本發(fā)明涉及機(jī)器學(xué)習(xí)，具體涉及一種基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)系統(tǒng)及方法。

背景技術(shù)：

1、電網(wǎng)故障預(yù)測(cè)是確保電力系統(tǒng)穩(wěn)定運(yùn)行、提高供電可靠性和減少停電損失的重要手段，通過集成大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)、人工智能等先進(jìn)技術(shù)，可以實(shí)現(xiàn)對(duì)電網(wǎng)故障的早期預(yù)警和預(yù)防性維護(hù)。

2、專利申請(qǐng)?zhí)枮閏n202410799649.8的專利，其在說明書中記載有“本發(fā)明公開了基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)方法及系統(tǒng)，涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，該方法包括：獲得電網(wǎng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)；獲得預(yù)設(shè)歷史時(shí)區(qū)；根據(jù)所述預(yù)設(shè)歷史時(shí)區(qū)對(duì)所述電網(wǎng)進(jìn)行故障記錄采集，獲得電網(wǎng)故障記錄庫；基于機(jī)器學(xué)習(xí)，根據(jù)所述電網(wǎng)故障記錄庫，構(gòu)建電網(wǎng)故障預(yù)測(cè)模型；將所述實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)輸入所述電網(wǎng)故障預(yù)測(cè)模型，輸出電網(wǎng)故障預(yù)測(cè)結(jié)果。本發(fā)明解決了現(xiàn)有技術(shù)中電網(wǎng)故障預(yù)測(cè)準(zhǔn)確率低下，缺乏智能化管理，電網(wǎng)運(yùn)行安全性和穩(wěn)定性不足的技術(shù)問題，達(dá)到了提高了電網(wǎng)故障預(yù)測(cè)的準(zhǔn)確性，增強(qiáng)了電網(wǎng)運(yùn)行的安全性和穩(wěn)定性，促進(jìn)了電網(wǎng)的智能化管理技術(shù)效果”，上述技術(shù)在實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和故障記錄采集過程中，會(huì)遇到數(shù)據(jù)缺失、噪聲干擾或不一致的情況，且電網(wǎng)故障數(shù)據(jù)的復(fù)雜性和多樣性，使得數(shù)據(jù)清洗過程十分耗時(shí)和容易出錯(cuò)，尤其是在不同來源的傳感器數(shù)據(jù)合并時(shí)，另外現(xiàn)有預(yù)測(cè)模型往往針對(duì)特定類型故障優(yōu)化，缺乏適應(yīng)不同電網(wǎng)環(huán)境或復(fù)雜故障場(chǎng)景的能力。

3、綜上所述，研發(fā)一種基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)系統(tǒng)及方法，仍是機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域中亟須解決的關(guān)鍵問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在上述技術(shù)在實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)和故障記錄采集過程中，會(huì)遇到數(shù)據(jù)缺失、噪聲干擾或不一致的情況，且電網(wǎng)故障數(shù)據(jù)的復(fù)雜性和多樣性，使得數(shù)據(jù)清洗過程十分耗時(shí)和容易出錯(cuò)，尤其是在不同來源的傳感器數(shù)據(jù)合并時(shí)，另外現(xiàn)有預(yù)測(cè)模型往往針對(duì)特定類型故障優(yōu)化，缺乏適應(yīng)不同電網(wǎng)環(huán)境或復(fù)雜故障場(chǎng)景的能力的問題，本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)系統(tǒng)及方法。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：

3、本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)系統(tǒng)，包括：數(shù)據(jù)獲取模塊，實(shí)時(shí)采集電網(wǎng)各個(gè)節(jié)點(diǎn)的多維度數(shù)據(jù)，同時(shí)從已使用3年以上的電網(wǎng)環(huán)境中采集歷史數(shù)據(jù)；

4、數(shù)據(jù)處理模塊，通過邊緣設(shè)備分布式對(duì)所述多維度數(shù)據(jù)進(jìn)行預(yù)處理得到高質(zhì)量數(shù)據(jù)，同時(shí)從所述高質(zhì)量數(shù)據(jù)和歷史數(shù)據(jù)中提取故障數(shù)據(jù)；

5、故障預(yù)測(cè)模塊，利用機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)，根據(jù)所述故障數(shù)據(jù)，構(gòu)建自適應(yīng)故障預(yù)測(cè)模型；

