CN113740667B - 一种融合自编码器和卷积神经网络的电网故障诊断方法 - Google Patents

Abstract

本发明提供一种基于PMU(Phasor Measurement Unit)的融合自编码器和卷积神经网络的电网故障诊断方法。所述方法包括：采集电气设备PMU数据，构建基于自编码器(AE)的可疑故障设备定位模型；建立基于卷积神经网络(CNN)的故障设备精准定位模型；绘制PMU数据的雷达图，构建基于CNN的故障类型判定模型；结合故障设备定位与故障类型判定结果实现电网故障的诊断。在PMU数据的基础上，引入人工智能算法来提升电网故障定位的效率与故障定性的准确性，实现端到端的自动化，大幅度节约了人力成本。

Description

一种融合自编码器和卷积神经网络的电网故障诊断方法

技术领域

本发明属于PMU数据故障诊断领域，具体为一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，适用于通过自编码器和卷积神经网络模型对电网设备进行故障诊断。

背景技术

目前电力系统同步测量装置PMU被广泛的运用于进行同步相量的测量和输出以及动态记录。电力系统中PMU从GPS中同步采集次秒级的模拟电压、电流信号，得到电压和电流信号的幅值和相角，并将其传送到调度中心的数据集中器，在调度中心可以得到整个电网的同步相量，以供实时监测、保护和控制等使用，广泛应用于电力系统广域测量系统的各个环节。

近年来，电网规模越来越大，运行结构日趋复杂，地区电网间的联系紧密。能快速实现电网故障设备定位和故障类型判定的电网故障诊断方法，有利于检修和事故后电网的快速恢复，是确保电网安全稳定运行的基础。传统的基于PMU数据的电网故障方法无法实现端到端的自动化故障定位和故障类型诊断，这已无法满足现如今电网高速发展的需求。

发明内容

为了解决上述问题，本发明提供一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法。该方法将采集到的电气设备的 PMU数据通过基于AE的可疑故障设备定位模型进行初步定位，再经过基于CNN的故障设备精准定位模型对故障设备进行精准定位，最终基于PMU雷达图和CNN语义特征提取能力实现对故障类型的判定。

具体采用如下方案：

一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，所述方法包括：

S1、采集电气设备PMU数据，构建基于自编码器AE的可疑故障设备定位模型；

S2、建立基于卷积神经网络CNN的故障设备精准定位模型；

S3、绘制PMU数据的雷达图，构建基于CNN的故障复杂度判定模型和基于CNN的短路故障类型分类模型；

S4、结合故障设备定位与故障类型判定结果实现电网故障的诊断。

优选地，所述基于自编码器AE的可疑故障设备定位模型包括输入层、隐藏层和输出层；其中输入层x₁～x₅为神经网络自主学习到的PMU 数据在电网正常状况下的数据特征；隐藏层为输入层提取到的数据特征x₁～x₅经过神经网络的学习后的浓缩特征h₁～h₃；输出层

为模型的重构特征。

优选地，自编码器通过最小化重构误差，即原始输入特征和重构特征之间的差异对模型进行训练，若输入特征x₁～x₅与重构特征

之间的误差大于阈值，则说明该样本不符合正常设备的数据特征，从而被判定为可疑故障设备的数据样本。

优选地，所述误差即为输入特征x₁～x₅与重构特征

之间的差值，所述阈值为可以判别可疑故障设备与正常设备之间特征差值的最小值。

优选地，所述步骤S1包括：

利用电气设备正常运行状态下的PMU数据训练AE可疑设备定位模型，将测试样本输入训练好的定位模型，若测试样本为非故障样本，则模型输出为空，否则模型输出可疑故障设备集D，所述可疑故障设备集表达式为：

D＝{d₁,d₂,…,d_n}

其中d₁～d_n为可疑故障设备，n为可疑故障设备数量。

优选地，所述步骤S2中：

基于CNN的定位模型包括输入层、隐含层和输出层，隐含层包括卷积层、池化层、全连接层。

优选地，其中隐含层中的卷积层表达式：

式中：y为M×N阶的输出矩阵，y_mn为其第m行、第n列的元素； m＝0，1，…，M-1；n＝1，2，…，N-1；w为J×I阶的卷积核，w_ij为其第i行、第j列的元素；x_m+i,n+j为输入矩阵x中第m+i行、第n+j列的元素；b为偏置变量；f为激活函数；

