[发明专利]一种基于LSTM神经网络的智能变电站故障诊断方法

权利要求书

1.一种基于LSTM神经网络的智能变电站故障诊断方法，其特征在于，包括以下步骤：

步骤一，对智能变电站继电保护故障告警信息进行分类管理；分为四类：即采样故障类、跳闸故障类、通信故障类和本体故障类；

智能变电站单间隔继电保护测试故障诊断对象包括继电保护试验装置、合并单元、智能终端和保护装置、通信网络以及通信设备；

(1)采样故障类：即与SV报文采样通信回路有关的所有设备所发生的故障和异常；设备有合并单元、保护装置、网络分析仪；

(2)跳闸故障类：即与GOOSE报文通信回路有关的所有设备所发生的故障和异常；涵盖的设备有保护装置、智能终端；

(3)通信故障类：即SV报文和GOOSE报文通信链路以及相关设备通信开入、开出端口发生故障或异常；涵盖的设备有保护装置、合并单元、智能终端和光纤链路；

(4)本体故障类：即二次设备自身所发生的故障，包括设备存储器出错、设备失电以及设备CPU插件异常，涉及设备本体的故障都认为是本体故障类；

步骤二，对智能变电站单间隔继电保护测试故障进行分类，打标签；

步骤三，获取智能变电站单间隔继电保护测试故障告警数据集；

步骤四，把告警数据集进行删除重复数据、零均值、归一化的预处理；

步骤五，将预处理后的故障告警数据集分为互斥的训练集和测试集，其中训练集占故障告警数据集70％、测试集占故障告警数据集30％；

步骤六，构建LSTM神经网络故障诊断模型；

步骤七，把训练集和对应故障类型输入LSTM神经网络进行训练；

步骤八，把测试集输入训练好的模型，输出故障类型，进行评估得到损失值和F1-score值；

模型评价标准F1-score，是评价标准F-score中β＝1的特例；F-score综合考虑Precision(精确率)和Recall(召回率)的调和值，计算公式：

其中，

步骤九，判断训练效果是否理想，若损失值大于0.0001返回步骤六；若小于0.0001停止训练，输出F1-score值，保存模型；

步骤十，保存历史评估F1-score值最大模型，用于智能变电站单间隔继电保护测试故障诊断，结束。

2.根据权利要求1所述的智能变电站故障诊断方法，其特征在于：所述步骤二中，根据故障诊断对象可以对故障进行分类；将分类好的故障打标签，用于模型训练和故障输出。

3.根据权利要求2所述的智能变电站故障诊断方法，其特征在于：所述步骤三中，智能变电站的单间隔保护测试故障告警数据集，是从历史故障告警数据库中获得，数据库中原始数据是利用现有的继电保护自动测试装置对220kV线路间隔进行继电保护测试故障模拟得到，当智能变电站继电保护测试装置添加实时故障诊断模块后测试过程中遇到故障，将会把得到的故障告警数据集和对应故障类型扩充进历史告警数据库中，用于下次模型训练。

4.根据权利要求3所述的智能变电站故障诊断方法，其特征在于：所述步骤四中，故障告警数据集预处理过程：首先得到某一故障断面下的特征集；其次将所有故障特征集汇总一起；然后进行删除重复数据、归一化及白化处理；最后喂入LSTM神经网络。

5.根据权利要求4所述的智能变电站故障诊断方法，其特征在于：所述步骤六中，构建模型步骤：先定义特征数据和标签数据占位符；然后定义模型函数，包括定义线性关系系数矩阵w和偏倚向量b；最后构建输入层、构建隐藏层、构建输出层。

6.根据权利要求5所述的智能变电站故障诊断方法，其特征在于：所述步骤七中，训练模型步骤：先设置训练超参数，训练轮数train_epochs、单次训练样本数batch_size、学习率learing_rate；然后定义交叉熵损失函数，创建优化器，定义F1-score；最后声明会话开始迭代训练。