CN116049711A - 高压直流输电系统故障检测方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种高压直流输电系统故障检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。采用本方法能够提高故障检测精度。

Description

高压直流输电系统故障检测方法、装置和计算机设备

技术领域

本申请涉及高压直流输电系统的故障诊断技术领域，特别是涉及一种高压直流输电系统故障检测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着高压直流输电系统需处理的信息量与日剧增，如何从海量的信息中准确又高效的检测出故障信息也变得尤为重要，以便根据故障信息对故障设备进行快速维修，保障人们的用电。

目前，通常使用离群点检测方法对高压直流输电系统进行故障检测，然而高压直流输电系统中的电力设备种类繁多，不同电力设备的故障特征也差异较大，导致离群点检测方法在检测多种电力设备的不同故障时精确度较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高故障检测精度的高压直流输电系统故障检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种高压直流输电系统故障检测方法。所述方法包括：

根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

在其中一个实施例中，根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型，包括：

将所述样本运行数据，分别输入至所述多个待训练的故障检测基模型，得到所述样本运行数据的预测故障类型；

根据所述预测故障类型与所述样本运行数据的实际故障类型之间的差异，得到所述多个待训练的故障检测基模型的损失函数；

根据所述损失函数和所述多个待训练的故障检测基模型的正则项，得到所述多个待训练的故障检测基模型的目标函数；所述正则项为通过所述待训练的故障检测基模型中的叶子节点的个数和所述叶子节点的输出计算得到；

根据所述目标函数，对所述多个待训练的故障检测基模型进行局部最优解处理，得到所述多个训练后的故障检测基模型。

在其中一个实施例中，待训练的故障检测基模型的模型结构包括树结构；

所述待训练的故障检测基模型中的树结构通过如下方式得到：

根据所述样本运行数据中的运行特征和所述运行特征对应的二阶梯度，得到所述运行特征的分裂度；

根据所述运行特征的分裂度，从所述运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为所述树结构的候选分裂特征；

确定所述候选分裂特征的增益信息，并将增益信息最大的候选分裂特征，作为所述树结构的目标分裂特征；

按照所述目标分裂特征，对所述待训练的故障检测基模型中的树节点进行节点分裂处理，构建得到所述待训练的故障检测基模型中的树结构。

在其中一个实施例中，确定所述候选分裂特征的增益信息，包括：

获取按照所述候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及所述分裂处理前的分数；

将所述左子树分数、所述右子树分数和所述分裂处理前的分数，输入增益信息预测模型，得到所述候选分裂特征的增益信息。

在其中一个实施例中，对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型，包括：

对所述多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；

根据预设步长，对所述融合后的故障检测模型进行拟合优化，得到所述训练完成的故障检测模型。

在其中一个实施例中，将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果，包括：

将所述待检测数据，分别输入至所述训练完成的故障检测模型中的各个故障检测基模型，得到所述各个故障检测基模型输出的初始故障检测结果；

对所述初始故障检测结果进行融合，得到所述目标检测结果。

第二方面，本申请还提供了一种高压直流输电系统故障检测装置。所述装置包括：

样本获取模块，用于根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

模型训练模块，用于根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

模型融合模块，用于对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

故障检测模块，用于将所述高压直流输电系统的待检测数据输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

上述高压直流输电系统故障检测方法、装置、计算机设备、存储介质和计算机程序产品，根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；进而根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；通过对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果。采用本方法，通过与高压直流输电系统中故障类型关联的样本运行数据进行模型训练，使得训练后的故障检测基模型能够充分学习到高压直流输电系统中不同故障类型的样本特征，提高了对高压直流输电系统的故障检测准确率，还通过融合多个训练后的故障检测基模型来得到训练完成的故障检测模型，从而进一步提高了对高压直流输电系统的故障检测精度。

附图说明

图1为一个实施例中高压直流输电系统故障检测方法的应用环境图；

图2为一个实施例中高压直流输电系统故障检测方法的流程示意图；

图3为一个实施例中得到对应的多个训练后的故障检测基模型步骤的流程示意图；

图4为另一个实施例中高压直流输电系统故障检测方法的流程示意图；

图5为一个实施例中训练完成的故障诊断模型的构建原理的示意图；

图6为一个实施例中高压直流输电系统故障检测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的高压直流输电系统故障检测方法，可以应用于如图1所示的应用环境中。其中，高压直流输电系统101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。服务器102根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；进而根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；通过对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果。其中，高压直流输电系统101中包括变压器、换流阀、线路等电力设备。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种高压直流输电系统故障检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S201，根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据。

