本发明涉电力系统应用领域，特别涉及一种电网故障诊断方法、装置、设备及可读存储介质。
背景技术
随着智能电网的逐步构建，电网的故障诊断问题也开始受到越来越多的关注，运维人员可以根据系统中显示的信息了解当前电网的运行状况，进而分析、定位和处理故障，因此根源故障的识别对电网的运维工作十分重要。近年来，基于人工智能的故障诊断算法已普遍应用于电网故障诊断中，旨在能准确分析并发现电网运行过程中出现的故障。
目前，主要通过构建bp神经网络模型对电网故障信息进行诊断，但是由于电网系统的网络数据量大，噪声数据较多，并且电网故障的故障类型较多，传统的bp神经网络模型收敛速度较慢，没有考虑噪声数据的影响，进而导致电网故障的诊断准确性较低。
由此可见，如何克服在对电网故障进行诊断时，诊断准确性低的问题是本领域技术人员亟待解决的问题。
技术实现要素：
本申请实施例提供了一种电网故障诊断方法、装置、设备及可读存储介质，以解决现有技术中在对电网故障进行诊断时，诊断准确性低的问题。
为解决上述技术问题，本发明提供了一种电网故障诊断方法，包括：
获取与电网对应的样本数据，并依据预定义规则确定出目标数据；
为所述目标数据添加噪声信号以形成故障数据；
依据所述故障数据和非故障数据构建som神经网络模型，并对所述som神经网络模型进行训练；
根据训练后的所述som神经网络模型对电网故障进行诊断；
其中，所述样本数据由所述故障数据和所述非故障数据构成。
优选地，在所述获取与电网对应的样本数据之后，还包括：
对所述样本数据进行规范化处理。
优选地，所述为所述目标数据添加噪声信号具体为：
为所述目标数据添加高斯噪声信号和置零噪声信号。
优选地，在所述依据所述故障数据和非故障数据构建som神经网络模型之后，还包括：
计算获胜神经元，并确定所述获胜神经元的邻域函数。
优选地，所述确定所述获胜神经元的邻域函数具体包括：
当邻域范围等于阈值时，所述邻域函数为柯西函数与高斯函数的符合函数；
当所述邻域范围大于所述阈值时，所述邻域函数为所述柯西函数；
当所述邻域范围小于所述阈值时，所述邻域函数为所述高斯函数。
优选地，所述根据训练后的所述som神经网络模型对电网故障进行诊断具体为：
依据训练后的所述som神经网络模型中的相似度函数对所述电网故障进行诊断。
为解决上述技术问题，本发明还提供了一种与电网故障诊断方法对应的装置，包括：
获取模块，用于获取与电网对应的样本数据，并依据预定义规则确定出目标数据；
添加模块，用于为所述目标数据添加噪声信号以形成故障数据；
构建模块，用于依据所述故障数据和非故障数据构建som神经网络模型，并对所述som神经网络模型进行训练；
诊断模块，用于根据训练后的所述som神经网络模型对电网故障进行诊断；
其中，所述样本数据由所述故障数据和所述非故障数据构成。
优选地，还包括：
数据处理模块，用于对所述样本数据进行规范化处理。
为解决上述技术问题，本发明还提供了一种与电网故障诊断方法对应的设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现上述任意一种电网故障诊断方法的步骤。
为解决上述技术问题，本发明还提供了一种与电网故障诊断方法对应的设备计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任意一种电网故障诊断方法的步骤。
相比于现有技术，本发明所提供的一种电网故障诊断方法，一方面，在获取与电网对应的样本数据，并依据预定义规则确定出目标数据之后，为目标数据添加噪声信号以形成故障数据，也就是说该故障诊断方法考虑了噪声数据的影响，进而提高了电网故障诊断准确性；另一方面，在确定出故障数据之后，依据故障数据和样本数据中剩余的非故障数据构建som神经网络模型，并对som神经网络模型进行训练；最后根据训练后的som神经网络模型对电网故障进行诊断，因为som神经网络模型相比于现有技术中传统的bp神经网络模型，收敛速度较快，所以进一步提高了电网故障诊断准确性。另外，本发明还提供了一种电网故障诊断装置、设备及可读存储介质，效果如上。
