CN117907706A - 智能电网故障判断方法、装置、电子设备及存储介质 - Google Patents

智能电网故障判断方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117907706A
CN117907706A CN202311658342.8A CN202311658342A CN117907706A CN 117907706 A CN117907706 A CN 117907706A CN 202311658342 A CN202311658342 A CN 202311658342A CN 117907706 A CN117907706 A CN 117907706A
Authority
CN
China
Prior art keywords
data
fault
fusion
feature
smart grid
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
Application number
CN202311658342.8A
Other languages
English (en)
Inventor
郭媛君
周佳靖
杨之乐
安钊
吴承科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202311658342.8A priority Critical patent/CN117907706A/zh
Publication of CN117907706A publication Critical patent/CN117907706A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请提供了一种智能电网故障判断方法、装置、电子设备及存储介质，涉及智能电网技术领域。该方法包括：获取智能电网不同数据源下的多个历史数据；对各历史数据进行特征提取，得到各历史数据的第一特征和第二特征；根据各历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度；以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于命题的信任度进行融合，得到多模态融合数据；根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行智能电网的故障判断。本申请解决了相关技术中智能电网故障判断的准确率不高的问题。

Description

智能电网故障判断方法、装置、电子设备及存储介质
技术领域
本申请涉及智能电网技术领域，具体而言，本申请涉及一种智能电网故障判断方法、装置、电子设备及存储介质。
背景技术
智能电网是一种基于先进的通信和信息技术，能够实时监测、控制、优化电力系统运行的电力网络，通过实时监测和控制电力系统，能够更好地优化能源的使用和分配。在电网运行过程中对智能电网中存在的故障及时进行有效的诊断，是智能电网系统中的关键部分。
现有技术对电网进行诊断主要有通过专家先验知识的方法、数学解析模型方法、单模态神经网络模型和多模态神经网络模型。通过专家先验知识的方法需要依赖有相关领域知识和经验的专家来提供意见和建议，寻找并获得合适的专家可能是困难和耗时的过程，并且专家先验知识通常是基于主观判断和经验而非可量化的数据，这使得难以对专家的知识进行准确的量化和验证，导致电网故障判断效率低，准确度不足。数学解析模型方法通过建立元件完全解析模型的数学表达式和解集评价指标，对于复杂的智能电网很难建立出符合实际情况的模型，存在较大的误差，导致电网故障判断准确度下降。
由上可知，如何提高智能电网故障判断的准确率仍有待解决。
发明内容
本申请各提供了一种智能电网故障判断方法、装置、电子设备及存储介质，可以解决相关技术中存在的智能电网故障判断的准确率不高的问题。所述技术方案如下：
根据本申请的一个方面，一种智能电网故障判断方法，包括：获取智能电网不同数据源下的多个历史数据；对各所述历史数据进行特征提取，得到各所述历史数据的第一特征和第二特征；所述第一特征用于描述所述历史数据的频域特性，所述第二特征用于描述所述历史数据的时频域特性；根据各所述历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度；以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据；根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行所述智能电网的故障判断。