6、結(jié)果輸出模塊，基于所述自適應(yīng)故障預(yù)測(cè)模型，根據(jù)所述高質(zhì)量數(shù)據(jù)預(yù)測(cè)電網(wǎng)未來的運(yùn)行狀態(tài)。

7、進(jìn)一步地，數(shù)據(jù)獲取模塊包括：

8、通過布置各類傳感器在電網(wǎng)的關(guān)鍵節(jié)點(diǎn)上實(shí)時(shí)采集各個(gè)關(guān)鍵節(jié)點(diǎn)的本地?cái)?shù)據(jù)，將各個(gè)關(guān)鍵節(jié)點(diǎn)的所述本地?cái)?shù)據(jù)集合后得到多維度數(shù)據(jù)，通過訪問電網(wǎng)公司、科研機(jī)構(gòu)或第三方數(shù)據(jù)提供商的數(shù)據(jù)庫，采集已使用3年以上的電網(wǎng)環(huán)境中的故障記錄、運(yùn)行狀態(tài)、負(fù)載波動(dòng)和氣候變化的歷史數(shù)據(jù)；

9、數(shù)據(jù)處理模塊包括：

10、通過在電網(wǎng)的各個(gè)節(jié)點(diǎn)布置邊緣設(shè)備對(duì)所述多維度數(shù)據(jù)進(jìn)行對(duì)進(jìn)行數(shù)據(jù)處理得到高質(zhì)量數(shù)據(jù)，各個(gè)邊緣節(jié)點(diǎn)處理其所述本地?cái)?shù)據(jù)，通過對(duì)所述高質(zhì)量數(shù)據(jù)，進(jìn)行時(shí)域和頻域分析，提取出能反映電網(wǎng)狀態(tài)變化的特征，采用自回歸滑動(dòng)平均提取電網(wǎng)狀態(tài)的變化趨勢(shì)，根據(jù)歷史數(shù)據(jù)進(jìn)行分析提取出a，b，...,n類型故障的特征，同時(shí)對(duì)歷史數(shù)據(jù)中發(fā)生故障時(shí)的環(huán)境因素進(jìn)行分析。

11、進(jìn)一步地，故障預(yù)測(cè)模塊包括：

12、通過所述故障數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行訓(xùn)練，學(xué)習(xí)故障與非故障模式之間的關(guān)系和處理非線性關(guān)系，從而構(gòu)建自適應(yīng)故障預(yù)測(cè)模型，并在每次接收到新數(shù)據(jù)時(shí)，增量更新所述自適應(yīng)故障預(yù)測(cè)模型的權(quán)重，同時(shí)通過在線監(jiān)控和預(yù)測(cè)結(jié)果反饋進(jìn)行自動(dòng)糾正預(yù)測(cè)誤差，當(dāng)發(fā)現(xiàn)預(yù)測(cè)誤差時(shí)，自動(dòng)調(diào)整所述自適應(yīng)故障預(yù)測(cè)模型的超參數(shù)；

13、結(jié)果輸出模塊包括：

14、將所述高質(zhì)量數(shù)據(jù)輸入進(jìn)已經(jīng)訓(xùn)練完成的所述自適應(yīng)故障預(yù)測(cè)模型中，預(yù)測(cè)電網(wǎng)未來1小時(shí)至3小時(shí)內(nèi)會(huì)發(fā)生故障時(shí)，所述自適應(yīng)故障預(yù)測(cè)模型會(huì)自動(dòng)定位異常數(shù)據(jù)源頭后模擬電網(wǎng)故障后的表現(xiàn)以及故障擴(kuò)散的過程，并生成預(yù)警信號(hào)作為預(yù)測(cè)結(jié)果進(jìn)行輸出。