池化层采样方程：

式中：S₁和S₂分别为池化区域行和列的维数；C为(M/S₁)×(N/S₂) 阶的输出矩阵，C_ab为其第a行、第b列的元素；a＝0，1，…，M/S₁—1； n＝0，1，…，N/S₂—1；y_{as1+i，bs2+j}为输出矩阵y的第aS₁+i行、第bS₂+j 列的元素；

单层全连接层表达式：

式中：e＝[e₁，e₂，…，e_i，…，e_n]为n维输入变量；

k＝[k₁，k₂，…，k_i，…，k_n]为连接权值；g为偏置；o为输出；

输出层采用softmax函数层来进行分类，softmax表达式：

式中：z为神经元的输出值，z_j为第j个神经元的输出值，K为总类别，e为自然底数。

优选地，所述步骤S2包括：

以贴上故障和非故障标签的可疑故障设备的数据样本作为故障设备精准定位模型的输入，以分类结果即故障或非故障为故障设备精准定位模型的输出；输入的数据样本经过卷积层和最大池化层自动提取故障数据特征，通过全连接层自动输出分类结果，实现可疑故障设备的精准定位。

优选地，所述步骤S3包括：

绘制PMU数据的雷达图，构建基于CNN的故障复杂度判定模型；将故障情况下的电气设备的PMU数据雷达图输入故障复杂度判定模型，使其自主学习PMU数据雷达图中的电网故障特征，模型输出为简单故障或复杂故障两种情况的分类结果。

优选地，所述步骤S3包括：

绘制PMU数据的雷达图，构建基于CNN的故障类型判定模型；选取故障设备的A、B、C三相电压、三相电流的幅值和相角以及电频率、有功和无功功率和绘制各设备的PMU数据雷达图，利用CNN提取该类数据的图形语义，判定最终故障类型。

优选地，所述步骤S3包括：

将测试样本输入故障复杂度判定模型，若输入样本被判定为复杂故障，则确定故障复杂度为复杂，反之则判定为简单故障；同时将雷达图输入到故障类型判定模型中，进一步判定输入的故障样本为三相短路故障、两相短路故障、两相短路接地故障或单相短路接地故障。

优选地，所述步骤S4包括：

结合故障设备定位与故障类型判定结果，实现电网故障的诊断。

为了能够有效的利用PMU数据，提升故障定位的效率和故障分类的准确性，本发明的方法将采集到的电气设备的PMU数据通过自编码器AE可疑故障设备定位模型进行初步定位，再将可疑故障设备集通过卷积神经网络CNN模型对初步定位信息进行精准定位，最终基于PMU 雷达图和CNN语义特征提取能力实现对故障设备的定位和故障类型的判定。在PMU数据的基础上，融合自编码器和卷积神经网络智能方法来提升电网故障定位的效率与故障定性的准确性，实现端到端的自动化，大幅度节约了人力成本。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；

图1为根据本发明一个优选实施例中所述基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法流程框图；

图2为根据本发明一个优选实施例中基于AE的可疑故障设备定位模型图；

图3为根据本发明一个优选实施例中基于CNN的故障设备精准定位模型结构图；

图4(a)和(b)分别为根据本发明一个优选实施例中简单和复杂故障的样本示例；

图5(a)为根据本发明一个优选实施例中单相接地短路故障的样本示例；

图5(b)为根据本发明一个优选实施例中两相接地短路故障的样本示例；

图5(c)为根据本发明一个优选实施例中两相短路故障的样本示例；

图5(d)为根据本发明一个优选实施例中三相短路故障的样本示例；

图6为根据本发明一个优选实施例中基于CNN的故障复杂度判定模型结构图；

图7为根据本发明一个优选实施例中基于CNN的短路故障类型分类模型结构图；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提供了一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，该方法将采集到的电气设备的PMU数据通过基于 AE的可疑故障设备定位模型进行初步定位，再经过基于CNN的故障设备精准定位模型对初步定位信息进行优化，最终通过基于CNN的故障复杂度判定模型和基于CNN的短路故障类型分类模型，利用PMU 雷达图和CNN语义特征提取能力，对电网故障进行诊断。