其中，高压直流输电系统是电网中用于控制、传输和处理高压直流输电的系统。样本运行数据是指用于训练待训练的故障检测基模型的样本数据集。

具体地，服务器根据高压直流输电系统中不同电力设备的故障类型，获取不同电力设备的系统运行数据，其中，系统运行数据与故障类型相关联。服务器根据系统运行数据关联的故障类型，对系统运行数据进行分层，得到分层后的系统运行数据；对分层后的系统运行数据进行分层抽样，得到每一层的系统运行数据，进而由每一层的系统运行数据共同组成为样本运行数据。

步骤S202，根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型。

其中，故障检测基模型是指用于检测高压直流输电系统的故障的弱分类器。

具体地，服务器将样本运行数据，分别输入至每个待训练的故障检测基模型中，得到样本运行数据的预测故障类型，进而利用预测故障类型与样本运行数据的实际故障类型之间的差异，构建待训练的故障检测基模型的目标函数，从而利用目标函数对每个待训练的故障检测基模型进行迭代训练，此外，还可以利用贪心算法对损失函数进行处理，以得到目标函数的局部最优解，则服务器得到对应的多个训练后的故障检测基模型。其中，预测故障类型是指故障检测基模型预测得到的故障情况；预测故障类型包括但不限于正常和异常，若预测故障类型为异常，故障检测基模型还可以进一步输出具体的故障类型，例如变压器损坏，线路损坏等。

步骤S203，对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型。

其中，故障检测模型是指用于检测高压直流输电系统的故障的强分类器，由多个故障检测基模型组成。故障检测模型可以通过XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法实现。

具体地，服务器对多个训练后的故障检测基模型进行融合处理，可以是利用前向分布算法，学习到包含有多个训练后的故障检测基模型的加法模型，然后将该加法模型作为训练完成的故障检测模型。

步骤S204，将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果。

其中，待检测数据是指从高压直流输电系统中获取的需要进行故障检测的数据。目标故障检测结果包括但不限于正常和异常，若目标故障检测结果为异常，还可以进一步输出具体的故障类型，例如变压器损坏，线路损坏等。

具体地，服务器从高压直流输电系统中获取待检测数据，然后将待检测数据输入至训练完成的故障检测模型，训练完成的故障检测模型输出待检测数据的目标故障检测结果，将其作为高压直流输电系统的目标故障检测结果。

上述高压直流输电系统故障检测方法中，根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；进而根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；通过对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果。采用本方法，通过与高压直流输电系统中故障类型关联的样本运行数据进行模型训练，使得训练后的故障检测基模型能够充分学习到高压直流输电系统中不同故障类型的样本特征，提高了对高压直流输电系统的故障检测准确率，还通过融合多个训练后的故障检测基模型来得到训练完成的故障检测模型，从而进一步提高了对高压直流输电系统的故障检测精度。

在一个实施例中，如图3所示，上述步骤S202，根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型，具体包括如下内容：

步骤S301，将样本运行数据，分别输入至多个待训练的故障检测基模型，得到样本运行数据的预测故障类型。

具体地，服务器获取到样本运行数据之后，可以将样本运行数据中的运行特征，分别输入至每个待训练的故障检测基模型，得到样本运行数据的预测故障类型。其中，样本运行数据包括运行特征和运行特征对应的实际故障类型；样本运行数据可以表示为D＝(x_i,y_i)(|D|＝n,x_i∈R^m,y_i∈R)，式中：x_i为运行特征，y_i为实际故障类型。

步骤S302，根据预测故障类型与样本运行数据的实际故障类型之间的差异，得到多个待训练的故障检测基模型的损失函数。

步骤S303，根据损失函数和多个待训练的故障检测基模型的正则项，得到多个待训练的故障检测基模型的目标函数；正则项为通过待训练的故障检测基模型中的叶子节点的个数和叶子节点的输出计算得到。

