本發(fā)明屬于電網(wǎng)故障分類檢測，尤其涉及一種基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法及系統(tǒng)。

背景技術(shù)：

1、隨著科技的進(jìn)步和工業(yè)發(fā)展的加速，電力系統(tǒng)的復(fù)雜性和關(guān)鍵性日益顯現(xiàn)。在高度互聯(lián)的現(xiàn)代網(wǎng)絡(luò)中，電力供應(yīng)的可靠性和持續(xù)性對社會運(yùn)轉(zhuǎn)至關(guān)重要。因此，為應(yīng)對各種可能的風(fēng)險和挑戰(zhàn)，必須不斷優(yōu)化監(jiān)測系統(tǒng)和應(yīng)急響應(yīng)機(jī)制，以確保在突發(fā)故障發(fā)生時能夠快速有效地恢復(fù)供電，從而最大限度地減少停電帶來的負(fù)面影響，保障國家經(jīng)濟(jì)的穩(wěn)定運(yùn)行。配電網(wǎng)拓?fù)渥鳛橐环N圖結(jié)構(gòu)，由電氣節(jié)點(diǎn)和導(dǎo)線支路組成，蘊(yùn)含了豐富的圖信息。當(dāng)前，配電網(wǎng)故障檢測方法主要分為建立數(shù)學(xué)模型進(jìn)行求解的方法和基于神經(jīng)網(wǎng)絡(luò)的方法。傳統(tǒng)的配電網(wǎng)故障檢測方法通常通過建立系統(tǒng)的顯式數(shù)學(xué)模型來求解。然而，對于大規(guī)模配電網(wǎng)系統(tǒng)，為了確保模型的可解性，往往需要對其進(jìn)行一定程度的假設(shè)和簡化，這可能導(dǎo)致模型偏離實(shí)際情況。此外，高效求解優(yōu)化問題仍面臨諸多挑戰(zhàn)。以含有離散控制設(shè)備的配電網(wǎng)優(yōu)化為例，由于系統(tǒng)約束的非線性和控制變量的離散性，該優(yōu)化問題呈現(xiàn)為非凸性，通常被建模為混合整數(shù)規(guī)劃問題，并通過求解器來解決。然而，當(dāng)前的求解器對混合整數(shù)非線性規(guī)劃問題的求解效率較低，難以在合理時間內(nèi)提供答案。盡管現(xiàn)有的傳統(tǒng)電網(wǎng)故障診斷方法在一定程度上能夠解決復(fù)雜電網(wǎng)的故障診斷問題，這些方法通常針對特定電網(wǎng)拓?fù)浣Y(jié)構(gòu)的故障診斷問題設(shè)計，且其設(shè)計高度依賴于人工經(jīng)驗(yàn)。因此，當(dāng)電網(wǎng)拓?fù)浣Y(jié)構(gòu)發(fā)生變化時，需要重新設(shè)計故障診斷方法，這增加了成本，并且可移植性較差。隨著圖神經(jīng)網(wǎng)絡(luò)(gnn)的出現(xiàn)，將較為成熟的神經(jīng)網(wǎng)絡(luò)擴(kuò)展到了圖域，實(shí)現(xiàn)了深度學(xué)習(xí)與圖數(shù)據(jù)的結(jié)合。目前，應(yīng)用最廣泛的圖神經(jīng)網(wǎng)絡(luò)主要有圖卷積網(wǎng)絡(luò)等。雖然gnn可以有效處理圖結(jié)構(gòu)數(shù)據(jù)，但在處理非常復(fù)雜的非線性關(guān)系時，不如基于注意力機(jī)制的深度學(xué)習(xí)方法高效。注意力機(jī)制在處理時間序列中的依賴關(guān)系和變化趨勢方面表現(xiàn)更出色，能夠更準(zhǔn)確地進(jìn)行故障定位和診斷，并且基于注意力機(jī)制的深度學(xué)習(xí)方法由于其自適應(yīng)調(diào)整特征權(quán)重的能力，在不同場景下表現(xiàn)更穩(wěn)定。

2、通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：

3、當(dāng)前的求解器對混合整數(shù)非線性規(guī)劃問題的求解效率較低，難以在合理時間內(nèi)提供答案。盡管現(xiàn)有的傳統(tǒng)電網(wǎng)故障診斷方法在一定程度上能夠解決復(fù)雜電網(wǎng)的故障診斷問題，這些方法通常針對特定電網(wǎng)拓?fù)浣Y(jié)構(gòu)的故障診斷問題設(shè)計，且其設(shè)計高度依賴于人工經(jīng)驗(yàn)。因此，當(dāng)電網(wǎng)拓?fù)浣Y(jié)構(gòu)發(fā)生變化時，需要重新設(shè)計故障診斷方法，這增加了成本，并且可移植性較差。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法。

