法，其特征在于，所述将所述训练数据集输入到所述初始编码器，对所述初始编码器进行训练，得到PMU电力数据张量以及训练好的所述编码器，包括：
6.根据权利要求4所述的方法，其特征在于，所述将所述PMU电力数据张量输入到所述初始估计器，对所述初始估计器进行训练，得到训练好的所述估计器，包括：
7.根据权利要求1所述的方法，其特征在于，所述将所述电力特征序列输入到预先构建的神经网络分类器中，得到针对所述若干组PMU电力数据的识别结果，包括：
8.一种电力系统事件识别装置，其特
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7任一所述方法。
...【技术特征摘要】
1.一种电力系统事件识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述若干组pmu电力数据的相关性确定所述pmu电力数据的最优排序，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括通过以下公式计算所述pmu电力数据序列的总方差：
4.根据权利要求1所述的方法，其特征在于，所述方法还包括通过以下方式构建所述神经网络分类器：所述神经网络分类器包括编码器和估计器；
5.根据权利要求4所述的方法，其特征在于，所述将所述训练数据集输入到所述初始编码器，对所述初始编码器进行训练，得到pmu电力数据张量以及训练好的所述编码器，包括：
6.根据权利要求4所述的方法，其特征在于...
【专利技术属性】
技术研发人员：沈忆，何鑫，高士杰，尹将伯，刘梓田，邓艳红，张帆，李海洋，
申请(专利权)人：北京中电普华信息技术有限公司，
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。