一种基于SE-Inception网络的电网故障诊断方法和系统

一种基于se-inception网络的电网故障诊断方法和系统
技术领域
1.本发明属于电网故障诊断技术领域，涉及一种基于se-inception网络的电网故障诊断方法和系统。


背景技术：

2.数据采集与监视控制(supervisory control and data acquisition，scada)系统作为能量管理系统ems中一个最主要的子系统，可以对现场的运行设备进行监视和控制，以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能，有着信息完整、提高效率、正确掌握系统运行状态、加快决策、能帮助快速诊断出系统故障状态等优势，现已经成为电力调度不可缺少的工具。scada系统对提高电网运行的可靠性、安全性与经济效益，减轻调度员，实现电力调度自动化与现代化，提高调度的效率和水平方面有着不可替代的作用。电网发生故障时，与故障元件相关的保护装置因监测到故障征兆而使保护动作，驱动对应的断路器跳闸，并将保护动作和断路器跳闸的告警信息实时上报给调度中心的scada系统。
3.电网故障诊断是事故分析和事故处理的依据，是实现智能电网自愈功能的重要应用，对提高电网稳定性具有重要意义。
4.现有的故障诊断技术在建模初期需要引入大量的保护和设备动作规则，建模过程和模型维护过程困难，通用性低。运用故障时产生的告警信息进行故障诊断时，大量的告警信息既包含保护动作、断路器跳闸等开关量信息，又包含装置异常、电压越限、控制回路断线、储能到位等非故障关键信息，仅由调度运行人员根据经验对电网故障进行诊断无法满足日益增长的电网安全稳定运行的要求。如何运用相关技术实现高效准确实现电网故障诊断逐渐成为研究热点。
5.随着计算机技术和深度学习等人工智能技术的快速发展，由于深度学习有着优异的数据特征提取和学习能力，有效地利用数据进行电网故障诊断日益成为研究的热点。


技术实现要素：

6.为解决现有技术中存在的不足，本发明的目的在于，提供一种基于se-inception网络的电网故障诊断方法和系统，能够有效的利用告警信息数据，提升电网故障诊断的速度和准确率，实现电网故障诊断的智能化。
7.为了实现上述目标，本发明采用如下技术方案：
8.一种基于se-inception网络的电网故障诊断方法，包括以下步骤：
9.s1、采集电网故障时的告警信息文本，并对告警信息文本进行预处理；
10.s2、对预处理后的告警信息文本进行特征降维及排序，得到特征信息文本，将特征信息文本对应告警事件进行编码及归一化，形成告警事件字典；
11.s3、将不同故障类型的告警信息根据告警事件字典转化为告警事件编码矩阵，并将告警事件编码矩阵转化为告警信息灰度图；
12.s4、构建基于se-inception网络的电网故障诊断模型；
13.s5、将告警信息灰度图输入电网故障诊断模型，得出电网故障类型判别结果，实现电网故障诊断。
14.本发明进一步包括以下优选方案：
15.优选地，所述步骤s1包括：
16.s1.1、scada系统实时获取电网发生事故、运行状态越限或设备异常时，由监控设备产生的事件顺序记录；
17.所述事件顺序记录包括保护动作、断路器跳闸、电压越限及设备异常的告警信息；
18.所述事件顺序记录中，将告警信息按照时间先后顺序进行记录，生成电网故障时的告警信息文本；
19.s1.2、从scada系统及仿真软件中采集所述告警信息文本，并对告警信息文本进行去重和标准化处理。
20.优选地，所述步骤s2包括：
21.s2.1、对s1预处理后的告警信息进行特征降维处理：对告警信息进行特征初筛，筛除无关特征及等价特征；
22.s2.2、依据最大相关性和最小冗余性原则对剩余备选特征进行排序处理；
23.s2.3、将经过s2.2排序的特征信息文本对应告警事件进行编码及归一化处理，形成告警事件字典。
24.优选地，s2.2所述依据最大相关性和最小冗余性原则对剩余备选特征进行排序处理，具体步骤如下：
25.1)基于特征和事件的最大相关性排序，公式如下：
26.maxd(xi,y),xi∈s