附图说明
图1为本发明实施例所提供的一种电网故障诊断方法流程图；
图2为本发明实施例所提供的一种电网故障诊断装置组成示意图；
图3为本发明实施例所提供的一种电网故障诊断设备组成示意图；
图4为本发明实施例所提供的一种电网故障诊断准确度与告警级联关系曲线图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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的前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明的核心是提供一种电网故障诊断方法、装置、设备及可读存储介质，可以解决现有技术中在对电网故障进行诊断时，诊断准确性低的问题。
为了使本技术领域的人员更好地理解本发明的方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例所提供的一种电网故障诊断方法流程图，如图1所示，该诊断方法包括以下步骤：
s101：获取与电网对应的样本数据，并依据预定义规则确定出目标数据。
s102：为目标数据添加噪声信号以形成故障数据。
具体就是选取与电网对应的样本数据，然后根据百分比(预定义规则)从选取的样本数据中确定出目标数据，目标数据就是需要处理的数据。当确定出目标数据之后再为目标数据添加噪声信号以形成故障数据，也就是说让正常的目标数据变为不正常的故障数据以考虑噪声扰动对诊断结果的影响。因为实测数据与标准实验中的数据差别很大，实测数据受到噪声干扰的情况十分普遍，造成数据出现异常值与缺失值的现象比较多。
为了使电网故障的预测准确性更高，作为优选地实施方式，在获取与电网对应的样本数据之后，还包括：
对样本数据进行规范化处理。
s103：依据故障数据和非故障数据构建som神经网络模型，并对som神经网络模型进行训练。
s104：根据训练后的som神经网络模型对电网故障进行诊断。
其中，样本数据由故障数据和非故障数据构成。
先用样本数据中选取目标数据，并将其处理为故障数据，样本数据中除目标数据之外的剩余数据就成为非故障数据，然后依据故障数据和非故障数据构建som神经网络模型，并对构建好的som神经网络模型进行训练。后期可以直接根据训练好的som神经网络模型对电网故障进行诊断，无需在对获取的电网相关数据进行处理。
som神经网络模型(自组织映射神经网络模型)是一种竞争型的神经网络，其特征为能保留输入矢量的高维特征并且将其映射到低维的神经网络之上，进而形成一种拓扑意义上的有序图。
传统的利用bp神经网路模型对电网故障进行诊断时，并没有考虑到噪声扰动数据对诊断结果的影响，在本申请实施例中，为了训练som模型的降噪能力，也就是考虑到噪声扰动数据对诊断结果的影响，需要在som模型训练的过程中加入一定的噪声扰动。作为优选地实施方式，为目标数据添加噪声信号具体为：为目标数据添加高斯噪声信号和置零噪声信号。具体就是在som神经网络模型的输入层之前添加一个随机噪声层，对样本数据进行处理，选取其中的一部分数据(目标数据)随机添加高斯噪声与置0噪声，迫使竞争层学习数据中更加鲁棒性的特征。本申请实施例中的som神经网络模型的结构由输入层、随机噪声层和竞争层三部分组成。输入层随机获取一组样本数据向量(已进行数据规范化处理)作为som神经网络模型的输入。随机噪声层对输入的样本数据x进行随机加噪映射q得到部分破坏的目标数据
其中，d表示向量空间。
在实际应用中，对于每个样本数据向量，噪声映射层随机选取固定数量的维度的目标数据添加高斯噪声信号或者置零信号。例如可以从样本数据中选取比例为30％的目标数据添加噪声信号，在数据量大且网络模型较复杂的情况下，可以适当降低加噪声目标数据的占比。如果实验数据较少，为了更好地挖掘数据的潜在特征，提升模型的鲁棒性，应该提高加噪声目标数据的占比。
