本說明書實施例提供一種基于深度循環神經網絡的配用電故障檢測方法及系統，其中，所述方法包括獲取多個樣本，其中，樣本包括配電柜的多個監測點的樣本監測數據序列及配電柜運行狀態序列，樣本監測數據序列包括監測點在多個樣本時間點的樣本監測數據組，樣本監測數據組包括多種候選類型的監測數據，配電柜運行狀態序列包括配電柜在多個樣本時間點的運行狀態特征組；從多種候選類型中篩選多個目標類型；獲取配電柜的多個監測點的歷史監測數據序列；通過深度循環神經網絡基于配電柜的多個監測點的歷史監測數據序列確定配電柜的運行狀態，具有較為準確地判斷配電柜的運行狀態的優點。點。點。
【技術實現步驟摘要】
一種基于深度循環神經網絡的配用電故障檢測方法及系統
[0001]本說明書涉及電力系統領域，特別涉及一種基于深度循環神經網絡的配用電故障檢測方法及系統。
技術介紹
[0002]隨著傳感技術、自動化控制技術、通信網絡技術、分布式存儲技術、大數據分析和人工智能技術的發展，以及社會經濟和環境需求的巨大推動，電網也將真正實現與互聯網的深度融合，發展“智能電網”是電力行業的必然發展趨勢。電力系統規模日趨增大，電網結構日益復雜，系統故障引發后果越發嚴重國內外多次大停電事故造成了巨大的經濟損失和惡劣的社會影響。現階段，低壓配電柜在可靠性、安全性、智能控制、模塊化等方面的性能還有待提高。配電室運行的安全可靠性還只建立在值班電工的技能、責任心等不確定性的因素基礎上。申請號為CN202110621110.X的中國專利公開了一種智能配電柜故障搶修系統、方法及裝置，其中，所述系統包括：數據采集模塊、數據傳輸模塊、信息處理模塊、故障學習模塊，其中，數據采集模塊，用于配電柜(箱)及其周圍環境的多種異常數據采集；數據傳輸模塊，結合地理位置環境采用高速實時的數據傳輸方式，將配電柜(箱)的故障數據能夠實時共享給搶修人員，確保用戶的實時交互。并通過衛星通信方式為極端條件下的數據傳輸提供保障。信息處理模塊，采用機器學習算法對故障數據信息以及圖像信息進行數據分析，在識別到配電柜(箱)故障的基礎上識別出故障類型，并通過故障類型分析其故障等級。故障識別主要識別的故障類型包括異常發熱，異常電弧，灰塵堆積，電路故障斷電，電路異常短路，以及其他一些外部環境異常等。故障學習模塊，通過機器學習算法和數據挖掘技術對故障后機器沒有精準識別的數據進行學習，通過訓練獲取故障特征，從而增加系統的故障識別能力。該智能配電柜故障搶修系統，主要通過單個時間點采集的數據判斷配電柜是否發生故障，容易因數據采集模塊故障導致誤判。
[0003]因此，需要提供一種基于深度循環神經網絡的配用電故障檢測方法及系統，用于通過深度循環神經網絡基于一段時間的監測數據較為準確地判斷配電柜的運行狀態。
技術實現思路
[0004]本說明書實施例之一提供一種基于深度循環神經網絡的配用電故障檢測方法，包括：獲取多個樣本，其中，所述樣本包括配電柜的多個監測點的樣本監測數據序列及配電柜運行狀態序列，所述樣本監測數據序列包括所述監測點在多個樣本時間點的樣本監測數據組，所述樣本監測數據組包括多種候選類型的監測數據，所述配電柜運行狀態序列包括所述配電柜在所述多個樣本時間點的運行狀態特征組，所述運行狀態特征組包括多個運行特征；基于所述多個樣本的配電柜運行狀態序列，從所述多種候選類型中篩選多個目標類型；獲取所述配電柜的多個監測點的歷史監測數據序列，其中，所述歷史監測數據序列包括所述監測點在多個歷史時間點的監測數據組，所述監測數據組包括所述多個目標類型的監測數據；通過深度循環神經網絡基于所述配電柜的多個監測點的歷史監測數據序列確定所述
配電柜的運行狀態。
[0005]在一些實施例中，所述基于所述多個樣本的配電柜運行狀態序列，從所述多種候選類型中篩選多個目標類型，包括：基于所述多個樣本，確定每個所述候選類型的監測數據的候選分值；基于所述候選分值，從所述多種候選類型中篩選多個目標類型。
[0006]在一些實施例中，所述候選分值基于所述候選類型的監測數據與所述配電柜運行狀態的相關性及拉普拉斯評分確定。
[0007]在一些實施例中，所述獲取所述配電柜的多個監測點的歷史監測數據序列，包括：獲取配電柜的多個監測點的歷史原始監測數據序列，其中，所述歷史原始監測數據序列包括所述監測點在多個歷史時間點的原始監測數據組，所述原始監測數據組包括所述多個目標類型的原始監測數據；對所述歷史原始監測數據序列進行異常數據處理，獲取所述配電柜的多個監測點的歷史監測數據序列。
[0008]在一些實施例中，所述對所述歷史原始監測數據序列進行異常數據處理，獲取所述配電柜的多個監測點的歷史監測數據序列，包括：確定所述歷史原始監測數據序列中的異常原始監測數據組；對于每個所述異常原始監測數據組，以所述異常原始監測數據組為中心，通過預設長度的時間窗口，從所述歷史原始監測數據序列中截取用于校正所述異常原始監測數據組的多個原始監測數據組；通過數據校正模型基于所述用于校正所述異常原始監測數據組的多個原始監測數據組預測所述異常原始監測數據組對應的監測數據組；通過所述數據校正模型預測的所述異常原始監測數據組對應的監測數據組，在所述歷史原始監測數據序列中替換所述異常原始監測數據組。
[0009]在一些實施例中，所述深度循環神經網絡包括歷史狀態確定模型及未來狀態確定模型；所述歷史狀態確定模型用于基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的運行狀態。