具体地，服务器根据样本运行数据的实际故障类型与样本运行数据的预测故障类型之间的差异，得到待训练的故障检测基模型的损失函数，则损失函数可以表示为：

式中：

为预测故障类型；

表示实际故障类型与预测故障类型之间的差异程度。服务器可以根据决策树的叶子节点个数和每棵树的叶子节点输出结果来，确定待训练的故障检测基模型中的决策树的复杂度，例如服务器将决策树的叶子节点个数T和每棵决策树的叶子节点输出结果W_j的平方和进行相加，得到正则项；正则项Ω(f_j)可以通过如下公式计算得到：

式中，f_j表示故障检测基模型中的决策树；γ和μ为常数；W_j表示叶子节点的输出结果；T表示叶子节点的个数。

服务器将损失函数和正则项相加，构建得到待训练的故障检测基模型的目标函数，以利用正则项控制故障检测基模型的模型复杂度。目标函数Obj(θ)可以通过如下公式进行表示：

式中，F表示决策树组成的函数空间。

步骤S304，根据目标函数，对多个待训练的故障检测基模型进行局部最优解处理，得到多个训练后的故障检测基模型。

具体地，在损失函数最小时，能够获取到最优的故障检测基模型，服务器对多个待训练的故障检测基模型进行局部最优解处理，可以是利用贪心算法求得局部最优解，则待训练的故障检测基模型在第t次的预测故障类型为第t-1次的预测故障类型，加上除该待训练的故障检测基模型以外其它的待训练的故障检测基模型的预测故障类型，即待训练的故障检测基模型在第t次的预测故障类型

可以表示为如下公式：

式中，f_j(x_i)表示加入的除该待训练的故障检测基模型以外其它的待训练的故障检测基模型的预测故障类型。

服务器在第t次时，使待训练的故障检测基模型f_j(x_i)最小，以使损失函数最小，则此时的目标函数Obj(θ)可以表示如下公式：

式中，b表示第t-1次迭代的正则项。在第t次迭代时，第t-1次迭代的正则项看作常数，不影响计算结果，因此将其舍弃。此时的目标函数Obj(θ)可以表示如下公式：

服务器根据泰勒展开方式，对目标函数参数进行近似处理，则目标函数Obj(θ)可以展开为如下公式：

式中，

服务器删除对第t次迭代中的常数项

得到目标函数为：

服务器将正则项的公式再次代入目标函数中，得到目标函数为：

可以理解的是，目标函数Obj(θ)^t的前部分是对样本运行数据的累加，后部分累加是对叶子节点的累加，服务器可以通过函数将对样本运行数据的累加和对叶子节点的累加，转换成对同一种形式的累加。

服务器定义q函数将输入的样本运行数据x映射到某个叶子节点上，则加入的其它的待训练的故障检测基模型的预测故障类型可以表示为：

式中，R^T表示叶子节点输出函数空间。

由于每个叶子节点j上的样本集合可以表示为I_j＝{i|q(x_i)＝j}，则目标函数Obj(θ)^t可以进一步表示为：

假设式中的

则目标函数Obj(θ)^t可以进一步表示为：

从而故障检测基模型中的最小的叶子节点输出结果W，服务器对W进行求导，使导数为0，得到叶子节点的权重w_j为：

将叶子节点的权重w_j带入损失函数，则服务器可得目标函数为：

服务器利用目标函数，对多个待训练的故障检测基模型进行迭代训练，得到多个训练后的故障检测基模型。

本实施例中，通过将样本运行数据，分别输入至多个待训练的故障检测基模型，得到样本运行数据的预测故障类型；从而根据预测故障类型与实际故障类型之间的差异，得到多个待训练的故障检测基模型的损失函数；根据基于损失函数和正则项构建得到的目标函数，对多个待训练的故障检测基模型进行局部最优解处理，得到多个训练后的故障检测基模型，使得多个训练后的故障检测基模型均能求解得出样本运行数据的最优解，从而提升了对高压直流输电系统的故障检测准确率。

