一种基于特征融合的配电网故障检测方法及系统与流程

本发明涉及配电网故障检测，尤其涉及一种基于特征融合的配电网故障检测方法及系统。

背景技术：

1、电网企业需要整合新一代人工智能技术来构建信息化、数字化、智能化的数字电网，故障检测作为数字电网中重要一环，引起越来越多人的关注。

2、近年来，许多国内外学者都展开了对电网故障检测的相关研究。有人提出使用短时傅里叶变换进行故障检测，通过分析固定长度时间窗内采集到的电流信号的各个频率分量，判断线路故障是否发生，但是对于非平稳信号，信号变化剧烈时，短时傅里叶变换和频率变化不能同时达到最优。另外还具有一种基于经验模态分解的电网配电线路检测和分类方法，但是需要很长的故障检测时间。因此，现有线路故障检测主要还是依靠人工干预的方式进行故障确认，这个过程需要耗费大量的人力物力，故障检测结果无法跟踪和追溯，整体效率较低，且无法进行故障预警或对故障处缺信息做进一步研究。随着人工智能技术的兴起，开始将人工智能技术应用于故障检测中，如使用基本的机器学习技术如svr来实现故障的自动检测。然而，这些简单的机器学习方法的预测准确度较低，数据维度高，花费时间长；于是又进行进一步改进，如提出通过多特征向量提取和自适应粒子群算法优化支持向量机回归，实验结果表明在一定程度上提高了故障检测的准确度。

3、如cn109406949a公开一种基于支持向量机的配电网早期故障检测方法及其装置。将小波分解和支持向量机的相关理论和方法引入到配电网早期故障检测中，并验证方法的合理性。小波分解可以检测出波形中的畸变，这些畸变与早期故障息息相关。通过提取出这些畸变的特征，如畸变次数、畸变幅值、同时刻出现的畸变个数，作为支持向量机的输入。虽然支持向量机通过学习这些特征，即可进行早期故障的诊断。但是这一方法忽略了电路的空间位置信息，预测精度有限。

4、因此，如何提出一种充分利用配电网线路的空间位置信息和时序特征，提高线路故障检测的精度是本领域亟待解决的问题。

技术实现思路

1、本发明提供了一种基于特征融合的配电网故障检测方法及系统。可以有效降低数据维度，减低人力损耗、充分提取时空特征并且能够高效发现线路故障。

2、第一方面，本发明提供一种基于特征融合的配电网故障检测方法，包括：

3、获取配电网中节点的连接数据，并采集配电网运行时节点的时序特征数据；

4、根据节点的连接数据构建邻接矩阵；

5、通过预先构建的故障检测模型对邻接矩阵和时序特征数据进行融合分析处理，得到配电网的故障结果。

6、进一步的，根据节点的连接数据构建邻接矩阵，包括：

7、获取配电网的所有节点，并对其进行标识；

8、根据配电网中节点的连接数据，得到所有节点之间的连接关系；

9、对所有节点之间的连接关系进行标准化处理；

10、根据标识结果和标准化处理结果生成邻接矩阵。

11、进一步的，预先构建故障检测模型，包括：

12、获取配电网中节点的历史连接数据和配电网运行时节点的历史时序特征数据；

13、根据节点的历史连接数据构建历史邻接矩阵；

14、对历史时序特征数据进行融合处理得到融合特征集；

15、对历史邻接矩阵和融合特征集进行聚合和特征提取，得到故障检测模型。

16、进一步的，对历史时序特征数据进行融合处理得到融合特征集，包括：

17、对历史时序特征数据进行缺失值拟合，得到历史时序特征数据集；

18、对历史时序特征数据集进行标准化处理，得到标准化数据，具体为：

19、

20、式中，a＝1,2,…,n，n为历史时序特征数据集中历史时序特征数据的类型数，b＝1,2,…,d，d为历史时序特征数据集中历史时序特征数据的维度数，zab为第a种类型第b个维度的历史时序特征数据，sab为标准化数据，

