基于迁移学习的多中心电力系统故障预测方法及系统与流程

1.本发明属于电力系统维护技术领域，尤其涉及一种基于迁移学习的多中心电力系统故障预测方法及系统。


背景技术：

2.随着我国社会经济的不断发展，能源消耗量也在与日俱增。由于我国幅员辽阔并且人口密度大，电力系统的持续安全运行面临着不小的挑战。
3.我国电力系统几乎遍及人民群众工作生活所在的每一处，若出现电力系统的故障，不光会影响人民群众的正常生活，更会直接造成众多企业和单位的经济损失。可以说，电力系统的安全直接关系着人民群众的生命财产安全，是不容回避的一个重大课题。
4.作为一个庞大且复杂的系统，电力传输过程中无可避免会产生各种问题，想要百分百保持电力系统安全平稳运行是不现实的。所以找到一种准确且高效的电力故障预测方法刻不容缓，有了好的故障预测方法，我们就可以准确识别出潜在的故障类型，包括短路故障、断相故障、复杂故障以及由自然灾害引发的故障等。在预测出潜在的故障类型之后，就可以及时安排相关人员在故障发生前进行检查与排除。预测结果的准确性越高，电力系统带来故障的损失也就越小。
5.然而，当前常用的预测方法往往只局限在某一个地区范围内，导致可用的故障数据集较小，可能不足以支撑起预测模型的训练，这也直接影响了模型的精确度。而使用仿真数据的话，又可能导致模型出现过拟合，使得模型在实际预测过程中效果不理想。


