[发明专利]一种融合自编码器和卷积神经网络的电网故障诊断方法

权利要求书

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。