2、本發(fā)明是這樣實(shí)現(xiàn)的，一種基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法，包括：

3、步驟1，數(shù)據(jù)準(zhǔn)備；

4、步驟2，數(shù)據(jù)處理；

5、步驟3，構(gòu)建lstm-attention模型；

6、步驟4，解碼和輸出；

7、步驟5，訓(xùn)練和模型調(diào)優(yōu)。

8、進(jìn)一步，所述數(shù)據(jù)準(zhǔn)備：

9、使用無監(jiān)督學(xué)習(xí)方法來識別波形中的異常模式，并將其與已知的故障類型相匹配，從而自動生成標(biāo)簽；通過輸入大量未標(biāo)注的原始數(shù)據(jù)，分析大量未標(biāo)注的電網(wǎng)運(yùn)行數(shù)據(jù)，模型將在訓(xùn)練中捕捉故障時數(shù)據(jù)信號的共同特征，自動檢測出可能的故障特征，并打上相應(yīng)標(biāo)簽；同時，結(jié)合聚類算法，將相似的異常模式分組，并與歷史故障數(shù)據(jù)進(jìn)行比對，從而生成更準(zhǔn)確的標(biāo)簽。

10、進(jìn)一步，所述數(shù)據(jù)處理：

11、通過read_data(dir_list)函數(shù)接收一個目錄列表dir_list作為參數(shù)，去數(shù)據(jù)和標(biāo)簽類型，返回數(shù)據(jù)和標(biāo)簽類型；使用了random_split函數(shù)將數(shù)據(jù)集隨機(jī)分割成訓(xùn)練集和測試集，其中訓(xùn)練集和測試集的比例為8：2；

12、通過fault_type_to_index的目的是將故障類型的字符串表示轉(zhuǎn)換為整數(shù)索引；先定義故障類型字典：cut_shrot_type_dict和fault_type_dict，將每一個故障類型都映射到一個唯一的整數(shù)；通過在字典中構(gòu)建映射關(guān)系，檢查輸入的有效性；

13、數(shù)據(jù)預(yù)處理切片：將長度為400的時序數(shù)據(jù)根據(jù)故障時間切片成故障波形與非故障波形，長度為100，label為18種波形類型；7種短路，10種短路，1種正常；

14、在ieee33節(jié)點(diǎn)場景下，數(shù)據(jù)集為30個故障點(diǎn)位，起始到結(jié)束時間段的電壓、電流值和相數(shù)；a相、b相、c相；其中節(jié)點(diǎn)電壓為當(dāng)前節(jié)點(diǎn)的電壓，節(jié)點(diǎn)電流為當(dāng)前節(jié)點(diǎn)流入的總電流；故障類型包含10種故障：ag、bg、cg、abg、acg、bcg、ab、ac、bc、abc。

15、進(jìn)一步，所述構(gòu)建lstm-attention模型：

16、模型主要使用lstm-attention模型，由特征提取層，lstm層與cnn層，自注意力機(jī)制處理層組成。

17、進(jìn)一步，所述解碼和輸出：

18、將上下文向量context和當(dāng)前時間步的隱藏狀態(tài)進(jìn)行矩陣乘法，獲得輸出特征x，最后使用輸出通道為num_class的mlp輸出投計算最終輸出，最后通過softmax層輸出預(yù)測結(jié)果概率數(shù)組。

19、進(jìn)一步，所述訓(xùn)練和模型調(diào)優(yōu)：

20、將模型移動到指定的設(shè)備；

21、確定設(shè)置數(shù)據(jù)集合模型參數(shù)；

22、定義優(yōu)化器adam和損失函數(shù)bceloss。

23、本發(fā)明的另一目的在于提供一種基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測系統(tǒng)包括：

24、數(shù)據(jù)準(zhǔn)備模塊，用于使用無監(jiān)督學(xué)習(xí)方法來識別波形中的異常模式，并將其與已知的故障類型相匹配，從而自動生成標(biāo)簽；

25、數(shù)據(jù)處理模塊，用于通過read_data(dir_list)函數(shù)接收一個目錄列表dir_list作為參數(shù)，去數(shù)據(jù)和標(biāo)簽類型，返回數(shù)據(jù)和標(biāo)簽類型；使用了random_split函數(shù)將數(shù)據(jù)集隨機(jī)分割成訓(xùn)練集和測試集，其中訓(xùn)練集和測試集的比例為8：2；