随机噪声层的工作方式主要分成两种：一种是置零噪声信号，将样本数据向量被选中的目标数据置0，模拟数据缺失的情况；另一种是高斯噪声信号，对选取的目标数据添加高斯噪声信号以改变其概率分布。高斯分布的具体公式如下：
其中，σ表示样本数据方差，μ表示样本数据均值，x表示样本数据x的一个属性。加噪声映射可以表示为：
其中，d为线性的随机数。
som神经网络模型的输入层负责接收输入数据，输入层神经元的个数是一个样本数据的维度数。竞争层的神经元个数往往选取近似于输入数据维数平方的值，并将其按矩阵形式排列成一个平面。每个竞争层神经元维持一个权重向量wj，其中j表示神经元的序号，权重向量的维度与样本数据维度相同。输入层与每个竞争层神经元全连接，而竞争层神经元彼此不连接(注：有些som神经网络模型的变体中竞争层神经元间也存在连接)，som神经网络模型的运行机制是竞争学习规则。首先将样本数据向量在欧式空间规范化，并将权重向量在欧式空间随机初始化。然后随机选取输入向量与所有权重向量进行相似性度量，选取相似性最高的作为获胜神经元，如下式所示：
其中，d表示相似性度量，x表示输入向量，j*表示获胜神经元，
在实际应用中，为了提高电网故障诊断的准确性，som神经网络模型在对数据进行分类的过程中，使用的相似性度量其实就是求欧式距离，而数据样本向量中某些维度属性的缺失与异常会对欧式距离造成很大影响，进而导致数据的误分类，即故障误诊断。为了解决故障诊断任务受噪声干扰鲁棒性低的问题，将降噪思想引入som神经网络模型。此外，som神经网络模型的竞争层是通过计算欧式距离进行相似性度量，以选取与输入数据最近似的获胜神经元。而对于加噪声的数据，计算欧式距离，会产生很大误差。因此，在本申请实施例中设计了一种模糊的欧式距离计算方式以减少噪声影响，使竞争层的计算过程更具鲁棒性，计算公式如下：
其中，
对som神经网络模型进行训练的过程为：第一步，设置训练次数以确定是否结束当前训练。第二步，输入电网数据以进行故障检测。第三步，考虑数据噪声问题，为som神经网络模型添加一个随机噪声层以模拟真实环境中的噪声与干扰。第四步，根据竞争神经网络原理计算获胜神经元，并且定义获胜邻域。第五步，逐步减小学习效率，并根据迭代次数调节数据的加权系数。第六步，计算训练次数，如果已到达要求次数，则结束，否则返回至第一步。
本发明所提供的一种电网故障诊断方法，一方面，在获取与电网对应的样本数据，并依据预定义规则确定出目标数据之后，为目标数据添加噪声信号以形成故障数据，也就是说该故障诊断方法考虑了噪声数据的影响，进而提高了电网故障诊断准确性；另一方面，在确定出故障数据之后，依据故障数据和样本数据中剩余的非故障数据构建som神经网络模型，并对som神经网络模型进行训练；最后根据训练后的som神经网络模型对电网故障进行诊断，因为som神经网络模型相比于现有技术中传统的bp神经网络模型，收敛速度较快，所以进一步提高了电网故障诊断准确性。
在上述实施例的基础上，作为优选地实施方式，在依据故障数据和非故障数据构建som神经网络模型之后，还包括：
计算获胜神经元，并确定获胜神经元的邻域函数。
在上述实施例的基础上，作为优选地实施方式，确定获胜神经元的邻域函数具体包括：
当邻域范围等于阈值时，邻域函数为柯西函数与高斯函数的符合函数；
当邻域范围大于阈值时，邻域函数为柯西函数；
当邻域范围小于阈值时，邻域函数为高斯函数。
类边界是一个重要的参数，表示som神经网络模型竞争层获胜神经元影响的范围。邻域函数就是som神经网络模型用来拟合类边界的重要方式。
通常在使用som神经网络模型时，是使用高斯函数作为邻域函数的，通过计算神经元与当前获胜神经元的欧氏距离来决定普通神经元在训练过程中参与的程度，可以使som神经网络模型算法的收敛速度比一般地矩形邻域函数更快，但其在远邻域范围的激励效果不明显。而柯西函数对于近邻域的激励效果远不如高斯函数好，但在远邻域范围上，却有较好的输出能力。因此，本申请实施例设计了一种复合的邻域函数，综合了高斯函数在近域的优势和柯西函数在远邻域的优势。
