CN117353455A - 基于人工智能的输变电***监管方法 - Google Patents

基于人工智能的输变电***监管方法 Download PDF

Info

Publication number
CN117353455A
CN117353455A CN202311337058.0A CN202311337058A CN117353455A CN 117353455 A CN117353455 A CN 117353455A CN 202311337058 A CN202311337058 A CN 202311337058A CN 117353455 A CN117353455 A CN 117353455A
Authority
CN
China
Prior art keywords
data
power transmission
transformation system
detection model
fault detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311337058.0A
Other languages
English (en)
Other versions
CN117353455B (zh
Inventor
马祥瑞
马天资
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Fenghui Energy Technology Co ltd
Jinan Quanxiao Electrical Equipment Co ltd
Original Assignee
Zhejiang Fenghui Energy Technology Co ltd
Jinan Quanxiao Electrical Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Fenghui Energy Technology Co ltd, Jinan Quanxiao Electrical Equipment Co ltd filed Critical Zhejiang Fenghui Energy Technology Co ltd
Priority to CN202311337058.0A priority Critical patent/CN117353455B/zh
Publication of CN117353455A publication Critical patent/CN117353455A/zh
Application granted granted Critical
Publication of CN117353455B publication Critical patent/CN117353455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于人工智能的输变电***监管方法，方法包括数据采集、数据预处理、特征提取、故障检测模型构建、攻击检测模型构建和***故障与报警。本发明涉及智能电网技术领域，具体是指基于人工智能的输变电***监管方法，本方案采用动态模态分解进行特征提取，减少了数据维度和复杂度，提高了数据质量，有助于更好地进行数据分析和处理；采用基于长短期神经网络的故障检测模型构建，能够连续地输入数据，定期进行模型更新，从而提高了输变电***监管的实时性和准确性；采用基于轻量级梯度提升决策树的攻击检测模型构建，有效提高了输变电***的安全性，减少了数据泄露的风险。

Description

基于人工智能的输变电***监管方法
技术领域
本发明属于智能电网技术领域，具体是指基于人工智能的输变电***监管方法。
背景技术
输变电***监管方法是智能电网的一项重要技术，它旨在对输变电***进行监管，能够提前发现***故障、异常和维护需求，从而及时采取措施防止事故的发生，提高电网安全性，减少无效维护，降低人力成本，提高能源利用率。
但在现有的输变电***监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题；存在由于输变电***故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题；存在涉及关键能源供应和运行信息，导致输变电***的安全性受到威胁的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的输变电***监管方法，针对在输变电***监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题，本方案采用动态模态分解进行特征提取，减少了数据维度和复杂度，提高了数据质量，有助于更好地进行数据分析和处理；针对在输变电***监管过程中，存在由于输变电***故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题，本方案采用基于长短期神经网络的故障检测模型构建，能够连续地输入数据，定期进行模型更新，从而提高了输变电***监管的实时性和准确性；针对在输变电***监管过程中，存在涉及关键能源供应和运行信息，导致输变电***的安全性受到威胁的技术问题，本方案采用基于轻量级梯度提升决策树的攻击检测模型构建，有效提高了输变电***的安全性，减少了数据泄露的风险。