在一个实施例中，待训练的故障检测基模型的模型结构包括树结构。待训练的故障检测基模型中的树结构通过如下方式得到：根据样本运行数据中的运行特征和运行特征对应的二阶梯度，得到运行特征的分裂度；根据运行特征的分裂度，从运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为树结构的候选分裂特征；确定候选分裂特征的增益信息，并将增益信息最大的候选分裂特征，作为树结构的目标分裂特征；按照目标分裂特征，对待训练的故障检测基模型中的树节点进行节点分裂处理，构建得到待训练的故障检测基模型中的树结构。

其中，故障检测基模型的模型结构可以是树结构，则故障检测基模型需要通过选取树结构中树节点的分裂特征，以确定故障检测基模型的树结构。

其中，预设分裂度条件是指用于筛选树节点的候选分裂特征的判定条件。

服务器可以通过贪心算法来确定树结构的分裂特征。具体地，服务器根据样本运行数据中的运行特征k的分布，确定l个候选切分点，则可以将候选切分点表示为S_k＝{s_k1,s_k2,…,s_kl}。服务器将与各个候选切分点相匹配的运行特征存储至相应的候选切分点集合中，所有的运行特征完成存储后，得到候选切分点集合；进而服务器对候选切分点集合进行贪心查询处理，得到候选分裂特征。

需要说明的是，贪心查询处理能够枚举所有的候选分裂特征，所以这种获取树结构的候选分裂特征方式计算复杂度较高，消耗时间较多。为提升故障检测基模型的训练效率，服务器还可以通过近似算法来确定树结构的分裂特征。具体地，服务器对样本运行数据中的运行特征k进行二阶梯度处理，得到运行特征对应的二阶梯度；根据运行特征和运行特征对应的二阶梯度，构建多重特征集；将多重特征集输入至分裂度预测模型中，得到多重特征集中的每个运行特征的分裂度；分裂度预测模型可以通过如下公式进行表示：

式中，D_x表示多重特征集，D_x＝(x_1k,h₁),(x_2k,h₂),…,(x_nk,h_n)；其中，x_nk表示样本运行数据i的运行特征k的取值；h_i表示x_nk对应的二阶梯度；r_k(z)表示运行特征k的分裂度；z表示特征值阈值。

服务器根据运行特征的分裂度，从运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为树结构的候选分裂特征。其中，相邻的候选分裂特征之间的分裂度的差值的绝对值小于预设分裂度阈值ε，即：

|r_k(s_k,j)-r_k(s_k,j+1)|<ε

服务器确定候选分裂特征的增益信息，并将增益信息最大的候选分裂特征，作为树结构的目标分裂特征；按照目标分裂特征进行节点分裂处理，从而构建得到待训练的故障检测基模型的树结构。

故障检测模型还能对样本运行数据或者待检测数据中的缺失运行特征进行自动处理，即故障检测模型自主学习出缺失运行特征应划分的方向，具体地，服务器将缺失运行特征分别划入右子树和左子树，并计算不同划分方式的增益信息，将增益信息最大的划分方式，作为该缺失运行特征的目标划分方式。通过对待检测数据采用最大增益的方式自动处理划分缺失值，以确保待检测数据的完整性，使得故障检测模型对待检测数据的故障检测更为准确。

此外，在检测得到高压直流输电系统故障时，对运行特征的采样使用按层随机采样的方式，即在每次分裂节点的，对同一层内的每个节点分裂之前，先随机选择一部分特征，此时只需要遍历一部分特征，即可确定目标分裂特征。

在本实施例中，根据样本运行数据中的运行特征的分裂度，从运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为树结构的候选分裂特征；进而从候选分裂特征中确定出树结构的目标分裂特征；按照目标分裂特征，对待训练的故障检测基模型中的树节点进行节点分裂处理，构建得到待训练的故障检测基模型中的树结构，将分裂度作为筛选候选分裂特征的确定条件，而非将所有运行特征作为候选分裂特征，能够有效节省对候选分裂特征的计算时间，提升了故障检测模型的训练效率。

在一个实施例中，确定候选分裂特征的增益信息，具体包括如下内容：获取按照候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及分裂处理前的分数；将左子树分数、右子树分数和分裂处理前的分数，输入增益信息预测模型，得到候选分裂特征的增益信息。

其中，增益信息预测模型是指用于预测增益信息的模型。

具体地，服务器获取按照候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及分裂处理前的分数；然后将左子树分数、右子树分数和分裂处理前的分数，输入增益信息预测模型，得到候选分裂特征的增益信息，有利于提高故障检测基模型的准确率。增益信息预测模型可以通过如下公式进行表示：