27.式中，s为剩余备选特征集合；xi为第i条特征信息；y为线路故障事件；d为归一化后的相关性计算结果；
28.2)对经过最大相关性排序的特征信息计算冗余性，并基于1)中最大相关性
29.排序结果，进行最大相关最小冗余排序，公式如下：
[0030][0031]
式中，为特征xi的用于排序的相关性和冗余性计算差值；r(xi,y)为归一化后的冗余性计算结果；为对特征进行最大相关最小冗余排序的结果。
[0032]
优选地，所述步骤s3具体包括：
[0033]
s3.1、对不同故障类型的告警信息中的特征信息文本依照步骤s2进行筛选及排序；
[0034]
s3.2、取排在前20位的特征信息文本，根据告警事件字典将其转化为4
×
5阶告警事件编码矩阵：
[0035]
d(a)＝(a
ij
)4×5；
[0036]
其中，a
ij
表示不同告警事件对应编码；
[0037]
编码矩阵中各元素位置从左至右、自上而下对应的特征信息优先级逐次降低；
[0038]
s3.3、将告警事件编码矩阵转化为告警信息灰度图，作为基于se-inception网络
的电网故障诊断模型的输入样本。
[0039]
优选地，步骤s4所述se-inception网络包括两个卷积层、两个池化层、一个se-inception层和一个全连接层；
[0040]
构建的基于se-inception网络的电网故障诊断模型，其输入告警信息灰度图，通过卷积层和se-inception层进行特征提取输出特征图，通过池化层进行特征图维度压缩，全连接层将池化层输出的故障类别特征进行组合，然后送入softmax分类器对不同故障类型进行分类。
[0041]
优选地，所述se-inception层包括若干个se-inception模块；
[0042]
所述se-inception模块包括se模块和inception模块；
[0043]
所述se模块，为每个特征通道学习不同的权重系数，从而实现网络性能的优化；每个特征通道卷积核存在差异，导致学习到的特征各不相同；
[0044]
所述inception模块通过卷积层的水平排布使网络变宽，并进行多特征融合；
[0045]
优选地，所述se模块通过学习获取每个特征通道的重要程度，找到特征重要的通道为其分配较大权重，而对分类结果影响较小的通道分配较小权重；
[0046]
se模块的具体操作分为squeeze阶段与excitation阶段；
[0047]
squeeze阶段通过全局平均池化得到图片的全局特征信息，通过扩大感受野来得到整个通道的输出；
[0048]
excitation阶段通过fc全连接层，自主学习每个特征通道的重要性，根据重要性的不同赋予不同的权重，然后分别将这些权重与原始特征图进行相乘来得到最终特征展示。
[0049]
优选地，所述步骤s5具体包括以下步骤：
[0050]
s5.1、将转化得到的告警信息灰度图按比例随机划分为训练集和测试集；
[0051]
所述训练集和测试集的样本中都设有相应的标签；
[0052]
所述标签包括：单相接地短路，两相短路，两相接地短路，三相短路；
[0053]
s5.2、将训练集输入电网故障诊断模型对其进行训练，提取告警信息灰度图特征，经过反复地模型参数寻优和超参数调整后得到训练后的故障类型判别模型；
[0054]
s5.3、将测试集样本输入经由训练集训练和反复调参后得到的判别模型，最终输出混淆矩阵；
[0055]
所述混淆矩阵包括故障类型判别的准确率、精确率、召回率和f1值评价指标和故障类型判别结果。
[0056]
一种基于se-inception网络的电网故障诊断系统，所述系统用于实现所述的基于se-inception网络的电网故障诊断方法。
[0057]
本发明的有益效果在于，与现有技术相比：
[0058]
本发明利用深度学习网络将电网故障诊断转化为一个图形分类问题，通过对告警信息文本进行数据化处理及图形化处理，能够利用在处理图像分类问题上性能优异的se-inception网络来进行电网故障诊断，所构建的模型能够自主学习告警信息中的故障特征，并直接输出故障诊断结果，大幅度节约了人力成本。
[0059]
本发明无需引入大量描述保护系统行为的知识，仅需针对告警信息文本提取不同故障类型对应的图形特征，即可实现更便捷、更高准确率的电网故障诊断。