15、進(jìn)一步地，數(shù)據(jù)獲取模塊的工作流程為：

16、通過布置各類傳感器在電網(wǎng)的關(guān)鍵節(jié)點(diǎn)上實(shí)時(shí)采集本地?cái)?shù)據(jù)，將各個(gè)關(guān)鍵節(jié)點(diǎn)的所述本地?cái)?shù)據(jù)集合后得到多維度數(shù)據(jù)，設(shè)多維度數(shù)據(jù)為，其中是電流數(shù)據(jù)，是電壓數(shù)據(jù)，是溫濕度數(shù)據(jù)，是振動(dòng)數(shù)據(jù)，是頻率數(shù)據(jù)，是時(shí)間索引，通過訪問電網(wǎng)公司、科研機(jī)構(gòu)或第三方數(shù)據(jù)提供商的數(shù)據(jù)庫，采集其他電網(wǎng)環(huán)境下的故障記錄、運(yùn)行狀態(tài)、負(fù)載波動(dòng)和氣候變化的歷史數(shù)據(jù)，設(shè)歷史數(shù)據(jù)為，，其中是歷史傳感器數(shù)據(jù)，是歷史故障記錄，是負(fù)載波動(dòng)數(shù)據(jù)，是氣候變化數(shù)據(jù)，是時(shí)間索引。

17、進(jìn)一步地，數(shù)據(jù)處理模塊的工作流程為：

18、在電網(wǎng)各節(jié)點(diǎn)布置邊緣設(shè)備對(duì)采集到的所述多維度數(shù)據(jù)進(jìn)行處理，處理步驟包括噪聲去除、缺失數(shù)據(jù)填補(bǔ)和異常檢測(cè)，使用時(shí)域和頻域分析提取反映電網(wǎng)狀態(tài)變化的特征，分析所述歷史數(shù)據(jù)中故障類型的特征以及環(huán)境因素對(duì)故障的影響，噪聲去除公式：，其中是在時(shí)間點(diǎn)的多維度數(shù)據(jù)，是噪聲成分，是去除噪聲后的清潔數(shù)據(jù)，缺失數(shù)據(jù)填補(bǔ)公式：，其中是在缺失數(shù)據(jù)填補(bǔ)之前的數(shù)據(jù)，是缺失數(shù)據(jù)填補(bǔ)操作，異常檢測(cè)公式：，其中是高質(zhì)量數(shù)據(jù)，是異常檢測(cè)算法，時(shí)域分析公式：，其中分別是自回歸和滑動(dòng)平均部分的階數(shù)，是高質(zhì)量數(shù)據(jù)，是表示電網(wǎng)狀態(tài)隨時(shí)間的變化趨勢(shì)，是自回歸滑動(dòng)平均模型，頻域分析公式：，其中是高質(zhì)量數(shù)據(jù)，是快速傅里葉變換用于將時(shí)域數(shù)據(jù)轉(zhuǎn)換為頻域數(shù)據(jù)，是經(jīng)過傅里葉變換后得到的頻域特征，故障模式分析公式：，其中是故障類型的特征，是高質(zhì)量數(shù)據(jù)，是環(huán)境數(shù)據(jù)，是故障模式預(yù)測(cè)函數(shù)。

19、進(jìn)一步地，故障預(yù)測(cè)模塊的工作流程為：

20、基于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)處理后的高質(zhì)量數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)故障與非故障模式之間的關(guān)系，處理非線性關(guān)系，構(gòu)建自適應(yīng)故障預(yù)測(cè)模型，在每次接收到新數(shù)據(jù)時(shí)，增量更新自適應(yīng)故障預(yù)測(cè)模型的權(quán)重，并通過在線監(jiān)控和預(yù)測(cè)結(jié)果反饋進(jìn)行自我糾正，當(dāng)出現(xiàn)預(yù)測(cè)誤差時(shí)，自動(dòng)調(diào)整自適應(yīng)故障預(yù)測(cè)模型的超參數(shù)，自適應(yīng)故障預(yù)測(cè)模型：，其中是在時(shí)間時(shí)刻模型的預(yù)測(cè)輸出，是模型函數(shù)表示一個(gè)機(jī)器學(xué)習(xí)模型或深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)函數(shù)，是時(shí)間時(shí)刻的高質(zhì)量數(shù)據(jù)，是模型參數(shù)，是自適應(yīng)故障預(yù)測(cè)模型，增量更新公式：，其中是模型在前一時(shí)刻的參數(shù)，是模型在接收到新數(shù)據(jù)后更新后的參數(shù)，是增量更新值，超參數(shù)自動(dòng)調(diào)整公式：，其中是學(xué)習(xí)率，是更新后的學(xué)習(xí)率，是調(diào)整系數(shù)，是在時(shí)刻上計(jì)算出的預(yù)測(cè)誤差。

