CN117554747A - 电网故障诊断方法、装置、电子设备及存储介质 - Google Patents
电网故障诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117554747A CN117554747A CN202311541927.1A CN202311541927A CN117554747A CN 117554747 A CN117554747 A CN 117554747A CN 202311541927 A CN202311541927 A CN 202311541927A CN 117554747 A CN117554747 A CN 117554747A
- Authority
- CN
- China
- Prior art keywords
- target
- fault
- data
- power grid
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 55
- 238000000547 structure data Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电网故障诊断方法、装置、电子设备及存储介质。其中,所述电网故障诊断方法,包括:在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据;通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。基于本发明实施例技术方案,能够基于包含多层级注意力机制的目标诊断模型对输入的多维度的时间序列数据进行目标电网的故障诊断,提高电网故障诊断的高效性和精准性。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种电网故障诊断方法、装置、电子设备及存储介质。
背景技术
电网是现代社会不可或缺的基础设施,随着科技的发展,电力的应用愈加广泛,电力系统的规模也愈加庞大和复杂,因此,电网面临的故障以及故障诊断问题也越来越复杂化,电网故障通常会带来严重后果,在目标电网出现故障时,及时且精准的进行故障定位对于恢复电力供应是至关重要的。
相关技术中,常见的电网故障诊断方法包括:通过RNN、CNN等神经网络模型进行故障诊断,但精准性较差;通过变体模型进行故障诊断,但路径过长且计算量过高,诊断效率较差。因此,目前缺乏一种高效且准确进行电网故障诊断的新型网络结构。
发明内容
本发明提供了一种电网故障诊断方法、装置、电子设备及存储介质,以解决目前缺乏一种高效且准确进行电网故障诊断的新型网络结构的技术问题。
根据本发明的一方面,提供了一种电网故障诊断方法,其中,该方法包括:
在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;
通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,
其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
根据本发明的另一方面,提供了一种电网故障诊断装置,其中,该装置包括:
数据获取模块,用于在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;
故障诊断模块,用于通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,
其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的电网故障诊断方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电网故障诊断方法。
本发明实施例的技术方案,通过在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。基于包含多层级注意力机制的目标诊断模型对输入的多维度的时间序列数据进行目标电网的故障诊断,提高了电网故障诊断的精准性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种电网故障诊断方法的流程图;
图2是根据本发明实施例二提供的一种电网故障诊断方法的流程图;
图3是根据本发明实施例提供的一种目标诊断模型的执行流程图;
图4是根据本发明实施例提供的一种目标诊断模型的训练流程图;
图5是根据本发明实施例三提供的一种电网故障诊断装置的结构示意图;
图6是实现本发明实施例的电网故障诊断方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种电网故障诊断方法的流程图,本实施例可适用于电网出现故障时进行故障诊断的情况,该方法可以由电网故障诊断装置来执行,该电网故障诊断装置可以采用硬件和/或软件的形式实现,该电网故障诊断装置可配置于计算机中。如图1所示,该方法包括:
S110、在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项。
其中,所述目标电网可以理解为出现故障的待进行故障诊断的电网。
所述预设时间段可以理解为所述故障数据对应的时间段。在本发明实施例中,所述预设时间段可以根据场景需求预设,在此不做具体限定。可选的,所述预设时间段可以是1min、3min或5min等。