技术实现要素：

6.本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于迁移学习的多中心电力系统故障预测方法及系统，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题，同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
7.根据本发明的一个方面，本发明提供了一种基于迁移学习的多中心电力系统故障预测方法，所述方法包括以下步骤：
8.s1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
9.s2：建立域对抗神经网络dann模型，利用所述不同地区电力系统的故障数据对所述dann模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
10.s3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
11.优选地，所述方法包括：
12.选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
13.所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
14.优选地，所述方法包括：
15.引入梯度反转层grl，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
16.r
λ
(x)＝x
[0017][0018]
其中，λ参数是动态变化的，其表达式如下：
[0019][0020]
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，i为矩阵。
[0021]
优选地，所述方法包括：
[0022]
根据迭代进程动态变换所述dann模型的学习率，其表达式如下：
[0023][0024]
其中μ0为初始学习率，α和β为超参数。
[0025]
优选地，所述方法包括：
[0026]
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0027]
根据本发明的另一个方面，本发明还提供了一种基于迁移学习的多中心电力系统故障预测系统，所述系统包括：
[0028]
获取模块，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
[0029]
训练模块，用于建立域对抗神经网络dann模型，利用所述不同地区电力系统的故障数据对所述dann模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
[0030]
预测模块，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
[0031]
优选地，所述训练模块用于：
[0032]
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
[0033]
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
[0034]
优选地，所述训练模块用于：
[0035]
引入梯度反转层grl，域分类器的域分类损失的梯度反向传播到特征提取器的参
数之前自动进行梯度取反，从而实现对抗学习训练：
[0036]rλ
(x)＝x
[0037][0038]
其中，λ参数是动态变化的，其表达式如下：
[0039][0040]
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，i为矩阵。
[0041]
优选地，所述训练模块用于：
[0042]
根据迭代进程动态变换所述dann模型的学习率，其表达式如下：
[0043][0044]
其中μ0为初始学习率，α和β为超参数。
[0045]
优选地，所述预测模块用于：
[0046]
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0047]
有益效果：本发明采用了多中心迁移学习算法，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题。同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
[0048]
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
[0049]
图1是基于迁移学习的多中心电力系统故障预测方法流程图；
[0050]
图2是基于迁移学习的多中心电力系统故障预测系统示意图。
具体实施方式
[0051]
下面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。
[0052]
实施例1
[0053]
图1是基于迁移学习的多中心电力系统故障预测方法流程图。如图1所示，本实施例提供了一种基于迁移学习的多中心电力系统故障预测方法，所述方法包括以下步骤：
[0054]
s1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和
接收端的电流、电压和阻抗。
[0055]
优选地，所述方法包括：
[0056]
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域。
[0057]
具体地，获取各地方电力系统的故障数据，选取要预测的地区作为目标域，其余都作为源域；数据包括故障时电力发送端和接收端的电流、电压、阻抗等；需要有源域的故障类型标签以及源域与目标域数据集的域分类标签，不需要有目标域的故障类型标签。
[0058]
s2：建立域对抗神经网络dann模型，利用所述不同地区电力系统的故障数据对所述dann模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型。
[0059]
优选地，所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
[0060]
具体地，使用dann(domain-adversarial training of neural networks)，利用对抗的思想进行领域自适应，在学习分类器、特征提取器和域判别器的同时，通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性，具体步骤如下：
[0061]
(a)通过特征提取器将输入x转化维一个d维的特征向量用公式表示如下：
[0062]
f＝gf(x,wf)
[0063]
(b)dann分成两个分支即故障分类预测网络gy(x,wy)和域分类网络gd(x,wd)。源域数据输入对应的特征向量则会经过故障分类预测网络的映射获得对应的故障分类标签预测结果。同时不管是源域输入还是目标域输入的特征向量都会经过域分类网络得到每个输入的域分类结果。
[0064]
(c)我们的目标是对目标域的数据集分类，实现此目标必须要让dann把目标域数据视为源域数据。因此学习中要完成以下两个任务，一是实现源域数据集准确分类，即使得故障分类误差最小化；二是混淆源域数据集和目标域数据集，即使得域分类误差的最大化。综上，dann的损失函数用公式表示如下：
[0065][0066]
dann的相关参数的最优值可以表示为：
[0067][0068]
[0069]
(d)使用随机梯度下降法(sgd)进行模型参数的优化：
[0070][0071][0072][0073]
优选地，所述方法包括：
[0074]
引入梯度反转层grl，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
[0075]rλ
(x)＝x
[0076][0077]
其中，λ参数是动态变化的，其表达式如下：
[0078][0079]
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，i为矩阵。
[0080]
具体地，grl主要用在特征提取器与域分类器之间，那么在反向传播过程中，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前会自动取反，进而实现了对抗的思想。在grl中，参数λ并不是固定值，而是动态变化的。
[0081]
优选地，所述方法包括：
[0082]
根据迭代进程动态变换所述dann模型的学习率，其表达式如下：
[0083][0084]
其中μ0为初始学习率，α和β为超参数。
[0085]
s3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
[0086]
本步骤中，将学习得到的模型部署到电力系统监测平台中，对监测过程中发现的异常数据进行故障预测分类，尽可能及时发现问题、排除隐患。
[0087]
优选地，所述方法包括：
[0088]
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0089]
具体地，完成故障预测之后，将故障预测结果通过即时通讯工具第一时间传达至发生异常区域辖区电网工作人员，交由其进行故障排查与设备检修；然后将工作人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
[0090]
本实施例采用了多中心迁移学习算法，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题。同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
[0091]
实施例2
[0092]
图2是基于迁移学习的多中心电力系统故障预测系统示意图。如图2所示，本实施例还提供了一种基于迁移学习的多中心电力系统故障预测系统，所述系统包括：
[0093]
获取模块201，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
[0094]
训练模块202，用于建立域对抗神经网络dann模型，利用所述不同地区电力系统的故障数据对所述dann模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
[0095]
预测模块203，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
[0096]
优选地，所述训练模块202用于：
[0097]
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
[0098]
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
[0099]
优选地，所述训练模块202用于：
[0100]
引入梯度反转层grl，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
[0101]rλ
(x)＝x
[0102][0103]
其中，λ参数是动态变化的，其表达式如下：
[0104][0105]
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，i为矩阵。
[0106]
优选地，所述训练模块202用于：
[0107]
根据迭代进程动态变换所述dann模型的学习率，其表达式如下：
[0108][0109]
其中μ0为初始学习率，α和β为超参数。
[0110]
优选地，所述预测模块203用于：
[0111]
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模
型训练。
[0112]
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
[0113]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。