21、進(jìn)一步地，結(jié)果輸出模塊的工作流程為：

22、將高質(zhì)量數(shù)據(jù)輸入到訓(xùn)練完成的自適應(yīng)故障預(yù)測(cè)模型中，預(yù)測(cè)未來1小時(shí)至3小時(shí)內(nèi)是否發(fā)生故障，自動(dòng)定位異常數(shù)據(jù)源頭，模擬電網(wǎng)故障后的表現(xiàn)及故障擴(kuò)散過程，生成預(yù)警信號(hào)，并輸出故障預(yù)測(cè)結(jié)果，故障定位與擴(kuò)散模擬公式：，其中是當(dāng)前電網(wǎng)的狀態(tài)向量表示在時(shí)間時(shí)刻的電網(wǎng)狀態(tài)，是時(shí)間時(shí)刻發(fā)生故障后的電網(wǎng)狀態(tài)，是在時(shí)間時(shí)刻的多維度數(shù)據(jù)向量用于預(yù)測(cè)故障的發(fā)生和擴(kuò)散，是在時(shí)間時(shí)刻的環(huán)境因素向量，是故障擴(kuò)散模型函數(shù)用于根據(jù)當(dāng)前電網(wǎng)狀態(tài)、傳感器數(shù)據(jù)和環(huán)境因素預(yù)測(cè)故障后電網(wǎng)的狀態(tài)，生成預(yù)警信號(hào)公式：，其中是在時(shí)間時(shí)刻的故障預(yù)測(cè)值由訓(xùn)練完成的故障預(yù)測(cè)模型輸出表示當(dāng)前時(shí)刻發(fā)生故障的概率或風(fēng)險(xiǎn)程度，是故障概率閾值用來判斷是否需要觸發(fā)預(yù)警信號(hào)，是預(yù)警信號(hào)若則觸發(fā)預(yù)警，輸出1，表示故障即將發(fā)生；否則輸出0，表示沒有故障風(fēng)險(xiǎn)。

23、另一方面，本發(fā)明還提供了一種基于機(jī)器學(xué)習(xí)的電網(wǎng)故障預(yù)測(cè)方法，其包括以下步驟：

24、s1、實(shí)時(shí)采集電網(wǎng)各個(gè)節(jié)點(diǎn)的多維度數(shù)據(jù)，同時(shí)從已使用3年以上的電網(wǎng)環(huán)境中采集歷史數(shù)據(jù)；

25、s2、通過邊緣設(shè)備分布式對(duì)所述多維度數(shù)據(jù)進(jìn)行預(yù)處理得到高質(zhì)量數(shù)據(jù)，同時(shí)從所述高質(zhì)量數(shù)據(jù)和歷史數(shù)據(jù)中提取故障數(shù)據(jù)；

26、s3、利用機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)，根據(jù)所述故障數(shù)據(jù)，構(gòu)建自適應(yīng)故障預(yù)測(cè)模型；

27、s4、基于所述自適應(yīng)故障預(yù)測(cè)模型，根據(jù)所述高質(zhì)量數(shù)據(jù)預(yù)測(cè)電網(wǎng)未來的運(yùn)行狀態(tài)。

28、進(jìn)一步地，在步驟s1中，實(shí)時(shí)采集電網(wǎng)各個(gè)節(jié)點(diǎn)的多維度數(shù)據(jù)，同時(shí)從其他電網(wǎng)環(huán)境采集歷史數(shù)據(jù)的方法為：

29、通過布置各類傳感器在電網(wǎng)的關(guān)鍵節(jié)點(diǎn)上實(shí)時(shí)采集各個(gè)關(guān)鍵節(jié)點(diǎn)的本地?cái)?shù)據(jù)，將各個(gè)關(guān)鍵節(jié)點(diǎn)的所述本地?cái)?shù)據(jù)集合后得到多維度數(shù)據(jù)，通過訪問電網(wǎng)公司、科研機(jī)構(gòu)或第三方數(shù)據(jù)提供商的數(shù)據(jù)庫，采集已使用3年以上的電網(wǎng)環(huán)境中的故障記錄、運(yùn)行狀態(tài)、負(fù)載波動(dòng)和氣候變化的歷史數(shù)據(jù)；

30、在步驟s2中，通過邊緣設(shè)備分布式對(duì)所述多維度數(shù)據(jù)進(jìn)行預(yù)處理得到高質(zhì)量數(shù)據(jù)，同時(shí)從所述高質(zhì)量數(shù)據(jù)和歷史數(shù)據(jù)中提取故障數(shù)據(jù)的方法為：