本发明采取的技术方案如下：本发明提供的基于人工智能的输变电***监管方法，该方法包括以下步骤：
步骤S1：数据采集，具体指获取输变电***数据Tata1；
步骤S2：数据预处理，具体为通过故障检测标签标注，得到故障检测标签Asb，通过对输变电***数据Tata1进行数据清洗，得到输变电***清洗数据Tata2，通过主成分分析，将输变电***清洗数据Tata2进行数据融合，得到主成分特征数据Mat1；
步骤S3：特征提取，具体为对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，采用动态模态分解，对频谱系数进行特征提取，得到最佳特征模态vd；
步骤S4：故障检测模型构建，具体为通过Sigmoid函数和双曲正切函数，构建长短期神经网络单元，依据所述长短期神经网络单元，通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1；
步骤S5：攻击检测模型构建，具体为通过初始化弱学习器，计算得到训练样本负梯度，通过所述训练样本负梯度，进行拟合得到回归树，通过叶节点区域最佳拟合值，更新强学习器，经过K1次训练，得到最优强学习器，将所述弱学习器和所述最优强学习器进行集成，得到攻击检测模型Model2；
步骤S6：***故障与报警。
作为本方案的进一步改进，在步骤S1中，所述输变电***数据Tata1包括电力负荷数据、环境数据和设备状态数据，所述电力负荷数据包括功率、电流、电压，所述环境数据包括温度、湿度和风速，所述设备状态数据包括变压器数据、记录器数据和继电器数据。
作为本方案的进一步改进，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：对输变电***数据Tata1进行故障检测标签标注，得到故障检测标签Asb，所述故障检测标签Asb包括正常、过载、短路和设备故障；
步骤S22：对输变电***数据Tata1进行数据清洗，所述数据清洗包括清除异常值、去重和标准化，经过所述数据清洗，得到输变电***清洗数据Tata2；
步骤S23：采用主成分分析方法，将输变电***清洗数据Tata2进行数据融合，计算得到主成分特征数据Mat1。
作为本方案的进一步改进，在步骤S3中，所述特征提取，包括以下步骤：
步骤S31：选择莫尔小波函数作为连续小波变换的母小波，所述莫尔小波函数的计算公式为：
；
式中φ（t）是莫尔小波函数，t是时间变量，γ是控制莫尔小波时域宽度的尺度参数，exp（）是自然指数函数，j是虚数单位，μ是控制莫尔小波频率的频率参数；
步骤S32：对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，计算公式为：
；
式中，W（γ，μ）是频谱系数，*是共轭运算；
步骤S33：采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
步骤S331：将频谱系数W（γ，μ）分为第一矩阵子集A1和第二矩阵子集A2，所述第一矩阵子集A1的维度为（γ-1）×μ，所述第二矩阵子集A2的维度为γ×μ；
步骤S332：对第一矩阵子集A1进行奇异值分解，计算公式为：
；
式中，Y是左奇异向量矩阵，λ是奇异值对角矩阵，X是右奇异向量矩阵，T是转置操作；
步骤S333：重构系数矩阵，计算公式为：
；
式中，是重构系数矩阵；
步骤S334：计算特征向量和特征值，计算公式为：
；
式中，h是特征向量，g是特征值；
步骤S335：通过将特征向量和左奇异值向量矩阵相乘，得到模态分解矩阵，计算公式为：
；
式中，Vd是特征模态矩阵；
步骤S336：依据特征模态矩阵Vd和特征值g的大小，从特征模态矩阵Vd中筛选最相关的特征模态，得到最佳特征模态vd。
作为本方案的进一步改进，在步骤S4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
步骤S41：构建长短期神经网络单元，包括以下步骤：
步骤S411：通过Sigmoid函数，分别构建输入门、遗忘门和输出门，计算公式为：
；
式中，iuT是输入门输出值，T是时间步，σ（）是Sigmoid函数，Miu是输入门输入权重，vdT是T时间步下的最佳特征模态，Mir是输入门循环权重，qT-1是前一时间步的隐藏状态，wiu是输入门偏置项，rgT是遗忘门输出值，Mrg是遗忘门输入权重，Mgr是遗忘门循环权重，wrg是遗忘门偏置项，ouT是输出门输出值，Mou是输出门输入权重，Mor是输出门循环权重，wou是遗忘门偏置项；
步骤S412：通过双曲正切函数，计算得到候选细胞状态，计算公式为：
；
式中，是候选细胞状态，δ（）是双曲正切函数，Mel是候选细胞状态输入权重，Mer是候选细胞状态循环权重，wel是候选细胞状态偏置项；
步骤S413：依据候选细胞状态，更新细胞状态，计算公式为：
；
式中，elT是当前细胞状态，elT-1是前一时间步的细胞状态；
步骤S414：通过双曲正切函数，计算得到长短期神经单元输出，计算公式为：