以σ(t)＝3为分界线，将柯西函数与高斯函数组合为复合函数，也就是说在近邻时选用高斯函数，在远邻时选用柯西函数。
当σ(t)＜3时，利用高斯函数作为获胜神经元的邻域函数，其表达式如下：
当σ(t)＞3时，利用柯西函数作为获胜神经元的邻域函数，其表达式如下：
||rc-ri||2表示节点c与节点r之间的欧几里德距离，σ(t)表示领域范围，邻域范围是关于t的减函数，随着t的增大而逐渐变小。
为了实现度电网故障类型的准确定位，在上述实施例的基础上，作为优选地实施方式，根据训练后的som神经网络模型对电网故障进行诊断具体为：
依据训练后的som神经网络模型中的相似度函数对电网故障进行诊断。
具体地，因为电网故障的故障类型可能有多种，即存在多根源故障，多根源故障诊断表示一个告警数据可能包含多个根源故障信息，为了检测出所有相关的根源故障信息。需要建立告警样本数据与聚类中心的相似度函数，衡量一个输入样本与聚类的相似程度。因此在多根源故障的诊断中，主要任务是选出相似度高的根源告警而又排除相似度低的根源告警，具体可根据以下公式：
s(w,x)＝d(w,x)/∑d(w,x)
其中，∑d(w,x)表示所有聚类中心与输入数据之间的距离。在实际应用中，可以选择具有最小距离的k个聚类中心，如果
上文中对于一种电网故障诊断方法的实施例进行了详细描述，基于上述实施例描述的电网故障诊断方法，本发明实施例还提供了一种与该方法对应的电网故障诊断装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再赘述。
图2为本发明实施例所提供的一种电网故障诊断装置组成示意图，如图2所示，该诊断装置包括获取模块201，添加模块202，构建模块203以及诊断模块204。
获取模块201，用于获取与电网对应的样本数据，并依据预定义规则确定出目标数据；
添加模块202，用于为目标数据添加噪声信号以形成故障数据；
构建模块203，用于依据故障数据和非故障数据构建som神经网络模型，并对som神经网络模型进行训练；
诊断模块204，用于根据训练后的som神经网络模型对电网故障进行诊断；
其中，样本数据由故障数据和非故障数据构成。
本发明所提供的一种电网故障诊断装置，一方面，在获取与电网对应的样本数据，并依据预定义规则确定出目标数据之后，为目标数据添加噪声信号以形成故障数据，也就是说该故障诊断方法考虑了噪声数据的影响，进而提高了电网故障诊断准确性；另一方面，在确定出故障数据之后，依据故障数据和样本数据中剩余的非故障数据构建som神经网络模型，并对som神经网络模型进行训练；最后根据训练后的som神经网络模型对电网故障进行诊断，因为som神经网络模型相比于现有技术中传统的bp神经网络模型，收敛速度较快，所以进一步提高了电网故障诊断准确性。
在上述实施例的基础上，作为优选地实施方式，还包括：
数据处理模块，用于对样本数据进行规范化处理。
上文中对于一种电网故障诊断方法的实施例进行了详细描述，基于上述实施例描述的电网故障诊断方法，本发明实施例还提供了一种与该方法对应的电网故障诊断设备。由于设备部分的实施例与方法部分的实施例相互对应，因此设备部分的实施例请参照方法部分的实施例描述，这里不再赘述。
图3为本发明实施例所提供的一种电网故障诊断设备组成示意图，如图3所示，该诊断设备包括存储器301和处理器302。
存储器301，用于存储计算机程序；
处理器302，用于执行计算机程序以实现上述任意一个实施例所提供的电网故障诊断方法的步骤。
本发明所提供的一种电网故障诊断设备，一方面，在获取与电网对应的样本数据，并依据预定义规则确定出目标数据之后，为目标数据添加噪声信号以形成故障数据，也就是说该故障诊断方法考虑了噪声数据的影响，进而提高了电网故障诊断准确性；另一方面，在确定出故障数据之后，依据故障数据和样本数据中剩余的非故障数据构建som神经网络模型，并对som神经网络模型进行训练；最后根据训练后的som神经网络模型对电网故障进行诊断，因为som神经网络模型相比于现有技术中传统的bp神经网络模型，收敛速度较快，所以进一步提高了电网故障诊断准确性。