参阅图1，所述方法具体包括如下步骤：

S1、采集电气设备PMU数据，构建基于自编码器AE的可疑故障设备定位模型；

具体的，参阅图2，基于AE的可疑故障设备定位模型以所有设备输出的PMU数据样本为输入。

图中，x₁～x₅为神经网络自主学习到的PMU数据在电网正常状况下的数据特征；h₁～h₃为自编码器的隐藏层，即输入层提取到的数据特征x₁～x₅经过神经网络的学习后，浓缩为更精炼、数量更少的特征h₁～h₃；

为模型的重构特征。

自编码器通过最小化重构误差，即原始输入特征和重构特征之间的差异对模型进行训练。图中的误差即为输入特征x₁～x₅与重构特征

之间的差值，此处的阈值为多次实验后总结归纳得到的可以判别可疑故障设备与正常设备之间特征差值的最小值。若输入特征x₁～x₅与重构特征

之间的误差大于阈值，则说明该样本不符合正常设备的数据特征，从而被判定为可疑故障设备的数据样本。

此模型将正常无故障发生时的大量PMU数据输入AE模型，以训练AE自主学习正常数据样本的特征。将测试样本输入AE模型，模型能够基于训练结果，自主学习测试样本中的数据特征以判定那些设备为正常设备，从而判定故障设备，模型输出为故障设备名称。

该模型能够在训练过程中挖掘目标样本的深层特征，在对数据进行降维的同时自动地获取数据的深层特征表达，提升特征信息的区分度，从而提高目标样本分类的识别率。

在实施例中输入电气设备正常运行状态下的PMU数据训练AE可疑设备定位模型，将测试样本输入训练好的定位模型，若测试样本为非故障样本，则模型输出为空，若测试样本为故障样本，则模型输出为可疑故障设备集D。所述可疑设备集D表达式为：

D＝{d₁,d₂,…,d_n}，其中d₁～d_n为可疑故障设备，n为可疑故障设备数量。

S2、建立基于CNN的故障设备精准定位模型；

具体的，参阅图3，CNN网络分为输入层、隐含层和输出层。隐含层包括卷积层、池化层、全连接层。

其中隐含层中的卷积层表达式：

式中：y为M×N阶的输出矩阵，y_mn为其第m行、第n列的元素； m＝0，1，…，M-1；n＝1，2，…，N-1；w为J×I阶的卷积核，w_ij为其第i行、第j列的元素；x_m+i,n+j为输入矩阵x中第m+i行、第n+j列的元素；b为偏置变量；f为激活函数。

池化层采样方程：

式中：S₁和S₂分别为池化区域行和列的维数；C为(M/S₁)×(N/S₂) 阶的输出矩阵，C_ab为其第a行、第b列的元素；a＝0，1，…，M/S₁—1； n＝0，1，…，N/S₂—1；y_{aS1+i，bS2+j}为输出矩阵y的第aS₁+i行、第bS₂+j 列的元素。

单层全连接层表达式：

式中：e＝[e₁，e₂，…，e_i，…，e_n]为n维输入变量；

k＝[k₁，k₂，…，k_i，…，k_n]为连接权值；g为偏置；o为输出。

输出层采用softmax函数层来进行分类，softmax表达式：

式中：z为神经元的输出值，z_j为第j个神经元的输出值，K为总类别，e为自然底数。

以贴上故障和非故障标签的可疑故障设备的数据样本作为定位模型的输入，以分类结果即故障或非故障为定位模型的输出；输入的数据样本经过卷积层和最大池化层自动提取故障数据特征，通过全连接层自动输出分类结果，实现端到端的可疑故障设备的精准定位。

S3、绘制PMU数据雷达图，构建基于CNN的故障复杂度判定模型和基于CNN的短路故障类型分类模型。

图4(a)和(b)分别为根据本发明一个优选实施例中简单和复杂故障的样本示例；图5(a)-(d)分别为根据本发明一个优选实施例中单相接地短路故障、两相接地短路故障、两相短路故障、三相短路故障的样本示例；

具体的，选取故障设备的A、B、C三相电压、三相电流的幅值和相角以及电频率、有功和无功功率，绘制各设备的PMU数据雷达图，构建基于CNN的故障复杂度判定模型和基于CNN的短路故障类型分类模型，参阅图6、7。