所述故障数据可以理解为在所述目标电网出现故障的情况下,所述目标电网在预设时间段内的数据。在本发明实施例中,所述故障数据可以根据需求预设,在此不做具体限定。可选的,所述故障数据可以包括电流数据、电压数据以及相位角数据中至少两项。
其中,所述电流数据可以理解为在所述目标电网出现故障的情况下,所述目标电网在预设时间段内的电流的数据。所述电压数据可以理解为可以理解为在所述目标电网出现故障的情况下,所述目标电网在预设时间段内的电压的数据。所述相位角数据可以理解为可以理解为在所述目标电网出现故障的情况下,所述目标电网在预设时间段内的电压的数据。
所述时间序列数据可以理解为所述预设时间段内的所述故障数据对应的序列数据。可选的,所述时间序列数据可以包括电流时间序列、电压时间序列以及相位角时间序列中至少两项。
其中,所述电流时间序列可以理解为所述预设时间段内的所述电流数据对应的时间序列。所述电压时间序列可以理解为所述预设时间段内的所述电压数据对应的时间序列。所述相位角时间序列可以理解为所述预设时间段内的所述相位角数据对应的时间序列。
S120、通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,
其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
其中,所述目标诊断模型可以理解为具备故障诊断功能的模型。所述目标诊断模型的输入数据为时间序列数据(包括电流时间序列、电压时间序列以及相位角时间序列中至少两项),输出数据为目标诊断结果(包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型)。
所述多层级注意力机制可以理解为可以基于所包含的多层级结构捕捉时间时序数据之间的依赖关系和模式的机制。在本发明实施例中,基于包含多层级注意力机制的目标诊断模型可以对输入的多维度的时间序列数据进行依赖关系和模式的捕捉,提高基于多维度的时间序列数据进行电网故障诊断的精准度。
所述目标诊断结果可以理解为电网故障诊断的结果。所述目标诊断结果为通过目标诊断模型确定的结果。可选的,所述目标诊断结果可以包括所述目标故障位置和所述目标故障类型。
在本发明实施例中,所述目标故障位置与应用场景相关,在此不做具体限定。可选的,所述目标故障位置可以包括获取所述故障数据的当前诊断点位置、获取所述故障数据的当前诊断点位置的第一方向位置或者获取所述故障数据的当前诊断点位置的第二方向位置,其中,所述第一方向位置与所述第二方向位置相反。或者,可选的,所述目标故障位置直接为故障的坐标位置。
在本发明实施例中,所述目标故障位置对应的所述目标故障类型与应用场景相关,在此不做具体限定。可选的,所述目标故障类型可以包括短路、接地故障以及设备故障中至少一项。
本发明实施例的技术方案,通过在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。基于包含多层级注意力机制的目标诊断模型对输入的多维度的时间序列数据进行目标电网的故障诊断,提高了电网故障诊断的高效性和精准性。
实施例二
图2为本发明实施例二提供的一种电网故障诊断方法的流程图,本实施例是针对上述实施例中所述通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果进行细化。如图2所示,该方法包括:
S210、在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项。
S220、确定所述时间序列数据对应的图结构数据。
其中,所述图结构数据可以理解为基于所述时间序列数据构建的图结构的数据。
基于上述的,所述故障数据包括电流数据、电压数据以及相位角数据中至少两项,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项。本发明实施例中,基于所述时间序列数据构建的所述图结构数据可以表征所述电流数据、所述电压数据以及所述相位角数据中至少两项在不同时间节点上的依赖关系。
可选的,所述确定所述时间序列数据对应的图结构数据,包括:
确定权重矩阵和偏置向量,基于所述权重矩阵和所述偏置向量分别对所述电流时间序列、所述电压时间序列以及所述相位角时间序列进行预处理,得到电流向量表示、电压向量表示以及相位角向量表示;
对所述电流向量表示、所述电压向量表示以及所述相位角向量表示进行拼接,得到故障向量表示;
基于所述故障向量表示确定所述时间序列数据对应的所述图结构数据。
其中,所述权重矩阵可以理解为用于预处理时间序列的参数矩阵。所述偏置向量可以理解为用于预处理时间序列的参数向量。在本发明实施例中,所述权重矩阵和所述偏置向量可以根据场景需求预设,在此不做具体限定。
所述电流向量表示可以理解为所述电流时间序列对应的向量表示。
所述电压向量表示可以理解为所述电压时间序列对应的向量表示。
所述相位角向量表示可以理解为所述相位角时间序列对应的向量表示。
所述故障向量表示可以理解为所述时间序列数据对应的综合的向量表示。
可选的,所述基于所述故障向量表示确定所述时间序列数据对应的所述图结构数据,包括:
基于所述故障向量表示构建初始边结构,并通过高斯核算法确定所述初始边结构中每个边对应的边权重;
基于所述初始边结构和所述边权重确定所述图结构数据。
其中,所述初始边结构可以理解为初始的边结构。
所述高斯核算法可以理解为一种径向基函数。
所述边权重可以理解为所述初始边结构中每个边对应的权重。
S230、基于所述多层级注意力机制,对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,并对多个所述故障诊断特征进行聚合得到聚合故障特征。
