本發(fā)明屬于電網(wǎng)故障分析，具體涉及一種云邊協(xié)同的智能電網(wǎng)故障處理方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著智能電網(wǎng)技術(shù)的迅速發(fā)展，電力系統(tǒng)的可靠性和穩(wěn)定性變得愈加重要。智能電網(wǎng)通過(guò)集成先進(jìn)的信息通信技術(shù)和自動(dòng)化技術(shù)，實(shí)現(xiàn)了對(duì)電力系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)、控制和管理。然而，電網(wǎng)在運(yùn)行過(guò)程中仍然面臨各種故障和突發(fā)事件，這些問(wèn)題不僅影響電力供應(yīng)的穩(wěn)定性，還可能對(duì)設(shè)備和用戶(hù)造成嚴(yán)重?fù)p害。因此，及時(shí)有效的故障處理方法顯得尤為關(guān)鍵。

2、傳統(tǒng)的電網(wǎng)故障處理方法主要依賴(lài)于集中式的數(shù)據(jù)采集和分析，存在響應(yīng)速度慢、信息孤島和資源利用不充分等問(wèn)題。隨著云計(jì)算和邊緣計(jì)算技術(shù)的發(fā)展，基于云邊協(xié)同的故障處理方法逐漸成為一種新的解決方案。云計(jì)算提供了強(qiáng)大的數(shù)據(jù)存儲(chǔ)和處理能力，而邊緣計(jì)算則能夠在靠近數(shù)據(jù)源的地方進(jìn)行實(shí)時(shí)分析和決策，從而顯著提高故障檢測(cè)和響應(yīng)的速度。

3、在智能電網(wǎng)的應(yīng)用場(chǎng)景中，云邊協(xié)同能夠?qū)崿F(xiàn)數(shù)據(jù)的快速采集、實(shí)時(shí)分析和智能決策。邊緣設(shè)備能夠?qū)崟r(shí)監(jiān)測(cè)電網(wǎng)的運(yùn)行狀態(tài)，及時(shí)識(shí)別故障并進(jìn)行初步處理，而云端則負(fù)責(zé)更復(fù)雜的數(shù)據(jù)分析和長(zhǎng)遠(yuǎn)的故障預(yù)測(cè)。這種協(xié)同模式不僅提高了故障處理的效率，還增強(qiáng)了系統(tǒng)的自愈能力和靈活性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決當(dāng)前的電網(wǎng)故障分析不及時(shí)，分析準(zhǔn)確率較低的技術(shù)問(wèn)題，本發(fā)明提供一種云邊協(xié)同的智能電網(wǎng)故障處理方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)。

2、第一方面

3、本發(fā)明提供了一種云邊協(xié)同的智能電網(wǎng)故障處理方法，包括：

4、收集電網(wǎng)故障數(shù)據(jù)，具體包括故障時(shí)間、電網(wǎng)的故障類(lèi)型以及故障等級(jí)，所述故障等級(jí)至少與故障點(diǎn)對(duì)應(yīng)的線(xiàn)路視在功率相關(guān)。其中，定義多種故障類(lèi)型，例如短路、接地故障、過(guò)載等。具體可以包括，兩相短路故障、三相短路故障、單相接地故障、兩相接地故障、過(guò)載故障等。

5、進(jìn)一步地，定義故障等級(jí)，基于線(xiàn)路視在功率，劃分故障嚴(yán)重程度，包括輕度、中度和重度，通過(guò)引入線(xiàn)路視在功率，可以大致表征線(xiàn)路的規(guī)模，這可以有效的擴(kuò)大數(shù)據(jù)集，使得訓(xùn)練模型的準(zhǔn)確度得到提高。

6、在電網(wǎng)的故障分析中，一般可以通過(guò)分析電壓、電流和頻率的變化。例如，短路故障通常會(huì)導(dǎo)致電流急劇增加，而電壓下降，比如應(yīng)用對(duì)稱(chēng)分量法，可以分析不平衡故障(如三相短路)，通過(guò)收集電網(wǎng)的歷史故障數(shù)據(jù)和與其對(duì)應(yīng)的電網(wǎng)參數(shù)，即可形成用于訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的數(shù)據(jù)集。

7、進(jìn)一步地，云邊協(xié)同的智能電網(wǎng)故障處理方法包括獲取電網(wǎng)參數(shù)時(shí)間序列，構(gòu)建一個(gè)時(shí)間窗口，收集故障發(fā)生前多個(gè)時(shí)間點(diǎn)的電網(wǎng)參數(shù)，包括：電壓(v)、電流(i)、功率(p)、頻率(hz)、線(xiàn)路阻抗(z)、諧波成分(h)。其中，獲取電網(wǎng)參數(shù)的傳感器可以設(shè)置在電網(wǎng)不同的節(jié)點(diǎn)處，例如變電站、變流器或其他電網(wǎng)線(xiàn)路中轉(zhuǎn)、分叉節(jié)點(diǎn)處。