26、構(gòu)建模型模塊，用于使用lstm-attention模型，由特征提取層，lstm層與cnn層，自注意力機(jī)制處理層組成；

27、解碼輸出模塊，用于將上下文向量context和當(dāng)前時間步的隱藏狀態(tài)進(jìn)行矩陣乘法，獲得輸出特征x，最后使用輸出通道為num_class的mlp輸出投計算最終輸出，最后通過softmax層輸出預(yù)測結(jié)果概率數(shù)組；

28、調(diào)優(yōu)模塊，用于將模型移動到指定的設(shè)備；確定設(shè)置數(shù)據(jù)集合模型參數(shù)；定義優(yōu)化器adam和損失函數(shù)bceloss。

29、本發(fā)明的另一目的在于提供一種計算機(jī)設(shè)備，所述計算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述計算機(jī)程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行所述基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法的步驟。

30、本發(fā)明的另一目的在于提供一種計算機(jī)可讀存儲介質(zhì)，存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時，使得所述處理器執(zhí)行所述基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法的步驟。

31、本發(fā)明的另一目的在于提供一種信息數(shù)據(jù)處理終端，所述信息數(shù)據(jù)處理終端用于實(shí)現(xiàn)所述基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測系統(tǒng)。

32、結(jié)合上述的技術(shù)方案和解決的技術(shù)問題，本發(fā)明所要保護(hù)的技術(shù)方案所具備的優(yōu)點(diǎn)及積極效果為：

33、第一、本發(fā)明基于配電網(wǎng)電力數(shù)據(jù)實(shí)時監(jiān)測技術(shù)，結(jié)合計算機(jī)深度學(xué)習(xí)算法模型，通過注意力機(jī)制，盡可能地抑制無用信息，凸顯重要數(shù)據(jù)，有效提高了故障檢測的準(zhǔn)確率。本方法使用注意力機(jī)制，在處理時序數(shù)據(jù)方面表現(xiàn)優(yōu)異，能夠有效捕捉時間序列中的依賴關(guān)系和變化趨勢。這對于分析故障發(fā)生前后的電網(wǎng)狀態(tài)變化，進(jìn)行準(zhǔn)確的故障定位和診斷非常有幫助。在不同的數(shù)據(jù)集和應(yīng)用場景下具有更高的泛化能力。相比之下，傳統(tǒng)數(shù)學(xué)模型方法在新的場景下需要重新調(diào)整和校準(zhǔn)。而該算法模型具有高度的可移植性，更便于在不同場景下進(jìn)行故障診斷，降低成本并提高效率。

34、使用無監(jiān)督學(xué)習(xí)方法來識別波形中的異常模式，并將其與已知的故障類型相匹配，從而自動生成標(biāo)簽。這種方法不僅可以減少人工標(biāo)注的成本，還可以提高標(biāo)簽的準(zhǔn)確性和豐富性。將相同位置的三組電流和電壓輸入值mlp和relu激活函數(shù)組成的特征提取網(wǎng)絡(luò)中，用于提取相同位置電流和電壓之間的高維特征。有效降低了模型的參數(shù)量，提高了訓(xùn)練效果，加快了訓(xùn)練速度。同時，單一模型的特征提取方式難以充分提取電壓和電流信息的特征，而多維特征提取能夠深入挖掘信息特征，使得在故障診斷數(shù)據(jù)訓(xùn)練之前能夠充分提取特征與故障標(biāo)簽的關(guān)系。這樣的輸入更適應(yīng)于深度學(xué)習(xí)算法模型，有助于逐步提升故障分類和識別的準(zhǔn)確率。本發(fā)明提出的基于注意力機(jī)制的深度學(xué)習(xí)模型，通過自注意力機(jī)制，能夠同時提取局部低級特征和全局上下文特征，從而最大程度地利用有用信息。

35、提出了一種基于注意力機(jī)制的深度學(xué)方法，將其應(yīng)用到配電網(wǎng)故障檢測中。

36、提出一種基于多源數(shù)據(jù)融合的多維特征提取的數(shù)據(jù)處理方法，從而提高故障識別的準(zhǔn)確率和魯棒性。

37、利用無監(jiān)督深度學(xué)習(xí)自動為數(shù)據(jù)生成故障標(biāo)簽。

38、第二，本發(fā)明提出了一種基于注意力機(jī)制的深度學(xué)習(xí)配電網(wǎng)故障分類檢測方法，旨在提高配電網(wǎng)故障檢測的敏感性和準(zhǔn)確性，解決現(xiàn)有技術(shù)中故障檢測準(zhǔn)確率低、反應(yīng)速度慢等問題。