式中，

表示左子树分数；

表示右子树分数；

表示分裂处理前的分数；δ表示分裂后得到新的叶子节点的分数。可以理解的是，候选分裂特征的增益信息越大，表示分裂后目标函数减少的越多，即得到的训练后的故障检测基模型的故障检测性能越好。

在本实施例中，根据候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及分裂处理前的分数，来得到候选分裂特征的增益信息，从而能够实现根据候选分裂特征的增益信息的大小，来确定出目标分裂特征，进而通过增益信息进一步优化故障检测基模型的目标函数，使得训练后的故障检测基模型的准确率进一步提高了。

在一个实施例中，上述步骤S203，对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型，具体包括如下内容：对多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；根据预设步长，对融合后的故障检测模型进行拟合优化，得到训练完成的故障检测模型。

具体地，服务器对多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型，融合后的故障检测模型可以通过如下公式进行表示：

式中，f_t(x_i)表示第i颗决策树。

为避免融合后的故障检测模型出现过拟合，服务器还可以根据预设步长，对融合后的故障检测模型进行拟合优化，则服务器得到训练完成的故障检测模型。在实际应用中，拟合优化处理可以通过如下公式进行表示：

在本实施例中，通过对多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；根据预设步长，对融合后的故障检测模型进行拟合优化，得到训练完成的故障检测模型，使得训练完成的故障检测模型结合了多个训练后的故障检测基模型性能优势，相较于传统的单分类器，训练完成的故障检测模型具有更好的故障检测效果，还能够通过预设步长，进一步降低训练完成的故障检测模型的过拟合，从而大大提升了训练完成的故障检测模型的模型性能，提高了训练完成的故障检测模型的故障检测精度。

在一个实施例中，上述步骤S204，将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果，具体包括如下内容：将待检测数据，分别输入至训练完成的故障检测模型中的各个故障检测基模型，得到各个故障检测基模型输出的初始故障检测结果；对初始故障检测结果进行融合，得到目标检测结果。

其中，目标检测结果是指表示对待检测数据的最终检测结果的信息。

具体地，服务器将待检测数据，分别输入至训练完成的故障检测模型中的各个故障检测基模型，得到各个故障检测基模型输出的初始故障检测结果；对初始故障检测结果进行融合，可以是对各个初始故障检测结果进行投票，将得到票数最高的初始故障检测结果，作为训练完成的故障检测模型的目标检测结果。此外，服务器还可以将待检测数据，再次输入至训练完成的故障检测模型中的各个故障检测基模型，以检测获取到的目标检测结果是否准确，有利于提高获取到的目标检测结果的准确率和可靠性。

在本实施例中，将待检测数据，分别输入至训练完成的故障检测模型中的各个故障检测基模型，得到各个故障检测基模型输出的初始故障检测结果；通过对初始故障检测结果进行融合，得到目标检测结果，实现了目标检测结果的合理获取，由于训练完成的故障检测模型结合了多个训练后的故障检测基模型性能优势，所以相较于单个故障检测基模型输出的初始故障检测结果，目标检测结果具有更高的准确率和可靠性。

在一个实施例中，如图4所示，提供了另一种高压直流输电系统故障检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤S401，根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据。

步骤S402，将样本运行数据，分别输入至多个待训练的故障检测基模型，得到样本运行数据的预测故障类型。

步骤S403，根据预测故障类型与样本运行数据的实际故障类型之间的差异，得到多个待训练的故障检测基模型的损失函数。

步骤S404，根据损失函数和多个待训练的故障检测基模型的正则项，得到多个待训练的故障检测基模型的目标函数；其中，正则项为通过待训练的故障检测基模型中的叶子节点的个数和叶子节点的输出计算得到。

步骤S405，根据目标函数，对多个待训练的故障检测基模型进行局部最优解处理，得到多个训练后的故障检测基模型。

步骤S406，对多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；根据预设步长，对融合后的故障检测模型进行拟合优化，得到训练完成的故障检测模型。

步骤S407，将待检测数据，分别输入至训练完成的故障检测模型中的各个故障检测基模型，得到各个故障检测基模型输出的初始故障检测结果；对初始故障检测结果进行融合，得到目标检测结果。

