CN118193986A - 一种基于周期时间序列的配电网早期故障预测方法 - Google Patents

Abstract

本发明公开了一种基于周期时间序列的配电网早期故障预测方法，包括以下步骤；步骤1：搭建节点电网结构图，获取节点处电压、电流的时序信号；制作配电网早期故障预测数据集；步骤2：搭建基于周期时间序列的配电网早期故障预测网络模型；步骤3：通过配电网早期故障预测数据集，训练周期时间序列配电网早期故障预测网络模型，对预测结果进行评估，输出最终的预测结果。本发明使得配电网中发生故障时，根据故障发生前的异常征兆及时进行预警，从而避免用户停电的发生。

Description

一种基于周期时间序列的配电网早期故障预测方法

技术领域

本发明属于配电网故障预测技术领域，具体涉及一种基于周期时间序列的配电网早期故障预测方法。

背景技术

配电网中发生的原因众多，早期异常的检测问题一直是电网有关单位中持续关注的问题之一。因雷雨天气、电缆线路老化、硬件接触不良、变压器漏油等因素，致使配电网中电压、电流产生微弱的波动，线路功率时续时断，从而难以被察觉，进而容易发展成单相接地故障、三相故障等严重故障，对电力公司和用户方面都会产生影响。

现有产品的技术缺点：

目前，有关时间序列的研究在配电网故障预测中有一定的深入，但多数只依赖历史数据建立相对应的线性关系，并未考虑因噪声、高频谐波对预测结果的干扰，以及局部相关性对电网故障预测的影响，因此对配电网早期故障进行预警不仅要依赖于历史数据，也要关注其固有的周期性，从而建立一种周期性模块，从观测数据中估计周期状态。

发明内容

为了克服以上现有技术存在问题，本发明的目的在于提供一种基于周期时间序列的配电网早期故障预测方法，该方法的周期时间序列模型既延申了时序模型依赖历史数据的特点，也捕获不同时序阶段中的周期特性，并在网络中加入高斯核模型，根据其单峰特性，利用电压、电流数据中以时间点为索引，更加关注相邻区域，以适应不同的周期时序模型，使得配电网中发生故障时，可以根据故障发生前的异常征兆及时进行预警，从而避免用户停电的发生。

为了实现上述目的，本发明采用的技术方案是：

一种基于周期时间序列的配电网早期故障预测方法，包括以下步骤；

步骤1：搭建节点电网结构图，获取节点处电压、电流的时序信号；制作配电网早期故障预测数据集；

步骤2：搭建基于周期时间序列的配电网早期故障预测网络模型；

步骤3：通过配电网早期故障预测数据集，训练周期时间序列配电网早期故障预测网络模型，对预测结果进行评估，输出最终的预测结果。

所述步骤1中，搭建IEEE-33标准节点系统，随机选择两处节点，导出节点处的故障数据集，将数据集处理成模型能够处理的.csv文件，获取节点电网中电压、电流时序信号数据。所述步骤2中，基于周期时间序列的配电网早期故障预测网络模型包括一维卷积网络、残差网络、周期模块、扩展模块、高斯核模块；

首先，将获取到的配电网中电压、电流时序信号，进行数据预处理操作，使用一维卷积神经网络，对信号进行特征提取，学习时序信号的局部模式和特征，达到去噪和去高冗余信号；

然后，将预处理后的数据先进行快速傅里叶变化，然后创建周期性模块，通过参数化的周期函数估计隐变量Z_t：

其中，K表示周期的超参数，A₀表示标量参数，A_K表示第K个余弦函数的幅值，F_K表示第K个余弦函数的频率，P_K表示第K个余弦函数的相位；M_K∈{0，1}是一个掩码变量；

然后，建立扩展模块，使预测值依赖于历史值和固有的周期性，计算方法可以表示为：

其中，表示第M层的周期状态，/>表示第M层历史值；/>表示第M层的累计预测值；

在周期性模块和扩展模块的基础上，设计高斯核模块，利用高斯核函数的局部特性，使得模型更好地去捕捉时序数据点之间的局部特征，提高早期故障预测的准确率；高斯核函数表达式为：

其中，x_j表示j时刻，x_i表示i时刻，σ表示超参数；

最后，对M^*，P^*两个变量利用快速逼近的方法进行优化；将预处理后的数据集以t时刻为节点划分训练集和测试集，t时刻之前划分为训练集，t时刻之后划分为测试集；

其中，表示测试集中的差异值；/>表示训练集中的差异值。

所述步骤3中，模型通过归一化偏差和归一化均方根误差两个指标评估，测试当前模型的性能结果，具体表达式为：

其中，Ω表示整个评价空间，t表示时刻值，i表示t时刻所对应的数值，表示t时刻所对应数据的真实值，/>表示t时刻所对应数据的预测值。

本发明的有益效果：

本发明公开了一种基于周期时间序列的配电网早期异常预测方法，主要针对配电网中早期故障特征微弱、难以进行检测的问题，旨在推进周期时间序列在配电网故障检测中的应用。首先，依据所搭建的节点电网获取电压、电流数据，制作配电网早期故障预测数据集；然后，建立一维卷积网络进行去噪和去谐波的预处理操作，使数据更加具有可操作性；其次，通过扩展模块建立周期时间序列的深度学习网络模型，一方面关注历史数据和全局相关性，另一方面关注每一时刻局部相关性，增加时序信号之间的耦合性；最后，对不同周期的时序数据通过余弦函数进行建模，当配电网早期故障产生时，能够根据先验信息和不同的周期性，对早期故障可以及时做到预警，从而提高配电网的运行效率。

本发明根据电压、电流时序信号在某时刻之前的先验信息和多样化的周期成分，在引发单相接地故障发生的时刻前，能够及时对早期故障进行预警，降低故障发生率，从而使得配电网能够正常运行。

附图说明

图1是本发明所涉及的周期时间序列整体框架图。

图2是本发明所涉及的单层网络结构中的数据流。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明旨在配电网电压、电流信号出现早期故障时，根据周期时间序列网络模型进行异常预警，以图2中所示的单层网络结构中的数据流为例，详细说明本发明的实施方法。

具体检测步骤如下：

Step1：获取节点电网中电压、电流时序信号数据，制作早期故障预测数据集；

具体而言，依据当前时刻的先验信息去预测未来时刻的电压、电流值，将当前时刻之前的数据集划分为训练集，当前时刻之后的数据划分为测试集；

搭建IEEE-33标准节点系统，随机选择两处节点，导出节点处的故障数据集，将数据集处理成模型能够处理的.csv文件，获取节点电网中电压、电流时序信号数据。

Step2：通过周期时间序列网络结构和优化算法，建立配电网早期故障预测模型；主要采用时间序列对故障进行预测，所以搭建基于残差学习的网络模型，并加入优化算法，才能够有效是对故障进行预测处理。

一维卷积网络对时序信号中存在的噪声、谐波进行处理；残差网络基于周期模块、扩展模块、高斯核模块搭建，用于关注信号之间的全局相关性和局部相关性，提高预测精度；

其中，一维卷积网络作为预处理模块对时序信号先进行卷积计算，设定合适的步长在时序信号中移动，检测其中的高频信息，增加全局相关性；

设计一维卷积网络，利用卷积网络的一维形式，学习时序信号的局部模式和特征，对时序信号进行去噪、去高频谐波处理；

在对扩展模块进行计算的基础上，加入高斯核函数模块增加局部相关性，利用高斯核函数的单峰特性，在时序信号中形成映射关系，使当前时间点能够更加关注相邻信息，使早期故障发生的前期征兆更加凸显，计算方法可以表示为：

其中，x_j表示j时刻，x_i表示i时刻，σ表示超参数。

本发明所涉及的周期时间序列主结构图如图1所示。

首先，将获取到的配电网中电压、电流时序信号，进行数据预处理操作，使用一维卷积神经网络，对信号进行特征提取，学习时序信号的局部模式和特征，达到去噪和去高冗余信号；

然后，将预处理后的数据先进行快速傅里叶变化，然后创建周期性模块，通过参数化的周期函数估计隐变量Z_t：

其中，K表示周期的超参数，A₀表示标量参数，A_K表示第K个余弦函数的幅值，F_K表示第K个余弦函数的频率，P_K表示第K个余弦函数的相位；M_K∈{0，1}是一个掩码变量；

然后，建立扩展模块，使预测值依赖于历史值和固有的周期性，计算方法可以表示为：

其中，表示第M层的周期状态，/>表示第M层历史值；/>表示第M层的累计预测值；

在周期性模块和扩展模块的基础上，设计高斯核模块，利用高斯核函数的局部特性，使得模型更好地去捕捉时序数据点之间的局部特征，提高早期故障预测的准确率；高斯核函数表达式为：

其中，x_j表示j时刻，x_i表示i时刻，σ表示超参数；

最后，对M^*，P^*两个变量利用快速逼近的方法进行优化；将预处理后的数据集以t时刻为节点划分训练集和测试集，t时刻之前划分为训练集，t时刻之后划分为测试集；

其中，表示测试集中的差异值；/>表示训练集中的差异值；

Step3：训练基于周期时间序列的配电网早期故障预测模型，并对预测模型进行评估，输出最终的预测结果；重点对电压、电流故障信号进行预测，t时刻之前的数据作为训练部分，t时刻之后的作为预测部分。然后将预测出来的部分和真实值进行对比，如果评价指标的值越小，说明预测的越准确。

模型通过归一化偏差(Normalized deviation,nd)和归一化均方根误差(Normalized root mean square error,nrmse)两个指标评估，测试当前模型的性能结果，具体表达式为：

其中，Ω表示整个评价空间，t表示时刻值，i表示t时刻所对应的数值，表示t时刻所对应数据的真实值，/>表示t时刻所对应数据的预测值。

本发明使配电网在发生故障前期，能够及时产生异常预警，为配电网在运行时的可靠状态提供一定的基础。

Claims (4)

1.一种基于周期时间序列的配电网早期故障预测方法，其特征在于，包括以下步骤；

步骤1：搭建节点电网结构图，获取节点处电压、电流的时序信号；制作配电网早期故障预测数据集；

步骤2：搭建基于周期时间序列的配电网早期故障预测网络模型；

步骤3：通过配电网早期故障预测数据集，训练周期时间序列配电网早期故障预测网络模型，对预测结果进行评估，输出最终的预测结果。

2.根据权利要求1所述的一种基于周期时间序列的配电网早期故障预测方法，其特征在于，所述步骤1中，搭建IEEE-33标准节点系统，随机选择两处节点，导出节点处的故障数据集，将数据集处理成模型能够处理的.csv文件，获取节点电网中电压、电流时序信号数据。

3.根据权利要求1所述的一种基于周期时间序列的配电网早期故障预测方法，其特征在于，所述步骤2中，基于周期时间序列的配电网早期故障预测网络模型包括一维卷积网络、残差网络、周期模块、扩展模块、高斯核模块；

首先，将获取到的配电网中电压、电流时序信号，进行数据预处理操作，使用一维卷积神经网络，对信号进行特征提取，学习时序信号的局部模式和特征，达到去噪和去高冗余信号；

然后，将预处理后的数据先进行快速傅里叶变化，然后创建周期性模块，通过参数化的周期函数估计隐变量Z_t：

其中，K表示周期的超参数，A₀表示标量参数，A_K表示第K个余弦函数的幅值，F_K表示第K个余弦函数的频率，P_K表示第K个余弦函数的相位；M_K∈{0，1}是一个掩码变量；

然后，建立扩展模块，使预测值依赖于历史值和固有的周期性，计算方法表示为：

其中，表示第M层的周期状态，/>表示第M层历史值；/>表示第M层的累计预测值；

在周期性模块和扩展模块的基础上，设计高斯核模块，利用高斯核函数的局部特性，使得模型更好地去捕捉时序数据点之间的局部特征；高斯核函数表达式为：

其中，x_j表示j时刻，x_i表示i时刻，σ表示超参数；

最后，对M^*，P^*两个变量利用快速逼近的方法进行优化；将预处理后的数据集以t时刻为节点划分训练集和测试集，t时刻之前划分为训练集，t时刻之后划分为测试集；

其中，表示测试集中的差异值；/>表示训练集中的差异值。

4.根据权利要求1所述的一种基于周期时间序列的配电网早期故障预测方法，其特征在于，所述步骤3中，模型通过归一化偏差和归一化均方根误差两个指标评估，测试当前模型的性能结果，具体表达式为：

其中，Ω表示整个评价空间，t表示时刻值，i表示t时刻所对应的数值，表示t时刻所对应数据的真实值，/>表示t时刻所对应数据的预测值。