本發(fā)明涉及電網(wǎng)故障診斷，具體為一種電網(wǎng)故障診斷方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、電力系統(tǒng)的穩(wěn)定性和可靠性對于維護(hù)現(xiàn)代社會(huì)的平穩(wěn)運(yùn)行至關(guān)重要，隨著以高電壓、交直流、新能源并網(wǎng)為特征的大電網(wǎng)時(shí)代的到來，電力系統(tǒng)的規(guī)模日趨增大，運(yùn)行方式也日趨復(fù)雜，對系統(tǒng)的安全穩(wěn)定性提出了更高要求。

2、基于電網(wǎng)故障錄波信息的電網(wǎng)故障診斷是保證電力系統(tǒng)正常運(yùn)行和日常維護(hù)的重要方法。當(dāng)電網(wǎng)發(fā)生故障時(shí)，監(jiān)測系統(tǒng)采集到海量故障錄波數(shù)據(jù)并從本地自動(dòng)裝置上送至調(diào)度中心，電網(wǎng)故障診斷技術(shù)需要能夠從海量的故障數(shù)據(jù)中迅速分析故障相關(guān)數(shù)據(jù)，發(fā)現(xiàn)故障原因。

3、目前較為成熟的電網(wǎng)故障診斷方法可以被分為兩大類：一類是以保護(hù)和斷路器的動(dòng)作信息即開關(guān)量信息作為故障信息源，通過各種智能技術(shù)對其進(jìn)行判斷分析；另一類是以故障錄波數(shù)據(jù)和?pmu?數(shù)據(jù)作為故障信息源，通過對數(shù)字信息的計(jì)算分析，并融合其他故障信息源對故障進(jìn)行診斷。其中通過處理故障錄波器錄波數(shù)據(jù)來判斷的方法在實(shí)際應(yīng)用中對于工作人員的輔助判斷具有重要的實(shí)用價(jià)值。

4、傳統(tǒng)的故障錄波處理方法通常直接將信號輸入故障診斷模型，未對錄波信號進(jìn)行預(yù)處理，從而導(dǎo)致數(shù)據(jù)中無用信息較多，引發(fā)特征信息模糊的問題，使得所訓(xùn)練出的模型抗噪聲能力較差。并且已有的研究工作在進(jìn)行高維數(shù)據(jù)的判別任務(wù)時(shí)，難以處理多維度數(shù)據(jù)，容易造成特征丟失，導(dǎo)致電網(wǎng)故障診斷的準(zhǔn)確率較低。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種電網(wǎng)故障診斷方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)。

2、本發(fā)明技術(shù)方案如下：

3、一種電網(wǎng)故障診斷方法，包括以下步驟：

4、s1、采集原始故障錄波數(shù)據(jù)和故障錄波仿真數(shù)據(jù)，得到混合數(shù)據(jù)集，對混合數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理后的故障錄波數(shù)據(jù)；

5、s2、對預(yù)處理后的故障錄波數(shù)據(jù)進(jìn)行同步壓縮小波變換處理，將其在時(shí)頻平面進(jìn)行頻域上的時(shí)頻系數(shù)壓縮和重排，得到處理后的時(shí)間-頻率分布數(shù)據(jù)，基于時(shí)間-頻率分布數(shù)據(jù)提取故障特征信息，得到故障特征，

6、基于故障特征對電網(wǎng)故障進(jìn)行分類，得到電網(wǎng)故障類型標(biāo)簽；

7、s3、將故障特征進(jìn)行全卷積掩碼處理后獲得故障特征的深層信息，基于深層信息對故障特征進(jìn)行解碼處理后得到解碼后的故障特征，

8、將電網(wǎng)故障類型標(biāo)簽和解碼后的故障特征輸入電網(wǎng)故障診斷模型，進(jìn)行模型訓(xùn)練，學(xué)習(xí)故障類型，得到訓(xùn)練好的電網(wǎng)故障診斷模型；

9、s4、基于訓(xùn)練好的電網(wǎng)故障診斷模型，對新輸入的故障錄波數(shù)據(jù)進(jìn)行故障診斷，輸出對應(yīng)的故障類型標(biāo)簽，

