CN112285484A - 基于深度神经网络的电力系统故障诊断信息融合方法及装置 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的电力系统故障诊断信息融合方法及装置，方法包括：获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。本发明的电力系统故障诊断信息融合方法，可以结合现有模型的优势，实现诊断准确率和诊断精度的提高；本发明具有很好的应用前景。

Description

基于深度神经网络的电力系统故障诊断信息融合方法及装置

技术领域

本发明属于电力系统故障诊断技术领域，具体涉及一种基于深度神经网络的电力系统故障诊断信息融合方法，还涉及一种基于深度神经网络的电力系统故障诊断信息融合装置。

背景技术

近年来，电力系统高速发展进入大电网时代，电网发生故障后，所有相关的监控设备将会产生大量的警报信息传送至控制中心，若故障诊断方法不当，可能导致调度员无法准确、高效地处理事故，甚至进一步造成事故处理不及时、停电范围扩大、引起更大的经济损失等一系列问题。因此，如何建立快速准确的故障诊断方法是一个亟待解决的关键问题。然而受系统规模、复杂程度、设备配置、信号误差等不确定因素的影响，难以基于常规的数学模型进行电力系统故障诊断。随着人工智能研究理论的发展，基于人工智能的电力系统故障诊断方法逐渐引起了研究人员的注意，并由此展开了一系列基于人工智能的电力系统故障诊断方法和模型的研究。

目前已实际应用或具有应用潜力的人工智能故障诊断方法主要有人工神经网络、贝叶斯网络、专家系统。

人工神经网络方法具有极强的特征提取及数据拟合能力，模型建立与运行简单快速、节省人力资源，但其诊断过程为黑箱模型，可解释性较差，且网络的训练需要大量样本，而电力系统的高可靠性意味着实际故障案例极少，小样本下的神经网络极易出现过拟合问题影响诊断准确性。

贝叶斯网络是一种概率图模型，从概率的角度分析数据，用条件概率贴切直观地表达节点间的关系，但概率图的设计及具体概率的获取同样需要大量专家知识及历史案例进行分析统计。

专家系统能够通过一个或多个专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，但其对信号的完整性和正确性要求较高，当系统中存在保护和断路器不正常动作时，专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于深度神经网络的电力系统故障诊断信息融合方法及装置，解决了现有技术中故障诊断误报率过高的技术问题。

为解决上述技术问题，本发明提供了一种基于深度神经网络的电力系统故障诊断信息融合方法，包括：

获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。

进一步的，所述设备的特征信息包括：设备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、是否为合闸。

进一步的，所述三个故障诊断子模型的故障诊断结果为：

分别表示是否故障、是否进行自动重合闸、自动重合闸是否成功；

对于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相应概率、专家系统故障诊断模型输出为三个结果的0/1量。

进一步的，融合神经网络模型由输入层、三隐层、输出层构成，输入为三种故障诊断子模型的输出拼接组成的长向量，输出为最终故障诊断结果，包括是否故障、是否进行自动重合闸、自动重合闸是否成功。

进一步的，还包括：对三个故障诊断子模型和基于深度神经网络的电力系统故障诊断信息融合方法结合进行评价，以验证基于深度神经网络的电力系统故障诊断信息融合方法的精度高。

进一步的，对三个故障诊断子模型和基于深度神经网络的电力系统故障诊断信息融合方法结合进行评价，包括：

计算各诊断方法对应的各性能指标；包括：故障情况准确率和故障情况准确指数、重合情况准确率和重合情况准确指数、漏报率和漏报指数、误报率和误报指数，以及偏离程度；

计算各诊断方法对应的各指标加权和得到综合评分；

对综合评分进行标准化处理。

相应的，本发明还提供了一种基于深度神经网络的电力系统故障诊断信息融合装置，包括：故障诊断子模块，故障结果融合模块；

故障诊断子模块，用于获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障结果融合模块，用于根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。

与现有技术相比，本发明所达到的有益效果是：

1)抗干扰能力强：相较于现行故障诊断方法，融合后的方法能够根据历史数据是否充足、信号质量是否可靠等情况自动选择该情形下的最佳模型，比之单一子诊断模型能够始终维持较高的诊断准确率；

2)诊断精度高：本发明方法旨在三子模型诊断结果间选择最接近实际情况的作为融合结果，故而最终在多样本上的诊断精度将高于任一子模型；

3)应用前景广阔：通过本发明的电力系统故障诊断信息融合方法，可以结合现有模型的优势，实现诊断准确率和诊断精度的提高；网络训练完成后线上权重自动确定，操作方便，诊断迅速。因此本发明具有很好的应用前景。

