[发明专利]一种基于深度学习的变电站异常智能识别方法及系统

说明书

本发明涉及一种变电站异常智能识别的技术领域，揭露了一种基于深度学习的变电站异常智能识别方法，包括：获取箱式变电站异常时刻多指标数据信息，进行数据预处理；利用HHT变换计算时频能量，构成全信号特征矩阵；利用图像化方法对全信号特征矩阵进行转换，得到全信号能量图像；利用深度残差网络对全信号能量图像进行特征提取后，用分类器进行识别，得到变电站异常类型。本发明实现了变电站异常智能识别。

技术领域

本发明涉及变电站异常识别的技术领域，尤其涉及一种基于深度学习的变电站异常智能识别方法及系统。

背景技术

由于环境的复杂性以及各种自然或人为因素的影响，变电站配电系统中各种故障的发生是不可避免的。故障分类对故障原因分析和快速恢复变电站供电具有重要意义，因此对高效、准确的故障分类方法的需求越来越迫切。

相关资料表明，我国电力系统与其他发达国家相比还仍处于发展阶段，短路故障频发，短路故障可分为4种类型：单相接地短路、两相相间短路、两相接地短路以及三相短路。其中，以单相短路故障最为常见，三相短路故障后果最为严重。若在发生一种故障的同时伴随其他故障的发生，则称之为复合故障，此时故障情况更为复杂。线路发生故障后，将产生很大的短路电流，还会带来一定的电弧冲击造成设备的损坏。同时，线路故障造成的低电压效果还会对系统产生干扰抑制，并且会使得系统的线损、热损、无功功率等参数值增大，影响到通信和通讯等方面，加大破坏系统的稳定运行。提取有效异常时刻特征和选择合适的分类器是异常分类中最重要而困难的问题，否则可能会严重影响分类的鲁棒性。

因此，变电站线路的异常诊断是整个电力系统异常分析的一个重点，进行高效准确的分类对异常原因分析和快速恢复变电站供电具有重要意义。如何根据异常时刻的特征进行异常分类，并实现准确高效的分类，就成为本领域技术人员亟待解决的问题。

发明内容

本发明提供一种基于深度学习的变电站异常智能识别方法，通过获取箱式变电站异常时刻多指标数据信息，进行数据预处理；利用HHT变换计算时频能量，构成特征矩阵；利用图像化方法将全信号特征矩阵转换为全信号能量图像；用深度残差网络对全信号能量图像进行特征提取后，用分类器进行识别，得到变电站识别异常类型。

为实现上述目的，本发明提供的一种基于深度学习的变电站异常智能识别方法，包括：

获取箱式变电站异常时刻多指标数据信息，进行数据预处理；

利用HHT变换计算时频能量，构成全信号特征矩阵；

利用图像化方法对全信号特征矩阵进行转换，得到全信号能量图像；

利用深度残差网络对全信号能量图像进行特征提取后，用分类器进行识别，得到变电站异常类型。

可选地，所述对箱式变电站的异常时刻多指标数据信息进行数据预处理，包括：

在本发明一个具体实施例中，本发明在箱式变电站检测异常时刻三相电流，获取箱式变电站异常时刻多指标数据信息并进行数据预处理，所述流程为：

1）获取开关箱三相电压（,,）、三相电流（,,）及零序电压()，共7类指标信息，采样频次为10kHz，每20ms为一个时间周期；

2）分别对获取的同指标信息作归一化处理：

其中：为归一化后的i时刻的信息值；

为当前时刻测量值；

为最大值；

为最小值；

按时间序列将以上7个指标的数据记录为异常时刻信号向量矩阵：

其中：为信号向量矩阵；

分别为按时间有序的三相电压归一化后信息向量；

分别为按时间有序的三相电流归一化后信息向量；