21、根据标准化数据计算相关系数矩阵，具体为：

22、

23、

24、式中，t为相关系数矩阵，k为历史时序特征数据维度的系数，ska为第k种第a维的标准化数据，为第a种历史时序特征数据的平均值，skb为第k种第b维的标准化数据，为第b种历史时序特征数据的平均值，

25、基于相关系数矩阵得到特征值集合和特征向量集合，具体为：

26、

27、式中，ud为相关系数矩阵的单位矩阵，δ为特征值集合，δd为第d个特征值，v为特征向量集合，vd为第d个特征向量；

28、根据特征值集合得到主成分的方差贡献率，根据方差贡献率确定特征向量集合中满足条件的特征向量；

29、根据满足条件的特征向量、标准化数据以及方差贡献率得到融合特征集。

30、进一步的，对历史时序特征数据进行缺失值拟合，得到历史时序特征数据集，包括：

31、获取实际的历史时序特征数据，并将实际的历史时序特征数据划分为训练集和测试集，根据训练集内实际的历史时序特征数据随时间变化的关系得到拟合曲线模型；

32、基于拟合曲线模型，给出与测试集中历史时序特征数据时间对应的预测值，根据预测值和测试集的历史时序特征数据得到不同时间的误差距离，对不同时间的误差距离进行计算平方和，得到拟合系数，计算拟合系数为最小值时拟合曲线模型的参数，得到最佳拟合曲线；

33、将缺失历史时序特征数据的时间输入最佳拟合曲线，得到预测的历史时序特征数据，将实际的历史时序特征数据和预测的历史时序特征数据进行集合得到历史时序特征数据集。

34、进一步的，根据特征值集合得到主成分的方差贡献率，具体为：

35、

36、式中，eb为第b个主成分的方差贡献率，δb为第b个特征值。

37、进一步的，根据方差贡献率确定特征向量集合中满足条件的特征向量，包括：

38、将特征值集合中的特征值按照从大到小的顺序进行排序，将主成分的方差贡献率按照特征值的顺序进行排序，按照顺序叠加主成分的方差贡献率，直至达到预定阈值，给出叠加的方差贡献率个数，具体为：

39、

40、式中，eb'为第b'个主成分的方差贡献率，为前m个主成分的方差贡献率的叠加结果，δb'为第b'个特征值，b'＝1,2,…,m，m为累计方差贡献率在预定阈值以上时，方差贡献率最小个数，

41、根据叠加的方差贡献率个数按顺序选取对应数量的方差贡献率；

42、给出与选取的方差贡献率对应的特征值，并根据给出的特征值得到对应的特征向量。

43、进一步的，根据满足条件的特征向量、标准化数据以及方差贡献率得到融合特征集，包括：

44、根据满足条件的特征向量和标准化数据得到对应的主成分，具体为：

45、yb′＝sab′vb′；

46、式中，a＝1,2,...,n，b'＝1,2,…,m，y1为第一主成分，yb'为第b'主成分，sab'为与满足条件的特征向量数量对应的标准化数据；

47、根据选取的方差贡献率和达到预定阈值的方差贡献率叠加结果得到各个主成分的权重，具体为：

48、

49、根据各个主成分的权重和主成分得到融合特征集，具体为：

50、

51、式中，cb'为第b'个主成分的权重，f为融合特征集。

52、进一步的，对历史邻接矩阵和融合特征集进行聚合和特征提取，得到故障检测模型，包括：

53、基于自注意力机制，对历史邻接矩阵和融合特征集进行分析处理，分别得到映射矩阵和映射特征集；

54、基于图卷积神经网络，以及映射矩阵和映射特征集，将历史邻接矩阵和融合特征集聚合得到空间特征，具体包括：

55、

56、

57、

58、

59、

60、式中，l表示图卷积神经网络的层数，h(l)表示图卷积神经网络第l层的输出，作为图卷积神经网络第l+1层的输入，其中h(0)＝ff，w(l)表示图卷积神经网络第l层可学习的参数，σ表示激活函数，u为历史邻接矩阵的单位矩阵，为归一化的映射矩阵，为添加了自环的映射矩阵，fa为历史邻接矩阵的映射矩阵，d为fa的度矩阵，为添加自环的度矩阵，为中的元素，其中的两个a，表示对角线元素，a,b＝1,2,...n，s0为每个节点的空间特征向量，softmax为归一化指数函数，ff为映射特征集；