基于CNN的故障复杂度判定模型以故障情况下的电气设备的 PMU数据雷达图作为模型输入，以判定结果即简单故障或复杂故障为输出。输入的PMU数据雷达图样本经过卷积层和最大池化层自动提取能体现故障复杂度的数据特征，通过全连接层自动输出分类结果，实现端到端的故障复杂度判定。

此模型将故障情况下的电气设备的PMU数据雷达图输入CNN模型，使其自主学习PMU数据雷达图中的电网故障特征，模型输出为简单故障或复杂故障两种情况的分类结果。作为训练故障复杂度判定分类模型，其模型结构参阅图6。将测试样本输入基于CNN的故障复杂度判定模型，若输入样本被判定为复杂故障，则确定故障复杂度为复杂，反之则为简单故障。

基于CNN的短路故障类型分类模型以故障情况下的电气设备的PMU数据雷达图作为模型输入，以分类结果即单相接地短路故障、两相接地短路故障、两相短路故障、三相短路故障为输出。输入的PMU 数据雷达图样本经过卷积层和最大池化层自动提取能体现短路故障类型的数据特征，通过全连接层自动输出分类结果，实现端到端的短路故障类型分类。

将故障情况下的电气设备的PMU数据绘制成雷达图，利用CNN 提取PMU数据的图形语义，判定故障类型。PMU数据的图形语义就是将PMU数据绘制成雷达图后，离散的PMU数据在雷达图上展现为连续的线条，弱化了PMU数据具体数值的大小，突出了能体现电网故障类型的PMU数据的变化趋势和变化幅度。

将样本输入到基于CNN的短路故障类型分类模型，利用CNN提取PMU数据的图形语义，进一步判定短路故障类型。此模型将故障情况下的电气设备的PMU数据雷达图输入CNN模型，使其自主学习 PMU数据雷达图中的短路故障特征，模型输出为三相短路故障、两相短路故障、两相短路接地故障或单相短路接地故障四种情况的分类结果。具体的基于CNN的短路故障类型分类模型参阅图7。

S4、结合故障设备定位与故障类型判定结果实现电网故障的诊断；具体的，在实施例中结合基于AE的可疑故障设备结果，初步明确大致故障影响面，然后经过基于CNN的故障设备精确定位模型对故障设备进行进一步优化与明确，在确定故障设备之后，根据该设备PMU数据雷达图判断结果，实现电网故障的诊断。

本发明提出的一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，首先利用电气设备正常运行状态下的PMU数据来训练AE可疑设备定位模型，将测试样本输入训练好的定位模型。若测试样本为非故障样本，则模型输出为空，若测试样本为故障样本，则模型输出为可疑故障设备集；

再用贴上故障和非故障标签的可疑故障设备的数据样本来训练基于CNN的故障设备精准定位模型，输入可疑设备定位结果数据对故障设备进行精准定位；

然后选取故障设备的A、B、C三相电压、三相电流的幅值和相角以及电频率、有功和无功功率和，绘制各设备的PMU数据雷达图，利用CNN提取该类数据的图形语义，将测试样本输入基于CNN的故障类型判定模型，若输入样本被判定为复杂故障，则确定故障复杂度为复杂，反之则为简单故障；同时将故障设备的PMU数据雷达图样本输入基于CNN的短路故障类型分类模型中，进一步判定输入的故障样本为三相短路故障、两相短路故障、两相短路接地故障或单相短路接地故障；最后利用可疑故障设备定位结果，初步结果明确大致故障影响面，然后经过基于CNN的故障设备精确定位模型对故障定界范围进行进一步优化与明确，在确定故障设备之后，选取故障设备的A、B、C 三相电压、三相电流的幅值和相角以及电频率、有功和无功功率，绘制该设备的PMU数据雷达图，将该设备PMU数据雷达图输入基于 CNN的故障复杂度判定模型和基于CNN的短路故障类型分类模型，实现电网故障的诊断。

本发明提出的一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，在PMU数据的基础上，引入人工智能算法来提升电网故障定位的效率与故障定性的准确性，实现端到端的自动化，大幅度节约了人力成本。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (7)

1.一种基于PMU的融合自编码器和卷积神经网络的电网故障诊断方法，其特征在于，所述方法包括：

S1、采集电气设备PMU数据，构建基于自编码器AE的可疑故障设备定位模型；自编码器通过最小化重构误差，即原始输入特征和重构特征之间的差异对模型进行训练，若输入特征x₁～x₅与重构特征