附图说明

图1是本发明方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

本发明的一种基于深度神经网络的电力系统故障诊断信息融合方法，对多种人工智能诊断方法进行融合，能够实现现有人工智能故障诊断方法的优势互补，从而实现诊断准确率的提升。参见图1所示，该方法包括以下步骤：

第一步，建立基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型、基于专家系统的故障诊断模型三种故障诊断子模型，利用历史样本作为训练集对三种故障诊断子模型进行训练，确定三种故障诊断子模型的具体参数，得到历史样本的故障诊断结果。

模型的输入信息包括设备的特征信息，包括：设备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、是否为合闸。将上述各类信息用1/-1表示(1表示是、-1表示否)，拼接组成长向量即为模型输入。

模型的输出为故障诊断结果：包含三个结果，分别表示是否故障、是否进行自动重合闸、自动重合闸是否成功，对于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相应概率、专家系统故障诊断模型输出为三个结果的0/1量(0表示否定，1表示肯定)。

人工神经网络、贝叶斯网络和专家系统的故障诊断模型，均属于人工智能诊断方法。

第二步，以三个故障诊断子模块输出的历史样本的故障诊断结果训练深层神经网络以构建成融合神经网络模型。

融合神经网络模型由输入层、三隐层、输出层构成，输入为三种故障诊断子模型的输出拼接组成的长向量(共9位)，输出为最终故障诊断结果(是否故障、是否进行自动重合闸、自动重合闸是否成功，共3位)；

基于梯度下降法对融合神经网络进行训练，输入特征为三种故障诊断子模型在训练集上的诊断结果，标签为历史样本的真实故障情况。

本发明将多种现行的电力系统诊断方法进行融合，利用各基本模型的诊断方法，通过融合神经网络的建立和训练实现了权重自动确定，完成融合过程。

第三步，获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；

第四步，根据三个故障诊断子模型的故障诊断结果，基于融合神经网络模型，计算得到最终故障诊断结果。

本发明基于信息融合的思想，利用深度神经网络将各人工智能故障诊断子模型的诊断结果进行融合，实现优势互补。

实施例2

采用某地区110KV网络的线路故障实际历史案例进行实验，以验证本发明的正确性和有效性。共提取历史记录134条，抽取其中的100条作为训练样本，直接用于各故障诊断子模型的训练；再建立和训练融合神经网络模型并分别对剩余34个历史案例进行诊断测试，测试结果如表1所示。

表1各方法测试结果

其中各性能指标含义如下：

1)故障情况准确率与故障情况准确指数

故障情况准确率定义为对样本是否故障判断的正确样本数与总样本数之比，对于输出结果为概率的诊断方法，以0.5为分界作为诊断结果。故障情况准确指数为诊断正确时模型输出与相反标签之间的平均差，表征模型对该次诊断的确定程度。故障情况准确率A与故障情况准确指数Ab分别由式1、2计算可得。

其中i＝1,2,3表示三种人工智能诊断方法；N、N_coi分别表示测试样本与第i种方法正确诊断的样本数；D_coi为第i种方法正确诊断的样本序号集；c_1ki、y_1k分别表示第i种方法在样本k上对设备是否故障的诊断输出结果以及样本k关于设备故障情况的标签，对于专家系统，诊断结果为故障时c₁＝1，否则c₁＝0，专家系统的准确指数为1。

2)漏报率与漏报指数

诊断模型的漏报率指设备真实发生故障情况下，诊断模型给出未故障结果的概率。漏报指数定义为漏报时模型诊断结果与故障时的理想故障情况输出(即样本标签第一位y₁＝1)之间的平均差值，该指数可以作为模型在漏报时的诊断错误严重程度的衡量指标。漏报率M与漏报指数Mb的具体计算方法如式3、4所示。

其中N₁、N_mi分别表示测试样本集中故障样本数目与第i种方法将故障样本诊断为未故障的样本数；D_mi为第i种方法发生漏报的样本序号集。

3)误报率与误报指数

与漏报类似，诊断模型的误报率指设备真实未发生故障的情况下，诊断模型将其错误诊断为故障情况的概率。误报指数定义为误报时模型诊断结果与未故障时的理想故障情况输出(即样本标签第一位y₁＝0)之间的平均差值，该指数可以作为模型在误报时的诊断错误严重程度的衡量指标。误报率F与误报指数Fb的具体计算方法如式5、6所示。

其中N₀、N_fi分别表示测试样本集中未故障样本数目与第i种方法将未故障样本错误诊断为故障的样本数；D_fi为第i种方法发生误报的样本序号集。

4)重合情况准确率与重合情况准确指数

诊断模型对重合情况的判断可用两位数字c₂、c₃表示，其中c₂表示模型对是否进行了重合闸动作的判断；c₃表示对重合是否成功的判断。两位数字均判断正确时认为模型对重合情况诊断正确。重合情况准确率定义为对重合情况的诊断正确样本数与总样本数之比，对于输出结果为概率的诊断方法，以0.5为分界作为诊断结果。重合情况准确指数为诊断正确时，模型的重合情况相关的两位输出(第2、3位输出)与其相应标签相反数之间的差的平均值，表征模型对该次诊断的确定程度。重合情况准确率A'与重合情况准确指数Ab'分别由式7、8计算可得。