61、基于卷积神经网络，对空间特征进行时间特征提取，得到时空特征数据，具体包括：

62、s1＝relu(φ*(relu(φ*s0)))

63、式中，s1为时空特征数据，relu为激活函数，φ为卷积核，*表示卷积操作；

64、基于时空特征数据得到故障检测模型。

65、进一步的，基于自注意力机制，对历史邻接矩阵和融合特征集进行分析处理，分别得到映射矩阵和映射特征集，包括：

66、通过线性映射分别对历史邻接矩阵和融合特征集进行变换，得到对应的查询矩阵、键矩阵和值矩阵；具体包括：

67、

68、式中，均为历史邻接矩阵的参数矩阵，均为融合特征集的参数矩阵，参数矩阵为任意初始化得到，a为历史邻接矩阵，qa，ka，va分别为历史邻接矩阵的查询矩阵、键矩阵和值矩阵，qf，kf，vf分别为融合特征集的查询矩阵、键矩阵和值矩阵；

69、基于softmax函数，以及查询矩阵和键矩阵之间的缩放点积相关性，分别得到历史邻接矩阵和融合特征集的映射矩阵和映射特征集，具体包括：

70、

71、

72、式中，fa为历史邻接矩阵的映射矩阵，ff为融合特征集的映射特征集，t为转置矩阵，d1为历史邻接矩阵的归一化参数，d2为融合特征集的归一化参数，d1和d2的取值分别为ka和kf的维度。

73、进一步的，基于时空特征数据得到故障检测模型，包括：

74、根据历史时序特征数据对应的实际故障结果对时空特征数据进行标签化处理，标签化处理包括：出现故障标记为0，没有出现故障标记为1；

75、根据时空特征数据和对应标签化处理结果对多层感知机进行训练分类，得到故障检测模型。

76、第二方面，本发明还提供一种应用于上述配电网故障检测方法的配电网故障检测系统，包括：

77、数据采集模块，其用于获取配电网中节点的连接数据，并采集配电网运行时节点的时序特征数据；

78、矩阵构建模块，其用于根据节点的连接数据构建邻接矩阵；

79、故障分析模块，其用于通过预先构建的故障检测模型对邻接矩阵和时序特征数据进行融合分析处理，得到配电网的故障结果。

80、本发明提供的一种基于特征融合的配电网故障检测方法及系统，至少包括如下有益效果：

81、(1)通过向故障检测模型中输入邻接矩阵和电网的时序特征数据，可以高效、安全的自动定位故障发生点；同时从时空融合的角度提取电网特征，能够实现故障的高效自动化检测，并能够避免人员不必要消耗，降低运维成本，具有良好的可用性和实用性。

82、(2)将配电站或终端作为节点、配电线路作为边将配电网转为成图数据的形式，可以提取电网配电站的空间位置信息。

83、(3)对配电网的历史时序数据采用主成分分析进行降维，根据主成分的贡献率来确定不同成分的不同权重，最终通过多核学习融合特征集，确保融合过程中重要特征被大限度保留。

84、(4)将融合特征集作为电网图中配电站的时间特征，因此最终获得的电网图既包含了节点的空间特征，又包含了节点的时间特征。

85、(5)采用图卷积神经网络来提取空间特征，使用卷积神经网络进行提取时间特征，可以最大限制的提高故障检测的准确度和高效性。