；
式中，NiT是长短期神经单元输出；
步骤S42：依据长短期神经网络单元，构建故障检测模型Model1，包括以下步骤：
步骤S421：每个长短期神经网络单元设置4个输入，并将4个输入分别分配给输入门、遗忘门、输出门和候选细胞状态；
步骤S422：将155个长短期神经网络单元并行连接，得到隐藏层，将188个长短期神经网络单元并行连接，得到长短期记忆层；
步骤S423：计算长短期神经网络损失函数，计算公式为：
；
式中，L是长短期神经网络损失函数，J是最佳特征模态样本数，K是故障检测标签数，a是最佳特征模态样本索引，b是类别索引，ln（）是自然对数函数，Asb是故障检测标签，xa最佳特征模态样本，ω是神经网络参数，P（）是概率函数，Qab是指示器函数，当最佳特征模态样本xa属于故障检测标签Asb时，Qab取值为1，否则取值为0；
步骤S424：通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1，所述故障检测模型包括输入层、隐藏层、长短期记忆层和全连接层。
作为本方案的进一步改进，在步骤S5中，所述攻击检测模型构建，具体指基于轻量级梯度提升决策树的攻击检测模型构建，包括以下步骤：
步骤S51：初始化弱学习器，包括以下步骤：
步骤S511：从最佳特征模态vd中划分出训练样本，初始化弱学习器，计算公式为：
；
式中，H0（z）是初始弱学习器，z是最佳特征模态向量，argmin是取最小值运算符，D是训练样本数，c是训练样本索引，L1（）是弱学习器损失函数，yc是第c个训练样本实际值，f1（z）是第1个基学习器；
步骤S512：计算训练样本负梯度，计算公式为：
；
式中，sy是训练样本负梯度，h（z）是最佳特征模态向量z的预测值，H（z）是强学习器，k是迭代次数，Hk-1（z）是前一次迭代得到的强学习器；
步骤S513：通过训练样本负梯度，进行拟合得到O1个回归树，所述回归树包括ptr个叶节点区域；
步骤S52：训练强学习器，包括以下步骤：
步骤S521：训练目标次数设为K1，计算叶节点区域最佳拟合值，计算公式为：
；
式中，εk是叶节点区域最佳拟合值，p是叶节点区域索引，Sp是第p个叶节点区域，fk（z）是第k个基学习器；
步骤S522：通过叶节点区域最佳拟合值，更新强学习器，计算公式为：
；
步骤S523：重复执行步骤S521及后续操作K1次，得到最优强学习器；
步骤S53：通过将弱学习器和最优强学习器进行集成，得到攻击检测模型Model2。
作为本方案的进一步改进，在步骤S6中，所述***故障与报警，具体为通过故障检测模型Model1和攻击检测模型Model2进行***监管，当输变电***出现故障或存在高攻击风险时进行报警反馈，得到报警反馈信息，并自动生成故障检测或攻击检测报告。
采用上述方案本发明取得的有益效果如下：
（1）针对在输变电***监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题，本方案采用动态模态分解进行特征提取，减少了数据维度和复杂度，提高了数据质量，有助于更好地进行数据分析和处理。
（2）针对在输变电***监管过程中，存在由于输变电***故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题，本方案采用基于长短期神经网络的故障检测模型构建，能够连续地输入数据，定期进行模型更新，从而提高了输变电***监管的实时性和准确性。
（3）针对在输变电***监管过程中，存在涉及关键能源供应和运行信息，导致输变电***的安全性受到威胁的技术问题，本方案采用基于轻量级梯度提升决策树的攻击检测模型构建，有效提高了输变电***的安全性，减少了数据泄露的风险。
附图说明
图1为本发明提供的基于人工智能的输变电***监管方法的流程示意图；
图2为步骤S2的流程示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图；
图5为步骤S5的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的输变电***监管方法，该方法包括以下步骤：
步骤S1：数据采集，具体指获取输变电***数据Tata1；
步骤S2：数据预处理，具体为通过故障检测标签标注，得到故障检测标签Asb，通过对输变电***数据Tata1进行数据清洗，得到输变电***清洗数据Tata2，通过主成分分析，将输变电***清洗数据Tata2进行数据融合，得到主成分特征数据Mat1；
步骤S3：特征提取，具体为对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，采用动态模态分解，对频谱系数进行特征提取，得到最佳特征模态vd；
步骤S4：故障检测模型构建，具体为通过Sigmoid函数和双曲正切函数，构建长短期神经网络单元，依据所述长短期神经网络单元，通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1；
