【技术实现步骤摘要】
本专利技术涉及电力系统故障诊断的，尤其涉及一种基于深度学习的电力故障分类方法。
技术介绍
1、随着电力系统的规模和复杂性不断增加，故障诊断和分类技术成为保障电力系统稳定运行的关键，传统的电力故障诊断方法主要依赖于专家经验和规则库，这些方法在面对复杂、多变的故障情况时，往往表现出较高的误判率和漏判率；此外，随着电力系统中数据采集和存储技术的进步，海量的历史故障数据和实时运行数据为智能化故障诊断提供了可能。
2、近年来，机器学习特别是深度学习技术的快速发展，为电力故障分类提供了新的思路，卷积神经网络(cnn)在图像识别方面表现出色，能够有效提取数据的空间特征；而循环神经网络(rnn)则在处理时间序列数据方面具有显著优势；将这两者结合起来，构建混合模型，可以充分利用电力故障数据的时空特性，提高故障分类的准确性和鲁棒性。
3、然而，现有的电力故障分类技术仍存在一些显著不足，首先，传统的基于规则和专家系统的方法在应对新型或复杂故障时，显得力不从心，无法及时更新和适应动态变化的电力系统环境；其次，一些基于浅层机器学习模型的方法虽然能够处理一定的非线性关系，但其特征提取能力有限，无法充分挖掘数据的深层次信息；此外，现有的一些深度学习模型虽然在一定程度上提高了故障分类的精度，但在处理多种故障类型和复杂背景噪声时，仍然存在误判和漏判问题。
4、特别是在实时数据处理和高维数据特征提取方面，现有技术尚未达到理想效果，相比之下，本专利技术通过引入卷积神经网络和循环神经网络的混合模型，并结合adam优化算法，对故障分类
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题，提出了本专利技术，旨在提高电力故障分类的准确性和实时性。
3、因此，本专利技术解决的技术问题是：现有电力故障分类技术存在误判率高、漏判率高、特征提取能力有限、实时处理能力不足的问题。
4、为解决上述技术问题，本专利技术提供如下技术方案：从电力系统中采集故障数据并对其进行数据预处理和特征提取，得到目标特征；
5、基于卷积神经网络和循环神经网络构建混合模型；
6、利用adam优化算法、所述目标特征，对所述混合模型进行优化，生成故障分类模型；
7、将实时采集的电力系统运行数据输入所述故障分类模型中进行关于故障概率分布的预测，输出故障分类结果。
8、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，采集的所述故障数据包括但不限于电压数据、电流数据、频率数据、功率数据、谐波数据、温度数据、设备状态数据；
9、通过对所述故障数据进行数据清洗、时间戳同步和数据标准化处理，得到统一格式的样本数据集。
10、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，得到所述目标特征，包括：
11、将预处理后的所述故障数据按时间窗口划分，定义窗口大小为1秒到10秒，步长为0.5秒到5秒；
12、对每一个窗口内的所述故障数据计算其均值、标准差、峰度、偏度，得到时域特征；
13、对每一个窗口内的所述故障数据进行傅里叶变换，计算其频谱能量、主频率和谐波含量，得到频域特征；
14、对每一个窗口内的所述故障数据进行小波变换，提取小波变换系数作为时频特征；
15、计算每一个窗口内的所述故障数据的最大值、最小值、峰峰值和均方根值，得到统计特征；
16、所述时域特征、所述频域特征、所述时频特征和所述统计特征组合成所述目标特征。
17、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，基于卷积神经网络和循环神经网络构建混合模型，其数学表达公式如下：
18、
19、其中，σ为激活函数，如sigmoid函数，n为卷积层的数量，a和b为积分区间的下限和上限，m为卷积核的数量，wij为卷积核的权重，φ为非线性激活函数，如relu函数，p为rnn的数量，ψ为rnn的激活函数，如tanh函数，xijk为输入数据，表示第i个卷积层，第j个卷积核和第k个rnn的输入，为高斯衰减函数，用于滤波，ξk为第k个rnn的权重，c和d为积分区间的下限和上限，用于复杂信息过滤，α为调节参数，表示非线性调整的权重。
20、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，生成所述故障分类模型，包括：
21、
22、其中，i为卷积层的索引，n为卷积层的数量，j为卷积核的索引，m为卷积核的数量，wij为卷积核的权重，k为rnn的索引，p为rnn的数量，xijk为输入数据表示第i个卷积层第j个卷积核和第k个rnn的输入，ξk为第k个rnn的权重，ηijk为卷积核后的数据，λij为卷积层后的权重，c和d为积分区间的下限和上限用于复杂信息过滤，α为调节参数表示非线性调整的权重，q为adam优化算法的步长索引，γl为adam算法的动量，βl为adam算法的缩放因子。
23、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，进行关于故障概率分布的预测，包括：
24、将实时采集的所述电力系统运行数据经由数据预处理后，输入训练好的故障分类模型中；
25、通过模型的各层网络进行前向传播，计算每一层的激活值，最终得到输出层的结果；
26、在输出层使用softmax函数对模型输出层的结果进行处理，得到各故障类型的概率分布，其数学表达公式如下：
27、
28、其中，p(y＝j|x)表示样本x属于故障类别j的概率，wj为权重矩阵，b为偏置，k为类别总数；
29、根据所述概率分布，选择概率最大的故障类型作为最终的分类结果。
30、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，选择概率最大的故障类型作为最终的分类结果，其数学表达公式为：
31、
32、其中，为预测的故障类型。
33、作为本专利技术所述的基于深度学习的电力故障分类方法的一种优选方案，所述故障类型包括但不限于线路短路、设备故障、过载、接地故障和谐波失真。
34、本专利技术的有益效果：本专利技术通过结合卷积神经网络和循环神经网络的混合模型，以及利用adam优化算法进行优化，在分类准确率、实时性和鲁棒性实现了大幅度提升，有效解决了现有技术在故障分类中的不足，提高故障分类准确性和效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电力故障分类方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，采集的所述故障数据包括但不限于电压数据、电流数据、频率数据、功率数据、谐波数据、温度数据、设备状态数据；
3.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，得到所述目标特征，包括：
4.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，基于卷积神经网络和循环神经网络构建混合模型，其数学表达公式如下：
5.根据权利要求1或4所述的基于深度学习的电力故障分类方法，其特征在于，生成所述故障分类模型，包括：
6.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，进行关于故障概率分布的预测，包括：
7.根据权利要求6所述的基于深度学习的电力故障分类方法，其特征在于，选择概率最大的故障类型作为最终的分类结果，其数学表达公式为：
8.根据权利要求7所述的基于深度学习的电力故障分类方法，其特征在于，所述故障类型包括但不限于线路短路、设备故障、
...【技术特征摘要】
1.一种基于深度学习的电力故障分类方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，采集的所述故障数据包括但不限于电压数据、电流数据、频率数据、功率数据、谐波数据、温度数据、设备状态数据；
3.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，得到所述目标特征，包括：
4.根据权利要求1所述的基于深度学习的电力故障分类方法，其特征在于，基于卷积神经网络和循环神经网络构建混合模型，其数学表达公式如下：
...
【专利技术属性】
技术研发人员：孙竹君，程伟华，周红林，曾春生，曹轩玮，朱健，徐莹娇，
申请(专利权)人：江苏电力信息技术有限公司，
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。