上述高压直流输电系统故障检测方法，能够实现以下有益效果：通过与高压直流输电系统中故障类型关联的样本运行数据进行模型训练，使得训练后的故障检测基模型能够充分学习到高压直流输电系统中不同故障类型的样本特征，提高了对高压直流输电系统的故障检测准确率，还通过融合多个训练后的故障检测基模型来得到训练完成的故障检测模型，从而进一步提高了对高压直流输电系统的故障检测精度。

为了更清晰阐明本公开实施例提供的高压直流输电系统故障检测方法，以下以一个具体的实施例对上述高压直流输电系统故障检测方法进行具体说明。提供了又一种高压直流输电系统故障检测方法，可以应用于图1中的服务器，具体包括如下内容：

服务器对高压直流输电系统中的变压器、换流阀、线路等电力设备的系统运行数据按层进行随机采样，得到样本运行数据。

建立故障检测模型，服务器利用损失函数和正则项来建立目标函数，利用目标函数来训练待训练的故障检测基模型，并采用贪心算法求解目标函数的局部最优解，得到对应的多个训练后的故障检测基模型；进而服务器利用前向分步算法，将多个训练后的故障检测基模型融合为训练完成的故障检测模型。训练完成的故障诊断模型的构建原理如图5所示，首先用一组样本运行数据，训练第一个训练后的故障检测基模型h1，并得到权重q1，然后使用第一个训练后的故障检测基模型进行预测，使用预测故障类型和实际故障类型之间的差异，得到损失函数，利用损失函数求得计算梯度，使用这个梯度作为训练数据训练得到第二个训练后的故障检测基模型h2，并得到权重q2，不断迭代N次，得到N个训练后的故障检测基模型，将N个训练后的故障检测基模型hN与对应权重qN相乘后相加得到一个训练完成的故障检测模型H。

服务器使用训练完成的故障检测模型H检测高压直流输电系统是否发生故障。服务器将高压直流输电系统的待检测数据，输入至训练完成的故障检测模型H中，得到高压直流输电系统的目标故障检测结果，通过目标故障检测结果确定高压直流输电系统是否发生短路故障、断线故障和接地故障等类型的故障。

在本实施例中，通过与高压直流输电系统中故障类型关联的样本运行数据进行模型训练，使得训练后的故障检测基模型能够充分学习到高压直流输电系统中不同故障类型的样本特征，提高了对高压直流输电系统的故障检测准确率，还通过融合多个训练后的故障检测基模型来得到训练完成的故障检测模型，从而进一步提高了对高压直流输电系统的故障检测精度。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的高压直流输电系统故障检测方法的高压直流输电系统故障检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个高压直流输电系统故障检测装置实施例中的具体限定可以参见上文中对于高压直流输电系统故障检测方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种高压直流输电系统故障检测装置600，包括：样本获取模块601、模型训练模块602、模型融合模块603和故障检测模块604，其中：

样本获取模块601，用于根据高压直流输电系统的故障类型，对高压直流输电系统中与故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

模型训练模块602，用于根据样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

模型融合模块603，用于对多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

故障检测模块604，用于将高压直流输电系统的待检测数据输入至训练完成的故障检测模型，得到高压直流输电系统的目标故障检测结果。

在一个实施例中，模型训练模块602，还用于将样本运行数据，分别输入至多个待训练的故障检测基模型，得到样本运行数据的预测故障类型；根据预测故障类型与样本运行数据的实际故障类型之间的差异，得到多个待训练的故障检测基模型的损失函数；根据损失函数和多个待训练的故障检测基模型的正则项，得到多个待训练的故障检测基模型的目标函数；正则项为通过待训练的故障检测基模型中的叶子节点的个数和叶子节点的输出计算得到；根据目标函数，对多个待训练的故障检测基模型进行局部最优解处理，得到多个训练后的故障检测基模型。

在一个实施例中，待训练的故障检测基模型的模型结构包括树结构。高压直流输电系统故障检测装置600还包括结构构建模块，用于根据样本运行数据中的运行特征和运行特征对应的二阶梯度，得到运行特征的分裂度；根据运行特征的分裂度，从运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为树结构的候选分裂特征；确定候选分裂特征的增益信息，并将增益信息最大的候选分裂特征，作为树结构的目标分裂特征；按照目标分裂特征，对待训练的故障检测基模型中的树节点进行节点分裂处理，构建得到待训练的故障检测基模型中的树结构。

