基于数字孪生的电网故障分析方法、系统、设备及介质与流程

1.本技术涉及数字孪生及电网故障分析技术领域，尤其涉及一种基于数字孪生的电网故障分析方法、系统、设备及介质。

背景技术：

2.随着经济的发展，数字孪生技术的应用领域已愈发广泛。数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。为了增强对电网运行监控管理的能效，已经逐渐将数字孪生技术与电网建模结合起来，从而得到对应的数字电网，实现更高效的管理。
3.在实际应用中，电网故障的预警和管理是电网监管中的重要一环，现有的数字电网在进行故障管理时，往往只是针对某种单一的故障，采用卷积神经网络构建相应的故障预警模型，在故障达到设定阈值时触发故障预警。然而，这种方法首次无法覆盖多种故障类型，使用范围十分局限；其次，由于仅仅提供故障预警，缺乏针对故障情况的处理方案的科学指导，使得管理人员在故障情况时还要额外花费时间从历史案例中去寻解决故障问题的手段，如此故障处理效率将会大打折扣。此外，由于现有的预警模型往往是基于某一种单一的神经网络模型训练而得到的，其故障预测结果精确度往往并不理想，无法真实、有效的维护电网系统运行的安全性和稳定性。

技术实现要素：

4.本技术的目的在于提供一种基于数字孪生的电网故障分析方法、系统、设备及介质，以解决现有的数字电网故障预警方法中存在的适用范围局限、预测结果精确度低以及无法提供故障处理方案的问题。
5.为实现上述目的，本技术提供一种基于数字孪生的电网故障分析方法，包括：
6.获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；
7.基于电网数字孪生系统框架，利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型；
8.将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。
9.进一步，作为优选地，在所述获取电网运行过程中的不同故障类型下的历史故障数据之后，还包括：
10.对历史故障数据进行去噪和归一化处理；其中，去噪采用的方法包括小波变换或均值滤波。
11.进一步，作为优选地，所述获取电网运行过程中的不同故障类型下的历史故障数据，包括：
12.获取电网运行过程中的不同故障类型下的故障因素、故障结果所对应的数据；其中，所述故障因素包括网架结构、负荷增长、设备缺陷、自然灾害及外力破坏；所述故障结果包括停电故障和线损故障。
13.进一步，作为优选地，所述循环神经网络模型采用lstm-cnn模型。
14.进一步，作为优选地，所述利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型，包括：
15.设置lstm-cnn模型的网络参数，包括设学习率为0.01、迭代次数为1000次、激活函数为elu函数以及分类器为sigmoid分类器；
16.以故障因素对应的数据为输入，以故障结果对应的数据为输出，对lstm-cnn模型进行训练；
17.判断lstm-cnn模型的预测精度是否达到99％；若是，则模型收敛，生成故障预测模型；若否，对lstm-cnn模型迭代训练，直至模型收敛。
18.进一步，作为优选地，所述的基于数字孪生的电网故障分析方法，还包括以均方差作为损失函数，以计算lstm-cnn模型的预测精度。
19.进一步，作为优选地，所述以故障因素对应的数据为输入，包括：
20.利用层次分析法确定不同故障因素对于故障结果的重要性程度，并按照重要性程度比例为不同故障因素匹配对应的权重，以加权后的故障因素组合为输入。
21.本技术还提供一种基于数字孪生的电网故障分析系统，包括：
22.数据获取单元，获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；
23.模型训练单元，用于基于电网数字孪生系统框架，利用历史故障数据对lstm-cnn模型进行训练，直至模型收敛后，生成故障预测模型；
24.故障分析单元，用于将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。
25.本技术还提供一种终端设备，包括：
26.一个或多个处理器；
27.存储器，与所述处理器耦接，用于存储一个或多个程序；
28.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的基于数字孪生的电网故障分析方法。
29.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于数字孪生的电网故障分析方法。
30.相对于现有技术，本技术的有益效果在于：