根据本申请的一个方面，一种智能电网故障判断装置，包括：数据获取模块，用于获取智能电网不同数据源下的多个历史数据；特征提取模块，用于对各所述历史数据进行特征提取，得到各所述历史数据的第一特征和第二特征；所述第一特征用于描述所述历史数据的频域特性，所述第二特征用于描述所述历史数据的时频域特性；计算模块，用于根据各所述历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度；融合模块，用于以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据；训练模块，用于根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行所述智能电网的故障判断。
在一示例性实施例中，所述特征提取模块，包括：第一变换单元，用于对各所述历史数据进行傅里叶变换，得到各所述历史数据在不同频带上的频域特性，作为各所述历史数据的第一特征；第二变换单元，用于对各所述历史数据进行小波变换，得到各所述历史数据在不同尺度不同频带上的低频特性和高频特性，作为各所述历史数据的第二特征。
在一示例性实施例中，所述计算模块，包括；第一计算单元，用于基于各所述历史数据在不同尺度不同频带上的低频特性，计算各所述历史数据中近似部分的幅值，得到不同数据源对应的幅值故障度；第二计算单元，用于基于各所述历史数据在不同尺度不同频带上的高频特性，对各所述历史数据中的细节部分进行平方求和运算，得到不同数据源对应的能量故障度。
在一示例性实施例中，所述融合模块，包括：第三计算单元，用于以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，计算各所述数据源关于所述命题的信任度和不确定度；组合单元，用于将各所述数据源关于所述命题的信任度进行组合，得到综合信任度；融合单元，用于以各所述数据源关于命题的信任度、不确定度、综合信任度中的一种或多种，作为多模态融合数据。
在一示例性实施例中，所述融合模块，包括：修正单元，用于对所述多模态融合数据进行修正，以消除所述多模态融合数据在不同数据源下的冲突，得到修正后的多模态融合数据。
在一示例性实施例中，所述训练模块，包括：标记单元，用于对所述多模态融合数据进行标记，得到训练数据；优化单元，用于利用训练数据，通过反向传播和随机梯度下降对初始的故障识别模型的参数进行优化；模型获取单元，用于直至优化后的参数满足设定条件，得到训练后的故障识别模型。
在一示例性实施例中，所述训练模块，包括：数据获取单元，用于获取所述智能电网的待判断数据，所述待判断数据包括所述智能电网的电压值或电流值；输入单元，用于将所述待判断数据输入所述故障识别模型进行特征提取；预测单元，用于根据提取得到的特征对所述智能电网的故障进行类别预测，得到类别概率分布；结果确定单元，用于基于所述类别概率分布，确定所述智能电网的故障识别结果。
根据本申请的一个方面，一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器上存储有计算机可读指令；所述计算机可读指令被一个或多个所述处理器执行，使得电子设备实现如上所述的智能电网故障判断方法。
根据本申请的一个方面，一种存储介质，其上存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行，以实现如上所述的智能电网故障判断方法。
根据本申请的一个方面，一种计算机程序产品，计算机程序产品包括计算机可读指令，计算机可读指令存储在存储介质中，电子设备的一个或多个处理器从存储介质读取计算机可读指令，加载并执行该计算机可读指令，使得电子设备实现如上所述的智能电网故障判断方法。
本申请提供的技术方案带来的有益效果是：
在上述技术方案中，获取智能电网不同数据源下的多个历史数据；通过历史数据的频域特性和时频域特性，计算得到不同数据源对应的幅值故障度和能量故障度，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据；根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行所述智能电网的故障判断。
通过故障识别模型对历史数据进行多模态分析，能够更好地捕捉复杂的故障模式，并提供精确的故障诊断结果。同时，通过多模态数据的融合和信息分析，可以弥补单一数据中存在的信息缺失，提高故障诊断的准确性和可靠性。从而能够有效地解决相关技术中存在的智能电网故障判断的准确率不高的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请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申请的一些实施例，对于本领域技术人员来讲，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是根据本申请所涉及的实施环境的示意图；