步骤S5：攻击检测模型构建，具体为通过初始化弱学习器，计算得到训练样本负梯度，通过所述训练样本负梯度，进行拟合得到回归树，通过叶节点区域最佳拟合值，更新强学习器，经过K1次训练，得到最优强学习器，将所述弱学习器和所述最优强学习器进行集成，得到攻击检测模型Model2；
步骤S6：***故障与报警。
实施例二，参阅图1，在步骤S1中，所述输变电***数据Tata1包括电力负荷数据、环境数据和设备状态数据，所述电力负荷数据包括功率、电流、电压，所述环境数据包括温度、湿度和风速，所述设备状态数据包括变压器数据、记录器数据和继电器数据。
实施例三，参阅图1和图2，该实施例基于上述实施例，进一步地，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：对输变电***数据Tata1进行故障检测标签标注，得到故障检测标签Asb，所述故障检测标签Asb包括正常、过载、短路和设备故障；
步骤S22：对输变电***数据Tata1进行数据清洗，所述数据清洗包括清除异常值、去重和标准化，经过所述数据清洗，得到输变电***清洗数据Tata2；
步骤S23：采用主成分分析方法，将输变电***清洗数据Tata2进行数据融合，计算得到主成分特征数据Mat1。
实施例四，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S3中，所述特征提取，包括以下步骤：
步骤S31：选择莫尔小波函数作为连续小波变换的母小波，所述莫尔小波函数的计算公式为：
；
式中φ（t）是莫尔小波函数，t是时间变量，γ是控制莫尔小波时域宽度的尺度参数，exp（）是自然指数函数，j是虚数单位，μ是控制莫尔小波频率的频率参数；
步骤S32：对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，计算公式为：
；
式中，W（γ，μ）是频谱系数，*是共轭运算；
步骤S33：采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
步骤S331：将频谱系数W（γ，μ）分为第一矩阵子集A1和第二矩阵子集A2，所述第一矩阵子集A1的维度为（γ-1）×μ，所述第二矩阵子集A2的维度为γ×μ；
步骤S332：对第一矩阵子集A1进行奇异值分解，计算公式为：
；
式中，Y是左奇异向量矩阵，λ是奇异值对角矩阵，X是右奇异向量矩阵，T是转置操作；
步骤S333：重构系数矩阵，计算公式为：
；
式中，是重构系数矩阵；
步骤S334：计算特征向量和特征值，计算公式为：
；
式中，h是特征向量，g是特征值；
步骤S335：通过将特征向量和左奇异值向量矩阵相乘，得到模态分解矩阵，计算公式为：
；
式中，Vd是特征模态矩阵；
步骤S336：依据特征模态矩阵Vd和特征值g的大小，从特征模态矩阵Vd中筛选最相关的特征模态，得到最佳特征模态vd；
通过执行上述操作，针对在输变电***监管过程中，存在涉及大量数据采集和监测，受到噪声、缺失值和异常值的影响，导致数据质量低的技术问题，本方案采用动态模态分解进行特征提取，减少了数据维度和复杂度，提高了数据质量，有助于更好地进行数据分析和处理。
实施例五，参阅图1和图4，该实施例基于上述实施例，进一步地，在步骤S4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
步骤S41：构建长短期神经网络单元，包括以下步骤：
步步骤S411：通过Sigmoid函数，分别构建输入门、遗忘门和输出门，计算公式为：
；
式中，iuT是输入门输出值，T是时间步，σ（）是Sigmoid函数，Miu是输入门输入权重，vdT是T时间步下的最佳特征模态，Mir是输入门循环权重，qT-1是前一时间步的隐藏状态，wiu是输入门偏置项，rgT是遗忘门输出值，Mrg是遗忘门输入权重，Mgr是遗忘门循环权重，wrg是遗忘门偏置项，ouT是输出门输出值，Mou是输出门输入权重，Mor是输出门循环权重，wou是遗忘门偏置项；
步骤S412：通过双曲正切函数，计算得到候选细胞状态，计算公式为：
；
式中，是候选细胞状态，δ（）是双曲正切函数，Mel是候选细胞状态输入权重，Mer是候选细胞状态循环权重，wel是候选细胞状态偏置项；
步骤S413：依据候选细胞状态，更新细胞状态，计算公式为：
；
式中，elT是当前细胞状态，elT-1是前一时间步的细胞状态；
步骤S414：通过双曲正切函数，计算得到长短期神经单元输出，计算公式为：
；
式中，NiT是长短期神经单元输出；
步骤S42：依据长短期神经网络单元，构建故障检测模型Model1，包括以下步骤：
步骤S421：每个长短期神经网络单元设置4个输入，并将4个输入分别分配给输入门、遗忘门、输出门和候选细胞状态；
步骤S422：将155个长短期神经网络单元并行连接，得到隐藏层，将188个长短期神经网络单元并行连接，得到长短期记忆层；
步骤S423：计算长短期神经网络损失函数，计算公式为：
；
式中，L是长短期神经网络损失函数，J是最佳特征模态样本数，K是故障检测标签数，a是最佳特征模态样本索引，b是类别索引，ln（）是自然对数函数，Asb是故障检测标签，xa最佳特征模态样本，ω是神经网络参数，P（）是概率函数，Qab是指示器函数，当最佳特征模态样本xa属于故障检测标签Asb时，Qab取值为1，否则取值为0；