附图说明
[0060]
图1为本发明基于se-inception网络的电网故障诊断方法流程图；
[0061]
图2为本发明基于se-inception网络的电网故障诊断方法实施流程图；
[0062]
图3为本发明所述电网故障诊断模型的实施结构图；
[0063]
图4为本发明所述se-inception模块的实施结构图；
[0064]
图5为本发明所述softmax器分类原理图。
具体实施方式
[0065]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0066]
如图1-2所示，本发明的实施例1提供了一种基于se-inception网络的电网故障诊断方法，适用于故障信息源为电网故障告警信息的故障诊断系统，在本发明优选但非限制性的实施方式中，所述方法包括以下步骤：
[0067]
s1、从scada系统中采集电网故障时的告警信息文本，并对告警信息文本进行预处理，包括：
[0068]
s1.1、scada系统实时获取电网发生事故、运行状态越限或设备异常时，由监控设备产生的事件顺序记录(sequence of event，soe)；
[0069]
进一步优选地，所述事件顺序记录包括保护动作、断路器跳闸、电压越限及设备异常等告警信息。
[0070]
所述事件顺序记录中，将告警信息按照时间先后顺序进行记录，生成电网故障时的告警信息文本，即为告警信息集合。
[0071]
通过仿真软件批量生成告警信息样本；
[0072]
s1.2、从scada系统中采集所述告警信息文本，并对告警信息文本进行去重和标准化处理，构建为电网故障诊断模型的数据样本集。
[0073]
s1.2、从scada系统及仿真软件ts2000中采集所述告警信息文本，并对告警信息文本进行去重和标准化处理。
[0074]
同时包括scada系统及仿真软件ts2000这两种方式获得的数据，即有仿真生成的也有实际采集数据。
[0075]
s2、对预处理后的告警信息文本进行特征降维及排序，得到特征信息文本，将特征信息文本对应告警事件进行编码及归一化，形成告警事件字典，包括：
[0076]
s2.1、对s1预处理后的告警信息进行特征降维处理：
[0077]
对告警信息进行特征初筛，筛除无关特征及部分等价特征；
[0078]
s2.2、依据最大相关性和最小冗余性原则对剩余备选特征进行排序处理；
[0079]
进一步优选地，具体步骤如下：
[0080]
1)基于特征和事件的最大相关性排序，即计算maxdr，然后基于maxdr进行排序；
[0081]
公式如下：
[0082]
maxdr(xi,y),xi∈s
[0083]
式中，s为剩余备选特征集合；xi为第i条特征信息；y为线路故障事件；d为归一化后的相关性计算结果；
[0084]
2)对经过最大相关性排序的特征信息计算冗余性，并基于1)中最大相关性
[0085]
排序结果，进行最大相关最小冗余排序，公式如下：
[0086][0087]
式中，为特征xi的用于排序的相关性和冗余性计算差值；r(xi,y)为归一化后的冗余性计算结果；为对特征进行最大相关最小冗余排序的结果。
[0088]
s2.3、将经过s2.2排序的特征信息文本对应告警事件进行编码及归一化处理，形成告警事件字典。
[0089]
s3、将不同故障类型的告警信息转化为告警事件编码矩阵，并将告警事件编码矩阵转化为告警信息灰度图，包括：
[0090]
s3.1、对不同故障类型的告警信息中的特征信息文本依照步骤s2进行筛选及排序；
[0091]
s3.2、通过对告警信息的分析发现与故障事件相关度最高的前二十条告警信息足以体现告警信息中包含的故障类型特征，所以选择前20个，4*5的矩阵便于生成图片。
[0092]
取排在前20位的特征信息文本，根据告警事件字典将其转化为4
×
5阶告警事件编码矩阵：
[0093]
d(a)＝(a
ij
)4×5；
[0094]
其中，a
ij
表示不同告警事件对应编码；
[0095]
编码矩阵中各元素位置从左至右、自上而下对应的特征信息优先级逐次降低。
[0096]
s3.3、将告警事件编码矩阵转化为告警信息灰度图片，作为基于se-inception网络的电网故障诊断模型的输入样本。
[0097]
s3.3用matlab或者python都有相关的代码可以实现。
[0098]
s4、构建基于se-inception网络的电网故障诊断模型：
[0099]
进一步优选地，如图3所示，所述se-inception网络包括两个卷积层、两个池化层、一个se-inception层和一个全连接层；
[0100]
基于se-inception网络的电网故障诊断模型输入告警信息灰度图，通过卷积层和se-inception层进行特征提取输出特征图，通过池化层进行特征图维度压缩，全连接层将池化层输出的故障类别特征进行组合，然后送入softmax分类器对不同故障类型进行分类。
[0101]
所述se-inception层包括若干个se-inception模块；
[0102]
如图4所示，所述se-inception模块由squeeze-and-excitation(se)模块和inception模块结合组成；
[0103]
所述se模块类似于时间序列模型里的attention机制，为每个通道学习不同的权重系数，从而实现网络性能的优化；
[0104]
每个通道卷积核存在差异，导致学习到的特征各不相同；
[0105]
所述se模块通过学习获取每个特征通道的重要程度，找到特征重要的通道为其分配较大权重，而对分类结果影响较小的通道分配较小权重；
[0106]
所述inception模块通过卷积层的水平排布使网络变宽，可利用较浅的网络得到较好的模型能力，并进行多特征融合，同时更容易训练。
[0107]
se模块的具体操作主要分为squeeze阶段与excitation阶段；
[0108]
squeeze阶段主要通过全局平均池化得到图片的全局特征信息，通过扩大感受野来得到整个通道的输出；
[0109]
excitation阶段通过fc全连接层，自主学习每个特征通道的重要性，根据重要性的不同赋予不同的权重，然后分别将这些权重与原始特征图进行相乘来得到最终特征展示。
[0110]
softmax分类器的分类原理如图5所示，图5中xi表示全连接层输出的一维特征向量，ri表示输出的特征类别对应向量，softmax(ri)表示输出的特征类别对应概率，其中输出概率最大的元素所对应的特征类别即为判别结果。
[0111]
s5、将告警信息灰度图输入电网故障诊断模型，得出电网故障类型判别结果，实现电网故障诊断，具体包括以下步骤：
[0112]
s5.1、将转化得到的大量告警信息灰度图按8：2的比例随机划分为训练集和测试集；
[0113]
进一步优选地，所述训练集和测试集样本中都带有相应的标签；
[0114]
所述标签包括：单相接地短路，两相短路，两相接地短路，三相短路。
[0115]
s5.2、将训练集输入电网故障诊断模型对其进行训练，提取告警信息灰度图特征，经过反复地模型参数寻优和超参数调整后得到训练后的故障类型判别模型；
[0116]
s5.3、将测试集样本输入经由训练集训练和反复调参后得到的判别模型，最终输出混淆矩阵；
[0117]
所述混淆矩阵包括故障类型判别的准确率、精确率、召回率和f1值评价指标和故障类型判别结果。
[0118]
本发明的一种基于se-inception网络的电网故障诊断系统，用于实现上述的基于se-inception网络的电网故障诊断方法。
[0119]
本发明的有益效果在于，与现有技术相比：
[0120]
本发明利用深度学习网络将电网故障诊断转化为一个图形分类问题，通过对告警信息文本进行数据化处理及图形化处理，能够利用在处理图像分类问题上性能优异的se-inception网络来进行电网故障诊断，所构建的模型能够自主学习告警信息中的故障特征，并直接输出故障诊断结果，大幅度节约了人力成本。
[0121]
本发明无需引入大量描述保护系统行为的知识，仅需针对告警信息文本提取不同故障类型对应的图形特征，即可实现更便捷、更高准确率的电网故障诊断。
[0122]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。