10、電網(wǎng)故障診斷模型的具體處理過程如下：

11、將新輸入的故障錄波數(shù)據(jù)經(jīng)同步壓縮小波變換處理后，進(jìn)行卷積處理獲得淺層特征，

12、將淺層特征輸入深度可分離卷積模塊，在深度可分離卷積模塊中進(jìn)行以下處理：通過第一卷積處理獲得第一深度特征、對第一深度特征進(jìn)行正則化處理后進(jìn)行第二卷積處理獲得第二深度特征、對第二深度特征進(jìn)行非線性激活處理和全局響應(yīng)歸一化處理后，進(jìn)行第三卷積處理獲得第三深度特征，將第三深度特征進(jìn)行無參注意力處理，得到三重注意力權(quán)重，將三重注意力權(quán)重和第三深度特征進(jìn)行融合處理后得到加權(quán)深度特征；

13、將加權(quán)深度特征進(jìn)行下采樣處理后再次輸入深度可分離卷積模塊進(jìn)行處理，重復(fù)下采樣處理后再次輸入深度可分離卷積模塊進(jìn)行處理的過程，直至深度可分離卷積模塊處理次數(shù)達(dá)到設(shè)定值，得到最終加權(quán)深度特征，

14、將最終加權(quán)深度特征輸入全連接層，得到每個(gè)故障類型的概率，輸出概率最高的故障類型標(biāo)簽。

15、具體地，所述s4中在全連接層中應(yīng)用的損失函數(shù)，具體為基于交叉熵?fù)p失函數(shù)和中心損失函數(shù)進(jìn)行加權(quán)求和處理后得到應(yīng)用的損失函數(shù)，公式表示如下：

16、，

17、其中， l ce為交叉熵?fù)p失函數(shù)， m為所設(shè)置的批次大小， i為批次中第 i個(gè)樣本， x i為第 i個(gè)樣本的特征映射，為不同類別樣本的真實(shí)分布概率，為不同類別樣本的預(yù)測分布概率；

18、，

19、其中， l c為中心損失函數(shù)， m為所設(shè)置的批次大小， i為批次中第 i個(gè)樣本， x i為第 i個(gè)樣本的特征映射， c yi為該樣本對應(yīng)類別的特征中心；

20、，

21、其中，為應(yīng)用的損失函數(shù)，為權(quán)重系數(shù)， l ce為交叉熵?fù)p失函數(shù)， l c為中心損失函數(shù)。

22、所述s4中第一卷積處理使用卷積核大小為7*7、步幅為1、填充像素大小為3的卷積核提取第一深度特征，第二卷積處理使用卷積核大小為1*1、步幅為1的卷積核提取第二深度特征，第三卷積處理使用卷積核大小為1*1、步幅為1的卷積核提取第三深度特征。

23、所述s4中全局響應(yīng)歸一化處理具體為對第二深度特征基于l2范數(shù)進(jìn)行全局特征聚合，得到聚合后的特征向量，對聚合后的特征向量進(jìn)行標(biāo)準(zhǔn)歸一化處理后，進(jìn)行特征校準(zhǔn)，得到校準(zhǔn)后的第二深度特征，對校準(zhǔn)后的第二深度特征進(jìn)行第三卷積處理。

24、所述s4中非線性激活處理具體為使用高斯誤差線性單元激活函數(shù)進(jìn)行非線性激活函數(shù)處理。

25、所述s1中故障錄波仿真數(shù)據(jù)具體為使用電子電路仿真設(shè)計(jì)軟件隨機(jī)仿真生成，得到不同故障類型下的故障錄波仿真數(shù)據(jù)。

26、所述故障錄波原始數(shù)據(jù)包括三相電流、三相電壓數(shù)據(jù)。

27、本發(fā)明還提供了一種電網(wǎng)故障診斷系統(tǒng)，包括：

28、數(shù)據(jù)采集模塊：用于采集原始故障錄波數(shù)據(jù)和故障錄波仿真數(shù)據(jù)，得到混合數(shù)據(jù)集，對混合數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理后的故障錄波數(shù)據(jù)；

