[发明专利]一种基于机器学习的电网故障诊断方法

说明书

本发明提出一种基于机器学习的电网故障诊断方法，所述方法对告警信息文本预处理，将告警信息的设备与属性进行分词处理；构建基于随机森林的电网故障诊断模型，划分训练集与测试集，提取告警信息文本的时序特征，将样本数据填入所述模型；对训练集样本进行Bootstrap重抽样，生成k个训练子集并根据随机森林生成k棵决策树；将测试集样本输入所述故障诊断模型，并由此得到故障诊断结果。本发明无需对由于时间畸变导致的事件顺序错误进行校时处理，无需进行逻辑推理，也无需引入大量描述保护系统行为的知识，仅需针对告警信息提取模型对应的数字特征，建模和模型修改过程简单易操作，诊断准确率相对较高。

技术领域

本发明涉及电力系统领域，更具体地，涉及电网故障诊断领域的一种基于及其学习的电网故障诊断方法。

背景技术

电网故障诊断是利用故障后告警信息中的保护装置和断路器等的动作信息来推断故障的元件和位置。准确高效的故障诊断对电力系统的安全经济运行和供电可靠性具有重要意义。

目前，电网故障诊断技术主要有专家系统、人工神经网络、信息融合、Petri网、解析模型等，这些故障诊断技术多基于规则进行。对于在线电网故障的诊断，现有的故障诊断技术在建模初期需要引入大量的保护和设备动作规则，建模过程和模型维护过程困难，通用性低。

因此，如何简化电网故障诊断的建模和维护过程，并获得较高的诊断准确率，成为电网故障诊断发展亟需解决的问题。

发明内容

本发明提出一种基于机器学习的电网故障诊断方法，以告警信息的时序特征作为分析对象，能够充分挖掘电网告警信息的时序信息，判断故障类型，定位故障设备。本发明不以告警信息内容本身作为分析对象，而是提取告警信息文本的时序特征并整合为由单纯数字构建的数据驱动模型，最终确定故障设备及故障性质。

本发明所述的一种基于机器学习的电网故障诊断方法，包括以下步骤：

S1：告警信息文本预处理，将告警信息的设备与属性进行分词处理；

S2：构建基于随机森林的电网故障诊断模型，划分训练集与测试集，提取告警信息文本的时序特征，将样本数据填入所述模型；

S3：对训练集样本进行Bootstrap重抽样，生成k个训练子集；

S4：根据随机森林生成k棵决策树；

其中，随机森林中随机选取的特征数目取M_try＝log₂(M+1)，M为样本输入特征维数；

随机森林规模N_tree的大小根据分类结果调整；

S5：将测试集样本输入所述故障诊断模型，得到故障诊断结果。

其中所述步骤S1包括：

S11：将告警信息文本的字符数小于等于13的设备信息存入建立的空词典，分别记为{d₁,d₂,…,d_n}；

S12：将告警信息文本的字符数大于13的设备信息依次查找词典，与{d₁,d₂,…,d_n}进行匹配；

S13：若匹配成功，将匹配成功的字段与剩下的字段切分；

S14：若匹配不成功，跳过此设备信息，将下一个设备信息与词典进行匹配；

S15：重复以上步骤，直到所有设备信息匹配完成。

进一步地，步骤S2中构建基于随机森林的电网故障诊断模型，包括：