综上所述的,所述多层级注意力机制可以理解为可以基于所包含的多层级结构捕捉时间时序数据之间的依赖关系和模式的机制。
其中,所述故障诊断特征可以理解为基于所述多层级注意力机制中的多层级结构对所述图结构数据进行多尺度特征提取得到特征。在本发明实施例中,每个所述故障诊断特征的分辨率不同。在本发明实施例中,每个所述故障诊断特征的分辨率可以根据场景需求设定,在此不做具体限定。
所述聚合故障特征可以理解为基于所述多层级注意力机制中的多层级结构对多个所述故障诊断特征进行聚合得到特征。
可选的,所述对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,包括:
确定目标步长,基于所述目标步长对所述图结构数据进行多尺度特征提取,得到多个故障诊断特征,其中,每个所述故障诊断特征的分辨率不同。
其中,所述目标步长可以理解为对所述图结构数据进行特征提取的步长。在本发明实施例中,所述目标步长可以根据场景需求预设,在此不做具体限定。
所述多层级注意力机制可以理解为可以基于所包含的多层级结构捕捉时间时序数据之间的依赖关系和模式的机制。
在本发明实施例中,基于多层级注意力机制中的多层级结构对所述图结构数据进行多尺度特征提取和聚合,使得目标诊断模型可以基于分辨率不同的多个故障诊断特征捕捉时间序列数据在不同时间范围内的依赖关系和模式,利用时间序列数据在不同时间范围内的模式相关性,以及数据之间依赖关系的全局长期依赖的特性进行故障诊断,提高了电网故障诊断全局性和准确性。
S240、基于所述聚合故障特征确定所述目标电网的目标诊断结果。
本发明实施例的技术方案,通过确定所述时间序列数据对应的图结构数据;基于所述多层级注意力机制,对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,并对多个所述故障诊断特征进行聚合得到聚合故障特征;基于所述聚合故障特征确定所述目标电网的目标诊断结果。提高了目标诊断模型进行电网故障诊断的精准度。
图3是根据本发明实施例提供的一种目标诊断模型的执行流程图。如图3所示,目标诊断模型的执行流程可以是:
1、将电流It、电压Vt、相位角的时间序列数据,长度为L输入并构造成图结构数据,目标诊断模型中的多层级注意力机制可以捕捉上述数据在不同时间尺度上的依赖关系,以进行故障预测;
2、通过图注意力网络(Graph Attention Networks,GAT)对图结构数据进特征提取与降噪;
3、使用多层级注意力机制对输入的图结构数据进行特征提取和表示,以捕捉时间时序数据中的依赖关系和模式;
4、采用自注意力聚合方式,在各个尺度上使节点通过自注意力机制和邻居节点交互,得到上下文聚合特征,并通过多头注意力机制进行不同的子空间表示;
5、通过目标诊断模型的预测层输出故障位置和故障类型。
图4是根据本发明实施例提供的一种目标诊断模型的训练流程图。如图4所示,目标诊断模型的训练流程可以是:
1、首先通过采集器与传感器采集电流It、电压Vt、相位角的故障数据并将其构建为故障数据集;对故障数据集进行清洗去除无效异常的点并将其数据进行打乱,切分为训练集以及测试集;将数据集的参数归一化后映射为向量表示,计算公式参考公式(1);将向量表示拼接为一个向量表示,计算公式参考公式(2):具体的:
其中,W表示权重矩阵,b表示偏置向量,It表示电流,Vt表示电压,表示相位角,Mapping(x)表示映射的向量表示。
其中,Xt表示拼接的向量表示,It表示电流,Vt表示电压,表示相位角。
2、获取到上述Xt数据后进行图结构的构造,先构建边,计算公式参考公式(3);采用高斯核计算每个边的权重,计算公式参考公式(4);得到权重之后进行合并图结构,计算公式参考公式(5),具体的:
E={(xi,xj)|j∈Nk(i)}(3)
其中,E表示构建的边,t表示每个节点采样的窗口的大小,Nk(i)表示节点xi的k邻域内节点的索引集合。
其中,wij表示边的权重,σ表示标准误差。
G=(V,E,W)(5)
其中,G表示合并的图结构,W表示边的权重,E表示构建的边。
3、使用步长为C的GAT层进行特征提取,得到不同分辨率的序列表示,并将其拼接构成一个拼接序列,计算公式参考公式(6)和公式(7);使用不同分辨率表示能学习时间序列数据在不同时间范围内的模式,利用不同范围内的相关性进行建模,可以高效学习和表示数据的全局长期依赖,而不是只关注局部,具体的:
G(1)=G
G(i)=GAT(G(i-1),stride=C){i|2≤i≤S}
X_transf=Concat(G(1),G(2),...,G(S))(6)
其中,X_transf表示拼接序列,G(i)表示各不同分辨率的序列表示,C表示步长,S表示不同分辨率的序列表示的数量。
其中,表示只需要关注与其相同尺度的邻接点/>(包括自己)的节点,/>表示以/>为父节点的C个子节点,/>表示/>的父节点,/>表示基于/>以及/>组成的一组特征,s=1,…,S表示尺度(由底向上的层数),l表示该尺度下的第l个节点。
4、对输出特征进行编码操作,以计算注意力权重;与当前Query位置相关的Value向量进行加权聚合,以获取当前位置的上下文表示,计算公式参考公式(8);通过多头注意力机制使用h个不同的线性映射来学习不同的子空间表示,计算公式参考公式(9),具体的:
MultiHead(Q,K,V)=Concat(head1,…,headh)W
其中,Q表示查询矩阵,K表示键矩阵,V表示值矩阵,dk表示缩放因子。
headi=Attention(QWiQ,KWiK,VWiV)(9)
其中,headi表示子空间表示,Q表示查询矩阵,K表示键矩阵,V表示值矩阵。