步骤S424：通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1，所述故障检测模型包括输入层、隐藏层、长短期记忆层和全连接层；
通过执行上述操作，针对在输变电***监管过程中，存在由于输变电***故障具有突发性和不确定性，缺乏一种能够高效、准确地进行故障检测的方法的技术问题，本方案采用基于长短期神经网络的故障检测模型构建，能够连续地输入数据，定期进行模型更新，从而提高了输变电***监测的实时性和准确性。
实施例六，参阅图1和图5，该实施例基于上述实施例，进一步地，在步骤S5中，所述攻击检测模型构建，具体指基于轻量级梯度提升决策树的攻击检测模型构建，包括以下步骤：
步骤S51：初始化弱学习器，包括以下步骤：
步骤S511：从最佳特征模态vd中划分出训练样本，初始化弱学习器，计算公式为：
；
式中，H0（z）是初始弱学习器，z是最佳特征模态向量，argmin是取最小值运算符，D是训练样本数，c是训练样本索引，L1（）是弱学习器损失函数，yc是第c个训练样本实际值，f1（z）是第1个基学习器；
步骤S512：计算训练样本负梯度，计算公式为：
；
式中，sy是训练样本负梯度，h（z）是最佳特征模态向量z的预测值，H（z）是强学习器，k是迭代次数，Hk-1（z）是前一次迭代得到的强学习器；
步骤S513：通过训练样本负梯度，进行拟合得到O1个回归树，所述回归树包括ptr个叶节点区域；
步骤S52：训练强学习器，包括以下步骤：
步骤S521：训练目标次数设为K1，计算叶节点区域最佳拟合值，计算公式为：
；
式中，εk是叶节点区域最佳拟合值，p是叶节点区域索引，Sp是第p个叶节点区域，fk（z）是第k个基学习器；
步骤S522：通过叶节点区域最佳拟合值，更新强学习器，计算公式为：
；
步骤S523：重复执行步骤S521及后续操作K1次，得到最优强学习器；
步骤S53：通过将弱学习器和最优强学习器进行集成，得到攻击检测模型Model2；
通过执行上述操作，针对在输变电***监管过程中，存在涉及关键能源供应和运行信息，导致输变电***的安全性受到威胁的技术问题，本方案采用基于轻量级梯度提升决策树的攻击检测模型构建，有效提高了输变电***的安全性，减少了数据泄露的风险。
实施例七，参阅图1，该实施例基于上述实施例，进一步地，在步骤S6中，所述***故障与报警，具体为通过故障检测模型Model1和攻击检测模型Model2进行***监管，当输变电***出现故障或存在高攻击风险时进行报警反馈，得到报警反馈信息，并自动生成故障检测或攻击检测报告。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或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”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，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过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.基于人工智能的输变电***监管方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，具体指获取输变电***数据Tata1；
步骤S2：数据预处理，具体为通过故障检测标签标注，得到故障检测标签Asb，通过对输变电***数据Tata1进行数据清洗，得到输变电***清洗数据Tata2，通过主成分分析，将输变电***清洗数据Tata2进行数据融合，得到主成分特征数据Mat1；
步骤S3：特征提取，具体为对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，采用动态模态分解，对频谱系数进行特征提取，得到最佳特征模态vd；
步骤S4：故障检测模型构建，具体为通过Sigmoid函数和双曲正切函数，构建长短期神经网络单元，依据所述长短期神经网络单元，通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1；
步骤S5：攻击检测模型构建，具体为通过初始化弱学习器，计算得到训练样本负梯度，通过所述训练样本负梯度，进行拟合得到回归树，通过叶节点区域最佳拟合值，更新强学习器，经过K1次训练，得到最优强学习器，将所述弱学习器和所述最优强学习器进行集成，得到攻击检测模型Model2；
步骤S6：***故障与报警。
2.根据权利要求1所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S3中，所述特征提取，包括以下步骤：
步骤S31：选择莫尔小波函数作为连续小波变换的母小波，所述莫尔小波函数的计算公式为：
；
式中φ（t）是莫尔小波函数，t是时间变量，γ是控制莫尔小波时域宽度的尺度参数，exp（）是自然指数函数，j是虚数单位，μ是控制莫尔小波频率的频率参数；
步骤S32：对主成分特征数据Mat1进行连续小波变换，计算得到频谱系数，计算公式为：
；
式中，W（γ，μ）是频谱系数，*是共轭运算；