图2是根据一示例性实施例示出的一种智能电网故障判断方法的流程图；
图3是图2对应实施例中步骤230在一个实施例的流程图；
图4是图2对应实施例中步骤250在一个实施例的流程图；
图5是图2对应实施例中步骤270在一个实施例的流程图；
图6是根据一示例性实施例示出的故障识别模型的训练过程的流程图；
图7是根据一示例性实施例示出的智能电网的故障判断过程的流程图；
图8是一应用场景中一种智能电网故障判断方法的具体实现示意图；
图9是根据一示例性实施例示出的一种智能电网故障判断装置的结构框图；
图10是根据一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本公开的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
如前所述，现有技术对电网进行诊断主要有通过专家先验知识的方法、数学解析模型方法、单模态神经网络模型和多模态神经网络模型。通过专家先验知识的方法需要依赖有相关领域知识和经验的专家来提供意见和建议，寻找并获得合适的专家可能是困难和耗时的过程，并且专家先验知识通常是基于主观判断和经验而非可量化的数据，这使得难以对专家的知识进行准确的量化和验证，导致电网故障判断效率低，准确度不足。数学解析模型方法通过建立元件完全解析模型的数学表达式和解集评价指标，对于复杂的智能电网很难建立出符合实际情况的模型，存在较大的误差，导致电网故障判断准确度下降。
由上可知，相关技术中仍存在智能电网故障判断的准确率不高的缺陷。
为此，本申请提供的智能电网故障判断方法，能够有效地提升智能电网故障判断的准确率，相应地，该智能电网故障判断方法适用于智能电网故障判断装置，该智能电网故障判断装置可部署于电子设备，该电子设备可以是配置冯诺依曼体系结构的计算机设备，例如，该计算机设备包括台式电脑、笔记本电脑、服务器等；该电子设备也可以是具有中控功能的电子设备，例如，该电子设备包括网关等；该电子设备还可以是指便携移动的电子设备，例如，该电子设备包括智能手机、平板电脑等。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1为一种智能电网故障判断方法所涉及的一种实施环境的示意图。需要说明的是，该种实施环境只是一个适配于本发明的示例，不能认为是提供了对本发明的使用范围的任何限制。
该实施环境包括采集端110和服务端130。
具体地，采集端110，也可以认为是电网数据采集设备。例如，采集端110为电网节点。
服务端130，该服务端130可以是台式电脑、笔记本电脑、服务器等等电子设备，还可以是由多台服务器构成的计算机集群，甚至是由多台服务器构成的云计算中心。其中，服务端130用于提供后台服务，例如，后台服务包括但不限于智能电网故障判断服务等等。
服务端130与采集端110之间通过有线或者无线等方式预先建立网络通信连接，并通过该网络通信连接实现服务端130与采集端110之间的数据传输。传输的数据包括但不限于：各节点电压和支路电流等电气量信息等等。
在一应用场景中，通过采集端110与服务端130的交互，采集端110针对电网采集电气量信息，并将电气量信息上传至服务端130，以请求服务端130提供智能电网故障判断服务。
对于服务端130而言，在接收到采集端110上传的电气量信息之后，便调用智能电网故障判断服务，判断电网中存在的故障，实现对电网状态的全面监测和分析，以此来解决相关技术中存在的智能电网故障判断的准确率不高的问题。
请参阅图2，本申请实施例提供了一种智能电网故障判断方法，该方法适用于电子设备，该电子设备可以是图1所示出实施环境中的服务端130。
在下述方法实施例中，为了便于描述，以该方法各步骤的执行主体为电子设备为例进行说明，但是并非对此构成具体限定。
如图2所示，该方法可以包括以下步骤：
步骤210，获取智能电网不同数据源下的多个历史数据。
其中，历史数据为包含了电网中故障信息的数据，可以是电流值，还可以是电压值。
在一种可能的实现方式，历史数据为智能电网中的各节点电压和支路电流等电气量信息。
步骤230，对各历史数据进行特征提取，得到各历史数据的第一特征和第二特征。
其中，第一特征用于描述历史数据的频域特性，第二特征用于描述历史数据的时频域特性。
步骤250，根据各历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度。
其中，能量故障度反应电网在不同频带上的能量分布，幅值故障度反应电网在不同频带上的信号幅值。
步骤270，以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于命题的信任度进行融合，得到多模态融合数据。