之间的误差大于阈值，则该样本不符合正常设备的数据特征，从而被判定为可疑故障设备的数据样本；

S2、建立基于卷积神经网络CNN的故障设备精准定位模型；基于CNN的定位模型包括输入层、隐含层和输出层，隐含层包括卷积层、池化层、全连接层；以贴上故障和非故障标签的可疑故障设备的数据样本作为故障设备精准定位模型的输入，以分类结果即故障或非故障为故障设备精准定位模型的输出；输入的数据样本经过卷积层和最大池化层自动提取故障数据特征，通过全连接层自动输出分类结果，实现可疑故障设备的精准定位；

S3、绘制PMU数据的雷达图，构建基于CNN的故障复杂度判定模型；将故障情况下的电气设备的PMU数据雷达图输入故障复杂度判定模型，使其自主学习PMU数据雷达图中的电网故障特征，模型输出为简单故障或复杂故障两种情况的分类结果；

绘制PMU数据的雷达图，构建基于CNN的故障类型判定模型；选取故障设备的A、B、C三相电压、三相电流的幅值和相角以及电频率、有功和无功功率和绘制各设备的PMU数据雷达图，利用CNN提取PMU数据的图形语义，判定最终故障类型；

S4、结合故障设备精准定位模型输出的故障设备定位与故障类型判定结果实现电网故障的诊断。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，

所述基于自编码器AE的可疑故障设备定位模型包括输入层、隐藏层和输出层；其中输入层x₁～x₅为神经网络自主学习到的PMU数据在电网正常状况下的数据特征；隐藏层为输入层提取到的数据特征x₁～x₅经过神经网络的学习后的浓缩特征h₁～h₃；输出层

为模型的重构特征。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1中，所述误差即为输入特征x₁～x₅与重构特征

之间的差值，所述阈值为可以判别可疑故障设备与正常设备之间特征差值的最小值。

4.根据权利要求3所述的方法，其特征在于，所述步骤S1包括：

利用电气设备正常运行状态下的PMU数据训练AE可疑设备定位模型，将测试样本输入训练好的定位模型，若测试样本为非故障样本，则模型输出为空，否则模型输出可疑故障设备集D，所述可疑故障设备集表达式为：

D＝{d₁,d₂,L,d_n}

其中d₁～d_n为可疑故障设备，n为可疑故障设备数量。

5.根据权利要求4所述的方法，其特征在于，所述步骤S2中，

其中隐含层中的卷积层表达式：

式中：y为M×N阶的输出矩阵，y_mn为其第m行、第n列的元素；m＝0，1，…，M-1；n＝1，2，…，N-1；w为J×I阶的卷积核，w_ij为其第i行、第j列的元素；x_m+i,n+j为输入矩阵x中第m+i行、第n+j列的元素；b为偏置变量；f为激活函数；

池化层采样方程：

式中：S₁和S₂分别为池化区域行和列的维数；C为(M/S₁)×(N/S₂)阶的输出矩阵，C_ab为其第a行、第b列的元素；a＝0，1，...，M/S₁—1；n＝0，1，...，N/S₂—1；y_aS1+，bS2+j为输出矩阵y的第aS₁+i行、第bS₂+j列的元素；

单层全连接层表达式：

式中：e＝[e₁，e₂，...，e_i，...，e_n]为n维输入变量；

k＝[k₁，k₂，...，k_i，...，k_n]为连接权值；g为偏置；o为输出；

输出层采用softmax函数层来进行分类，softmax表达式：

式中：z为神经元的输出值，z_j为第j个神经元的输出值，K为总类别，e为自然底数。

6.根据权利要求5所述的方法，其特征在于，所述步骤S3包括：

将测试样本输入故障复杂度判定模型，若输入样本被判定为复杂故障，则确定故障复杂度为复杂，反之则判定为简单故障；同时将雷达图输入到故障类型判定模型中，进一步判定输入的故障样本为三相短路故障、两相短路故障、两相短路接地故障或单相短路接地故障。

7.根据权利要求6所述的方法，其特征在于，所述步骤S4包括：结合故障设备定位与故障类型判定结果，实现电网故障的诊断。

Images