[发明专利]一种基于深度置信网络的电力系统故障辨识方法及装置

说明书

本发明公开了一种基于深度置信网络的电力系统故障辨识方法，所述方法包括：在电力系统时域仿真软件中获得训练数据集，并对所述训练数据集进行故障信息标注；基于所述获得训练数据集中的数据提取表征电力系统状态的特征数据，并对所述特征数据进行归一化处理；将所述提取的特征数据和样本故障标注信息输入至待训练的深度置信网络中，并对所述待训练的深度置信网络进行训练，得到训练完成的深度置信网络；当故障发生后，采集电力系统特征量输入至所述训练完成的深度置信网络中，得到对新故障的故障区域辨识的结果。在本发明实施中，所述方法及装置能够实现对电力系统故障区域和故障位置的辨识。

技术领域

本发明涉及电力系统运行与控制的技术领域，尤其涉及一种基于深度置信网络的电力系统故障辨识方法及装置。

背景技术

在电力系统中，对故障准确检测和辨识是智能电网安全稳定运行的基础。随着电力系统拓扑结构和操作的复杂性日益增加，快速、准确的电网故障识别一直未得到很好实现。

目前，故障辨识方法大致可分为基于阻抗、行波技术、人工智能应用三类。在基于阻抗测量的方法中，又分为向量域和时域两类。在使用向量域的方法中，通过电流和电压数据进行向量计算来故障辨识的目的。而时域方法是根据输电线路建立微分方程来求解。这种方法取决于输电线路特性，且易受到故障电阻值的影响。基于行波理论的故障辨识方法是通过分析电流或电压波形的位置时间图，利用小波变换、FFT等方法来分析故障。这类方法不受系统拓扑和故障电阻的影响，但通常需要数据具备较高的采样频率。

近年来，基于人工智能的电力系统故障检测和诊断研究已有初步进展，神经网络、支持向量机、随机森林方法是故障诊断中的常用方法，这些传统的人工智能方法在一些场景下有较高的故障辨识正确性，但由于其结构简单，不能较好的提取电网特征量，不能得到广泛应用。深度学习相较于传统人工智能方法，可以挖掘数据中的深层复杂关联关系，从而提高算法精度。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种基于深度置信网络的电力系统故障辨识方法，可以实现对电力系统故障区域和故障位置的辨识。

为了解决上述技术问题，本发明实施例提供了一种基于深度置信网络的电力系统故障辨识方法，所述方法包括：

在电力系统时域仿真软件中获得训练数据集，并对所述训练数据集进行故障信息标注；

基于所述获得训练数据集中的数据提取表征电力系统状态的特征数据，并对所述特征数据进行归一化处理；

将所述提取的特征数据和样本故障标注信息输入至待训练的深度置信网络中，并对所述待训练的深度置信网络进行训练，得到训练完成的深度置信网络；

当故障发生后，采集电力系统特征量输入至所述训练完成的深度置信网络中，得到对新故障的故障区域辨识的结果。

可选的，所述在电力系统时域仿真软件中获得训练数据集包括：

在电力系统时域仿真软件中，通过设置不同故障位置、故障类型、故障持续时间获得故障数据；

在电力系统时域仿真软件中，获得电力系统历史故障数据；

将所述故障数据和所述电力系统历史故障数据结合，获得训练数据集。

可选的，所述提取表征电力系统状态的特征数据包括：

系统初始时刻的系统有功负荷水平的特征数据、系统初始时刻的系统无功负荷水平的特征数据、系统初始时刻的系统有功出力水平的特征数据、系统初始时刻的系统无功出力水平的特征数据；

故障发生时刻的系统中发电机最大转角差的特征数据、故障发生时刻的系统中发电机最大角速度差的特征数据、故障发生时刻的系统中发电机最大动能差的特征数据、故障发生时刻的系统中发电机最大角速度的特征数据、故障发生时刻的系统中发电机最大加速功率的特征数据；