[发明专利]基于特征信息抽取的MLP电网故障原因诊断方法

权利要求书

1.一种基于特征抽取的MLP电网故障原因诊断方法，其特征在于：所述方法是从电力应用系统中，按照电网故障原因提取有效特征量并归类、编码，构造故障数据样本，并使用故障信息标本数据对MLP算法进行训练，当故障发生后对故障时刻的特征量按照相同步骤处理形成故障数据和编码作为MLP算法输入进行概率计算，输出最大概率值的节点所对应的故障原因作为本次故障的原因。

2.一种基于特征抽取的MLP电网故障原因诊断方法，其步骤为：

步骤1：基于历史电网故障数据，统计、分析故障原因的依赖因素，根据保护装置动作信息、分散录波数据、故障发生时的天气情况和季节及所处地理位置信息，形成故障特征量表，故障特征量包含故障相别、故障季节、故障时间、故障类型、天气情况、温度、湿度、风力和地理位置；

步骤2：按照故障特征量表中的故障特征量，从历史电网故障信息、电网气象信息系统及电网地理信息系统中提取故障特征量在故障时刻的数据并分别进行分类编码，依据分类编码规则对故障特征量数据和故障原因进行多分类编码，形成故障数据样本，存入数据库的故障数据样本表中；

步骤3：采用多层结构的MLP多层感知器算法，感知器层数可设置，隐藏层输出采用sigmoid函数即：

y=f(x)=11+e-Σi=1mwixi-b]]>

其中，y为隐藏层输出；f为激活函数；x为隐藏层输入；w为权重；b为偏置；m为输入神经元个数；i为输入神经元序号。

输出层的输出采用多分类softmax函数进行逻辑回归，从步骤2保存到数据库的故障数据样本表中随机选取样本总数的70％组成训练样本集，剩余30％样本组成验证样本集，使用训练样本集中样本数据对MLP模型进行训练，将各层的权重和偏置系数的训练结果、感知器层数、训练样本个数、训练时间存入数据库的算法参数表中，以训练时间作为唯一索引ID；

步骤4：使用步骤3中选取的验证样本集中样本对算法参数的训练结果进行检验并统计正确率，将正确率存入对应的算法参数表中，统计算法参数表中正确率，标记正确率最高的记录所对应的唯一索引ID，后续对电网故障原因进行诊断时使用MLP算法将使用此唯一索引ID所对应的算法模型参数即权重w和偏置b；

步骤5：当电网发生故障后，将从线路保护装置采集的动作事件信息、故障后电流和电压值及分散录波数据中，提取故障时间、故障相别，分析出故障类型，进一步从电网气象信息系统和地理信息系统获取对应故障时刻的天气情况及故障线路的地理位置，形成故障数据，作为输入参数，使用MLP算法使用进行概率计算，输出最大概率值所对应的故障原因码，组合故障数据和故障原因诊断结果形成故障数据样本，存入数据库的故障数据样本表中；

步骤6：如果人工验证故障诊断原因不正确，手动修改故障原因及故障特征量分类，形成新故障数据样本，更新数据库中同时刻的故障数据样本表对应记录，重复步骤3和步骤4对MLP算法参数进行动态修正。