基于大数据分析的电力故障检测方法及系统与流程

本技术涉及智能电网，具体而言，涉及一种基于大数据分析的电力故障检测方法及系统。

背景技术：

1、电力系统是现代社会运行的基础设施，其稳定性和安全性对社会经济活动有着至关重要的影响。然而，由于电力系统的复杂性和大规模性，以及其运行环境的多变性，电力系统内可能出现各种故障，如过载、短路、设备损坏等。这些故障可能导致电力供应中断，甚至引发严重的社会经济问题。

2、传统的电力故障检测方法主要依赖人工巡查或者设置固定阈值进行报警，这种方式在一定程度上能够发现并处理电力故障。但由于人工巡查效率低下、耗时长，并且容易受到人为因素的影响，导致误差较大；而固定阈值报警方式则存在阈值选择困难、灵敏度不高等问题。此外，这些传统方法往往无法实现对电力系统状态的实时监控，也无法预测未来可能出现的故障，因此难以满足当前电力系统运行管理的需求。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于大数据分析的电力故障检测方法及系统。

2、第一方面，本技术提供一种基于大数据分析的电力故障检测方法，应用于基于大数据分析的电力故障检测系统，所述方法包括：

3、获取样例电力系统运行数据簇序列；所述样例电力系统运行数据簇序列中包括多个第一样例电力系统运行数据簇和多个第二样例电力系统运行数据簇，其中，每个所述第一样例电力系统运行数据簇中包括参考电力系统单元触发参考电力故障状态标签的系统状态监控数据，每个所述第二样例电力系统运行数据簇中包括所述参考电力系统单元触发所述参考电力故障状态标签之外的其它系统状态监控数据；

4、将所述第一样例电力系统运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数；

5、将所述第二样例电力系统运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力系统运行数据簇中的所述参考电力系统单元触发的电力故障状态标签进行分类，生成第一故障分类图；所述第一故障分类图包括所述电力故障检测网络估计所述参考电力系统单元触发各个所述参考电力故障状态标签的第一置信度；

6、基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数；

7、基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，并基于所述目标电力故障检测网络对输入的目标系统状态监控数据进行电力故障检测。

8、在第一方面的一种可能的实施方式中，所述样例电力系统运行数据簇序列中还包括所述第一样例电力系统运行数据簇对应的故障标注数据，所述故障标注数据反映所述第一样例电力系统运行数据簇中的所述参考电力系统单元触发的电力故障状态标签的实际故障状态标签；

9、所述将所述第一样例电力系统运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数，包括：

10、将所述第一样例电力系统运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力系统运行数据簇中的所述参考电力系统单元触发的电力故障状态标签进行分类，生成第二故障分类图；所述第二故障分类图包括所述电力故障检测网络估计所述参考电力系统单元触发各个所述参考电力故障状态标签的第二置信度；

11、基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数。

12、在第一方面的一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第一样例电力系统运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力系统运行数据簇中的所述参考电力系统单元触发的电力故障状态标签进行分类，生成第二故障分类图，包括：

13、将所述第一样例电力系统运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第一样例电力系统运行数据簇进行特征提取，生成第一电力系统运行路径矢量；

14、将所述第一电力系统运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第一电力系统运行路径矢量进行融合，生成第一目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子与一个所述参考电力故障状态标签对应，所述第一目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；

15、依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，将所述第二目标故障标签特征输出为第二故障分类图，所述第二目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力系统单元触发对应的所述参考电力故障状态标签的第二置信度。

16、在第一方面的一种可能的实施方式中，所述基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数，包括：

17、基于所述故障标注数据中电力故障状态标签的实际故障状态标签，从所述标签质心影响因子中确定对应的第一影响特征，并将所述标签质心影响因子中除第一影响特征之外的标签质心影响因子输出为第二影响特征；

18、确定所述第一电力系统运行路径矢量和所述第一影响特征之间的第一相似度参数值，以及确定所述第一电力系统运行路径矢量和各个所述第二影响特征之间的第二相似度参数值；

19、计算所述第一相似度参数值和预设参数值的差值，生成第一目标参数值；

20、基于所述第一目标参数值和各个所述第二相似度参数值，确定知识学习过程中的第一故障检测误差参数；

21、其中，所述第一目标参数值和所述第一故障检测误差参数为反向关联关系，所述第二相似度参数值和所述第一故障检测误差参数为正向关联关系。

22、在第一方面的一种可能的实施方式中，所述依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，包括：

23、获取预置的分布调整因子；所述分布调整因子的大小大于1；

24、依据所述分布调整因子对所述第一目标故障标签特征进行分布调整，生成第三目标故障标签特征；

25、通过平滑极值转换机制对所述第三目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征。

26、在第一方面的一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第二样例电力系统运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力系统运行数据簇中的所述参考电力系统单元触发的电力故障状态标签进行分类，生成第一故障分类图，包括：

27、将所述第二样例电力系统运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第二样例电力系统运行数据簇进行特征提取，生成第二电力系统运行路径矢量；

28、将所述第二电力系统运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第二电力系统运行路径矢量进行融合，生成第四目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子和一个所述参考电力故障状态标签对应，所述第四目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；

29、依据平滑极值转换机制对所述第四目标故障标签特征进行平滑极值转换，生成第五目标故障标签特征，将所述第五目标故障标签特征输出为第一故障分类图，所述第五目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力系统单元触发对应的所述参考电力故障状态标签的第一置信度；