39、現(xiàn)有的配電網(wǎng)故障檢測方法在面對復(fù)雜的電力系統(tǒng)運(yùn)行環(huán)境時，往往難以準(zhǔn)確、及時地檢測并分類故障類型。這是由于傳統(tǒng)方法無法充分捕捉電力系統(tǒng)中時序數(shù)據(jù)的長期依賴關(guān)系，并且難以動態(tài)調(diào)整對不同時間步數(shù)據(jù)的重要性評估，導(dǎo)致在實(shí)際應(yīng)用中存在一定的局限性。

40、為了解決上述問題，本發(fā)明提出了一種新型的檢測方法，具體步驟包括：

41、1)數(shù)據(jù)準(zhǔn)備：

42、收集配電網(wǎng)的歷史運(yùn)行數(shù)據(jù)，包括關(guān)鍵參數(shù)如電壓、電流、功率和頻率。

43、標(biāo)記已知故障類型及對應(yīng)時間段，構(gòu)建訓(xùn)練和測試數(shù)據(jù)集。

44、采用無監(jiān)督學(xué)習(xí)方法識別波形中的異常模式，與已知故障類型匹配，自動生成標(biāo)簽。

45、結(jié)合聚類算法，將相似的異常模式分組，并與歷史故障數(shù)據(jù)對比，生成準(zhǔn)確標(biāo)簽。

46、2)數(shù)據(jù)處理：

47、對數(shù)據(jù)進(jìn)行去噪、歸一化和特征提取，將時序數(shù)據(jù)劃分為適合lstm網(wǎng)絡(luò)處理的時間窗口。

48、通過函數(shù)接收目錄列表作為參數(shù)，處理數(shù)據(jù)和標(biāo)簽，隨機(jī)分割成訓(xùn)練集和測試集。

49、將故障類型字符串表示轉(zhuǎn)換為整數(shù)索引，并構(gòu)建相應(yīng)的映射關(guān)系。

50、根據(jù)故障時間將時序數(shù)據(jù)切片，形成故障和非故障波形，針對ieee33節(jié)點(diǎn)場景的數(shù)據(jù)集進(jìn)行處理。

51、3)構(gòu)建lstm-attention模型：

52、構(gòu)建電氣量特征提取層用于處理和分析來自配電網(wǎng)的高維度電氣量數(shù)據(jù)，如電壓、電流、有功功率等。將復(fù)雜的高維數(shù)據(jù)轉(zhuǎn)化為簡潔的低維特征向量。

53、構(gòu)建lstm層用于捕捉時序數(shù)據(jù)中的長期依賴關(guān)系，學(xué)習(xí)配電網(wǎng)運(yùn)行狀態(tài)的時序特征。

54、構(gòu)建注意力機(jī)制層，動態(tài)分配不同時間步數(shù)據(jù)的權(quán)重，突出關(guān)鍵時刻的信息，提高故障檢測的敏感性和準(zhǔn)確性。

55、4)解碼和輸出：

56、將注意力機(jī)制處理后的特征向量輸入解碼層，進(jìn)行故障類型分類，并輸出最終檢測結(jié)果，包括故障類型和發(fā)生時間。

57、5)訓(xùn)練和模型調(diào)優(yōu)：

58、使用預(yù)處理后的數(shù)據(jù)集訓(xùn)練模型，通過損失函數(shù)和反向傳播算法優(yōu)化模型參數(shù)。

59、調(diào)整模型超參數(shù)(如學(xué)習(xí)率和批量大小)，通過交叉驗(yàn)證提高模型泛化能力。

60、與傳統(tǒng)方法相比，本發(fā)明的技術(shù)方案通過引入lstm和注意力機(jī)制，不僅能夠更好地捕捉配電網(wǎng)運(yùn)行狀態(tài)的時序特征，還能動態(tài)關(guān)注關(guān)鍵時刻的數(shù)據(jù)信息，極大地提高了故障檢測的準(zhǔn)確性和實(shí)時性。此外，通過無監(jiān)督學(xué)習(xí)和聚類算法，能夠自動生成更為準(zhǔn)確的故障標(biāo)簽，進(jìn)一步提升了模型的訓(xùn)練效果。

61、綜上，本發(fā)明在配電網(wǎng)故障檢測領(lǐng)域中實(shí)現(xiàn)了顯著的技術(shù)進(jìn)步，具有重要的應(yīng)用價值。