【技术实现步骤摘要】
本专利技术属于智能电网，具体是指基于人工智能的输变电系统监管方法。
技术介绍
1、输变电系统监管方法是智能电网的一项重要技术，它旨在对输变电系统进行监管，能够提前发现系统故障、异常和维护需求，从而及时采取措施防止事故的发生，提高电网安全性，减少无效维护，降低人力成本，提高能源利用率。
2、但在现有的输变电系统监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题；存在由于输变电系统故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题；存在涉及关键能源供应和运行信息，导致输变电系统的安全性受到威胁的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的输变电系统监管方法，针对在输变电系统监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题，本方案采用动态模态分解进行特征提取，减少了数据维度和复杂度，提高了数据质量，有助于更好地进行数据分析和处理；针对在输变电系统监管过程中，存在由于输变电系统故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题，本方案采用基于长短期神经网络的故障检测模型构建，能够连续地输入数据，定期进行模型更新，从而提高了输变电系统监管的实时性和准确性；针对在输变电系统监管过程中，存在涉及关键能源供应和运行信息，导致输变电系统的安全性受到威胁的技术问题，本方案采用基于轻量级梯度提
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的输变电系统监管方法，该方法包括以下步骤：
3、步骤s1：数据采集，具体指获取输变电系统数据tata1；
4、步骤s2：数据预处理，具体为通过故障检测标签标注，得到故障检测标签asb，通过对输变电系统数据tata1进行数据清洗，得到输变电系统清洗数据tata2，通过主成分分析，将输变电系统清洗数据tata2进行数据融合，得到主成分特征数据mat1；
5、步骤s3：特征提取，具体为对主成分特征数据mat1进行连续小波变换，计算得到频谱系数，采用动态模态分解，对频谱系数进行特征提取，得到最佳特征模态vd；
6、步骤s4：故障检测模型构建，具体为通过sigmoid函数和双曲正切函数，构建长短期神经网络单元，依据所述长短期神经网络单元，通过最小化长短期神经网络损失函数l，优化神经网络参数ω，构建故障检测模型，得到故障检测模型model1；
7、步骤s5：攻击检测模型构建，具体为通过初始化弱学习器，计算得到训练样本负梯度，通过所述训练样本负梯度，进行拟合得到回归树，通过叶节点区域最佳拟合值，更新强学习器，经过k1次训练，得到最优强学习器，将所述弱学习器和所述最优强学习器进行集成，得到攻击检测模型model2；
8、步骤s6：系统故障与报警。
9、作为本方案的进一步改进，在步骤s1中，所述输变电系统数据tata1包括电力负荷数据、环境数据和设备状态数据，所述电力负荷数据包括功率、电流、电压，所述环境数据包括温度、湿度和风速，所述设备状态数据包括变压器数据、记录器数据和继电器数据。
10、作为本方案的进一步改进，在步骤s2中，所述数据预处理，包括以下步骤：
11、步骤s21：对输变电系统数据tata1进行故障检测标签标注，得到故障检测标签asb，所述故障检测标签asb包括正常、过载、短路和设备故障；
12、步骤s22：对输变电系统数据tata1进行数据清洗，所述数据清洗包括清除异常值、去重和标准化，经过所述数据清洗，得到输变电系统清洗数据tata2；
13、步骤s23：采用主成分分析方法，将输变电系统清洗数据tata2进行数据融合，计算得到主成分特征数据mat1。
14、作为本方案的进一步改进，在步骤s3中，所述特征提取，包括以下步骤：
15、步骤s31：选择莫尔小波函数作为连续小波变换的母小波，所述莫尔小波函数的计算公式为：
16、；
17、式中φ（t）是莫尔小波函数，t是时间变量，γ是控制莫尔小波时域宽度的尺度参数，exp（）是自然指数函数，j是虚数单位，μ是控制莫尔小波频率的频率参数；
18、步骤s32：对主成分特征数据mat1进行连续小波变换，计算得到频谱系数，计算公式为：
19、；
20、式中，w（γ，μ）是频谱系数，*是共轭运算；
21、步骤s33：采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
22、步骤s331：将频谱系数w（γ，μ）分为第一矩阵子集a1和第二矩阵子集a2，所述第一矩阵子集a1的维度为（γ-1）×μ，所述第二矩阵子集a2的维度为γ×μ；
23、步骤s332：对第一矩阵子集a1进行奇异值分解，计算公式为：
24、；
25、式中，y是左奇异向量矩阵，λ是奇异值对角矩阵，x是右奇异向量矩阵，t是转置操作；
26、步骤s333：重构系数矩阵，计算公式为：
27、；
28、式中，是重构系数矩阵；
29、步骤s334：计算特征向量和特征值，计算公式为：
30、；
31、式中，h是特征向量，g是特征值；
32、步骤s335：通过将特征向量和左奇异值向量矩阵相乘，得到模态分解矩阵，计算公式为：
33、；
34、式中，vd是特征模态矩阵；
35、步骤s336：依据特征模态矩阵vd和特征值g的大小，从特征模态矩阵vd中筛选最相关的特征模态，得到最佳特征模态vd。
36、作为本方案的进一步改进，在步骤s4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
37、步骤s41：构建长短期神经网络单元，包括以下步骤：
38、步骤s411：通过sigmoid函数，分别构建输入门、遗忘门和输出门，计算公式为：
39、；
40、式中，iut是输入门输出值，t是时间步，σ（）是sigmoid函数，miu是输入门输入权重，vdt是t时间步下的最佳特征模态，mir是输入门循环权重，qt-1是前一时间步的隐藏状态，wiu是输入门偏置项，rgt是遗忘门输出值，mrg是遗忘门输入权重，mgr是遗忘门循环权重，wrg是遗忘门偏置项，out是输出门输出值，mou是输出门输入权重，mor是输出门循环权重，wou是遗忘门偏置项；
41、步骤s412：通过双曲正切函数，计算得到候选细胞状态，计算公式为：
42、；
43、式中，是候选细胞状态，δ（）是双曲正切函数，mel是候选细胞状态输入权重，mer是候选细本文档来自技高网...
【技术保护点】
1.基于人工智能的输变电系统监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S3中，所述特征提取，包括以下步骤：
3.根据权利要求2所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S33中，所述采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
4.根据权利要求3所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
5.根据权利要求4所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S42中，所述依据长短期神经网络单元，构建故障检测模型Model1，包括以下步骤：
6.根据权利要求5所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S5中，所述攻击检测模型构建，具体指基于轻量级梯度提升决策树的攻击检测模型构建，包括以下步骤：
7.根据权利要求6所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S2中，所述数
8.根据权利要求7所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤S1中，所述输变电系统数据Tata1包括电力负荷数据、环境数据和设备状态数据，所述电力负荷数据包括功率、电流、电压，所述环境数据包括温度、湿度和风速，所述设备状态数据包括变压器数据、记录器数据和继电器数据；
...【技术特征摘要】
1.基于人工智能的输变电系统监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤s3中，所述特征提取，包括以下步骤：
3.根据权利要求2所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤s33中，所述采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
4.根据权利要求3所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤s4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
5.根据权利要求4所述的基于人工智能的输变电系统监管方法，其特征在于：在步骤s42中，所述依据长短期神经网络单...
【专利技术属性】
技术研发人员：马祥瑞，马天资，
申请(专利权)人：济南泉晓电气设备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。