其中N'、N'_ai分别表示测试样本与第i种方法正确诊断的样本数；D'_ai为第i种方法正确诊断的样本序号集；y_2k、y_3k分别表示样本k的实际是否发生重合以及重合是否成功的标签，由于专家系统的诊断结果为0/1量，故其重合情况准确指数为1。

5)偏离程度

本实施例定义故障情况诊断偏离程度为该诊断方法与其他几种诊断方法对故障情况和重合闸情况诊断结果的平均值在每个输出位上的差异均值。通常情况下，与大多数方法诊断结果相似时诊断结果正确的可能性更高，即偏离程度低时模型性能倾向于更好。具体地，第i种诊断方法的故障情况诊断偏离程度E_i计算式为：

6)综合评分

综合评分为对每一方法综合上述指标得到的评分，便于更直观地对各方法进行比较，具体计算方法如下：

①求各指标加权和。根据经验和工程需求，如漏报比误报更为严重等情况，将指标权重选择为向量a＝[0.25,0.04,0.14,0.04,0.28,0.04,0.15,0.04,0.02]，同时由于故障情况准确率、故障情况准确指数、重合情况准确率、重合情况准确指数为越高越好，其余为越低越好，故将其余五个指标取相反数后再乘以权重并求和；

②以此综合方法下可能的最高得分为参照，进行标准化处理。得分最高情况为前四项指标值为1，其余均为0，此时得分为0.47。故将上一步得到的加权和除以0.47，得到最终综合评分。

综上，由表1可见，本发明提出的基于深度神经网络的电力系统故障诊断信息融合方法在大部分指标上均表现最佳，且得到了最高综合评分，证明其可以很好地将各基本模型进行优势融合，改善现有方法的故障诊断性能。

实施例3

相应的，本发明还提供了一种基于深度神经网络的电力系统故障诊断信息融合装置，包括：故障诊断子模块，故障结果融合模块；

故障诊断子模块，用于获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障结果融合模块，用于根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。

本发明装置中各模块的技术方案，参见实施例1和实施例2中具体实现过程。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，包括：

获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。

2.根据权利要求1所述的一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，所述设备的特征信息包括：设备是否收到厂站、间隔事故总信号；设备保护是否动作；设备各开关是否有分合闸信号；设备各开关首次动作是否为分闸、是否为合闸；设备各开关最后一次动作是否为分闸、是否为合闸。

3.根据权利要求1所述的一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，所述三个故障诊断子模型的故障诊断结果为：

分别表示是否故障、是否进行自动重合闸、自动重合闸是否成功；

对于人工神经网络和贝叶斯网络的故障诊断模型输出为三个结果的相应概率、专家系统故障诊断模型输出为三个结果的0/1量。

4.根据权利要求3所述的一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，融合神经网络模型由输入层、三隐层、输出层构成，输入为三种故障诊断子模型的输出拼接组成的长向量，输出为最终故障诊断结果，包括是否故障、是否进行自动重合闸、自动重合闸是否成功。

5.根据权利要求1所述的一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，还包括：对三个故障诊断子模型和基于深度神经网络的电力系统故障诊断信息融合方法结合进行评价，以验证基于深度神经网络的电力系统故障诊断信息融合方法的精度高。

6.根据权利要求5所述的一种基于深度神经网络的电力系统故障诊断信息融合方法，其特征是，对三个故障诊断子模型和基于深度神经网络的电力系统故障诊断信息融合方法结合进行评价，包括：

计算各诊断方法对应的各性能指标；包括：故障情况准确率和故障情况准确指数、重合情况准确率和重合情况准确指数、漏报率和漏报指数、误报率和误报指数，以及偏离程度；

计算各诊断方法对应的各指标加权和得到综合评分；

对综合评分进行标准化处理。

7.一种基于深度神经网络的电力系统故障诊断信息融合装置，其特征是，包括：故障诊断子模块，故障结果融合模块；

故障诊断子模块，用于获取待诊断设备的特征信息，基于三种故障诊断子模型，计算得到三个故障诊断子模型的故障诊断结果；所述三种故障诊断子模型为基于人工神经网络的故障诊断模型、基于贝叶斯网络的故障诊断模型和基于专家系统的故障诊断模型；

故障结果融合模块，用于根据三个故障诊断子模型的故障诊断结果，基于预先深度神经网络训练构成的融合神经网络模型，计算得到最终故障诊断结果。

Images