[0010]在一些實施例中，所述通過深度循環神經網絡基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的運行狀態，包括：通過所述歷史狀態確定模型基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的歷史運行狀態；在所述歷史狀態確定模型確定所述配電柜的歷史運行狀態為非故障狀態時，通過所述未來狀態確定模型基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的未來運行狀態。
[0011]在一些實施例中，所述通過所述未來狀態確定模型基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的未來運行狀態，包括：所述未來狀態確定模型基于所述配電柜的多個監測點的歷史監測數據序列預測所述配電柜的多個監測點的未來監測數據序列；所述未來狀態確定模型基于所述配電柜的多個監測點的未來監測數據序列確定所述配電柜的未來運行狀態。
[0012]在一些實施例中，所述歷史狀態確定模型包括輸入層、特征提取層、注意力模塊以及分類層，其中，所述特征提取層至少包括單層BiLSTM、雙層BiLSTM、三層BiLSTM。
[0013]本說明書實施例之一提供一種基于深度循環神經網絡的配用電故障檢測系統，包括：樣本獲取模塊，用于獲取多個樣本，其中，所述樣本包括配電柜的多個監測點的樣本監測數據序列及配電柜運行狀態序列，所述樣本監測數據序列包括所述監測點在多個樣本時間點的樣本監測數據組，所述樣本監測數據組包括多種候選類型的監測數據，所述配電柜運行狀態序列包括所述配電柜在所述多個樣本時間點的運行狀態特征組，所述運行狀態特
征組包括多個運行特征；數據篩選模塊，用于基于所述多個樣本的配電柜運行狀態序列，從所述多種候選類型中篩選多個目標類型；數據獲取模塊，用于獲取所述配電柜的多個監測點的歷史監測數據序列，其中，所述歷史監測數據序列包括所述監測點在多個歷史時間點的監測數據組，所述監測數據組包括所述多個目標類型的監測數據；狀態確定模塊，用于通過深度循環神經網絡基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的運行狀態。
附圖說明
[0014]本說明書將以示例性實施例的方式進一步說明，這些示例性實施例將通過附圖進行詳細描述。這些實施例并非限制性的，在這些實施例中，相同的編本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于深度循環神經網絡的配用電故障檢測方法，其特征在于，包括：獲取多個樣本，其中，所述樣本包括配電柜的多個監測點的樣本監測數據序列及配電柜運行狀態序列，所述樣本監測數據序列包括所述監測點在多個樣本時間點的樣本監測數據組，所述樣本監測數據組包括多種候選類型的監測數據，所述配電柜運行狀態序列包括所述配電柜在所述多個樣本時間點的運行狀態特征組，所述運行狀態特征組包括多個運行特征；基于所述多個樣本的配電柜運行狀態序列，從所述多種候選類型中篩選多個目標類型；獲取所述配電柜的多個監測點的歷史監測數據序列，其中，所述歷史監測數據序列包括所述監測點在多個歷史時間點的監測數據組，所述監測數據組包括所述多個目標類型的監測數據；通過深度循環神經網絡基于所述配電柜的多個監測點的歷史監測數據序列確定所述配電柜的運行狀態。2.如權利要求1所述的基于深度循環神經網絡的配用電故障檢測方法，其特征在于，所述基于所述多個樣本的配電柜運行狀態序列，從所述多種候選類型中篩選多個目標類型，包括：基于所述多個樣本，確定每個所述候選類型的監測數據的候選分值；基于所述候選分值，從所述多種候選類型中篩選多個目標類型。3.如權利要求2所述的基于深度循環神經網絡的配用電故障檢測方法，其特征在于，所述候選分值基于所述候選類型的監測數據與所述配電柜運行狀態的相關性及拉普拉斯評分確定。4.如權利要求1
?
3任意一項所述的基于深度循環神經網絡的配用電故障檢測方法，其特征在于，所述獲取所述配電柜的多個監測點的歷史監測數據序列，包括：獲取配電柜的多個監測點的歷史原始監測數據序列，其中，所述歷史原始監測數據序列包括所述監測點在多個歷史時間點的原始監測數據組，所述原始監測數據組包括所述多個目標類型的原始監測數據；對所述歷史原始監測數據序列進行異常數據處理，獲取所述配電柜的多個監測點的歷史監測數據序列。5.如權利要求4所述的基于深度循環神經網絡的配用電故障檢測方法，其特征在于，所述對所述歷史原始監測數據序列進行異常數據處理，獲取所述配電柜的多個監測點的歷史監測數據序列，包括：確定所述歷史原始監測數據序列中的異常原始監測數據組；對于每個所述異常原始監測數據組，以所述異常原始監測數據組為中心，通過預設長度的時間窗口，從所述歷史原始監測數據序列中截取用于校正所述異常原始監測數據組的多個原始監測數據組；通過數據校正模型基于所述用于校正所述異常原始監測數據組的多個原始監測數據組預測所述異常原始監測數據組對應的監測數據組；通過所述數據校正模型預測的所述異常原始監測數據組對應的監測數據組，在所述歷史原始監測數據序列...
【專利技術屬性】
技術研發人員：朱家祿，謝洪潮，武明虎，趙楠，張立輝，呂仁冰，
申請(專利權)人：盛隆電氣集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。