步骤S33：采用动态模态分解，对频谱系数进行特征提取。
3.根据权利要求2所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S33中，所述采用动态模态分解，对频谱系数进行特征提取，包括以下步骤：
步骤S331：将频谱系数W（γ，μ）分为第一矩阵子集A1和第二矩阵子集A2，所述第一矩阵子集A1的维度为（γ-1）×μ，所述第二矩阵子集A2的维度为γ×μ；
步骤S332：对第一矩阵子集A1进行奇异值分解，计算公式为：
；
式中，Y是左奇异向量矩阵，λ是奇异值对角矩阵，X是右奇异向量矩阵，T是转置操作；
步骤S333：重构系数矩阵，计算公式为：
；
式中，是重构系数矩阵；
步骤S334：计算特征向量和特征值，计算公式为：
；
式中，h是特征向量，g是特征值；
步骤S335：通过将特征向量和左奇异值向量矩阵相乘，得到模态分解矩阵，计算公式为：
；
式中，Vd是特征模态矩阵；
步骤S336：依据特征模态矩阵Vd和特征值g的大小，从特征模态矩阵Vd中筛选最相关的特征模态，得到最佳特征模态vd。
4.根据权利要求3所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S4中，所述故障检测模型构建，具体指基于长短期神经网络的故障检测模型构建，包括以下步骤：
步骤S41：构建长短期神经网络单元，包括以下步骤：
步骤S411：通过Sigmoid函数，分别构建输入门、遗忘门和输出门，计算公式为：
；
式中，iuT是输入门输出值，T是时间步，σ（）是Sigmoid函数，Miu是输入门输入权重，vdT是T时间步下的最佳特征模态，Mir是输入门循环权重，qT-1是前一时间步的隐藏状态，wiu是输入门偏置项，rgT是遗忘门输出值，Mrg是遗忘门输入权重，Mgr是遗忘门循环权重，wrg是遗忘门偏置项，ouT是输出门输出值，Mou是输出门输入权重，Mor是输出门循环权重，wou是遗忘门偏置项；
步骤S412：通过双曲正切函数，计算得到候选细胞状态，计算公式为：
；
式中，是候选细胞状态，δ（）是双曲正切函数，Mel是候选细胞状态输入权重，Mer是候选细胞状态循环权重，wel是候选细胞状态偏置项；
步骤S413：依据候选细胞状态，更新细胞状态，计算公式为：
；
式中，elT是当前细胞状态，elT-1是前一时间步的细胞状态；
步骤S414：通过双曲正切函数，计算得到长短期神经单元输出，计算公式为：
；
式中，NiT是长短期神经单元输出；
步骤S42：依据长短期神经网络单元，构建故障检测模型Model1。
5.根据权利要求4所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S42中，所述依据长短期神经网络单元，构建故障检测模型Model1，包括以下步骤：
步骤S421：每个长短期神经网络单元设置4个输入，并将4个输入分别分配给输入门、遗忘门、输出门和候选细胞状态；
步骤S422：将155个长短期神经网络单元并行连接，得到隐藏层，将188个长短期神经网络单元并行连接，得到长短期记忆层；
步骤S423：计算长短期神经网络损失函数，计算公式为：
；
式中，L是长短期神经网络损失函数，J是最佳特征模态样本数，K是故障检测标签数，a是最佳特征模态样本索引，b是类别索引，ln（）是自然对数函数，Asb是故障检测标签，xa最佳特征模态样本，ω是神经网络参数，P（）是概率函数，Qab是指示器函数，当最佳特征模态样本xa属于故障检测标签Asb时，Qab取值为1，否则取值为0；
步骤S424：通过最小化长短期神经网络损失函数L，优化神经网络参数ω，构建故障检测模型，得到故障检测模型Model1，所述故障检测模型包括输入层、隐藏层、长短期记忆层和全连接层。
6.根据权利要求5所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S5中，所述攻击检测模型构建，具体指基于轻量级梯度提升决策树的攻击检测模型构建，包括以下步骤：
步骤S51：初始化弱学习器，包括以下步骤：
步骤S511：从最佳特征模态vd中划分出训练样本，初始化弱学习器，计算公式为：
；
式中，H0（z）是初始弱学习器，z是最佳特征模态向量，argmin是取最小值运算符，D是训练样本数，c是训练样本索引，L1（）是弱学习器损失函数，yc是第c个训练样本实际值，f1（z）是第1个基学习器；
步骤S512：计算训练样本负梯度，计算公式为：
；
式中，sy是训练样本负梯度，h（z）是最佳特征模态向量z的预测值，H（z）是强学习器，k是迭代次数，Hk-1（z）是前一次迭代得到的强学习器；
步骤S513：通过训练样本负梯度，进行拟合得到O1个回归树，所述回归树包括ptr个叶节点区域；
步骤S52：训练强学习器，包括以下步骤：
步骤S521：训练目标次数设为K1，计算叶节点区域最佳拟合值，计算公式为：
；
式中，εk是叶节点区域最佳拟合值，p是叶节点区域索引，Sp是第p个叶节点区域，fk（z）是第k个基学习器；
步骤S522：通过叶节点区域最佳拟合值，更新强学习器，计算公式为：
；
步骤S523：重复执行步骤S521及后续操作K1次，得到最优强学习器；
