本发明涉及电网技术领域，特别涉及一种基于输电网的故障诊断方法、装置及存储介质。
背景技术：
随着科学技术的发展，电能在人们的生活中起着异常重要的作用。因此，用户对电力供应的质量和稳定性的要求越来越高。同时，在输电网出现故障时，能以最快速度对输电网的故障进行诊断和修复也尤为重要。
传统的对输电网的故障进行诊断的方法是通过分析输电网的录波数据进行故障诊断，在应用录波数据对输电网的故障进行诊断时，主要通过人为方式和神经网络进行故障诊断；其中，采用人为方式进行故障诊断时，由于输电网的工作人员的工作经验有差异，难以保障输电网故障诊断的可靠性。采用神经网络进行故障诊断时，由于数据的单一性，也无法保证输电网的故障诊断的可靠性。
因此，如提高对输电网的故障诊断的可靠性是本领域技术人员需要解决的问题。
技术实现要素：
本发明的目的在于公开一种基于输电网的故障诊断方法、装置及存储介质，提高了对输电网的故障诊断的可靠性。
为实现上述目的，本发明实施例提供了如下技术方案：
本发明实施例提供了一种基于输电网的故障诊断方法，包括：
获取输电网的录波数据，与所述录波数据对应的故障原因数据以及所述输电网的故障发生区域的目标数据；
利用所述录波数据、所述故障原因数据以及所述目标数据构建目标神经网络模型；
利用所述目标神经网络模型对所述输电网的实时数据进行分析以确定所述输电网的故障类型。
优选的，所述利用所述录波数据、所述故障原因数据以及所述目标数据构建神经网络模型包括：
对所述录波数据进行多尺度小波变换以获得录波特征值数据；
根据所述录波特征值数据和所述目标数据构建故障特征值矩阵；
根据所述故障特征值矩阵和所述故障原因数据构建所述目标神经网络模型。
优选的，所述根据所述故障特征值矩阵和所述故障原因数据构建所述目标神经网络模型包括：
确定所述故障特征值矩阵中的特征值的个数；
设定神经网络模型中的输入层的神经元的个数为所述特征值的个数；
设定所述神经网络模型中的输出层的神经元的个数为所述故障原因数据中故障原因的类型的个数；
将所述神经网络模型中的隐藏层的各神经元节点的初始权重值设定为0至1之间的随机数；
利用所述输入层、所述输出层以及所述初始权重值构建所述神经网络模型并对所述神经网络模型进行训练得到所述目标神经网络模型。
优选的，所述利用所述输入层、所述输出层以及所述初始权重值构建所述神经网络模型并对所述神经网络模型进行训练得到所述目标神经网络模型之后，还包括：
判断所述目标神经网络的训练误差是否满足条件；
若否，则对所述目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整。
优选的，所述对所述目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整包括：
确定所述目标神经网络模型中的隐藏层的层数和所述隐藏层的神经元节点数；
通过修改所述隐藏层的层数、所述隐藏层的神经元节对所述目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整。
优选的，所述利用所述目标神经网络模型对所述输电网的实时数据进行分析以确定所述输电网的故障类型之后，还包括：
利用所述实时数据对所述目标神经网络模型再次进行训练以更新所述目标神经网络模型中各神经元的权重值。
优选的，所述目标数据包括：所述故障发生区域中的温度信息、湿度信息、经纬度信息、海拔信息以及风力等级信息。
然后，本发明实施例公开了一种基于输电网的故障诊断装置，包括：
获取模块，用于获取输电网的录波数据，与所述录波数据对应的故障原因数据以及所述输电网的故障发生区域的目标数据；
构建模块，用于利用所述录波数据、所述故障原因数据以及所述目标数据构建目标神经网络模型；
确定模块，用于利用所述目标神经网络模型对所述输电网的实时数据进行分析以确定所述输电网的故障类型。
其次，本发明实施例公开了另一种基于输电网的故障诊断装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序以实现如上任一项所述的基于输电网的故障诊断方法的步骤。
最后，本发明实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一项所述的基于输电网的故障诊断方法的步骤。
可见，本发明公开的一种基于输电网的故障诊断方法，包括：获取输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据，然后利用录波数据、故障原因数据以及目标数据构建目标神经网络模型；利用目标神经网络模型对输电网的实时数据进行分析以确定输电网的故障类型。本方案中，通过输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据三种类型的数据构建目标神经网络模型其精度更高，从而在利用该目标神经网络对输电网的实时数据进行分析时，对输电网的故障的类型的识别更加精准，提高了对输电网的故障诊断的可靠性。本发明还公开了一种基于输电网的故障诊断装置及存储介质，效果如上。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于输电网的故障诊断方法流程示意图；
