电力系统故障预测方法及装置

技术领域

本申请涉及电力系统检测领域，尤其涉及一种电力系统故障预测方法及装置。

背景技术

伴随着人民生活水平的不断提高，对于电力也有了更高的要求。在这样的背景下，国家电网运维管理的难度也逐渐加大，把配电维护和配电运行两者相结合，配电运维一体化是国家电力企业未来发展的必要趋势。目前，我国电网覆盖的范围越来越大，覆盖的环境越来越复杂，一些电力设备需要在恶劣的环境下运行，某些环境因素如温度，湿度等可能对电力设备造成影响，同时电力设备本身的电压电流等也需要进行实时监控，以保证电力系统的安全性。同时，由于电力设备所处环境对人影响较大，所以为了在发生故障时及时了解现场情况，一般需要在电力系统中设置监控摄像头，但由于电力系统如变电站，输电塔等无法给大量低压设备提供充足的电源，能耗问题也是电力监测系统所需考虑的重要因素，故尽量减少通信的信息量，提高信息的有效性是目前电力监测系统的重要发展方向之一。

在发电，输电和用电环节所需设备大都需要大量传感器保证发电装备的故障诊断与健康监测，预防事故发生，现有电力故障诊断和检测系统一方面没有故障预测的功能，另一方面每个传感器都需与上层服务器保持通信，通信能耗很大。

发明内容

鉴于此，本申请实施例提供了一种电力系统故障预测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请的第一个方面提供了一种电力系统故障预测方法，该方法包括：

采用一个本地节点将多个传感器实时采集到的不同类型的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个类型的电力系统监测数据分别对应的故障预测数值，其中，所述电力系统故障预测模型包括神经网络；

若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部。

在本申请的一些实施例中，在所述采用一个本地节点将多个传感器各自实时采集到的电力系统监测数据输入预设的电力系统故障预测模型之前，还包括：

对各个所述传感器实时采集到的数据进行预处理。

在本申请的一些实施例中，所述若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部，包括：

当所述故障预测数值的故障等级低于预设故障等级时，若存在新故障预测数值的故障等级高于所述预设故障等级，将新故障预测数值的报警信息与所述故障预测数值的报警信息一起上传至外部。

在本申请的一些实施例中，所述若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部，包括：

若存在多个低故障预测数值的故障等级低于所述预设故障等级且所述低故障预测数值的数量累积超过预设数量，将各个低于所述预设故障等级的故障预测数值的报警信息与所述预测数值的报警信息一起上传至外部。

在本申请的一些实施例中，所述则采用所述本地节点将该故障预测数值对应的报警信息传输至外部，包括：

控制所述本地节点对外部发送的导频进行信道估计和信道同步，从而与外部建立连接；

若所述预测数值的故障等级高于所述预设故障等级，则控制所述本地节点向外部发送连接请求以将该故障预测数值对应的报警信息传输至外部。

在本申请的一些实施例中，在采用一个本地节点将多个传感器各自实时采集到的电力系统监测数据输入预设的电力系统故障预测模型之前，还包括：

控制所述本地节点根据电力系统算力和能耗要求汇总不同数量和类型的多个传感器采集到的电力系统监测数据。

在本申请的一些实施例中，在采用一个本地节点将多个传感器各自实时采集到的电力系统监测数据输入预设的电力系统故障预测模型之前，还包括：

对传感器历史数据集进行预处理；

根据预测神经网络前向计算公式对所述历史数据包集中各个数据包进行计算得到对应的预测数值；

根据各个所述预测数值及对应的真实结果进行计算得到各个所述数据包对应的误差；

根据各个所述误差计算多个权重的梯度；

基于梯度的优化算法更新权重得到新权重，根据验证集更新超参数为新超参数，从而得到所述电力系统故障预测模型，其中，所述验证集为部分所述传感器历史数据。

本申请的第二个方面提供了一种电力系统故障预测装置，该装置包括：

数据预测模块，用于采用一个本地节点将多个传感器各自实时采集到的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个传感器对应的故障预测数值；

信息上报模块，用于若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部，其中，所述电力系统故障预测模型包括神经网络。

本申请的第三个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的第一方面所述的电力系统故障预测方法。

本申请的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述的第一方面所述的电力系统故障预测方法。

本申请提供一种电力系统故障预测方法及装置，所述方法包括采用一个本地节点将多个传感器实时采集到的不同类型的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个类型的电力系统监测数据分别对应的故障预测数值，其中，所述电力系统故障预测模型包括神经网络；若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部。本申请能够有效提升电力系统故障的预测准确性，同时能够有效减少传感器与服务器通信过程中的通信能耗。

本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本申请一实施例中的电力系统故障预测方法的流程示意图。

图2为本申请另一实施例中的电力系统故障预测装置的结构示意图。

图3(a)为本申请另一实施例中的电力系统多个传感器实时监测变压器的示意图。

图3(b)为本申请另一实施例中的多个传感器将数据输入电力系统故障检测模型的示意图。

图3(c)为本申请另一实施例中的电力系统故障检测模型进行数值预测的示意图。

图3(d)为本申请另一实施例中的本地节点对预测数值进行判断处理的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