在一个实施例中，高压直流输电系统故障检测装置600还包括增益获取模块，用于获取按照候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及分裂处理前的分数；将左子树分数、右子树分数和分裂处理前的分数，输入增益信息预测模型，得到候选分裂特征的增益信息。

在一个实施例中，模型融合模块603，还用于对多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；根据预设步长，对融合后的故障检测模型进行拟合优化，得到训练完成的故障检测模型。

在一个实施例中，故障检测模块604，还用于将待检测数据，分别输入至训练完成的故障检测模型中的各个故障检测基模型，得到各个故障检测基模型输出的初始故障检测结果；对初始故障检测结果进行融合，得到目标检测结果。

上述高压直流输电系统故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储系统运行数据、样本运行数据和待检测数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种高压直流输电系统故障检测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种高压直流输电系统故障检测方法，其特征在于，所述方法包括：

根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型，包括：

将所述样本运行数据，分别输入至所述多个待训练的故障检测基模型，得到所述样本运行数据的预测故障类型；

根据所述预测故障类型与所述样本运行数据的实际故障类型之间的差异，得到所述多个待训练的故障检测基模型的损失函数；

根据所述损失函数和所述多个待训练的故障检测基模型的正则项，得到所述多个待训练的故障检测基模型的目标函数；所述正则项为通过所述待训练的故障检测基模型中的叶子节点的个数和所述叶子节点的输出计算得到；

根据所述目标函数，对所述多个待训练的故障检测基模型进行局部最优解处理，得到所述多个训练后的故障检测基模型。

3.根据权利要求2所述的方法，其特征在于，所述待训练的故障检测基模型的模型结构包括树结构；

所述待训练的故障检测基模型中的树结构通过如下方式得到：

根据所述样本运行数据中的运行特征和所述运行特征对应的二阶梯度，得到所述运行特征的分裂度；

根据所述运行特征的分裂度，从所述运行特征中，筛选出满足预设分裂度条件的目标运行特征，作为所述树结构的候选分裂特征；

确定所述候选分裂特征的增益信息，并将增益信息最大的候选分裂特征，作为所述树结构的目标分裂特征；

按照所述目标分裂特征，对所述待训练的故障检测基模型中的树节点进行节点分裂处理，构建得到所述待训练的故障检测基模型中的树结构。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述确定所述候选分裂特征的增益信息，包括：

获取按照所述候选分裂特征进行分裂处理后的左子树分数和右子树分数，以及所述分裂处理前的分数；

将所述左子树分数、所述右子树分数和所述分裂处理前的分数，输入增益信息预测模型，得到所述候选分裂特征的增益信息。

5.根据权利要求1所述的方法，其特征在于，所述对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型，包括：

对所述多个训练后的故障检测基模型进行前向分布处理，得到融合后的故障检测模型；

根据预设步长，对所述融合后的故障检测模型进行拟合优化，得到所述训练完成的故障检测模型。

6.根据权利要求1所述的方法，其特征在于，所述将所述高压直流输电系统的待检测数据，输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果，包括：

将所述待检测数据，分别输入至所述训练完成的故障检测模型中的各个故障检测基模型，得到所述各个故障检测基模型输出的初始故障检测结果；

对所述初始故障检测结果进行融合，得到所述目标检测结果。

7.一种高压直流输电系统故障检测装置，其特征在于，所述装置包括：

样本获取模块，用于根据高压直流输电系统的故障类型，对所述高压直流输电系统中与所述故障类型关联的系统运行数据进行分层抽样，得到样本运行数据；

模型训练模块，用于根据所述样本运行数据，对多个待训练的故障检测基模型进行迭代训练，得到对应的多个训练后的故障检测基模型；

模型融合模块，用于对所述多个训练后的故障检测基模型进行融合处理，得到训练完成的故障检测模型；

故障检测模块，用于将所述高压直流输电系统的待检测数据输入至所述训练完成的故障检测模型，得到所述高压直流输电系统的目标故障检测结果。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images