31、通過在電網(wǎng)的各個(gè)節(jié)點(diǎn)布置邊緣設(shè)備對(duì)所述多維度數(shù)據(jù)進(jìn)行對(duì)進(jìn)行數(shù)據(jù)處理得到高質(zhì)量數(shù)據(jù)，各個(gè)邊緣節(jié)點(diǎn)處理其所述本地?cái)?shù)據(jù)，通過對(duì)所述高質(zhì)量數(shù)據(jù)，進(jìn)行時(shí)域和頻域分析，提取出能反映電網(wǎng)狀態(tài)變化的特征，采用自回歸滑動(dòng)平均提取電網(wǎng)狀態(tài)的變化趨勢(shì)，根據(jù)歷史數(shù)據(jù)進(jìn)行分析提取出a，b，...,n類型故障的特征，同時(shí)對(duì)歷史數(shù)據(jù)中發(fā)生故障時(shí)的環(huán)境因素進(jìn)行分析。

32、進(jìn)一步地，在步驟s3中，利用機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)，根據(jù)所述故障數(shù)據(jù)，構(gòu)建自適應(yīng)故障預(yù)測(cè)模型的方法為：

33、通過所述故障數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行訓(xùn)練，學(xué)習(xí)故障與非故障模式之間的關(guān)系和處理非線性關(guān)系，從而構(gòu)建自適應(yīng)故障預(yù)測(cè)模型，并在每次接收到新數(shù)據(jù)時(shí)，增量更新所述自適應(yīng)故障預(yù)測(cè)模型的權(quán)重，同時(shí)通過在線監(jiān)控和預(yù)測(cè)結(jié)果反饋進(jìn)行自動(dòng)糾正預(yù)測(cè)誤差，當(dāng)發(fā)現(xiàn)預(yù)測(cè)誤差時(shí)，自動(dòng)調(diào)整所述自適應(yīng)故障預(yù)測(cè)模型的超參數(shù)；

34、在步驟s4中，利用所述自適應(yīng)故障預(yù)測(cè)模型，根據(jù)高質(zhì)量數(shù)據(jù)預(yù)測(cè)電網(wǎng)未來的運(yùn)行狀態(tài)的方法為：

35、將所述高質(zhì)量數(shù)據(jù)輸入進(jìn)已經(jīng)訓(xùn)練完成的所述自適應(yīng)故障預(yù)測(cè)模型中，預(yù)測(cè)電網(wǎng)未來1小時(shí)至3小時(shí)內(nèi)會(huì)發(fā)生故障時(shí)，所述自適應(yīng)故障預(yù)測(cè)模型會(huì)自動(dòng)定位異常數(shù)據(jù)源頭后模擬電網(wǎng)故障后的表現(xiàn)以及故障擴(kuò)散的過程，并生成預(yù)警信號(hào)作為預(yù)測(cè)結(jié)果進(jìn)行輸出。

36、有益效果

37、采用本發(fā)明提供的技術(shù)方案，與已知的公有技術(shù)相比，具有如下有益效果：

38、本發(fā)明在使用時(shí)，有利于確保數(shù)據(jù)的一致性和可靠性，每個(gè)數(shù)據(jù)點(diǎn)都與時(shí)間戳相關(guān)聯(lián)，便于后續(xù)的時(shí)序分析，實(shí)時(shí)監(jiān)控電網(wǎng)狀態(tài)，有利于降低了數(shù)據(jù)傳輸?shù)难舆t和中心服務(wù)器的計(jì)算壓力，提高系統(tǒng)實(shí)時(shí)響應(yīng)能力，確保后續(xù)數(shù)據(jù)分析和建模的可靠性，有利于提高故障預(yù)測(cè)的準(zhǔn)確性和時(shí)效性，適應(yīng)不同場(chǎng)景下的復(fù)雜故障模式預(yù)測(cè)，有利于提升模型對(duì)復(fù)雜故障模式的識(shí)別能力，有利于提高了故障定位的精準(zhǔn)度，能及時(shí)采取針對(duì)性措施避免大規(guī)模停電或設(shè)備損壞，確保電網(wǎng)運(yùn)行的安全性和穩(wěn)定性。