5、通过dropout层防止过拟合以及全连接输出层得到预测的故障类型数据进行最终计算准确率和学习。
Fd=dropout(relu(FeW1+b1))(10)
其中,Fd表示模型准确率,dropout表示拟合策略,relu表示激活函数,b1表示参数。
基于上述目标诊断模型的训练方法,使所得到的目标诊断模型能够高效且准确描述时间序列数据中不同范围依赖关系,以基于时间序列数据在不同范围依赖关系进行个性化、高效且精准的电网故障诊断。
实施例三
图5为本发明实施例三提供的一种电网故障诊断装置的结构示意图。如图5所示,该装置包括:数据获取模块310,用于在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;故障诊断模块320,用于通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
本发明实施例的技术方案,通过在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。基于包含多层级注意力机制的目标诊断模型对输入的多维度的时间序列数据进行目标电网的故障诊断,提高了电网故障诊断的高效性和精准性。
可选的,故障诊断模块320,包括:图构建单元和特征处理单元以及结果确定单元;其中,
所述图构建单元,用于确定所述时间序列数据对应的图结构数据;
所述特征处理单元,用于基于所述多层级注意力机制,对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,并对多个所述故障诊断特征进行聚合得到聚合故障特征;
所述结果确定单元,用于基于所述聚合故障特征确定所述目标电网的目标诊断结果。
可选的,所述特征处理单元,用于:
确定目标步长,基于所述目标步长对所述图结构数据进行多尺度特征提取,得到多个故障诊断特征,其中,每个所述故障诊断特征的分辨率不同。
可选的,所述图构建单元,包括:预处理子单元、向量拼接子单元以及图确定子单元;其中,
所述预处理子单元,用于确定权重矩阵和偏置向量,基于所述权重矩阵和所述偏置向量分别对所述电流时间序列、所述电压时间序列以及所述相位角时间序列进行预处理,得到电流向量表示、电压向量表示以及相位角向量表示;
所述向量拼接子单元,用于对所述电流向量表示、所述电压向量表示以及所述相位角向量表示进行拼接,得到故障向量表示;
所述图确定子单元,用于基于所述故障向量表示确定所述时间序列数据对应的所述图结构数据。
可选的,所述图确定子单元,用于:
基于所述故障向量表示构建初始边结构,并通过高斯核算法确定所述初始边结构中每个边对应的边权重;
基于所述初始边结构和所述边权重确定所述图结构数据。
可选的,所述故障数据包括电流数据、电压数据以及相位角数据中至少两项,所述图结构数据表征了所述电流数据、所述电压数据以及所述相位角数据中至少两项在不同时间节点上的依赖关系。
可选的,所述目标故障类型包括短路、接地故障以及设备故障中至少一项。
本发明实施例所提供的电网故障诊断装置可执行本发明任意实施例所提供的电网故障诊断方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电网故障诊断方法。
在一些实施例中,电网故障诊断方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的电网故障诊断方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电网故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电网故障诊断方法,其特征在于,包括:
在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;
通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,
其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
2.根据权利要求1所述的方法,其特征在于,所述通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,包括:
确定所述时间序列数据对应的图结构数据;
基于所述多层级注意力机制,对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,并对多个所述故障诊断特征进行聚合得到聚合故障特征;
基于所述聚合故障特征确定所述目标电网的目标诊断结果。
3.根据权利要求2所述的方法,其特征在于,所述对所述图结构数据进行多尺度特征提取得到多个故障诊断特征,包括:
确定目标步长,基于所述目标步长对所述图结构数据进行多尺度特征提取,得到多个故障诊断特征,其中,每个所述故障诊断特征的分辨率不同。
4.根据权利要求2所述的方法,其特征在于,所述确定所述时间序列数据对应的图结构数据,包括:
确定权重矩阵和偏置向量,基于所述权重矩阵和所述偏置向量分别对所述电流时间序列、所述电压时间序列以及所述相位角时间序列进行预处理,得到电流向量表示、电压向量表示以及相位角向量表示;
对所述电流向量表示、所述电压向量表示以及所述相位角向量表示进行拼接,得到故障向量表示;
基于所述故障向量表示确定所述时间序列数据对应的所述图结构数据。
5.根据权利要求4所述的方法,其特征在于,所述基于所述故障向量表示确定所述时间序列数据对应的所述图结构数据,包括:
基于所述故障向量表示构建初始边结构,并通过高斯核算法确定所述初始边结构中每个边对应的边权重;
基于所述初始边结构和所述边权重确定所述图结构数据。
6.根据权利要求2所述的方法,其特征在于,所述故障数据包括电流数据、电压数据以及相位角数据中至少两项,所述图结构数据表征了所述电流数据、所述电压数据以及所述相位角数据中至少两项在不同时间节点上的依赖关系。
7.根据权利要求1所述的方法,其特征在于,所述目标故障类型包括短路、接地故障以及设备故障中至少一项。
8.一种电网故障诊断装置,其特征在于,包括:
数据获取模块,用于在目标电网出现故障的情况下,获取所述目标电网在预设时间段内的故障数据,确定所述故障数据对应的时间序列数据,其中,所述时间序列数据包括电流时间序列、电压时间序列以及相位角时间序列中至少两项;
故障诊断模块,用于通过目标诊断模型对输入的时间序列数据进行故障诊断,得到所述目标电网的目标诊断结果,
其中,所述目标诊断模型为基于多层级注意力机制的诊断模型,所述目标诊断结果包括所述目标电网对应的至少一个目标故障位置以及每个故障位置对应的目标故障类型。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电网故障诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电网故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541927.1A CN117554747A (zh) | 2023-11-17 | 2023-11-17 | 电网故障诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541927.1A CN117554747A (zh) | 2023-11-17 | 2023-11-17 | 电网故障诊断方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117554747A true CN117554747A (zh) | 2024-02-13 |
Family
ID=89814334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541927.1A Pending CN117554747A (zh) | 2023-11-17 | 2023-11-17 | 电网故障诊断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554747A (zh) |
-
2023
- 2023-11-17 CN CN202311541927.1A patent/CN117554747A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN115239889B (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
CN117554747A (zh) | 电网故障诊断方法、装置、电子设备及存储介质 | |
CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
CN117893840B (zh) | 一种痘痘严重程度分级方法、装置、电子设备及存储介质 | |
CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
CN117007908A (zh) | 一种故障定位方法、装置、电子设备和存储介质 | |
CN113570607B (zh) | 目标分割的方法、装置及电子设备 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
CN117667587A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN117972498A (zh) | 一种用于海上风机的齿轮箱状态监测系统及其方法 | |
CN117743617A (zh) | 人物交互检测方法、模型训练方法及装置 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
CN117590239A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
CN117434403A (zh) | 电器的局部放电检测方法及装置 | |
CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
CN116960957A (zh) | 车辆充电负荷预测方法、装置、电子设备及存储介质 | |
CN117289238A (zh) | 一种激光雷达建图优化方法、装置、设备及介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN117554748A (zh) | 配电网故障线路的检测方法、装置、设备及存储介质 | |
CN117634437A (zh) | 一种设备当前运行状态的描述方法、装置及电子设备 | |
CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 | |
CN116111562A (zh) | 一种配电网可靠性确定方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |