一种基于自编码器的电网故障线路判定方法及系统与流程

1.本发明属于电网故障线路判定技术领域，具体涉及一种基于自编码器的电网故障线路判定方法及系统。


背景技术：

2.随着电力、电网技术的飞速发展，电网规模的不断扩大，电网信息系统的应用更加广泛，其稳定运行关系到电网的良性运行以及用电用户的切身利益。在电力系统中，引起故障的因素包罗万象，故障分析已经成为电网调度中心的必备工作。在对电网信息故障情况进行评估时，对故障元件及故障线路进行及时、有效地判别和切除是调控运行电网的关键环节，这时对故障设备的准确定位就显得尤为重要。
3.电网故障原因复杂，开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难，所以需要从更深入的层面表征电网故障，并对故障设备进行定位。
4.然而现阶段，电力监控系统、安全防护系统缺少智能监测和管理手段，缺少故障统计和预测分析功能。随着人工智能算法和大数据技术的发展，有效的利用数据已经成为科学研究的趋势。


技术实现要素：

5.为了能够有效地利用现有的故障信息数据，解决人工手动排查定位工作量大且效率低下的问题。本发明提出了一种基于自编码器的电网故障线路判定方法。本发明利用pmu数据训练集训练自编码器神经网络来建立区分正常线路和故障线路的神经网络模型，并根据模型输入和输出的loss(损失值)是否在设定的阈值内对输电线路进行故障判定。
6.本发明通过下述技术方案实现：
7.一种基于自编码器的电网故障线路判定方法，该方法包括以下步骤：
8.步骤s1，采用ieee39节点模型仿真实验获取pmu数据；
9.步骤s2，将获取的pmu数据划分为训练集和测试集，并对训练集和测试集进行数据处理；
10.步骤s3，采用经过数据处理之后的训练集对自编码器神经网络进行训练；
11.步骤s4，采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。
12.优选的，本发明的步骤s1获取的pmu数据包括输电线路两端的三相电流幅值、相角、无功功率和有功功率，每一条输电线路数据包含24个电气量。
13.优选的，本发明的步骤s2的训练集均为正常输电线路的数据，测试集包括正常输电线路的数据和故障输电线路的数据。
14.优选的，本发明的步骤s2中对训练集和测试集进行数据处理具体为：
15.将获取的正常输电线路数据形式设置为每一条正常线路的24个电气量e1,e2,
e3
……
e24在0s,0.01s,0.02s
……
3s内每隔0.01s的电气量特征；
16.将获取的故障输电线路数据形式设置为每一条故障线路的24个电气量e1,e2,e3
……
e24在0s,0.01s,0.02s
……
1.5s内每隔0.01s的电气量特征；
17.按照数据形式将每一条线路的数据组成时间序列，并在该序列末端加入一个标签。
18.优选的，本发明的步骤s3的训练过程具体为：
19.将经过数据处理之后的训练集作为输入x输入到自编码器，经过编码器实现对数据的降维；
20.将降维后的数据经过隐藏层进行数据表征后，经过解码器实现数据升维后输出y；经过一个编码解码过程实现了对输入数据的压缩和复现过程，得到输入数据的最佳隐层表达形式；
21.经过多次循环直到输入x和输出y之间的损失值保持在阈值范围内。
22.优选的，本发明的步骤s4实现定位具体为：
23.当一输电线路的数据经过训练好的自编码器神经网络进行测试得到的输出和输入之间的损失值小于阈值，则该输电线路为正常输电线路；否则该输电线路为故障输电线路。
24.优选的，本发明的阈值为0.01。
25.优选的，本发明的方法还包括：
26.步骤s5，将测试结果以混淆矩阵的形式进行分类输出。
27.优选的，本发明的步骤s5的混淆矩阵中以数值为1.00的黑色方块表示电网故障线路判定的准确率为100％；以数值为0.00的白色方块表示没有测试到的输电线路。
28.另一方面，本发明还提出了一种基于自编码器的电网故障线路判定系统，该系统包括数据获取模块、数据处理模块、模型训练模块和测试模块；
29.所述数据获取模块采用ieee39节点模型仿真实验获取pmu数据；
30.所述数据处理模块用于将获取的pmu数据划分为训练集和测试集，并对训练集和测试集进行数据处理；
31.所述模型训练模块采用经过数据处理之后的训练集对自编码器神经网络进行训练；
32.所述测试模块采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。
33.本发明具有如下的优点和有益效果：
34.1、本发明提出了基于自编码器神经网络模型实现对输电电路故障定位的方法，自编码器在训练的同时实现了对整个神经网络权值的初始化，将处理后的数据输入到神经网络实现了对高维数据的降维，并且混淆矩阵的表达直观且详细，很容易就能锁定故障线路。
35.2、本发明提出的方法具有一定的抗噪能力，在提取多种电气量特征的情况下依旧能够对电网故障线路进行准确定位，可见本发明鲁棒性较强而且本发明不易受到环境、地形、气候等条件的限制，具有普遍适用性。
附图说明
36.此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
37.图1为本发明的方法流程框图。
38.图2为本发明的数据处理变化示意图。
39.图3为本发明的自编码器神经网络模型结构示意图。
40.图4为本发明的训练流程示意图。
41.图5为本发明的测试流程示意图。
42.图6为本发明的测试输出结果混淆矩阵。
43.图7为本发明的系统原理框图。
具体实施方式
44.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
45.实施例1
46.为了解决现有人工手动排查定位线路故障技术存在工作量大且效率低下的问题，本实施例提出了一种基于自编码器的电网故障线路判定方法。本实施例通过digsilent采用ieee 39节点模型仿真实验获取pmu数据(包含输电线路两端abc三相电流幅值和相角以及无功功率和有功功率)，然后将获取的pmu数据分为训练集和测试集并进行数据处理，将训练集输入自编码器对神经网络进行训练，训练完毕后将测试集输入训练好的神经网络进行测试，从而实现电网故障线路的定位。
47.具体如图1所示，本实施例的方法包括以下步骤：
48.s1、采用ieee 39节点模型仿真实验获取pmu数据。
49.本实施例通过digsilent采用ieee 39节点模型仿真实验获取pmu数据，获得的pmu数据包括输电线路两端的abc三相电流幅值、相角、无功功率和有功功率，一条线路数据包含24个电气量。其中获取的输电线路数据既包含正常线路数据也包含故障线路数据。
50.s2、将获取的pmu数据分为训练集和测试集两部分，并对训练集和测试集进行数据处理。
51.本实施例将pmu数据中正常线路的数据划分为训练集，然后将部分正常线路和故障线路数据组合成测试集。如图2所示，对训练集和测试集进行数据处理，正常线路获取的数据形式设置为每一条线路的24个电气量e1,e2,e3
……
e24在0s,0.01s,0.02s
……
3s内每隔0.01s的电气量特征，仿真实验设定故障线路在1s时发生故障并且在1.5s时切除故障，因此故障线路获取的数据形式设置为每一条故障线路的24个电气量在0s,0.01s,0.02s
……
1.5s内每隔0.01s的电气量特征。按照上述数据形式对每一条线路的数据进行处理后将数据组成时间序列，并且在该序列末端加入一个label，label中“1”代表正常线路，“0”代表故障线路。
52.s3、将经过处理后的训练集输入自编码器神经网络进行训练。
53.本实施例的自编码器(ae)神经网络模型中只有数据输入而没有期望输出，为了完
成对自编码器神经网络的训练，仍需构造损失函数，在自编码器中假定期望输出与输入相同，这样编码解码的过程也就实现了对输入信号的压缩和复现过程，从而得到了输入数据的最佳隐层表达形式，使用均方误差构造其损失函数如下式所示：
[0054][0055]
式中：y为输出；x为输入。
[0056]
本实施例的训练过程如下：将经过数据处理后的训练集数据输入自编码器神经网络，对神经网络进行训练，经过多次循环直到x与y之间的loss保持在设定的阈值0.01内。
[0057]
具体如图3-4所示，本实施例将训练集作为输入x输入自编码器，首先经过编码实现对数据的降维，降维后的数据经过隐藏层进行数据表征后经过解码器实现数据升维然后输出为y。经过这样一个编码解码的过程就实现了对输入信号的压缩和复现过程，得到输入数据的最佳隐层表达形式。经过多次循环直到x与y之间的loss保持在设定的阈值0.01内。
[0058]
s4、将测试集输入训练好的神经网络进行测试，根据loss是否在阈值内实现对故障输电线路的定位。
[0059]
具体如图5所示，本实施例的测试过程为：训练完成之后将之前经过数据处理后的测试集输入训练好的神经网络进行测试，如果神经网络输出与输入之间的损失值小于阈值0.01，则判定线路正常，否则判定线路故障。由于训练集都是正常线路的数据，而测试集既包含正常线路的数据又包含故障线路的数据，所以当故障线路数据输入训练好的神经网络后输入与输出间的loss超出设定的阈值，由此实现对故障线路的定位。
[0060]
例如：对于正常输电线路l1和故障输电线路l2进行电网故障线路的定位，测试输出与输入之间的损失值如下所示：
[0061][0062]
其中，loss1是线路l1经过测试所得loss值，loss2是线路l2经过测试所得loss值，0.01为设定的阈值。
[0063]
本实施例还通过混淆矩阵来表达测试输出结果，更加直观，且便于定位故障线路。
[0064]
s5、将测试输出的分类结果以混淆矩阵的形式表达。
[0065]
本实施例采用上述方法进行电网故障线路判定结果如图6所示，其中，数值为1.00的黑色方块表示此次试验对电网故障线路判定的准确率为100％，数值为0.00的白色方块表示没有测试到的输电线路。仿真结果表明本实施例提出的方法能够快速准确地实现对电网故障线路的定位。
[0066]
实施例2
[0067]
基于上述实施例提出的方法，本实施例还提出了一种基于自编码器的电网故障线路判定系统。
[0068]
具体如图7所示，本实施例的系统包括数据获取模块、数据处理模块、模型训练模块、测试模块和输出模块；
[0069]
本实施例的数据获取模块采用ieee39节点模型仿真实验获取pmu数据；
[0070]
本实施例的数据处理模块用于将获取的pmu数据划分为训练集和测试集，并对训
练集和测试集进行数据处理；
[0071]
本实施例的模型训练模块采用经过数据处理之后的训练集对自编码器神经网络进行训练；
[0072]
本实施例的测试模块采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。
[0073]
本实施例的系统还包括输出模块，本实施例的输出模块将测试结果以混淆矩阵的形式进行分类输出。可更加直观的展示定位结果，便于锁定故障线路。
[0074]
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0075]
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0076]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0077]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0078]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于自编码器的电网故障线路判定方法，其特征在于，该方法包括以下步骤：步骤s1，采用ieee39节点模型仿真实验获取pmu数据；步骤s2，将获取的pmu数据划分为训练集和测试集，并对训练集和测试集进行数据处理；步骤s3，采用经过数据处理之后的训练集对自编码器神经网络进行训练；步骤s4，采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。2.根据权利要求1所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述步骤s1获取的pmu数据包括输电线路两端的三相电流幅值、相角、无功功率和有功功率，每一条输电线路数据包含24个电气量。3.根据权利要求1所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述步骤s2的训练集均为正常输电线路的数据，测试集包括正常输电线路的数据和故障输电线路的数据。4.根据权利要求1所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述步骤s2中对训练集和测试集进行数据处理具体为：将获取的正常输电线路数据形式设置为每一条正常线路的24个电气量e1,e2,e3
……
e24在0s,0.01s,0.02s
……
3s内每隔0.01s的电气量特征；将获取的故障输电线路数据形式设置为每一条故障线路的24个电气量e1,e2,e3
……
e24在0s,0.01s,0.02s
……
1.5s内每隔0.01s的电气量特征；按照数据形式将每一条线路的数据组成时间序列，并在该序列末端加入一个标签。5.根据权利要求1所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述步骤s3的训练过程具体为：将经过数据处理之后的训练集作为输入x输入到自编码器，经过编码器实现对数据的降维；将降维后的数据经过隐藏层进行数据表征后，经过解码器实现数据升维后输出y；经过一个编码解码过程实现了对输入数据的压缩和复现过程，得到输入数据的最佳隐层表达形式；经过多次循环直到输入x和输出y之间的损失值保持在阈值范围内。6.根据权利要求1所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述步骤s4实现定位具体为：当一输电线路的数据经过训练好的自编码器神经网络进行测试得到的输出和输入之间的损失值小于阈值，则该输电线路为正常输电线路；否则该输电线路为故障输电线路。7.根据权利要求6所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所述阈值为0.01。8.根据权利要求1-7任一项所述的一种基于自编码器的电网故障线路判定方法，其特征在于，该方法还包括：步骤s5，将测试结果以混淆矩阵的形式进行分类输出。9.根据权利要求8所述的一种基于自编码器的电网故障线路判定方法，其特征在于，所
述步骤s5的混淆矩阵中以数值为1.00的黑色方块表示电网故障线路判定的准确率为100％；以数值为0.00的白色方块表示没有测试到的输电线路。10.一种基于自编码器的电网故障线路判定系统，其特征在于，该系统包括数据获取模块、数据处理模块、模型训练模块和测试模块；所述数据获取模块采用ieee39节点模型仿真实验获取pmu数据；所述数据处理模块用于将获取的pmu数据划分为训练集和测试集，并对训练集和测试集进行数据处理；所述模型训练模块采用经过数据处理之后的训练集对自编码器神经网络进行训练；所述测试模块采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。
技术总结
本发明公开了一种基于自编码器的电网故障线路判定方法及系统，本发明的方法包括以下步骤：采用IEEE39节点模型仿真实验获取PMU数据；将获取的PMU数据划分为训练集和测试集，并对训练集和测试集进行数据处理；采用经过数据处理之后的训练集对自编码器神经网络进行训练；采用经过数据处理之后的测试集对训练好的自编码器神经网络进行测试，根据训练好的自编码器神经网络输入和输出之间的损失值是否超出阈值实现对故障输电线路的定位。本发明能够有效地利用现有的故障信息数据，解决人工手动排查定位工作量大且效率低下的问题。排查定位工作量大且效率低下的问题。排查定位工作量大且效率低下的问题。


技术研发人员：朱鑫 丁宣文 滕予非 刘明忠 龙呈 代宇涵 张鹏 张纯 胡蓉 周文越 孙永超
受保护的技术使用者：国网四川省电力公司电力科学研究院
技术研发日：2020.11.17
技术公布日：2021/3/9