在一种可能的实现方式，数据融合的命题包括电流幅值故障度、电流能量故障度和电压幅值故障度和电压能量故障度。
步骤290，根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行智能电网的故障判断。
通过以上过程，通过故障识别模型对历史数据进行多模态分析，能够更好地捕捉复杂的故障模式，并提供精确的故障诊断结果，提高故障识别准确度。
请参阅图3，在一示例性实施例中，步骤230可以包括以下步骤：
步骤231，对各历史数据进行傅里叶变换，得到各历史数据在不同频带上的频域特性，作为各历史数据的第一特征。
在一种可能的实现方式，傅里叶变换的公式如下：
其中，f(t)是原始信号，F(ω)是信号f(t)的傅里叶变换结果，ω是频率。
步骤233，对各历史数据进行小波变换，得到各历史数据在不同尺度不同频带上的低频特性和高频特性，作为各历史数据的第二特征。
在一种可能的实现方式，小波变换为离散小波变换，其变换公式为：
其中，Xj[n]是第j层的离散信号，Aj[n]是第j层的低频特性，Dj[n]是第j层的高频特性，h[k]是低通滤波器的系数，g[k]是高通滤波器的系数。
在此基础上，如图4所示，步骤250可以包括以下步骤：
步骤251，基于各历史数据在不同尺度不同频带上的低频特性，计算各历史数据中近似部分的幅值，得到不同数据源对应的幅值故障度。
步骤253，基于各历史数据在不同尺度不同频带上的高频特性，对各历史数据中的细节部分进行平方求和运算，得到不同数据源对应的能量故障度。
其中，能量故障度公式为：
Ej＝∑(Dj[n])2。
其中：Ej表示第j层细节部分的能量，Dj[n]是第j层的高频特性。
由此，便基于各历史数据的第二特征得到了不同数据源对应的幅值故障度和能量故障度，使得后续的多模态数据融合得以实现。
在上述实施例的作用下，通过获取历史数据的第一特征和第二特征，可以提取出更全面和准确的电网信息，帮助实现对电网状态的全面监测和分析，使得故障识别可以根据多模态数据进行，提高故障识别准确度。
请参阅图5，在一示例性实施例中，步骤270可以包括以下步骤：
步骤271，以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，计算各数据源关于命题的信任度和不确定度。
在一种可能的实现方式，计算信任度和不确定度的公式如下：
其中，mi(A)表示数据源i对命题A的支持度，表示数据源i对命题A的反对度，beliefi(A)为数据源i对命题A的信任度，plausiblityi(A)为数据源i对命题A的不确定度。
步骤273，将各数据源关于命题的信任度进行组合，得到综合信任度。
在一种可能的实现方式，组合公式如下：
其中，beliefi(B)表示数据源i对命题B的信任度，beliefi(A)为数据源i对命题A的信任度。
步骤275，以各数据源关于命题的信任度、不确定度、综合信任度中的一种或多种，作为多模态融合数据。
进一步地，步骤270还可以包括以下步骤：
对多模态融合数据进行修正，以消除多模态融合数据在不同数据源下的冲突，得到修正后的多模态融合数据。
具体地，修正公式如下：
其中，belief(A)表示修正前的信任度，belief′(A)表示修正后的信任度。
在上述实施例的作用下，通过多模态数据的融合和信息分析，可以弥补单一数据中存在的信息缺失，提高故障诊断的准确性和可靠性，通过多模态数据特征相互补充，提高故障识别的非线性拟合能力和抗干扰能力。
在一示例性实施例中，如图6所示，故障识别模型的训练过程可以包括以下步骤：
步骤610，对多模态融合数据进行标记，得到训练数据。
其中，训练数据为矩阵或张量的形式。
在一种可能的实现方式，通过D-S证据理论处理多模态融合数据，并对对数据进行归一化、标准化、缩放预处理。
步骤630，利用训练数据，通过反向传播和随机梯度下降对初始的故障识别模型的参数进行优化。
其中，通过反向传播和随机梯度下降，使得故障识别模型得以学习输入数据的特征和模式，进而向更能识别故障信息的方向优化。
步骤650，直至优化后的参数满足设定条件，得到训练后的故障识别模型。
其中，设定条件可以根据应用场景的实际需要灵活地设置，例如，设定条件可以是指参数达到最优，以提高训练的精度；或者，设定条件可以是指迭代次数达到阈值，以提高训练的效率，此处并未加以限定。
在完成训练后，训练后的故障识别模型便具有对智能电网的故障的类别进行识别的能力。
具体地，如图7所示，智能电网的故障识别过程可以包括以下步骤：
步骤710，获取智能电网的待判断数据。
其中，待判断数据包括智能电网的电压值或电流值。
步骤730，将待判断数据输入故障识别模型进行特征提取。
步骤750，根据提取得到的特征对智能电网的故障进行类别预测，得到类别概率分布。
其中，类别概率分布表示的是智能电网的故障属于不同类别的概率。在一种可能的实现方式，类别概率分布可以通过softmax激活函数生成。
