一种极端天气下电网故障预警方法和系统技术方案

本发明专利技术提供一种极端天气下电网故障预警方法和系统。该系统主要由数据采集模块、数据预处理模块、深度学习模块、故障预测模块和可视化模块组成。首先，采用卫星遥感技术获取大气、云层、降水等气象数据和电网实时运行数据，并对其进行数字滤波去噪和小波变换特征提取等预处理操作。然后，利用卷积神经网络(CNN网络)和长短时记忆网络(LSTM网络)对监测数据进行处理和分析，并实时预测电力系统故障并进行警报和诊断。最后，系统通过故障预警模块根据数据分析结果进行预警，并通过可视化模块及时通知相关人员。该系统可有效提高电网运行的安全性和可靠性，在极端天气下及时预警电网故障，为电力生产和生活保障提供重要支持。为电力生产和生活保障提供重要支持。为电力生产和生活保障提供重要支持。

【技术实现步骤摘要】
一种极端天气下电网故障预警方法和系统


[0001]本专利技术属于电力相关
，尤其涉及一种极端天气下电网故障预警方法和系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着全球气候变化的影响，极端天气事件如台风、龙卷风、暴雨等频繁发生，给电力系统带来了巨大的挑战。极端天气可能导致电网设备的故障和电力供应中断，给用户带来严重的经济和社会影响。因此，如何及时有效地预警和处理极端天气下的电网故障成为一项紧迫的任务。
[0004]现有技术中，一些基于数据分析方法的电网故障预警系统已经被提出。然而，这些系统都存在着模型复杂度高、计算量大、预测准确率低等缺陷，难以适应极端天气下电网的故障预警需求。因此，需要一种更加高效可靠的极端天气下电网故障预警方法和系统。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种极端天气下电网故障预警方法和系统。
[0006]为了实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]本专利技术的第一个方面提供一种极端天气下电网故障预警方法，包括：
[0008]S1、利用卫星遥感技术获取大气、云层、降水等气象数据；采集电网实时运行数据；
[0009]S2、对采集到的数据进行预处理操作；
[0010]S2.1去噪操作，采用数字滤波算法进行去噪处理；
[0011]S2.2特征提取操作；采用小波变换特征提取；r/>[0012]S3、利用深度学习算法对监测数据进行处理和分析，以实现对电力系统故障的实时预警和诊断；
[0013]S3.1利用卷积神经网络(CNN网络)和长短时记忆网络(LSTM网络)深度学习算法对电力系统运行数据和气象数据进行处理和分析，利用端到端(end
‑
to
‑
end)的训练方式；
[0014]S4.实时预测电力系统故障并进行警报和诊断。
[0015]进一步的，在S1中，所述卫星遥感技术获取的气象数据包括大气温度、湿度、气压、云高、云量、降水量等参数；
[0016]在S1中，所述电力系统的实时运行数据包括电网负荷、线路电压、变压器温度、电容器电流等参数。
[0017]进一步的，S2.1具体包括：(1)采用FIR滤波器对原始信号进行数字滤波处理，得到滤波后的信号；
[0018](2)对滤波后的信号进行平滑处理，消除信号中的不必要噪声成分。
[0019]进一步的，S2.2具体包括：
[0020]小波变换特征提取：采用Haar小波作为小波基函数对输入信号进行小波变换；对小波分解析出的每个高频小波系数和低频小波系数进行绝对值运算，得到小波系数的能量；计算能量的总和，然后计算出每个小波系数的占比，得到小波系数的能量分布；计算小波系数的特征参数，包括小波系数的均值、方差、偏度、峰度；通过小波系数的能量和分布、特征参数等指标对电力系统运行数据和气象数据进行分类与识别。
[0021]进一步的，S3.1具体包括：
[0022](1)CNN网络用于对数据进行空间特征提取，提取电力系统和气象数据之间的关联性；
[0023]使用CNN网络对电力系统运行数据和气象数据进行特征提取，将多个卷积层和池化层组合在一起，逐层提取数据的空间和时间特征；卷积层通过卷积核对输入数据进行卷积计算，产生卷积特征图，然后通过ReLU激活函数进行非线性变换；池化层则对卷积层的输出进行降采样；
[0024](2)LSTM网络用于对时间序列数据进行处理和分析，学习电力系统和气象数据之间的时间关系；
[0025]将经过CNN网络处理后的特征输入到LSTM网络中，利用其具有记忆性的特点建立序列模型，对时间序列数据进行建模，提出前后时间之间的依赖关系；LSTM由输入门、遗忘门和输出门三个门组成；
[0026](3)将CNN网络和LSTM网络的输出合并起来，通过全连接层进行分类和预测；
[0027]全连接层接收上一层的输出，在其上计算权重和偏置，然后通过激活函数进行非线性变换，生成最终输出；
[0028]采用Softmax进行归一化，与用户设置的阈值进行比较，以判断是否发生故障，如果超过阈值，则进行警报和诊断。
[0029]进一步的，在S4中，实时预测电力系统故障并进行警报和诊断，将预测结果和故障信息展示在界面上供用户查看。
[0030]本专利技术的第二个方面提供一种极端天气下电网故障预警系统，包括以下模块：
[0031]数据采集模块，利用卫星遥感技术获取大气、云层、降水等气象数据，采集电网实时运行数据；
[0032]数据预处理模块，对采集到的数据进行去噪和特征提取处理；
[0033]深度学习模块，包括卷积神经网络(CNN网络)和长短时记忆网络(LSTM网络)，对电力系统运行数据和气象数据进行处理和分析，实现对电力系统故障的实时预警和诊断；
[0034]故障预测模块，将预处理后的特征向量输入到全连接层中进行预测，采用Softmax进行归一化，与阈值进行比较来进行警报和诊断；
[0035]可视化模块，将预测结果和故障信息展示在界面上供用户查看。
[0036]进一步的，数据采集模块中，卫星遥感技术获取的气象数据包括大气温度、湿度、气压、云高、云量、降水量等参数；电力系统的实时运行数据包括电网负荷、线路电压、变压器温度、电容器电流等参数。
[0037]进一步的，数据预处理模块中，去噪操作采用FIR滤波器进行数字滤波处理，平滑处理消除噪声成分；特征提取操作采用Haar小波变换提取信号能量和分布以及特征参数，
对电力系统运行数据和气象数据进行分类与识别。
[0038]进一步的，深度学习模块中，卷积神经网络(CNN网络)用于对数据进行特征提取，长短时记忆网络(LSTM网络)用于对时间序列数据进行分析预测，并结合多层感知器(MLP)对故障进行分类诊断。
[0039]本专利技术的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0040]本专利技术的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0041]本专利技术的有益效果是：
[0042]在本专利技术中，可以对电网中的实时数据进行监测、预处理和特征提取等操作，提高了数据的质量和可靠性，有利于提高故障预测的准确率。
[0043]经过深度学习算法的训练和优化，本专利技术的训练模型综合利用了CNN网络和LSTM网络的优势，可以充分挖掘电网历史数据的特征和序列性质，具有高度的预测性能和可靠性，可以提高电网故障预警的准确性和效率，本专利技术的模型可以更加精准地预测故障的发生，降低了故障带来的安全隐患，提高了电网的安全性。
[0044]本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极端天气下电网故障预警方法，其特征在于，包括：S1、利用卫星遥感技术获取大气、云层、降水等气象数据；采集电网实时运行数据；S2、对采集到的数据进行预处理操作；S2.1去噪操作，采用数字滤波算法进行去噪处理；S2.2特征提取操作；采用小波变换特征提取；S3、利用深度学习算法对监测数据进行处理和分析，以实现对电力系统故障的实时预警和诊断；S3.1利用卷积神经网络(CNN网络)和长短时记忆网络(LSTM网络)深度学习算法对电力系统运行数据和气象数据进行处理和分析，利用端到端(end
‑
to
‑
end)的训练方式；S4.实时预测电力系统故障并进行警报和诊断。2.如权利要求1所述的极端天气下电网故障预警方法，其特征在于，所述S1中，所述卫星遥感技术获取的气象数据包括大气温度、湿度、气压、云高、云量、降水量等参数；所述S1中，所述电力系统的实时运行数据包括电网负荷、线路电压、变压器温度、电容器电流等参数。3.如权利要求1所述的极端天气下电网故障预警方法，其特征在于，所述S2.1具体包括：(1)采用FIR滤波器对原始信号进行数字滤波处理，得到滤波后的信号；(2)对滤波后的信号进行平滑处理，消除信号中的不必要噪声成分。4.如权利要求1所述的极端天气下电网故障预警方法，其特征在于，所述S2.2具体包括：小波变换特征提取：采用Haar小波作为小波基函数对输入信号进行小波变换；对小波分解析出的每个高频小波系数和低频小波系数进行绝对值运算，得到小波系数的能量；计算能量的总和，然后计算出每个小波系数的占比，得到小波系数的能量分布；计算小波系数的特征参数，包括小波系数的均值、方差、偏度、峰度；通过小波系数的能量和分布、特征参数等指标对电力系统运行数据和气象数据进行分类与识别。5.如权利要求1所述的极端天气下电网故障预警方法，其特征在于，所述S3.1具体包括：(1)CNN网络用于对数据进行空间特征提取，提取电力系统和气象数据之间的关联性；使用CNN网络对电力系统运行数据和气象数据进行特征提取，将多个卷积层和池化层组合在一起，逐层提取数据的空间和时间特征；卷积层通过卷积核对输入数据进行卷积计算，产生卷积特征图，然后通过ReLU激活函数进行非线性变换；池化层则对卷积层的输出进行降采样；(2)LSTM网络用于对时间序列数据进行处理和分析，学习电力系统和气象数据之间的时间关系；将经过CNN网络...

【专利技术属性】
技术研发人员：姚博文，邵玉峰，李亚旭，许飞，郑哲琳，李来春，张勇，马春燕，
申请(专利权)人：国网山东省电力公司济宁供电公司，
类型：发明
国别省市：