29、數(shù)據(jù)處理模塊：用于對預(yù)處理后的故障錄波數(shù)據(jù)進(jìn)行同步壓縮小波變換處理，將其在時(shí)頻平面進(jìn)行頻域上的時(shí)頻系數(shù)壓縮和重排，得到處理后的時(shí)間-頻率分布數(shù)據(jù)，基于時(shí)間-頻率分布數(shù)據(jù)提取故障特征信息，得到故障特征，基于故障特征對電網(wǎng)故障進(jìn)行分類，得到電網(wǎng)故障類型標(biāo)簽；

30、模型訓(xùn)練模塊：用于將故障特征進(jìn)行全卷積掩碼處理后獲得故障特征的深層信息，基于深層信息對故障特征進(jìn)行解碼處理后得到解碼后的故障特征，將電網(wǎng)故障類型標(biāo)簽和解碼后的故障特征輸入電網(wǎng)故障診斷模型，進(jìn)行模型訓(xùn)練，學(xué)習(xí)故障類型，得到訓(xùn)練好的電網(wǎng)故障診斷模型；

31、故障分類診斷模塊：用于基于訓(xùn)練好的電網(wǎng)故障診斷模型，對新輸入的故障錄波數(shù)據(jù)進(jìn)行故障診斷，輸出對應(yīng)的故障類型標(biāo)簽，

32、電網(wǎng)故障診斷模型的具體處理過程如下：

33、將新輸入的故障錄波數(shù)據(jù)預(yù)處理后輸入訓(xùn)練好的電網(wǎng)故障診斷模型的淺層特征提取層，對其進(jìn)行卷積處理后獲得淺層特征，

34、將淺層特征輸入深度可分離卷積模塊，在深度可分離卷積模塊中進(jìn)行以下處理：通過第一卷積處理獲得第一深度特征、對第一深度特征進(jìn)行正則化處理后進(jìn)行第二卷積處理獲得第二深度特征、對第二深度特征進(jìn)行非線性激活處理和全局響應(yīng)歸一化處理后，進(jìn)行第三卷積處理獲得第三深度特征，將第三深度特征進(jìn)行無參注意力處理，得到三重注意力權(quán)重，將三重注意力權(quán)重和第三深度特征進(jìn)行融合處理后得到加權(quán)深度特征；

35、將加權(quán)深度特征進(jìn)行下采樣處理后再次輸入深度可分離卷積模塊進(jìn)行處理，重復(fù)下采樣處理后再次輸入深度可分離卷積模塊進(jìn)行處理的過程，直至深度可分離卷積模塊處理次數(shù)達(dá)到設(shè)定值，得到最終加權(quán)深度特征，

36、將最終加權(quán)深度特征輸入全連接層，得到每個(gè)故障類型的概率，輸出概率最高的故障類型標(biāo)簽。

37、另外，本發(fā)明提供了一種電網(wǎng)故障診斷裝置，包括處理器和存儲(chǔ)器，其中，所述處理器執(zhí)行所述存儲(chǔ)器中保存的計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如上所述的電網(wǎng)故障診斷方法。

38、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)可實(shí)現(xiàn)如上所述的電網(wǎng)故障診斷方法的步驟。

39、本發(fā)明的有益效果在于：

40、1、本發(fā)明對采集的原始故障錄波數(shù)據(jù)和故障錄波仿真數(shù)據(jù)進(jìn)行預(yù)處理和同步壓縮小波變換處理后，得到包含故障特征信息的故障特征，再輸入故障診斷模型進(jìn)行電網(wǎng)故障的診斷和分類，可以有效解決特征信息模糊的問題，提高后續(xù)訓(xùn)練出的故障診斷模型的抗噪聲能力。

41、2、本發(fā)明基于訓(xùn)練好的電網(wǎng)故障診斷模型，對新輸入的故障錄波數(shù)據(jù)進(jìn)行淺層特征提取后進(jìn)行多重卷積處理獲得深度特征，然后進(jìn)行無參注意力處理，與深度特征進(jìn)行融合處理后得到加權(quán)深度特征，通過融合不同尺度的故障特征，在進(jìn)行高維數(shù)據(jù)的判別任務(wù)時(shí)，不容易產(chǎn)生特征丟失問題，通過加入無參注意力處理，不僅可以增強(qiáng)模型對重要特征的挖掘能力，而且使整個(gè)模型具備了剔除噪聲和冗余特征的能力，提高了電網(wǎng)故障診斷的準(zhǔn)確率。