由此，基于类别概率分布，便能够确定智能电网的故障识别结果。在一些实施例中，概率最大的类别就是智能电网的故障识别结果。也就是说，故障识别结果用于指示智能电网的故障的类别。
通过上述过程，可以对故障判断生成准确的概率分布，准确的指示可能存在的故障和故障类型，提高故障识别的准确度。
图8是一应用场景中一种智能电网故障判断方法的具体实现示意图。
该应用场景中，首先在数据处理阶段，采集智能电网的电压值和电流值的历史数据；将历史数据进行傅里叶变化得到频域特性，将历史数据进行小波变化得到时频域特性；通过从小波变换的近似部分中提取幅值信息，计算电流电压的幅值故障度；通过对细节部分的平方求和计算电流电压的能量故障度。
在数据融合阶段，先确定需要进行数据融合的命题；计算其关于每个命题的信任度和不确定度；通过将不同数据源的信任度进行组合，得到综合信任度，通过进行证据的修正对综合信任度的冲突予以修正，根据信任度和不确定度来确定结论的判定标准。
在参数训练阶段，对数据融合阶段获得的数据进行预处理，以使数据符合神经网络模型的要求，将经过预处理的数据加载到神经网络模型，利用softmax函数生成概率分布；获取标记好的训练数据集，通过反向传播和随机梯度下降对初始的故障识别模型的参数进行优化，训练模型中的参数，获得故障识别模型。
在本应用场景中，通过引入神经网络模型，可以使故障识别模型具有非线性建模能力和自适应学习能力，可以更准确地识别和理解各种故障情况，提高故障诊断的准确性和可靠性。此外，通过获取多模态数据进行融合和分析，可以获取多个数据源的信息，获取更多信息，弥补故障识别过程中单一数据中存在的信息缺失，并提供更全面、准确的故障诊断结果，提高故障识别准确度。
下述为本申请装置实施例，可以用于执行本申请所涉及的智能电网故障判断方法。对于本申请装置实施例中未披露的细节，请参照本申请所涉及的智能电网故障判断方法的方法实施例。
请参阅图9，本申请实施例中提供了一种智能电网故障判断装置900，包括但不限于：数据获取模块910、特征提取模块930、计算模块950、融合模块970以及训练模块990。
其中，数据获取模块910，用于获取智能电网不同数据源下的多个历史数据。
特征提取模块930，用于对各历史数据进行特征提取，得到各历史数据的第一特征和第二特征。第一特征用于描述历史数据的频域特性，第二特征用于描述历史数据的时频域特性。
计算模块950，用于根据各历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度。
融合模块970，用于以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于命题的信任度进行融合，得到多模态融合数据。
训练模块990，用于根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行智能电网的故障判断。
需要说明的是，上述实施例所提供的智能电网故障判断装置在进行智能电网故障判断时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即智能电网故障判断装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。
另外，上述实施例所提供的智能电网故障判断装置与智能电网故障判断方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
请参阅图10，本申请实施例中提供了一种电子设备4000，在图10中，该电子设备4000包括至少一个处理器4001以及至少一个存储器4003。
其中，处理器4001和存储器4003之间的数据交互，可以通过至少一个通信总线4002实现。该通信总线4002可包括一通路，用于在处理器4001和存储器4003之间传输数据。通信总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。通信总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序指令或代码并能够由电子设备400存取的任何其他介质，但不限于此。
存储器4003上存储有计算机可读指令，处理器4001可以通过通信总线4002读取存储器4003中存储的计算机可读指令。
该计算机可读指令被一个或多个处理器4001执行以实现上述各实施例中的智能电网故障判断方法。
此外，本申请实施例中提供了一种存储介质，该存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行，以实现如上的智能电网故障判断方法。