8、建立分析模塊，依據(jù)所述電網(wǎng)故障數(shù)據(jù)及所述電網(wǎng)參數(shù)建立遞歸神經(jīng)網(wǎng)絡(luò)(rnn)，其中，所述遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的輸入為所述參數(shù)時(shí)間序列，所述遞歸神經(jīng)網(wǎng)絡(luò)的輸出為所述故障類(lèi)型的發(fā)生概率及不同所述故障等級(jí)的發(fā)生概率。

9、可選的，還包括數(shù)據(jù)清洗步驟，對(duì)電網(wǎng)參數(shù)進(jìn)行清洗，具體包括對(duì)缺失值和異常值進(jìn)行處理，對(duì)缺失值進(jìn)行標(biāo)記，以便在后續(xù)的數(shù)據(jù)標(biāo)準(zhǔn)化過(guò)程中進(jìn)行拓展處理；對(duì)異常值進(jìn)行提示，比如在非故障時(shí)段數(shù)據(jù)值出現(xiàn)零值或數(shù)據(jù)明顯大于線(xiàn)路承載上限值，通過(guò)對(duì)缺失值和異常值進(jìn)行處理，可以確保數(shù)據(jù)完整性與準(zhǔn)確性。

10、可選的，還包括數(shù)據(jù)標(biāo)準(zhǔn)化步驟，對(duì)電網(wǎng)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理例如，可以將所述頻率(hz)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布。

11、可選的，還包括對(duì)電網(wǎng)參數(shù)進(jìn)行歸一化處理，例如將電壓(v)、電流(i)、功率(p)縮放到特定范圍(例如[0,1])。

12、進(jìn)一步地，將數(shù)據(jù)進(jìn)行分段處理和序列填充，初始獲得的電網(wǎng)參數(shù)包括一系列與時(shí)間相關(guān)的序列數(shù)據(jù)，但這些數(shù)據(jù)無(wú)法直接作為遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的輸入進(jìn)行學(xué)習(xí)或處理，因此需要將長(zhǎng)序列數(shù)據(jù)劃分為較短的固定長(zhǎng)度子序列，以減小rnn需要記住的信息量。具體步驟如下：選擇一個(gè)適當(dāng)?shù)拇翱诖笮。瑢㈦娋W(wǎng)參數(shù)時(shí)間序列分割成多個(gè)重疊或不重疊的時(shí)間段。每個(gè)時(shí)間段作為獨(dú)立的輸入樣本處理，從而減少模型需捕捉的長(zhǎng)距離依賴(lài)。

13、對(duì)線(xiàn)路阻抗、諧波成分參數(shù)進(jìn)行時(shí)間序列填充，在獲取到的一般電網(wǎng)數(shù)據(jù)中，線(xiàn)路阻抗和諧波成分一般不是高頻采樣數(shù)據(jù)，因此當(dāng)使用相同的采樣頻率對(duì)電網(wǎng)參數(shù)進(jìn)行處理時(shí)，線(xiàn)路阻抗、諧波成分參數(shù)往往會(huì)在某些采樣點(diǎn)出現(xiàn)空白值，通過(guò)使用填充技術(shù)，使所有序列具有相同的長(zhǎng)度。

14、進(jìn)一步地，將以上進(jìn)過(guò)標(biāo)準(zhǔn)化和歸一化處理后的數(shù)據(jù)存儲(chǔ)在pandas?dataframe中，并將故障類(lèi)型和故障等級(jí)轉(zhuǎn)換為分類(lèi)格式(如one-hot編碼)，其中rnn的層數(shù)為1-2層、每層的神經(jīng)元數(shù)量在32到512之間。

15、定義遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的輸入為所述電網(wǎng)參數(shù)時(shí)間序列。遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的輸出為故障類(lèi)型的發(fā)生概率，各故障等級(jí)的發(fā)生概率。

16、定義損失函數(shù)，設(shè)置適合多分類(lèi)任務(wù)的損失函數(shù)，如交叉熵?fù)p失。交叉熵?fù)p失是一種常用的損失函數(shù)，它用于評(píng)估模型輸出與真實(shí)標(biāo)簽之間的差異。交叉熵?fù)p失度量了一個(gè)概率分布與另一個(gè)概率分布之間的差異。在多分類(lèi)問(wèn)題中，交叉熵?fù)p失可以幫助我們?cè)u(píng)估模型預(yù)測(cè)的概率分布(即每個(gè)類(lèi)別的預(yù)測(cè)概率)與實(shí)際類(lèi)別分布(通常以獨(dú)熱編碼格式表示)之間的相似度。

17、將訓(xùn)練好的遞歸神經(jīng)網(wǎng)絡(luò)(rnn)集成到實(shí)時(shí)電網(wǎng)監(jiān)控系統(tǒng)中，并部署在云端，接受來(lái)自電網(wǎng)不同的節(jié)點(diǎn)處的傳感器采集的電網(wǎng)參數(shù)，基于實(shí)時(shí)數(shù)據(jù)，通過(guò)所述遞歸神經(jīng)網(wǎng)絡(luò)(rnn)監(jiān)控所述電網(wǎng)參數(shù)并實(shí)時(shí)輸出所述故障類(lèi)型的發(fā)生概率及不同所述故障等級(jí)的發(fā)生概率。

18、進(jìn)一步地，確定所述電網(wǎng)故障類(lèi)型的風(fēng)險(xiǎn)閾值k，將所述遞歸神經(jīng)網(wǎng)絡(luò)(rnn)輸出電網(wǎng)故障類(lèi)型的發(fā)生概率大于k對(duì)應(yīng)的電網(wǎng)參數(shù)所在的線(xiàn)路標(biāo)記為待測(cè)試線(xiàn)路；

19、獲取所述待測(cè)試線(xiàn)路對(duì)應(yīng)的歷史負(fù)載數(shù)據(jù)，并統(tǒng)計(jì)最小負(fù)載運(yùn)行時(shí)間段，在最小負(fù)載時(shí)間段對(duì)所述待測(cè)試線(xiàn)路進(jìn)行停線(xiàn)檢測(cè)或提高獲取電網(wǎng)參數(shù)頻率。

20、進(jìn)一步地，確定所述電網(wǎng)故障類(lèi)型的停線(xiàn)檢測(cè)閾值kmax；當(dāng)所述待測(cè)試線(xiàn)路對(duì)應(yīng)的電網(wǎng)故障類(lèi)型的發(fā)生概率大于k且小于kmax時(shí)，在最小負(fù)載時(shí)間段對(duì)所述待測(cè)試線(xiàn)路提高獲取電網(wǎng)參數(shù)頻率；當(dāng)所述待測(cè)試線(xiàn)路對(duì)應(yīng)的電網(wǎng)故障類(lèi)型的發(fā)生概率大于等于kmax時(shí)，在最小負(fù)載時(shí)間段對(duì)所述待測(cè)試線(xiàn)路進(jìn)行停線(xiàn)檢測(cè)。

21、進(jìn)一步地，所述獲取電網(wǎng)參數(shù)頻率f與交叉熵?fù)p失l正相關(guān)。

22、第二方面

23、本發(fā)明提供了一種云邊協(xié)同的智能電網(wǎng)故障處理裝置，包括：

24、讀取模塊，用于讀取歷史數(shù)據(jù)并獲取電網(wǎng)故障數(shù)據(jù)，所述電網(wǎng)故障數(shù)據(jù)包括故障時(shí)間、電網(wǎng)的故障類(lèi)型以及故障等級(jí)，所述故障等級(jí)至少與故障點(diǎn)對(duì)應(yīng)的線(xiàn)路視在功率相關(guān)；

25、獲取模塊，用于獲取電網(wǎng)參數(shù)，所述電網(wǎng)參數(shù)包括在所述故障時(shí)間之前，由多個(gè)時(shí)間點(diǎn)電網(wǎng)參數(shù)構(gòu)成的參數(shù)時(shí)間序列，其中，電網(wǎng)參數(shù)至少包括電壓(v)、電流(i)、功率(p)、頻率(hz)、線(xiàn)路阻抗(z)、諧波成分(h)；

26、建模模塊，用于依據(jù)所述電網(wǎng)故障數(shù)據(jù)及所述電網(wǎng)參數(shù)建立遞歸神經(jīng)網(wǎng)絡(luò)(rnn)，其中，所述遞歸神經(jīng)網(wǎng)絡(luò)(rnn)的輸入為所述參數(shù)時(shí)間序列，所述遞歸神經(jīng)網(wǎng)絡(luò)的輸出為所述故障類(lèi)型的發(fā)生概率及不同所述故障等級(jí)的發(fā)生概率；

27、監(jiān)控模塊，用于通過(guò)所述遞歸神經(jīng)網(wǎng)絡(luò)(rnn)監(jiān)控所述電網(wǎng)參數(shù)并實(shí)時(shí)輸出所述故障類(lèi)型的發(fā)生概率及不同所述故障等級(jí)的發(fā)生概率。

28、第三方面

29、本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，其特征在于，包括：存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如第一方面所述的云邊協(xié)同的智能電網(wǎng)故障處理方法。

30、第四方面

31、本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的云邊協(xié)同的智能電網(wǎng)故障處理方法。

32、與現(xiàn)有技術(shù)相比，本發(fā)明至少具有以下有益技術(shù)效果：

33、在本發(fā)明中，可以通過(guò)基于rnn(遞歸神經(jīng)網(wǎng)絡(luò))的模型處理時(shí)間序列數(shù)據(jù)，rnn通過(guò)學(xué)習(xí)歷史數(shù)據(jù)中的時(shí)序關(guān)系，能夠提高故障類(lèi)型識(shí)別的準(zhǔn)確性，減少誤報(bào)和漏報(bào)的情況，基于rnn神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障分析方案，結(jié)合故障類(lèi)型的發(fā)生概率及不同故障等級(jí)的輸出，能夠顯著提升故障檢測(cè)的效率和準(zhǔn)確性，為電網(wǎng)的安全穩(wěn)定運(yùn)行提供有力支持。