具体通过下述实施例进行详细说明。

本申请实施例提供一种可以由电力系统故障预测装置或客户端设备执行的电力系统故障预测方法，参见图1，所述的电力系统故障预测方法具体包含有如下内容：

步骤110：采用一个本地节点将多个传感器实时采集到的不同类型的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个类型的电力系统监测数据分别对应的故障预测数值，其中，所述电力系统故障预测模型包括神经网络。

步骤120：若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部。

具体来说，客户端设备采用一个本地节点将多个传感器实时采集到的不同类型的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个类型的电力系统监测数据分别对应的故障预测数值。若经过判断有故障预测数值超出对应的参数类别的预设正常范围，则采用本地节点将该故障预测数值对应的报警信息传输至外部，从而能够有效提升电力系统故障的预测准确性，同时能够有效减少传感器与服务器通信过程中的通信能耗。

其中，电力系统故障预测模型包括神经网络；不同类型的电力系统监测数据包括：发电机转速、频率、功率、变压器容量、电压、冷却介质、温度等。外部指代的是与本地节点进行通信的上层服务器。同时，需要说明的是，电力系统故障预测方法不仅适用于有线通信电力系统，也适用于无线通信电力系统。不同类别的故障预测数值各自对应不同的正常范围，该正常范围由人为确定或在电力系统故障预测模型训练中得到。

在本申请一实施例中，参见图3(a)，客户端设备根据电力系统故障预测方法实时监测某变压器，对该变压器进行监测的传感器设备包括温度传感器，电压传感器，电流传感器等，且变压器配备有监控探头进行监视，在变压器正常运行状态下，监控探头关闭。参见图3(b)，各类传感器将采集到的温度，电压，电流等信息汇聚到具有电力系统故障预测模型的本地节点上，本地节点已知变压器正常运行时的温度范围，电压范围和电流范围等。参见图3(c)，本地节点通过电力系统故障预测模型对传感器采集到的数据进行处理后得出相应的预测数值，预测数值包括未来时刻可能出现的温度，电压，电流等值。参见图3(d)，当预测数值在变压器正常运行范围内时，监控探头保持关闭，本地节点不向上层服务器传输信息；当所述预测结果超出变压器正常运行范围时，监控探头打开，开始实时向上层服务器传输监控视频，本地节点向上层服务器传输报警信息。

为了使模型能够处理不同传感器采集的数据，在步骤110之前还包括：

对各个所述传感器实时采集到的数据进行预处理。

具体来说，各个传感器周期性地将实时采集到的带有时间标记的各类数据发送至本地节点，本地节点将时间标记相同的多个数据转换为统一数据类型并分别打包为数据包格式一并输入电力系统故障预测模型进行处理，从而提升了模型处理数据的全面性。

为了减少传感器与服务器通信过程中的通信能耗，步骤120包括：

当所述故障预测数值的故障等级低于预设故障等级时，若存在新故障预测数值的故障等级高于所述预设故障等级，将新故障预测数值的报警信息与所述故障预测数值的报警信息一起上传至外部。

或者，若存在多个低故障预测数值的故障等级低于所述预设故障等级且所述低故障预测数值的数量累积超过预设数量，将各个低于所述预设故障等级的故障预测数值的报警信息与所述预测数值的报警信息一起上传至外部。

具体来说，客户端设备在故障预测数值的故障等级低于预设故障等级时，若经判断存在新故障预测数值的故障等级高于预设故障等级，将新故障预测数值的报警信息与故障预测数值的报警信息一起上传至外部。或者，若经判断存在多个低故障预测数值的故障等级低于预设故障等级且低故障预测数值的数量累积超过预设数量，将各个低于预设故障等级的故障预测数值的报警信息与预测数值的报警信息一起上传至外部，从而能够有效减少传感器与服务器通信过程中的通信能耗。

其中，预设故障等级由客户端设备在数据预测之前根据电力系统的硬件、软件以及其他安全方面的综合考量对各类参数进行级别划分得到。客户端设备事先对电力系统中对所有参数进行分类，如功率和电压分为一类参数，冷却介质温度分为二类参数，参数重要等级排序按一，二，三...递减排列，每个参数对应三个故障等级，故障等级高低也按一，二，三...递减排列，故障等级划分标准为所需检测的所有参数的上下限(也可以是单独上限或下限)，上下限为电力系统工作前提前设置，比如额定功率，额定电压之类，比如电压大于100或小于20为电压的故障等级一，大于80或小于30为故障等级二...,而所述高等级故障和低等级故障是系统运行前确定，各等级参数的各等级故障都属于高等级故障或低等级故障。预设数量由客户端设备综合通信能耗、故障响应紧急情况以及其他方面综合考量得到。

为了提升故障响应效率，步骤120还包括：

控制所述本地节点对外部发送的导频进行信道估计和信道同步，从而与外部建立连接。

若所述预测数值的故障等级高于所述预设故障等级，则控制所述本地节点向外部发送连接请求以将该故障预测数值对应的报警信息传输至外部。

具体来说，客户端设备控制本地节点对外部发送的导频进行信道估计和信道同步，从而与外部建立连接；若经判断预测数值的故障等级高于预设故障等级，则控制本地节点向外部发送连接请求以将该故障预测数值对应的报警信息传输至外部，从而能够有效提升故障响应效率。

为了提升本地节点的处理能力，在步骤110之前还包括：

控制所述本地节点根据电力系统算力和能耗要求汇总不同数量和类型的多个传感器采集到的电力系统监测数据。

具体来说，客户端设备控制本地节点根据电力系统算力和能耗要求汇总不同数量和类型的多个传感器采集到的电力系统监测数据，从而能够有效提升本地节点的处理能力。

为了提升故障预测的有效性，在步骤110之前还包括：

对传感器历史数据集进行预处理。

步骤111：根据预测神经网络前向计算公式对所述历史数据包集中各个数据包进行计算得到对应的预测数值。

可以理解的是，预测神经网络可以用BP神经网络、Elman神经网络、RBF神经网络、GRNN神经网络和RNN网络等，以及各类组合神经网络，本申请用到的RNN模型有LSTM,GRU等，根据不同的模型使用相应的计算公式对历史历史数据包集中各个数据包进行预测计算。

步骤112：根据各个所述预测数值及对应的真实结果进行计算得到各个所述数据包对应的误差。

步骤113：根据各个所述误差计算多个权重的梯度。

其中，计算权重梯度的方法和步骤为：

1.预测神经网络中含有需要更新参数的结构称为门，对于每个门，有一组权重和偏差。

2.根据预测神经网络前向计算公式进行前向传播，即经过各个门，最后得到一个代价函数D3.进行反向求导，即代价函数D对各个门依次求导，比如有三个门A，B，C,则根据链式法则，应计算D对C求导，C对B求导，B对A求导，则可得出各个门的梯度。

步骤114：基于梯度的优化算法更新权重得到新权重，根据验证集更新超参数为新超参数，从而得到所述电力系统故障预测模型，其中，所述验证集为部分所述传感器历史数据。

其中，优化算法为根据步骤113所求得的权重梯度乘以预设的参数得到新权重。

同时，可以理解的是，超参数的设定并不固定，常见的超参数有学习率，训练轮数(epoch)等，超参数一般是人为设定的，而不是训练得出的，因为此类参数很难训练得出，所以一般是人为设定，而验证集的作用就是测试出一套好的超参数，使电力系统故障预测模型训练效果更好。根据验证集更新超参数的方法为：比如要更新训练轮数(epoch)这个超参数，就需要训练集训练不同的轮数，得到不同的模型，将得到的模型在验证集上进行测试，得到效果最好的模型，则应选择效果最好的模型对应的epoch。

具体来说，本地节点接收到多个传感器带有时间标记的历史数据集，将时间标记相同的多个数据转换为统一数据类型并分别打包为数据包格式；根据预测神经网络前向计算公式对历史数据包集中各个数据包进行计算得到对应的预测数值；根据各个所述预测数值及对应的真实结果进行计算得到各个数据包对应的误差；根据各个误差计算多个权重的梯度；基于梯度的优化算法更新权重得到新权重，根据验证集更新超参数为新超参数，从而得到所述电力系统故障预测模型，从而能够有效提升故障预测的有效性。

其中，验证集为部分传感器历史数据。

从软件层面来说，本申请还提供一种用于执行所述的电力系统故障预测方法中全部或部分内的电力系统故障预测装置，参见图2，所述的电力系统故障预测装置具体包含有如下内容：

数据预测模块10，用于采用一个本地节点将多个传感器各自实时采集到的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个传感器对应的故障预测数值；

信息上报模块20，用于若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部，其中，所述电力系统故障预测模型包括神经网络。

本申请提供的电力系统故障预测装置的实施例具体可以用于执行上述实施例中的电力系统故障预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述的电力系统故障预测方法实施例的详细描述。

本申请提供一种电力系统故障预测方法及装置，所述方法包括采用一个本地节点将多个传感器实时采集到的不同类型的电力系统监测数据输入预设的电力系统故障预测模型，以使该电力系统故障预测模型输出各个类型的电力系统监测数据分别对应的故障预测数值，其中，所述电力系统故障预测模型包括神经网络；若有所述故障预测数值超出对应的参数类别的预设正常范围，则采用所述本地节点将该故障预测数值对应的报警信息传输至外部。本申请能够有效提升电力系统故障的预测准确性，同时能够有效减少传感器与服务器通信过程中的通信能耗。

本申请实施例还提供了一种电子设备，例如中心服务器，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的电力系统故障预测方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。

处理器可以为中央处理器(CentralProcessingUnit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的电力系统故障预测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的电力系统故障预测方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的电力系统故障预测方法。

在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。

作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述的电力系统故障预测方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。