图2为本发明实施例公开的一种基于输电网的故障诊断装置结构示意图；
图3为本发明实施例公开的另一种基于输电网的故障诊断装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于输电网的故障诊断方法、装置及存储介质，提高了对输电网的故障诊断的可靠性。
请参见图1，图1为本发明实施例公开的一种基于输电网的故障诊断方法流程示意图，该方法包括：
s101、获取输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据。
具体的，本实施例中，输电网的录波数据可以为输电网的历史录波数据，其可以包括故障发生地点、故障发生时间、三相电压量等数据。当然，本实施例中的录波数据与现有技术中的录波数据保持一致，本发明实施例不再详细赘述。故障原因数据包括表层故障原因和深层故障原因，其中，表层故障原因有单相接地故障(包括a相接地故障、b相接地故障以及c相接地故障)，两相接地故障(包括ab相接地故障、ac相接地故障、bc相接地故障)，三相接地故障(即abc相故障)，两相短路故障(包括ab相短路故障、ac相短路故障以及bc相短路故障)，三相短路故障(即abc相短路故障)；深层故障原因包括：覆冰故障、风偏故障、雷击故障、污闪故障、鸟害故障、金属性异物接线故障、非金属异物接线故障、漂浮物故障、山火故障以及树障等。输电网的故障发生区域的目标数据可以称为多维度综合数据，目标数据包括：输电网故障发生区域的温度、湿度、降水量、经纬度、植被、海拔、地形、土壤、风力等级、云量等信息，其中，作为优选的实施例，目标数据包括：故障发生区域中的温度信息、湿度信息、经纬度信息、海拔信息以及风力等级信息。
进一步，录波数据可以是通过scada系统收集的，故障原因数据是通过对输电网的故障发生区域确认后收集的，目标数据时通过爬虫技术在已经上传有故障发生区域的环境信息的网络上搜集得到的。
s102、利用录波数据、故障原因数据以及目标数据构建目标神经网络模型。
具体的，本实施例中，在根据以上提到的几种类型的数据构建目标神经网络时，先对录波数据进行赋值转换和删减(即对录波数据进行多尺度小波变换)，从而获得暂态特征值数据(录波特征值数据)，作为优选的实施例，步骤s102包括：对录波数据进行多尺度小波变换以获得录波特征值数据；根据录波特征值数据和目标数据构建故障特征值矩阵；根据故障特征值矩阵和故障原因数据构建目标神经网络模型。本实施例中，录波特征值数据包括故障发生时间、故障发生地点、三相电压数据量、三相电流数据量、零序电流数据量和故障重合闸动作次数等。在得到录波特征数据后，作为优选的实施例，根据故障特征值矩阵和故障原因数据构建目标神经网络模型包括：确定故障特征值矩阵中的特征值的个数；设定神经网络模型中的输入层的神经元的个数为特征值的个数；设定神经网络模型中的输出层的神经元的个数为故障原因数据中故障原因的类型的个数；将神经网络模型中的隐藏层的各神经元节点的初始权重值设定为0至1之间的随机数；利用输入层、输出层以及初始权重值构建神经网络模型并对神经网络模型进行训练得到目标神经网络模型。具体的，本实施例中，故障特征值矩阵中的特征值为录波特征数据中的数据类型，例如，录波特征值数据中的数据包括故障发生时间、故障发生地点、三相电压数据量、三相电流数据量、零序电流数据量和故障重合闸动作次数。则故障特征值矩阵中的特征值的数量为10，对应的，神经网络模型中的输入层的神经元的个数为10个；以上述实施例中提到的故障原因数据为例，若故障原因数据为单相接地故障，两相接地故障，三相接地故障，两相短路故障，三相短路故障。则故障原因数据中的故障原因的类型的个数则为11，对应的，神经网络模型中的输出层的神经元的个数则为11。或者故障特征值矩阵包括录波特征数据中的数据类型和故障发生区域的目标数据中的数据类型，例如，录波特征值数据中的数据包括故障发生时间、故障发生地点、三相电压数据量、三相电流数据量、零序电流数据量和故障重合闸动作次数。目标数据中的数据包括温度信息、湿度信息、经纬度信息、海拔信息以及风力等级信息。则故障特征值矩阵中的特征值的数量为15，对应的，神经网络模型中的输入层的神经元的个数为15个；以上述实施例中提到的故障原因数据为例，若故障原因数据为覆冰故障、风偏故障、雷击故障、污闪故障、鸟害故障、金属性异物接线故障、非金属异物接线故障、漂浮物故障、山火故障、树障。则故障原因数据中的故障原因的类型的个数则为10，对应的，神经网络模型中的输出层的神经元的个数则为10。确定好神经网络模型的输入层和输出层的神经元个数后，然后将神经网络模型中的隐藏层的各神经元节点的初始权重值设定为0至1之间的随机数，然后，在确定输入层、输出层以及初始权重值后构件的初始神经网络模型，再利用录波数据、故障原因数据以及目标数据对构建的初始神经网络模型进行训练得到目标神经网络模型。其中，在对初始神经网络模型进行训练时，当满足触发条件时，神经网络的激励函数f(zi)生效，从而对神经元节点的初始权重值进行更新和调整，具体过程是：判断神经网络模型的迭代次数是否达到阈值；若是，则触发激励函数f(zi)，以利用激励函数对各神经元节点的初始权重值进行更新以得到目标神经网络模型；其中，f(zi)＝max(czi，zi)，c为非负数，zi为各神经元的第i个元素。迭代次数的大小本实施例在此并不作限定。其中，作为优选的实施例，c的值可以选为0.01。当然，c的值也可以为其他值，本发明实施例在此并不作限定。通过调用函数f(zi)＝max(czi，zi)能够降低神经网络训练时的梯度消失的发生率，即能在整个训练过程中不断的更新权值，避免了训练时间过长时，导致权值不能更新的问题。