30、所述确定知识学习过程中的第二故障检测误差参数，包括：

31、确定所述第二电力系统运行路径矢量和各个所述标签质心影响因子之间的第三相似度参数值；

32、基于所述门限置信度，确定预设参数值；

33、计算最大的所述第三相似度参数值和所述预设参数值的差值，生成第三目标参数值；

34、基于所述第三目标参数值，确定知识学习过程中的第二故障检测误差参数；

35、其中，所述第三目标参数值和所述第二故障检测误差参数为正向关联关系。

36、在第一方面的一种可能的实施方式中，所述基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，包括：

37、计算各个所述参考电力故障状态标签对应的第一置信度和所述门限置信度之间的差值，生成各个所述参考电力故障状态标签对应的第二目标参数值；

38、如果存在大于0的所述第二目标参数值，比较各个所述第二目标参数值的大小，基于最大的第二目标参数值确定所述第二故障检测误差参数；或者，如果所述第二目标参数值均不大于0，确定所述第二故障检测误差参数的大小为0。

39、在第一方面的一种可能的实施方式中，基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，包括：

40、确定样例电力系统运行数据簇序列中所述第一样例电力系统运行数据簇的第一簇数量和所述第二样例电力系统运行数据簇的第二簇数量；

41、基于所述第一簇数量，确定所述第一故障检测误差参数对应的第一重要性系数，并基于所述第二簇数量，确定所述第二故障检测误差参数对应的第二重要性系数；

42、基于所述第一重要性系数和所述第二重要性系数，对所述第一故障检测误差参数和所述第二故障检测误差参数进行权重融合，生成全局故障检测误差参数；

43、基于所述全局故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的电力故障检测网络。

44、在第一方面的一种可能的实施方式中，所述基于所述目标电力故障检测网络对输入的目标系统状态监控数据进行电力故障检测的步骤，包括：

45、获取基础系统状态监控数据，对每一个所述基础系统状态监控数据进行递归特征消除，生成每一个所述基础系统状态监控数据对应的初始遍历选择特征，将获取的所述基础系统状态监控数据加入到待处理数据序列中，检测当前所述待处理数据序列中的序列成员数量，如果所述序列成员数量不小于设定数量，依据预定的数量间隔参数从所述待处理数据序列中提取第一数量的基础系统状态监控数据，生成第一系统状态监控数据序列；

46、将当前所述待处理数据序列中处于主导地位的所述基础系统状态监控数据对应的初始遍历选择特征输出为递归特征消除节点，基于所述递归特征消除节点对所述第一系统状态监控数据序列中的各个所述基础系统状态监控数据进行分割，生成所述目标系统状态监控数据；

47、将所述目标系统状态监控数据加载至所述目标电力故障检测网络中，依据所述目标电力故障检测网络对所述目标系统状态监控数据中的目标电力系统触发的电力故障状态标签进行分类，生成第三故障分类图；所述第三故障分类图包括所述目标电力故障检测网络估计所述目标电力系统触发各个所述参考电力故障状态标签的第三置信度；

48、将各个所述参考电力故障状态标签对应的第三置信度和门限置信度进行比较，如果存在大于所述门限置信度的第三置信度，则比较各个所述第三置信度的大小，基于最大的第三置信度对应的参考电力故障状态标签确定目标电力故障状态标签；或者，如果所述第三置信度均不大于所述门限置信度，确定所述目标电力故障状态标签为未知电力故障状态标签。

49、第二方面，本技术实施例还提供一种基于大数据分析的电力故障检测系统，所述基于大数据分析的电力故障检测系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于大数据分析的电力故障检测方法。

50、采用以上任意方面的技术方案，通过获取样例电力系统运行数据簇序列，将包含触发参考电力故障状态标签的数据和触发其它电力故障状态标签的系统状态监控数据分别加载到电力故障检测网络中进行知识学习，确定了第一故障检测误差参数和第二故障检测误差参数，从而对电力故障检测网络进行优化调整，生成了优化调整后的目标电力故障检测网络。最后，基于这个优化后的网络对输入的目标系统状态监控数据进行电力故障检测。由此，提高了电力故障检测的准确性和效率，有助于实时监控电力系统的运行状态，及时发现和处理电力故障，从而保证电力系统的稳定和安全运行。

51、具体而言，本技术通过获取和处理样例电力系统运行数据簇序列，进行知识学习，并确定故障检测误差参数，对电力故障检测网络进行优化调整，生成优化后的目标电力故障检测网络，能够有效地从参考电力系统单元触发的各种电力故障状态标签中，识别并预测出最可能的电力故障状态。

52、首先，通过加载第一样例电力系统运行数据簇到电力故障检测网络进行知识学习，确定第一故障检测误差参数，这一过程可以提升电力故障检测网络对参考电力故障状态标签的识别能力。

53、然后，将第二样例电力系统运行数据簇加载至电力故障检测网络，根据电力故障检测网络对参考电力系统单元触发的电力故障状态标签进行分类，生成第一故障分类图，这一过程可以进一步优化电力故障检测网络的性能。

54、基于第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，这一过程可以确保电力故障检测网络的准确性和稳定性。

55、最后，基于第一故障检测误差参数和第二故障检测误差参数，对电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络。这一过程可以使得电力故障检测网络在面对实际的目标系统状态监控数据时，能够更加准确和有效地进行电力故障检测。