[发明专利]一种面向告警信息文本的电网故障诊断方法

说明书

本发明提供一种面向告警信息文本的电网故障诊断方法。所述方法包括：基于卷积神经网络构建两个用于故障分类和关键信息提取的分类模型，故障分类模型和关键信息提取模型分别提取文本的整体特征和局部特征，判别文本故障类型，获取文本中对应于故障的关键信息，从中筛选可疑故障元件；根据两分类模型输出的故障类型判别结果和关键信息，提出基于故障元件特征的元件定位策略。

技术领域

本发明提出了一种面向告警信息文本的电网故障诊断方法，利用卷积神经网络的深度特征提取能力，提取告警信息文本内的故障特征知识，实现端到端的故障类型判别和故障元件的定位。

背景技术

电网向着数字化和智能化的方向推进，电网故障诊断方法也朝着智能诊断的方向迈进。传统的电网故障诊断方法依赖人工经验设计诊断模型，抽象程度低，缺乏对工程现场告警信息中故障知识的提取能力，无法快速准确地实现故障智能诊断。

随着人工智能的不断发展，神经网络模型开始应用于电网故障诊断中。一方面，神经网络推理速度快，可移植性较强，容错能力强，鲁棒性好，可以完成复杂故障或不完备信息下的诊断。另一方面，神经网络没有自动提取故障信息特征的能力，需人工提取保护和断路器动作等信息作为特征，输入到神经网络进行训练，限制了神经网络在电网故障诊断领域的深入应用。

卷积神经网络(Convolutional Neural Network，CNN)作为一种典型的深度学习模型，具有强大的特征提取能力，已在图像识别、语音识别和文本分类等多个领域得到了广泛的应用。基于CNN的电网故障诊断模型可以自动提取文本特征，实现告警信息文本分类预测，给出较准确的诊断结果，具有较好的容错性。

发明内容

为了解决上述问题或者至少部分地解决上述问题，本发明提供一种面向告警信息文本的电网故障诊断方法。该方法主要分为故障分类和故障信息提取两个部分，并由卷积神经网络设计对应的两个分类器。故障分类器提取整个告警信息文本的特征，判断故障类型；故障信息提取分类器作用于故障样本中的告警信息语句，提取故障信息，输出可疑故障元件，最后采用TF-IDF方法定位故障元件。具体采用如下方案：

S1、提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、构建CNN故障分类模型，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、构建CNN关键信息提取模型，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；

优选地，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。本方法由TS2000仿真平台生成告警信息和电网实际告警信息，告警信息文本主要包括故障涉及元件的保护及断路器动作信息。总样本数为255，样本可分为单一故障和连锁故障两大类，每类又包括变压器、母线和线路三种故障类型。将样本按照7:2:1的比例划分为训练集、验证集和测试集。

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。

优选地，所述步骤S2包括：