进一步，考虑到构建完成的目标神经网络的训练误差较大，从而使得利用该目标神经网络得到的输电网的故障类型不精准的问题。作为优选的实施例，在利用输入层、输出层以及初始权重值构建神经网络模型并对神经网络模型进行训练得到目标神经网络模型之后，还包括：判断目标神经网络的训练误差是否满足条件；若否，则对目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整。其中，对于修改layersize、nodesize、iterations和learningrate四个参数进行调整的步骤，作为优选的实施例，对目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整包括：确定目标神经网络模型中的隐藏层的层数和隐藏层的神经元节点数；通过修改隐藏层的层数、隐藏层的神经元节对目标神经网络中的layersize、nodesize、iterations和learningrate四个参数进行调整。其中，还可以通过同时改变隐藏层层数、改变隐藏层的中间神经元的神经元节点数，改变迭代次数以及控制学习速率四个方面对目标神经网络中的四个参数进行修改。具体的，本发明实施例并不作限定。
s103、利用目标神经网络模型对输电网的实时数据进行分析以确定输电网的故障类型。
具体的，本实施例中，将输电网的实时数据输入至目标神经网络模型中，然后利用目标神经网络判断出输电网此时的故障类型。
需要说明的是，本实施例中的实时数据可以为输电网发生故障时的数据，也可以是输电网任意时刻的数据(可能为输电网的故障数据，也可以为输电网的非故障数据)。
可见，本发明实施例公开的一种基于输电网的故障诊断方法，包括：获取输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据，然后利用录波数据、故障原因数据以及目标数据构建目标神经网络模型；利用目标神经网络模型对输电网的实时数据进行分析以确定输电网的故障类型。本方案中，通过输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据三种类型的数据构建目标神经网络模型其精度更高，从而在利用该目标神经网络对输电网的实时数据进行分析时，对输电网的故障的类型的识别更加精准，提高了对输电网的故障诊断的可靠性。
下面，对本发明实施例公开的一种基于输电网的故障诊断装置进行介绍，请参见图2，图2为本发明实施例公开的一种基于输电网的故障诊断装置结构示意图，该装置包括：
获取模块201，用于获取输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据；
构建模块202，用于利用录波数据、故障原因数据以及目标数据构建目标神经网络模型；
确定模块203，用于利用目标神经网络模型对输电网的实时数据进行分析以确定输电网的故障类型。
可见，本发明公开的一种基于输电网的故障诊断装置，获取模块获取输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据，然后构建模块利用录波数据、故障原因数据以及目标数据构建目标神经网络模型；确定模块利用目标神经网络模型对输电网的实时数据进行分析以确定输电网的故障类型。本方案中，通过输电网的录波数据，与录波数据对应的故障原因数据以及输电网的故障发生区域的目标数据三种类型的数据构建目标神经网络模型其精度更高，从而在利用该目标神经网络对输电网的实时数据进行分析时，对输电网的故障的类型的识别更加精准，提高了对输电网的故障诊断的可靠性。
请参见图3，图3为本发明实施例提供的另一种基于输电网的故障诊断装置结构示意图，包括：
存储器301，用于存储计算机程序；
处理器302，用于执行所述存储器中存储的计算机程序以实现以上任一项提到的基于输电网的故障诊断方法的步骤。
需要说明的是，本实施例公开的另一种基于输电网的故障诊断装置与上一实施例公开的一种基于输电网的故障诊断装置具有相同的技术效果，本发明实施例在此不再赘述。
为了更好地理解本方案，本发明实施例提供的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例提到的基于输电网的故障诊断方法的步骤。
需要说明的是，本实施例公开的一种计算机可读存储介质与上述任一实施例公开的一种基于输电网的故障诊断方法/装置具有相同的技术效果，本发明实施例在此不再赘述。
以上对本申请所提供的一种基于输电网的故障诊断方法、装置及存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。