[发明专利]电网故障诊断方法、系统及设备

说明书

本发明提供一种基于动态计算机视觉化潮流图片的电网故障诊断方法，将潮流数据形成二维的计算机视觉化潮流数据矩阵CVPFM；将CVPFM映射到了HSV色彩空间就可以获得计算机视觉化潮流图片CVPFI；再将故障前后的CVPFI组合成DCVPFI。使用DCVPFI替代数值形式的电网潮流数据作为CNN的输入能更好的提取潮流中蕴含的空间与时间信息进而对系统发生故障的位置进行判断；以系统基态数据为基础离线生成海量数据源，相比于传统从SCADA上在线获取潮流数据作为数据源的形式，更能模拟出模拟电网不常出现的故障情况，加强了加强CNN对系统故障状态的泛化能力。

技术领域

本发明涉及电力系统的调度控制领域，具体为一种电网故障诊断方法、系统及设备。

背景技术

电力系统包含了诸如发电机、输电线和母线等诸多设备，运行人员可以通过继电保护器、断路器和通信设备监控系统的运行状态。当电力系统收到扰动时，运行人员可以通过数据采集与监视控制系统(Supervisory Control and Data Acquisition，SCADA)提供的数据进行故障诊断分析。但当故障发生时，SCADA会把大量的警报信息在很短的时间内传送给控制中心的运行人员，这加重了调度员的负担，使得故障诊断很难进行。另外，电网量测设备在实际运行环境中很可能面临断电或是被噪声干扰。第一种情况下，运行人员无法判断是否断线，也就不能找到故障点。第二种情况下，即使线路已经断开，量测设备上仍会显示看起来“真实”的错误量测值，而不是符合电气规律的理想零值，这使得运行人员所获得的故障点数据是完全错误的。这两种情况都会在很大程度上误导运行人员，使得故障诊断很难进行。因此，有必要研发出一种可以对工作在存在严重干扰环境中的电网进行故障诊断的方法。

在故障诊断研究领域，国内外研究人员提出了许多基于人工智能理论的方法，这其中包括 Petri网、贝叶斯网络、优化方法、因果网络以及专家系统等。其中人工神经网络(Artificial Neural Network，ANN)应用较为广泛，但是因为网络的自身缺陷，其在实际应用中存在“维数灾”和可移植性差的问题。近年来，深度学习发展十分迅速，相关研究人员提出了诸如堆叠自动编码器、递归神经网络、深度信念网络和卷积神经网络(ConvolutionalNeural Network，CNN)等深度学习模型。在这几种模型中，CNN是一种应用较为广泛而成熟的新技术，其可以自动地从原始数据(特别是图像)中提取出有效特征信息。同时，相比于传统的ANN方法，其具有的稀疏连接和权值共享两项技术可以极大地简化网络，加快神经网络的训练速度。此外，CNN能够以一种更加宏观的方式抓住图像的特征，即使在输入被噪声干扰或不完整时CNN仍然能够很好地对其进行识别。如何使用CNN技术，对电网故障进行迅速有效的判断，成为电网维护中急需解决的问题。

发明内容

为实现上述目的，本发明提供一种电网故障诊断方法、系统及设备，设计合理，结构简单，使用方便，基于动态计算机视觉化潮流图片，综合考虑故障前后有功功率变化，使用卷积神经网络对电网进行故障诊断。

本发明提供一种电网故障诊断方法，包括以下步骤：

S1、当电网发生故障时，将故障前的潮流数据和故障后的潮流数据按照预设转换规则，对应转换为DCVPFI数据；

S2、将所述DCVPFI数据输入到由海量DCVPFI数据样本预先训练好的卷积神经网络CNN 模型中，得出不同故障状态的故障概率；根据故障概率最大的故障状态，确定电网故障诊断结果。

进一步，在步骤S2中包括以下步骤：

S201、CNN模型中采用两组卷积-激活-池化结构，提取不同故障状态故障特征；

S202、将提取的故障特征，输入到含有多个神经元的全连接层，综合故障特征，得到分类决策；

S203、输出层的神经元分别对应电网的不同故障状态，并将神经元输出的分类决策转换为 CNN所给出的该处故障概率。