上文中对于一种电网故障诊断方法的实施例进行了详细描述，基于上述实施例描述的电网故障诊断方法，本发明实施例还提供了一种与该方法对应的计算机可读存储介质。由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述，这里不再赘述。
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任意一个实施例所提供的电网故障诊断方法的步骤。
本发明所提供的一种计算机可读存储介质，处理器可以读取可读存储介质中存储的程序，即可以实现上述任意一个实施例提供的电网故障诊断方法，一方面，在获取与电网对应的样本数据，并依据预定义规则确定出目标数据之后，为目标数据添加噪声信号以形成故障数据，也就是说该故障诊断方法考虑了噪声数据的影响，进而提高了电网故障诊断准确性；另一方面，在确定出故障数据之后，依据故障数据和样本数据中剩余的非故障数据构建som神经网络模型，并对som神经网络模型进行训练；最后根据训练后的som神经网络模型对电网故障进行诊断，因为som神经网络模型相比于现有技术中传统的bp神经网络模型，收敛速度较快，所以进一步提高了电网故障诊断准确性。
为了使本领域技术人员更好地理解本方案，下面以实际应用场景对本方案进行说明，采用模拟的电力告警数据对som神经网络模型进行仿真对比实验。电力告警数据采用数值向量的形式，数据本身并不包含根源故障的具体信息，但是具有相同根源故障的数据在向量空间中具有一定的相似性。在训练阶段，将训练集的数据输入som神经网络模型进行聚类，聚类结束后，每个被激活的竞争层神经元都代表一个聚类中心，该类簇的训练数据的根源故障类型即是聚类中心表示的故障类型。在测试阶段，如果是单根源故障诊断任务，将待测告警数据输入som神经网络模型，得到一个获胜神经元，在实际应用中可以认为该获胜神经元所表示的根源故障类型即是待测告警数据的根源故障；如果是多根源故障诊断任务，需要根据相似度函数定位故障类型。
本申请实施例中根据电网数据特点设计仿真数据集，模拟了天线异常、负荷超出限制、传感器异常、电磁干扰等十种网络故障。数据集的模式是结构化数据，每条数据包含用电量、传感器统计数据、流量等多维属性，均已规范化成数值向量。因此，数据本身并没有体现网络故障，但是具有相似故障的数据符合聚类条件。在对电力告警数据的分析中，假设故障诊断的准确度与告警的级联数存在某种关系，即告警数据可以触发多级告警。设计了不同级联告警条件下根源故障诊断的准确度的对比实验。图4为本发明实施例所提供的一种电网故障诊断准确度与告警级联关系曲线图，如图4所示，图4中实线表示考虑了噪声信号后利用训练的som神经网络模型诊断出的电网故障准确度与告警级联关系的曲线；虚线表示没有考虑噪声信号时，利用训练的som神经网络模型诊断出的电网故障准确度与告警级联关系的曲线，随着级联的增多，故障诊断的准确度呈上升趋势。原因是当根源告警触发的级联较少时，其抗噪音的干扰能力较弱。而由于som神经网络模型本身就引入了降噪机制，所以在级联数较少的情况下也能保持较高的查准率。
以上对本发明所提供的一种电网故障诊断方法、装置、设备及可读存储介质进行了详细介绍。本文中运用几个实例对本发明的原理及实施方式进行了阐述，以上实施例的说明，只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本领域技术人员，在没有创造性劳动的前提下，对本发明所做出的修改、等同替换、改进等，均应包含在本申请中。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个操作与另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”等类似词，使得包括一系列要素的单元、设备或系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种单元、设备或系统所固有的要素。