本申请实施例中提供了一种计算机程序产品，计算机程序产品包括计算机可读指令，计算机可读指令存储在存储介质中，电子设备的一个或多个处理器从存储介质读取计算机可读指令，加载并执行该计算机可读指令，使得电子设备实现如上的智能电网故障判断方法。
与相关技术相比，本申请通过故障识别模型对历史数据进行多模态分析，能够更好地捕捉复杂的故障模式，并提供精确的故障诊断结果，提高故障识别准确度。通过获取历史数据的第一特征和第二特征，可以提取出更全面和准确的电网信息，帮助实现对电网状态的全面监测和分析，使得故障识别可以根据多模态数据进行，提高故障识别准确度。通过多模态数据的融合和信息分析，可以弥补单一数据中存在的信息缺失，提高故障诊断的准确性和可靠性，通过多模态数据特征相互补充，提高故障识别的非线性拟合能力和抗干扰能力。可以对故障判断生成准确的概率分布，准确的指示可能存在的故障和故障类型，提高故障识别的准确度。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种智能电网故障判断方法，其特征在于，包括：
获取智能电网不同数据源下的多个历史数据；
对各所述历史数据进行特征提取，得到各所述历史数据的第一特征和第二特征；所述第一特征用于描述所述历史数据的频域特性，所述第二特征用于描述所述历史数据的时频域特性；
根据各所述历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度；
以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据；
根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行所述智能电网的故障判断。
2.如权利要求1所述的方法，其特征在于，所述对各所述历史数据进行特征提取，得到各所述历史数据的第一特征和第二特征，包括：
对各所述历史数据进行傅里叶变换，得到各所述历史数据在不同频带上的频域特性，作为各所述历史数据的第一特征；
对各所述历史数据进行小波变换，得到各所述历史数据在不同尺度不同频带上的低频特性和高频特性，作为各所述历史数据的第二特征。
3.如权利要求2所述的方法，其特征在于，所述根据各所述历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度，包括：
基于各所述历史数据在不同尺度不同频带上的低频特性，计算各所述历史数据中近似部分的幅值，得到不同数据源对应的幅值故障度；
基于各所述历史数据在不同尺度不同频带上的高频特性，对各所述历史数据中的细节部分进行平方求和运算，得到不同数据源对应的能量故障度。
4.如权利要求1所述的方法，其特征在于，所述以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据，包括：
以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，计算各所述数据源关于所述命题的信任度和不确定度；
将各所述数据源关于所述命题的信任度进行组合，得到综合信任度；
以各所述数据源关于命题的信任度、不确定度、综合信任度中的一种或多种，作为多模态融合数据。
5.如权利要求4所述的方法，其特征在于，所述以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据，还包括：
对所述多模态融合数据进行修正，以消除所述多模态融合数据在不同数据源下的冲突，得到修正后的多模态融合数据。
6.如权利要求1至5任一项所述的方法，其特征在于，所述根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，包括：
对所述多模态融合数据进行标记，得到训练数据；
利用训练数据，通过反向传播和随机梯度下降对初始的故障识别模型的参数进行优化；
直至优化后的参数满足设定条件，得到训练后的故障识别模型。
7.如权利要求1至5任一项所述的方法，其特征在于，所述通过训练后的故障识别模型进行所述智能电网的故障判断，包括：
获取所述智能电网的待判断数据，所述待判断数据包括所述智能电网的电压值或电流值；
将所述待判断数据输入所述故障识别模型进行特征提取；
根据提取得到的特征对所述智能电网的故障进行类别预测，得到类别概率分布；
基于所述类别概率分布，确定所述智能电网的故障识别结果。
8.一种智能电网故障判断装置，其特征在于，包括：
数据获取模块，用于获取智能电网不同数据源下的多个历史数据；
特征提取模块，用于对各所述历史数据进行特征提取，得到各所述历史数据的第一特征和第二特征；所述第一特征用于描述所述历史数据的频域特性，所述第二特征用于描述所述历史数据的时频域特性；
计算模块，用于根据各所述历史数据的第一特征和第二特征，计算得到不同数据源对应的幅值故障度和能量故障度；
