[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

说明书

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。

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：