一种电力系统故障诊断方法技术方案

本发明专利技术公开一种电力系统故障诊断方法，包括：步骤S1，计量自动化系统将预训练的各神经网络构建耦合神经网络模型，并作为预模型下发至对应站点；步骤S2，各站点对接收到的预模型进行更新，得到更新后的本地模型参数，并上传至计量自动化系统；步骤S3，计量自动化系统将接收的各站点的本地模型参数进行聚合，得到多个总体模型参数；步骤S4，计量自动化系统判断总体模型是否符合精度需求，若不满足，则将总体模型作为下一轮学习的预模型，若满足，各站点则利用本地模型进行故障判别。本发明专利技术通过构造耦合神经网络模型，有效地将不同数据形式的故障数据进行训练，通过训练好的模型来实现各站点的故障诊断，大大减少人工学习成本，提高了故障诊断效率。了故障诊断效率。了故障诊断效率。

【技术实现步骤摘要】
一种电力系统故障诊断方法


[0001]本专利技术涉及电力数据安全
，具体涉及一种电力系统故障诊断方法。

技术介绍

[0002]现今在电力系统故障数据分析方面，面临以下问题：
[0003](1)电力系统中的各站点如果将所有数据上传至调度自动化系统，一方面由于大多数电力故障数据属于机密数据，会使得数据出现隐私泄露的风险；另一方面会导致传输时占用带宽比较多。但是如果只将数据在本地进行计算和分析，会导致数据间不流通，无法实现各方数据全面化的分析，出现数据“孤岛”，从而导致掩盖一些故障的存在。
[0004](2)电力系统中的各种故障若不及时发现和处理将会带来极大的负面影响，当前故障类型主要是依靠专家来进行判断和预测，存在人工学习成本大和判断效率低的问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种电力系统故障诊断方法，以提高故障诊断的效率。
[0006]为解决上述技术问题，本专利技术提供一种电力系统故障诊断方法，包括：
[0007]步骤S1，计量自动化系统将预训练的各神经网络构建耦合神经网络模型，并作为预模型下发至对应站点；
[0008]步骤S2，各站点对接收到的预模型进行更新，得到更新后的本地模型参数，并上传至计量自动化系统；
[0009]步骤S3，计量自动化系统将接收的各站点的本地模型参数进行聚合，得到多个总体模型参数；
[0010]步骤S4，计量自动化系统判断总体模型是否符合精度需求，若不满足，则将总体模型作为下一轮学习的预模型，若满足，各站点则利用本地模型进行故障判别。
[0011]进一步地，所述步骤S1具体包括：
[0012]对电力一次系统故障数据，计量自动化系统根据不同类型站点选择不同的故障数据作为预模型的训练集；对电力二次系统故障数据，计量自动化系统将所有故障数据都作为预模型的训练集；
[0013]根据故障数据的类型将故障数据分为文本、数值、图像三类，分别采用Transformer、BiLSTM、ResNet神经网络框架进行训练，得到不同电力一次系统故障数据集训练的三种神经网络模型和相同电力二次系统故障数据集训练的三种神经网络模型。
[0014]进一步地，对于文本类故障数据采用Transfromer来进行模型训练，将站点的事故文本和对应事故类型的数据集表示为B＝[b1,b2,
…
,b
m
‑1,b
m
]，并将数据集B作为Transfromer的输入，得到模型W
B
；
[0015]对于数值类故障数据采用BiLSTM网络来进行模型训练，将各种事故数值的数据集表示为D＝[d1,d2,
…
,d
m
‑1,d
m
]，并将数据集D作为BiLSTM的输入，得到模型W
D
；
[0016]对于图像类故障数据采用ResNet网络来进行模型训练，将各种事故图像的数据集表示为P＝[p1,p2,
…
,p
m
‑1,p
m
]，并将数据集P作为ResNet的输入，得到模型W
P
。
[0017]进一步地，所述步骤S2中，对于电力一次系统故障数据，计量自动化系统将相同站点类型的Transformer模型、BiLSTM模型和ResNe模型构建耦合神经网络模型，并将所述耦合神经网络模型作为预模型对应地下发至变电站、换流站、各级电力监控系统；对于电力二次系统故障数据，计量自动化系统将所有站点的Transformer模型、BiLSTM模型和ResNet模型构建耦合神经网络模型，并将所述耦合神经网络模型作为预模型下发至所有的站点。
[0018]进一步地，所述步骤S2中，各站点接收到计量自动化系统的耦合神经网络模型后，采用本地故障数据集并通过Adamax算法进行训练，得到更新后的模型参数。
[0019]进一步地，所述步骤S3在各个站点完成本地模型参数上传后，对于电力一次系统故障数据，计量自动化系统将相同类型站点传输的模型参数进行权重聚合；对于电力二次系统故障数据，计量自动化系统将所有站点传输的模型参数进行权重聚合。
[0020]进一步地，在进行权重聚合时，同时使损失函数最小化；最小化损失函数如下式所示：
[0021][0022]其中，和分别是第i个站点本地模型的输出值和真实值。
[0023]进一步地，所述步骤S4具体包括：计量自动化系统对不同模型的损失函数L进行条件判断，若不满足预设条件，则根据电力一次系统故障数据或电力二次系统故障数据，将总体模型下发至相应站点或所有站点，作为下一轮学习的初始模型；若满足预设条件，则向对应同类型站点发送模型满足精度需求的信号，同类型站点利用本地训练的模型对自身进行故障识别。
[0024]进一步地，所述预设条件为L<θ，其中，θ为大于零的常数。
[0025]实施本专利技术具有如下有益效果：解决了故障数据仅仅在本地进行分析和计算所导致出现的数据“孤岛”问题；通过构造耦合神经网络模型，有效地将不同数据形式的故障数据进行训练，通过训练好的模型来实现各站点的故障诊断，在大大减少人工学习成本的同时，提高了故障诊断效率。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的一些实施例，对于本领域普通技术人员来讲，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。
[0027]图1是本专利技术实施例一种电力系统故障诊断方法的流程示意图。
[0028]图2是本专利技术实施例一种电力系统故障诊断方法的具体流程示意图。
[0029]图3为本专利技术实施例中Transformer网络结构图。
[0030]图4为本专利技术实施例中BiLSTM网络结构图。
[0031]图5为本专利技术实施例中ResNet网络架构图。
[0032]图6为本专利技术实施例中的耦合神经网络架构图。
具体实施方式
[0033]以下各实施例的说明是参考附图，用以示例本专利技术可以用以实施的特定实施例。
[0034]联邦学习(Federated Learning，FL)是一种分布式的机器学习框架，通过对不同节点上的不同数据进行单独且同步训练，最终汇总得到全局数据集上的训练模型。联邦学习具有天然的隐私保护特质，数据不需要集中存放，仅需在数据分散存储的节点上训练模型，服务器无法获取原始数据，个人数据隐私得到有效的保护。联邦学习因其特性在避免数据泄露、避免中心点数据受到攻击等方面具备显著优势。与此同时，在异构数据处理上，传统的机器学习模型无法直接进行处理，而联邦学习无需对数据异构问题进行处理便可建立基于全局数据的机器学习模型。在解决数据异构问题外，同时对数据隐私进行保护。联邦学习可应用在涉及个人敏感数据的机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统故障诊断方法，其特征在于，包括：步骤S1，计量自动化系统将预训练的各神经网络构建耦合神经网络模型，并作为预模型下发至对应站点；步骤S2，各站点对接收到的预模型进行更新，得到更新后的本地模型参数，并上传至计量自动化系统；步骤S3，计量自动化系统将接收的各站点的本地模型参数进行聚合，得到多个总体模型参数；步骤S4，计量自动化系统判断总体模型是否符合精度需求，若不满足，则将总体模型作为下一轮学习的预模型，若满足，各站点则利用本地模型进行故障判别。2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：对电力一次系统故障数据，计量自动化系统根据不同类型站点选择不同的故障数据作为预模型的训练集；对电力二次系统故障数据，计量自动化系统将所有故障数据都作为预模型的训练集；根据故障数据的类型将故障数据分为文本、数值、图像三类，分别采用Transformer、BiLSTM、ResNet神经网络框架进行训练，得到不同电力一次系统故障数据集训练的三种神经网络模型和相同电力二次系统故障数据集训练的三种神经网络模型。3.根据权利要求2所述的方法，其特征在于，对于文本类故障数据采用Transfromer来进行模型训练，将站点的事故文本和对应事故类型的数据集表示为B＝[b1,b2,
…
,b
m
‑1,b
m
]，并将数据集B作为Transfromer的输入，得到模型W
B
；对于数值类故障数据采用BiLSTM网络来进行模型训练，将各种事故数值的数据集表示为D＝[d1,d2,
…
,d
m
‑1,d
m
]，并将数据集D作为BiLSTM的输入，得到模型W
D
；对于图像类故障数据采用ResNet网络来进行模型训练，将各种事故图像的数据集表示为P＝[p1,p2,
…

【专利技术属性】
技术研发人员：何智帆，刘涛，梁洪浩，李伟华，李思鉴，陈晓伟，马越，储竹正，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：