融合模块，用于以不同数据源对应的幅值故障度和能量故障度作为数据融合的命题，将各数据源关于所述命题的信任度进行融合，得到多模态融合数据；
训练模块，用于根据计算得到的多模态融合数据对初始的故障识别模型进行模型训练，获得训练后的故障识别模型，以通过训练后的故障识别模型进行所述智能电网的故障判断。
9.一种电子设备，其特征在于，包括：至少一个处理器以及至少一个存储器，其中，
所述存储器上存储有计算机可读指令；
所述计算机可读指令被一个或多个所述处理器执行，使得电子设备实现如权利要求1至7中任一项所述的智能电网故障判断方法。
10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行，以实现如权利要求1至7中任一项所述的智能电网故障判断方法。
CN202311658342.8A 2023-12-05 2023-12-05 智能电网故障判断方法、装置、电子设备及存储介质 Pending CN117907706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311658342.8A CN117907706A (zh) 2023-12-05 2023-12-05 智能电网故障判断方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311658342.8A CN117907706A (zh) 2023-12-05 2023-12-05 智能电网故障判断方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117907706A true CN117907706A (zh) 2024-04-19

Family

ID=90695529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311658342.8A Pending CN117907706A (zh) 2023-12-05 2023-12-05 智能电网故障判断方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117907706A (zh)

Similar Documents

Publication Publication Date Title
CN110147367B (zh) 一种温度缺失数据填补方法、系统及电子设备
CN112860676B (zh) 应用于大数据挖掘和业务分析的数据清洗方法及云服务器
CN115618269B (zh) 基于工业传感器生产的大数据分析方法及系统
TWI727323B (zh) 返修板檢測裝置、方法及電腦可讀取存儲介質
CN113327037A (zh) 基于模型的风险识别方法、装置、计算机设备和存储介质
CN114328277A (zh) 一种软件缺陷预测和质量分析方法、装置、设备及介质
CN114399321A (zh) 一种业务系统稳定性分析方法、装置和设备
CN111951008A (zh) 一种风险预测方法、装置、电子设备和可读存储介质
CN111953531B (zh) 网络故障分析方法及装置
CN118691321A (zh) 基于边缘计算的网上车市汽车分站数据管控平台
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN118484356A (zh) 一种基于rpa的服务器状态监测方法及系统
CN117875778A (zh) 基于融合模型的微波组件质量管控方法、设备及存储介质
CN117937438A (zh) 一种电网调度控制系统异常数据辨识和校正的方法及系统
CN114722025B (zh) 基于预测模型的数据预测方法、装置、设备及存储介质
CN117907706A (zh) 智能电网故障判断方法、装置、电子设备及存储介质
CN117973606A (zh) 一种新能源出力预测方法、装置、电子设备和存储介质
CN114791954A (zh) 设备故障诊断方法及装置
CN111160419B (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
CN112733453A (zh) 一种基于联合学习的设备预测性维护方法及装置
CN112579429A (zh) 一种问题定位方法和装置
CN118656750A (zh) 一种设备的健康度诊断预警方法及装置
CN115935166A (zh) 检测模型训练方法、装置及相关设备
CN118689756A (zh) 一种测试工时的预测方法、装置、设备和存储介质

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