步骤S53：通过将弱学习器和最优强学习器进行集成，得到攻击检测模型Model2。
7.根据权利要求6所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：对输变电***数据Tata1进行故障检测标签标注，得到故障检测标签Asb，所述故障检测标签Asb包括正常、过载、短路和设备故障；
步骤S22：对输变电***数据Tata1进行数据清洗，所述数据清洗包括清除异常值、去重和标准化，经过所述数据清洗，得到输变电***清洗数据Tata2；
步骤S23：采用主成分分析方法，将输变电***清洗数据Tata2进行数据融合，计算得到主成分特征数据Mat1。
8.根据权利要求7所述的基于人工智能的输变电***监管方法，其特征在于：在步骤S1中，所述输变电***数据Tata1包括电力负荷数据、环境数据和设备状态数据，所述电力负荷数据包括功率、电流、电压，所述环境数据包括温度、湿度和风速，所述设备状态数据包括变压器数据、记录器数据和继电器数据；
在步骤S6中，所述***故障与报警，具体为通过故障检测模型Model1和攻击检测模型Model2进行***监管，当输变电***出现故障或存在高攻击风险时进行报警反馈，得到报警反馈信息，并自动生成故障检测或攻击检测报告。
CN202311337058.0A 2023-10-17 2023-10-17 基于人工智能的输变电***监管方法 Active CN117353455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337058.0A CN117353455B (zh) 2023-10-17 2023-10-17 基于人工智能的输变电***监管方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337058.0A CN117353455B (zh) 2023-10-17 2023-10-17 基于人工智能的输变电***监管方法

Publications (2)

Publication Number Publication Date
CN117353455A true CN117353455A (zh) 2024-01-05
CN117353455B CN117353455B (zh) 2024-03-29

Family

ID=89368723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337058.0A Active CN117353455B (zh) 2023-10-17 2023-10-17 基于人工智能的输变电***监管方法

Country Status (1)

Country Link
CN (1) CN117353455B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851922A (zh) * 2024-03-08 2024-04-09 山东新泽仪器有限公司 一种空气浓度监测仪器运行监测方法
CN117994074A (zh) * 2024-02-01 2024-05-07 江苏优亿诺智能科技有限公司 基于人工智能的配变异常预警方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914875A (zh) * 2020-06-05 2020-11-10 华南理工大学 一种基于贝叶斯lstm模型的旋转机械的故障预警方法
CN113112039A (zh) * 2021-04-13 2021-07-13 合肥工业大学 基于时频记忆递归神经网络的主动配电***初期故障识别方法
US20220357729A1 (en) * 2021-04-23 2022-11-10 General Electric Company Systems and methods for global cyber-attack or fault detection model
CN115564331A (zh) * 2022-09-26 2023-01-03 东南大学 配电网典型故障风险感知方法、配电网、设备及存储介质
CN115618176A (zh) * 2022-11-03 2023-01-17 吉林建筑大学 基于改进粒子群算法的莫尔条纹信号误差补偿方法、***及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914875A (zh) * 2020-06-05 2020-11-10 华南理工大学 一种基于贝叶斯lstm模型的旋转机械的故障预警方法
CN113112039A (zh) * 2021-04-13 2021-07-13 合肥工业大学 基于时频记忆递归神经网络的主动配电***初期故障识别方法
US20220357729A1 (en) * 2021-04-23 2022-11-10 General Electric Company Systems and methods for global cyber-attack or fault detection model
