[发明专利]一种基于卷积长短期记忆网络的电力故障预警方法及系统

权利要求书

1.一种基于卷积长短期记忆网络的电力故障预警方法，其特征在于，包括：

获取目标区域内每种电力设备的历史电压数据，并对所述历史电压数据预处理，获得预处理后的历史电压数据；

将所述预处理后的历史电压数据输入预设的卷积长短期记忆网络模型中，对所述预设的卷积长短期记忆网络模型的网络参数进行训练，获得训练后的卷积长短期记忆网络模型；

将预处理后的历史电压数据输入训练后的卷积长短期记忆网络模型，得到每种电力设备的预测历史电压数据；

分别计算所述每种电力设备的预测历史电压数据的霍特林统计量，并确定每种电力设备电压数据的霍特林统计量的阈值；

获取目标区域内每种电力设备的实时电压数据，并对所述实时电压数据进行预处理后输入到训练后的卷积长短期记忆网络模型；获得每种电力设备的预测实时电压数据；

分别计算所述每种电力设备的预测实时电压数据的霍特林统计量，并判断所述每种电力设备的预测实时电压数据的霍特林统计量是否小于所述每种电力设备电压数据的霍特林统计量的阈值，若是，则对应电力设备正常，若否，则对应的电力设备异常。

2.根据权利要求1所述的基于卷积长短期记忆网络的电力故障预警方法，其特征在于，所述获取目标区域内每种电力设备的历史电压数据，并对所述历史电压数据预处理，获得预处理后的历史电压数据，具体为：

采用零-均值规范化的方法对每种电力设备的历史电压数据进行归一化处理，具体公式如下：

其中x，x^*分别为归一化前后序列，μ为样本均值，σ为样本标准差。

3.根据权利要求1所述的基于卷积长短期记忆网络的电力故障预警方法，其特征在于，将所述预处理后的电压数据输入预设的卷积长短期记忆网络模型的网络参数进行训练，获得训练后的卷积长短期记忆网络模型，具体为：

设置训练过程的超参数；随机初始化网络的权重W和偏置参数b；代入每个样本数据，按网络结构顺序计算获得预测结果h_t；用预测结果与真实值的均方差计算预测损失函数；根据Adam优化算法更新网络的权重W和偏置参数b。

4.根据权利要求3所述的基于卷积长短期记忆网络的电力故障预警方法，其特征在于，所述根据Adam优化算法更新网络的权重W和偏置参数b，具体为：

设置超参数，其中，所述超参数包括：学习率α＝0.001，衰减率β₁＝0.9，β₂＝0.999，稳定常数ε＝10^-8；

初始化m₀，v₀为0，开始迭代过程，迭代固定次数后结束；具体如下：

计算损失函数的梯度g_t

其中，f(W，b)代表损失函数，代表求解梯度；

更新并修正矩估计变量m_t，v_t：

m_t←β₁·m_t-1+(1-β₁)·g_t

其中，m_t、m_t-1代表本次迭代与上次迭代的一阶矩估计变量，代表本次迭代的修正后的一阶矩估计变量；v_t、v_t-1代表本次迭代与上次迭代的二阶矩估计变量，代表本次迭代的修正后的二阶矩估计变量；

更新参数W：

其中，W_t与W_t-1分别为本次迭代更新后与更新前的权重矩阵。