[发明专利]一种面向告警信息文本的电网故障诊断方法

权利要求书

1.一种面向告警信息文本的电网故障诊断方法，其特征在于，所述方法包括：

S1、获取大量告警信息文本作为训练样本集，训练样本集贴单一故障或连锁故障标签；

S2、将训练样本输入到CNN模型中，预训练故障分类模型，将测试样本输入到故障分类模型中，得到故障判别结果；

S3、将样本输入到CNN模型中，预训练故障信息提取模型，将测试样本输入到故障信息提取模型中，输出故障信息语句，按顺序提取故障信息中的元件，获得可疑故障元件集；

S4、若故障元件类型为单一故障，用TF-IDF算法判断可疑故障元件集中各元件在测试样本中的权重，权重最大的即为设备故障。若故障类型为连锁故障，则为故障元件。

2.根据权利要求1所述的面向告警信息文本的电网故障诊断方法，其特征在于，所述步骤S1包括：

电网发生故障后，相应的保护装置动作，断路器跳闸，切除故障元件。与此同时，电网运行实时信息上传到SCADA系统，生成告警信息文本。通过词向量方法，将文字或字符向量化，使告警信息文本转化为二维矩阵的形式。在CNN模型中加入嵌入层，降低词向量维度，使二维稀疏矩阵映射为密集矩阵。告警信息文本的全部词汇按照上述方法量化后，整个文本生成一个二维矩阵A。然后A与卷积窗口进行卷积得到卷积特征向量，并采用最大池化的方法提取各个窗口的最大特征向量，由全连接层进行拼接，得到文本的全局特征向量。

3.根据权利要求1所述的面向告警信息文本的电网故障诊断方法，其特征在于，所述步骤S2包括：

电网故障类型分类标准多样，本文按照单一故障和连锁故障进行分类。建立文本分类模型，通过有监督学习的方法对告警信息样本进行分类。首先为告警信息文本贴对应的故障类型标签，然后输入到卷积神经网络中，提取样本故障特征，再根据特征提取结果进行故障分类，最后对比分类结果与样本标签，输出诊断结果。

首先，每32个训练集样本组成一个子集min_batch，输入故障分类模型进行训练，并采用交叉熵损失函数计算网络损失函数，Adam优化器优化算法。当训练样本全部输入模型训练一次后，形成一个世代epoch，每10个世代epoch记录一次模型分类结果。本方法进行100个epoch训练模型，采用准确率、召回率和F1值对分类结果进行评判。

4.根据权利要求1所述的面向告警信息文本的电网故障诊断方法，其特征在于，所述步骤S3包括：

CNN关键信息提取模型为句子分类模型，结构与故障分类模型相同，将告警信息文本中的单条语句作为输入样本，每条语句贴故障信息或非故障信息标签。其中，故障信息指保护或断路器开断信息，其余信息为非故障信息。

重新整理数据，形成新的训练样本，每128个训练样本构成一个子集min_batch，训练关键信息模型。得到训练后的测试结果，故障信息和非故障信息的判别准确率接近1，模型基本能够准确地提取故障信息，从而得到较为完整的可疑故障元件集。

5.根据权利要求1所述的面向告警信息文本的电网故障诊断方法，其特征在于，所述步骤S4包括：

故障诊断模型训练完成后，按照诊断流程对20个包含变压器、母线、线路故障的测试样本进行故障类型判别，定位故障样本的故障元件，得到故障判别结果。

词语的TF-IDF计算方法如下式所示：

TF-IDF(w_i)＝tf(w_i)×idf(w_i)

＝tf_j(w_i)×log(N/df(w_i))

式中，w_i为当前词语，i、j为文本，tf_j(w_i)为当前词语w_i在文本j中出现的频率，N为文本集合中的文本数目，df(w_i)为出现w_i的文本数。

TF为关键词在文本中出现的频率，频率越高，关键词与文本主题的相似度越高；IDF为关键词在所有文本中出现的次数，描述关键词在文本中的区分度，其值越小，关键词在文本中区分度越高。因此，词语的TF频率越大，IDF频率越低，该词越具有区分度。

因此，对单一故障，若存在多个可疑故障元件，可通过计算各个可疑故障元件的TF-IDF值，选择TF-IDF值最大的元件为故障元件。

对连锁故障而言，由于没有及时切除故障元件导致上级元件的保护和断路器动作，告警信息包含多个元件的动作信息，故障元件所占比例较小，无法使用TF-IDF判断。因此，选择告警信息中首先出现的可疑故障元件为故障元件。