CN115564331A (zh) * 2022-09-26 2023-01-03 东南大学 配电网典型故障风险感知方法、配电网、设备及存储介质
CN115618176A (zh) * 2022-11-03 2023-01-17 吉林建筑大学 基于改进粒子群算法的莫尔条纹信号误差补偿方法、***及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117994074A (zh) * 2024-02-01 2024-05-07 江苏优亿诺智能科技有限公司 基于人工智能的配变异常预警方法、装置、设备及介质
CN117851922A (zh) * 2024-03-08 2024-04-09 山东新泽仪器有限公司 一种空气浓度监测仪器运行监测方法
CN117851922B (zh) * 2024-03-08 2024-06-07 山东新泽仪器有限公司 一种空气浓度监测仪器运行监测方法

Also Published As

Publication number Publication date
CN117353455B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN117353455B (zh) 基于人工智能的输变电***监管方法
Soliman et al. A smart forest-fire early detection sensory system: Another approach of utilizing wireless sensor and neural networks
CN109547431A (zh) 一种基于cs和改进bp神经网络的网络安全态势评估方法
Manoharan Supervised Learning for Microclimatic parameter Estimation in a Greenhouse environment for productive Agronomics
CN110826784B (zh) 能源使用效率的预测方法、装置及存储介质和终端设备
CN110971677B (zh) 一种基于对抗强化学习的电力物联网终端设备边信道安全监测方法
CN110119766A (zh) 一种多组合智能化模型的青椒温室温度智能化预警装置
CN110083190A (zh) 一种基于减法聚类分类器的青椒温室环境智能监测***
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN110119086A (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN114297907A (zh) 温室环境空间分布预测方法及装置
CN116505663B (zh) 一种农场用电安全状态监测预警***
CN115630709A (zh) 一种数据中心ai能耗阈值动态分析及优化的方法
Samkria et al. Automatic PV grid fault detection system with IoT and LabVIEW as data logger
Şahin DCW-RNN: Improving class level metrics for software vulnerability detection using artificial immune system with clock-work recurrent neural network
Tian Adaptive control and supply chain management of intelligent agricultural greenhouse by intelligent fuzzy auxiliary cognitive system
CN117009997A (zh) 一种基于物联网的信息化处理装置
CN116167508B (zh) 一种基于气象因素分解的短期光伏出力快速预测方法及***
CN117076878A (zh) 一种风电场历史出力缺失数据修补方法及***
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备
CN112801815B (zh) 一种基于联邦学习的电力通信网络故障预警方法
Wang et al. Research of the early warning analysis of crop diseases and insect pests
CN116317937A (zh) 一种分布式光伏电站运行故障诊断方法
Jun-Ma et al. Photovoltaic power generation prediction based on MEA-BP neural network
Tianxing et al. Design of Agricultural Environmental Data Collection System Based on Internet of Things

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant