一种电力系统故障预测方法、系统、电子设备和介质

技术领域

本发明涉及故障预测技术领域，特别是涉及一种电力系统故障预测方法、系统、电子设备和介质。

背景技术

电力系统作为现代社会不可或缺的基础设施，负责供应电能以满足人们的用电需求。电力系统包括发电、输电、配电等环节，其中发电站通过将各种能源转换为电能，输送至用户终端，保障电网的稳定运行。然而，随着经济的发展和城市化进程的推进，电力系统规模不断扩大，同时电力负荷的波动性和不确定性增加，导致电力系统面临着越来越多的挑战。

传统的电力系统故障预测方法通常采用基于规则的静态策略，比如经验公式或优化模型，来实现电力系统的故障预测。然而，这些传统方法往往是基于固定的假设和规则，无法适应复杂多变的电力系统环境，也无法应对突发事件和异常情况。因此，在电力系统故障预测方面，传统方法在复杂性和不确定性，非线性和时变性和人工干预方面存在局限性。

在复杂性和不确定性方面，电力系统是一个高度复杂的动态系统，涉及到多个组件之间的相互作用。负荷波动、天气变化、设备故障等因素导致系统状态的不确定性增加，传统方法往往难以准确建模和预测。

在非线性和时变性方面，电力系统的非线性特性和时变性使得其运行规律难以用简单的线性模型描述，传统故障预测方法难以适应系统运行的动态变化。

在人工干预方面，传统故障预测方法通常依赖于人工的调度和控制，其效率和准确性受限于人员经验和操作水平。

综上所述，传统的电力系统故障预测方法导致故障预测结果准确度低，进而降低电力系统的安全性和可靠性。

发明内容

本发明的目的是提供一种电力系统故障预测方法、系统、电子设备和介质，可提高故障预测结果的准确度，进而提高电力系统的安全性和可靠性。

为实现上述目的，本发明提供了如下方案：

一种电力系统故障预测方法，包括：

获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷、电网各节点的电压、电网各节点的电流和电网各节点的功率；

将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级LSTM网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置。

可选的，所述故障预测模型的确定过程为：

获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态；

以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型；

对所述训练好的模型中的模型参数进行量化得到量化模型；

对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型。

可选的，在以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型之前还包括：

对所述历史时刻的电力系统运行数据均依次进行数据清洗、归一化操作和结构化处理。

可选的，所述多尺度层级LSTM网络包括Dence层和多个并行的LSTM层；各所述LSTM层的输出端均与所述Dence层的输入端连接，所述LSTM层包括多个串联的LSTM单元。

一种电力系统故障预测系统，包括：

数据获取模块，用于获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷、电网各节点的电压、电网各节点的电流和电网各节点的功率；

预测模块，用于将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级LSTM网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置。

可选的，所述电力系统故障预测系统，还包括：

训练集获取模块，用于获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态；

训练模块，用于以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型；

量化模块，用于对所述训练好的模型中的模型参数进行量化得到量化模型；

优化模块，用于对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型。

可选的，所述电力系统故障预测系统，还包括：

预处理模块，用于对所述历史时刻的电力系统运行数据均依次进行数据清洗、归一化操作和结构化处理。

可选的，所述多尺度层级LSTM网络包括Dence层和多个并行的LSTM层；各所述LSTM层的输出端均与所述Dence层的输入端连接，所述LSTM层包括多个串联的LSTM单元。

一种电子设备，包括：

存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述所述的电力系统故障预测方法。

一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的电力系统故障预测方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明将当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，量化模型为对训练好的模型中的模型参数进行量化得到的；训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级LSTM网络进行训练得到的，采用多尺度层级LSTM网络，可以专注于不同时间尺度上的特征提取，实现对电力系统的复杂动态特性进行全面捕捉，可提高故障预测结果的准确度，进而提高电力系统的安全性和可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的电力系统故障预测方法流程图；

图2为本发明实施例提供的多尺度层级LSTM网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

深度学习算法能够从大规模数据中自动学习特征和模式，具备更强大的表征能力。因此，引入深度学习技术将为电力系统安全领域带来突破性的进展，提高系统安全性和可靠性，本发明旨在提供一种利用深度学习技术预测电力系统故障来改进电力系统安全性的方法，该方法将充分利用历史数据进行模型训练，实现对电力系统故障状态的准确识别，为电力系统运行提供及时有效的保障，基于此，本发明实施例提供了一种电力系统故障预测方法，如图1所示，具体包括：

步骤101：获取当前时刻的电力系统运行数据。所述电力系统运行数据包括电网各节点的负荷、电网各节点的电压、电网各节点的电流和电网各节点的功率。

步骤102：将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态。所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级LSTM网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置。

在实际应用中，所述故障预测模型的确定过程为：

获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态。

以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型。

对所述训练好的模型中的模型参数进行量化得到量化模型。

对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型。

在实际应用中，在以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型之前还包括：

对所述历史时刻的电力系统运行数据均依次进行数据清洗、归一化操作和结构化处理。

在实际应用中，所述多尺度层级LSTM网络包括Dence层和多个并行的LSTM层；各所述LSTM层的输出端均与所述Dence层的输入端连接，所述LSTM层包括多个串联的LSTM单元。

本发明提供了一种更加具体的实施例对上述方法进行详细说明，具体包括：

步骤1：电力系统运行数据的获取和处理

步骤1.1：电力系统运行数据的获取

获取电力系统运行数据，如电网各节点的负荷、电压、电流和功率等，电力系统运行数据来源分为两个部分，实时监测系统与历史数据记录。历史数据来源于过去一段时间内的电力系统运行数据，这些数据存放于数据库之中。实时监测系统从现有的电力系统监测设备中实时收集电力系统运行数据。

对于某一个节点，其功率采用如下的平衡式进行计算：

其中，P

步骤1.2：数据的预处理

收集的数据需要进行预处理，包括清洗、归一化操作和结构化操作等处理。

数据清洗主要是移除缺失值、异常值和重复值等。在本实施例中，使用插值法处理缺失值，对于异常值或噪声数据，可以采用平滑技术或者替换为相邻时间点的合理值。

数据归一化操作是为了消除不同特征间的量纲和数值差异带来的影响。一个常用的归一化方法是最大-最小归一化，其公式如下：

其中，X是原始数据，X

数据结构化处理是将数据处理成适合模型输入的形式。本实施例将时间序列数据整理成滑动窗口形式，作为模型的输入。假设有一个长为T的时间序列数据X＝[x

步骤1.3：数据的分组和标签

首先，将历史时刻采集到的电力系统运行数据按照时间序列进行排序。接着，根据预期的任务和实际需求，将数据分为训练集、验证集和测试集。训练集用于模型的参数学习，验证集用于调整模型的超参数，测试集用于评估模型的性能。

其次，数据的标签是指为数据样本打上相应的标记，以指示电力系统的状态或事件。根据具体的任务，数据的标签可以有不同的定义。在本实施例中，将发生故障的一段时间的数据样本标记为“1”表示正样本(即有故障发生的样本)，其余时间的数据样本标记为“0”表示负样本(即没有故障发生的样本)。

步骤2：LSTM模型的构建和训练

多尺度的LSTM结构(多尺度层级LSTM网络)，旨在有效地解决电力系统安全问题。在这个结构中，通过对长短期记忆(LSTM)神经网络进行多层并行设计，以及不同时间尺度上的数据处理，从而实现对电力系统的复杂动态特性进行全面捕捉和建模。

步骤2.1：多尺度层级LSTM网络的构建

电力系统的运行是一个高度动态和复杂的过程，涉及到各种不同时间尺度上的变化。例如，电力系统可能在短期内经历快速的负载波动和电压波动，而在长期内会受到设备老化和潜在的故障积累等慢速变化的影响。传统的LSTM模型因为它们主要是在单一时间尺度上处理数据的所以可能难以充分捕捉到这些多尺度的动态特性，多尺度的LSTM结构包含多个并行的LSTM层，每个层都在一个特定的时间尺度上处理数据。如图2所示，多尺度的LSTM结构如图2所示，包括一个较浅的LSTM层shorttime_LSTM用于处理短期内的快速变化，同时还包括一个较深的LSTM层longtime_LSTM用于处理长期内的慢速变化，还有一个中层的LSTM层middletime_LSTM，浅层感知短时间的信息，深层感知长时间的信息。这样，不同层次的LSTM网络可以专注于不同时间尺度上的特征提取和建模，使得模型能够更全面地理解电力系统的演化过程。

LSTM单元由三个主要的门控单元组成，分别为：输入门(input gate，i

在多尺度的LSTM结构中，每个LSTM层是由若干个LSTM单元组成，每个LSTM层都有自己的隐藏状态和记忆单元，它们在各自的时间尺度上对输入数据进行处理，并输出各自的状态表示。为了整合这些不同尺度的信息，采用一种有效的融合方法，将每个LSTM层的输出进行加权求和，权重根据各自的时间尺度和重要性动态调整。这样，可以得到一个综合的系统状态表示，其中包含了不同时间尺度上的特征信息。

步骤2.2：多尺度层级LSTM网络的训练

为了更好地训练和优化多尺度的LSTM结构，本实施例引入了序列到序列(Seq2Seq)学习策略。这种策略使得模型在预测电力系统未来状态时，能够考虑到整个序列的信息，而不仅仅是当前时刻的输入。通过这种方式，模型可以更加准确地预测电力系统在不同时间尺度上的演化情况，并及时发现可能的安全问题。

下面是Seq2Seq学习策略的详细描述：

1.编码器(Encoder)：

编码器是一个LSTM，它负责处理输入序列。输入序列的每个元素通过编码器网络逐步进行处理，然后在编码器的最后一个时间步产生一个“上下文向量”或“编码向量”。这个编码向量在将整个输入序列信息压缩为固定长度的向量表示时发挥关键作用。对于每个时间尺度，构建一个独立的编码器网络。编码器的输入是时间序列数据的一个子序列，输出为对应的编码向量。将这些编码向量作为多尺度层级LSTM网络的输入。

2.解码器(Decoder)：

解码器也是一个LSTM，它负责生成输出序列。在每个时间步，解码器会使用上一个时间步的输出(初始时通常使用特殊的起始标记)以及编码器产生的编码向量作为输入。解码器的目标是根据这些输入生成一个元素，直到生成整个输出序列或者遇到特殊的终止标记。对于多尺度层级LSTM网络的每个时间尺度，构建一个独立的解码器网络。每个解码器根据相应时间尺度的编码向量和之前时间步的预测结果来生成输出序列的元素。

3.教师强制(Teacher Forcing)：

在训练过程中，通常使用教师强制来加速模型的收敛。教师强制是一种技术，即在解码器的训练中使用真实的目标输出序列作为输入，而不是使用模型自身的预测结果。这样做可以减少训练中的误差传播问题，但在实际推理过程中，可能会产生累积误差。

4.损失函数：

我们使用交叉熵损失函数，用于衡量模型生成序列与真实目标序列之间的差异。解码器的输出序列与目标序列逐个元素进行比较，并计算损失。优化算法通常使用反向传播算法来最小化这个损失。

5.注意力机制(Attention Mechanism)：

对于较长的输入序列，编码器产生的编码向量可能无法捕捉到所有重要的信息。为了解决这个问题，引入了注意力机制。注意力机制使解码器在生成每个输出元素时，可以"注意"到编码器输出的不同部分，从而更好地利用输入序列的信息。

步骤3：模型的反馈优化方法

步骤3.1：模型量化与实时反馈系统构建

首先对多尺度层级LSTM网络中的权重和偏置进行量化，将它们从浮点数表示转换为8位整数，以在减少存储空间和计算复杂度的同时，尽量保持模型性能。在量化参数之后，进行量化感知训练。在训练过程中，引入量化误差，并将量化误差纳入损失函数中进行优化。这样可以使得模型在量化后仍能保持较好的预测性能，尽量减少量化带来的性能损失。结合模型剪枝技术，对量化后的LSTM模型进行进一步优化。通过剪枝一些不重要的参数或通道，进一步减小模型的规模，使得量化效果更为显著，同时降低了模型的存储需求和计算开销。

本发明实施例还提供了一种与上述方法实施例对应的电力系统故障预测系统，包括：

数据获取模块，用于获取当前时刻的电力系统运行数据；所述电力系统运行数据包括电网各节点的负荷、电网各节点的电压、电网各节点的电流和电网各节点的功率。

预测模块，用于将所述当前时刻电网的电力系统运行数据输入故障预测模型得到下一时刻电网的故障状态；所述故障预测模型为对量化模型进行量化感知训练和剪枝操作得到的，所述量化模型为对训练好的模型中的模型参数进行量化得到的；所述训练好的模型为以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出对多尺度层级LSTM网络进行训练得到的；所述故障状态为有故障或者没有故障；所述模型参数包括权重和偏置。

在实际应用中，所述电力系统故障预测系统，还包括：

训练集获取模块，用于获取历史时刻的电力系统运行数据以及历史时刻各电力系统运行数据对应的故障状态。

训练模块，用于以历史时刻的电力系统运行数据为输入，以历史时刻各电力系统运行数据对应的故障状态为输出，采用Seq2Seq学习策略对多尺度层级LSTM网络进行训练得到训练好的模型。

量化模块，用于对所述训练好的模型中的模型参数进行量化得到量化模型。

优化模块，用于对所述量化模型依次进行量化感知训练和剪枝操作得到故障预测模型。

在实际应用中，所述电力系统故障预测系统，还包括：

预处理模块，用于对所述历史时刻的电力系统运行数据均依次进行数据清洗、归一化操作和结构化处理。

在实际应用中，所述多尺度层级LSTM网络包括Dence层和多个并行的LSTM层；各所述LSTM层的输出端均与所述Dence层的输入端连接，所述LSTM层包括多个串联的LSTM单元。

本发明实施例还提供了一种电子设备，包括：

存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述实施例所述的电力系统故障预测方法。

本发明实施例还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的电力系统故障预测方法。

通过应用多尺度层级LSTM网络在电力系统中实现了以下技术效果：

1.长期依赖关系建模：多尺度层级LSTM网络能够捕捉电力系统中的长期依赖关系，这是传统方法难以实现的。通过LSTM的记忆状态，模型可以有效地跟踪电力系统的历史状态和变化趋势，从而更好地预测未来的电力系统状态。

2.高准确性的预测：多尺度层级LSTM网络在处理序列数据方面具有优势，它可以更准确地预测电力系统的故障状态，包括负载变化、电压波动等。这有助于及早发现可能出现的安全问题，提前采取相应的措施，保障电力系统的稳定运行。

3.电力系统安全改善：通过多尺度层级LSTM网络本发明提出的故障预测方法可以更好地预测电力系统的故障状态，帮助电力系统运行人员及时发现并解决问题，提高电力系统的安全性和稳定性。

4.资源高效性：通过模型量化等技术，可以显著减少LSTM模型的存储需求和计算复杂度，使得该方法在资源有限的环境中部署更高效，如移动设备、边缘计算设备等。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。