【技术实现步骤摘要】
本专利技术涉及电力系统智能检测，尤其涉及一种基于人工智能的电力系统设备模型异常检测方法。
技术介绍
1、电力系统是保障现代社会供电的重要基础设施，其设备模型的正常运行对于电力系统的稳定性和可靠性至关重要。然而，由于电力设备的复杂性和多变性，设备模型在运行过程中可能会发生异常，导致电力系统的故障和停电事故。传统的电力设备模型异常检测方法主要依赖于手动或规则化的方式，由人工来判断设备模型是否存在异常。该方法存在以下几个问题：首先，人工判断容易受主观因素影响，对于复杂的异常情况可能无法准确判断；其次，规则化的方法难以覆盖所有可能的异常情况，对于新型的故障模式无法及时发现。
技术实现思路
1、本专利技术针对传统的电力设备模型异常检测方法容易受到主观因素影响，对于复杂的异常情况可能无法准确判断的问题，提出了一种基于人工智能的电力系统设备模型异常检测方法。通过无监督学习和神经网络模型相结合的方式，对传统的电力专用模型进行增强，通过狭义神经网络构建故障分类模型，能够实现对电力设备的准确故障分类诊断。最后，基于人工智能的故障检测方法能够实现在线故障诊断，及时预警和处理电力系统设备的故障问题。本专利技术运用了前沿的人工智能算法和技术，具有识别准确性高、故障诊断能力强的优点。可以应用于电力系统异常检测和在线故障诊断等领域，提高电力系统的安全稳定性和可靠性。
2、本专利技术首先提出一种神经网络模型，用于增强和利用从异常数据识别中收集的参数。该神经网络模型基于决策得分来估计样本数据，并能够对复
3、本专利技术具体采用以下技术方案：
4、一种基于人工智能的电力系统设备模型异常检测方法，其特征在于，包括以下步骤：
5、步骤s1：获取电力系统设备模型的历史数据和实时数据，作为构建电力设备模型的输入数据；并对数据进行清洗和预处理，以提高数据质量和准确性；
6、步骤s2：使用无监督学习方法对电力系统设备模型数据进行训练和特征学习，提取数据中的相关特征，建立起模型的基本特征空间；基于无监督学习方法对数据进行分组，从而发现数据中的异常样本；
7、步骤s3：构建基于决策得分的神经网络模型，对电力设备模型中的异常样本进行准确识别；通过输入样本数据并使用训练集进行训练，神经网络模型输出决策得分，评估样本数据的异常程度；
8、步骤s4：采用监督学习方法，基于狭义神经网络构建故障分类模型；使用已知的电力设备故障样本进行训练，使模型能够准确地将其分类为不同故障类型，从而为在线故障诊断提供支持；
9、步骤s5：结合无监督学习和神经网络分类结果，实现基于人工智能的故障检测；将电力设备模型中的样本数据输入到神经网络模型中，通过决策得分和故障分类模型的结果，判断样本数据是否异常，并进行故障分类诊断；
10、步骤s6：根据异常检测和故障诊断的结果，触发相应的报警机制。
11、该机制可以将警报信息发送给维护人员，维护人员根据警报信息，及时处理电力设备的故障问题，确保电力系统的安全稳定运行。
12、进一步地，在步骤s1中，对电力系统设备模型数据的归一化处理，以确保不同类型的数据具有相同的量纲，提高模型的训练和预测效果。
13、进一步地，在步骤s2中，无监督学习方法包括对模型训练的评估和选择最佳模型，以确保选取的模型能够在异常检测和故障诊断任务中具有高准确性和鲁棒性。
14、进一步地，在步骤s3中，构建的神经网络模型包括输入层、隐藏层和输出层；隐藏层包括多个神经元，并采用激活函数对每个神经元的输出进行非线性变换。
15、进一步地，在步骤s5中，根据电力设备模型数据的异常得分和分类结果，将样本数据分为正常状态、潜在故障状态和已知故障状态，从而为维护人员提供更具体和准确的故障信息。
16、进一步地，所构建的神经网络框架如下式所示：
17、
18、其中，β表示从神经网络的初始层到下一层的加权模型，α表示矩阵偏差，γ表示优化方法的输出矩阵，m表示源数据样本的数量，xm表示源数据样本序列；
19、通过更改特定神经类模型的目标函数，在单独增强γ和的α同时，基于优化方法实现对的β增强：
20、
21、同理，通过下式实现对α的增强：
22、
23、进一步地，神经网络的目标如下所示：
24、
25、其中是第i层中用于激活的节点，是从第i层到i+1层的第j层加权矩阵，yi是用于在每个阶段中的偏置矩阵；初始样本在初始阶段识别为aj，并且对于输出和隐藏层i-1的评分被识别为aj；利用基于s形启动函数的神经网络系统来增强加权矩阵h和偏差矩阵y。
26、通过无监督学习和神经网络模型相结合的方式，对传统的电力专用模型进行增强，通过狭义神经网络构建故障分类模型，能够实现对电力设备的准确故障分类诊断；最后，基于人工智能的故障检测方法能够实现在线故障诊断，及时预警和处理电力系统设备的故障问题；本专利技术运用了前沿的人工智能算法和技术，具有识别准确性高、故障诊断能力强的优点；可以应用于电力系统异常检测和在线故障诊断等领域，提高电力系统的安全稳定性和可靠性。
27、在本专利技术提供的方案当中，提出一种基于决策得分的神经网络模型，用于对从异常数据识别中收集的参数进行增强和利用。神经网络模型通过估计样本数据的决策得分来区分复合数据集中的异常样本，能够有效地识别出异常数据，提高异常检测的准确性。
28、进一步，构建故障分类模型，基于监督学习模型，利用狭义神经网络对故障状态进行分类。该模型通过训练已知故障样本，能够准确地分类出不同类型的故障状态，为在线故障诊断提供了支持。
29、进一步，提出一种基于人工智能的故障检测方法，即利用电力设备模型异常检测结果进行故障检测。通过结合前述无监督学习和监督学习的结果，该方法能够准确地检测电力系统设备的异常，及时发现潜在的故障问题，并为在线故障诊断提供参考。
30、相比于现有技术，本专利技术及其优选方案包括以下有益效果：
31、1.通过引入无监督学习和神经网络相结合的方式，能够对电力系统中的设备模型进行准确的异常检测。通过利用神经网络模型的决策得分，有效区分复合数据集中的异常样本，提高了异常检测的准确本文档来自技高网...
【技术保护点】
1.一种基于人工智能的电力系统设备模型异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤S1中，对电力系统设备模型数据的归一化处理，以确保不同类型的数据具有相同的量纲，提高模型的训练和预测效果。
3.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤S2中，无监督学习方法包括对模型训练的评估和选择最佳模型，以确保选取的模型能够在异常检测和故障诊断任务中具有高准确性和鲁棒性。
4.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤S3中，构建的神经网络模型包括输入层、隐藏层和输出层；隐藏层包括多个神经元，并采用激活函数对每个神经元的输出进行非线性变换。
5.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤S5中，根据电力设备模型数据的异常得分和分类结果，将样本数据分为正常状态、潜在故障状态和已知故障状态，从而为维护人员提供更具体和准确的故障信息。
6.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：
7.根据权利要求6所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：
...【技术特征摘要】
1.一种基于人工智能的电力系统设备模型异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤s1中，对电力系统设备模型数据的归一化处理，以确保不同类型的数据具有相同的量纲，提高模型的训练和预测效果。
3.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检测方法，其特征在于：在步骤s2中，无监督学习方法包括对模型训练的评估和选择最佳模型，以确保选取的模型能够在异常检测和故障诊断任务中具有高准确性和鲁棒性。
4.根据权利要求1所述的一种基于人工智能的电力系统设备模型异常检...
【专利技术属性】
技术研发人员：李扬笛，林爽，钱健，黄建业，郑州，谢炜，林晨翔，马腾，周晨曦，姚文旭，刘冰倩，
申请(专利权)人：国网福建省电力有限公司，
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。