31.本技术公开了一种基于数字孪生的电网故障分析方法、系统、设备及介质，该方法包括获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；基于电网数字孪生系统框架，利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型；将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。
32.本技术基于电网数字孪生系统框架，以卷积循环神经网络为基础训练出一个故障预测模型，提高了故障预测结果的精确度；通过根据不同的故障等级为监管人员提供不同
的故障处理方案，提高了故障处理的效率，有利于维护电网运行的安全性和稳定性。
附图说明
33.为了更清楚地说明本技术的技术方案，下面将对实施方式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技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本技术某一实施例提供的基于数字孪生的电网故障分析方法的流程示意图；
35.图2是本技术某一实施例提供的于lstm-cnn模型中lstm单元的结构示意图；
36.图3是本技术某一实施例提供的基于数字孪生的电网故障分析系统的结构示意图；
37.图4是本技术某一实施例提供的终端设备的结构示意图。
具体实施方式
38.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
39.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
40.应当理解，在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
41.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
42.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
43.请参阅图1，本技术某一实施例提供一种基于数字孪生的电网故障分析方法。如图1所示，该基于数字孪生的电网故障分析方法包括步骤s10至步骤s30。各步骤具体如下：
44.s10、获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架。
45.需要说明的是，本实施例中，首先获取电网运行过程中的不同故障类型下的历史故障数据，然后构建电网数字孪生系统框架。具体地，在构建电网数字孪生系统框架时，主要是将物理实体的电网运行下的故障数据，通过数字孪生技术映射在虚拟的三维数字世界中。
46.在一个具体地实施例中，历史故障数据主要包括两类，一类是故障因素对应的数据，另一类是故障结果，也即故障类型。其中，故障因素包括网架结构、负荷增长、设备缺陷、自然灾害及外力破坏；故障结果包括停电故障和线损故障。可以理解的是，在电网系统中，故障会存在配电网输电线路或者电力设备运行等过程中，而造成配网输电线路故障的原因
包括很多，例如残旧线路仍然运行、设备缺陷存在故障隐患、用电负荷逐年上升、线路供电距离较长、外力破坏、自然灾害等因素。而造成设备故障的原因也很多，例如使用时间过长，使用方法错误或者其他外力破坏等等。而在这些故障因素影响下，故障结果通常表现为停电故障和线损故障。本技术实施例主要基于数字孪生下的电网系统，来通过真实电网系统的历史故障数据，来生成故障预测模型。
47.作为优选地实施方式，在得到历史故障数据之后，还包括对历史故障数据进行去噪和归一化处理；其中，去噪采用的方法包括小波变换或均值滤波。
48.可以理解的是，本实施例中为了提高训练样本的质量，需要先对数据进行去噪处理，此处主要采用小波变换的方式。需要说明的是，小波变换是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了傅里叶变换的困难问题。而归一化处理后，使得故障数据具有相同的格式，能够降低后续训练过程中的针对数据特征提取的复杂程度。
49.s20、基于电网数字孪生系统框架，利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型。
50.在一个具体实施例中，循环神经网络模型采用lstm-cnn模型。需要说明的是，现有的故障预测模型往往采用cnn，即卷积神经网络模型进行预测。cnn主要由两部分组成：卷积层和池化层。每个卷积层包含一个复数卷积核，但是通过cnn得到的预测模型，对于电网中具有时间序列的故障数据，在训练时对于时间序列的故障数据的前后关联学习能力不强，进而导致得到的预测模型的预测结果往往不理想。因此本实施例采用lstm-cnn模型，相比于cnn这种单一的神经网络模型，lstm-cnn模型能够对时间内序列的故障数据的关联性进行学习，因此能够提高预测结果的精确度。
51.进一步，作为优选地，步骤s20又包括以下子步骤：
52.2.1)设置lstm-cnn模型的网络参数，包括设学习率为0.01、迭代次数为1000次、激活函数为elu函数以及分类器为sigmoid分类器。
53.本步骤中，对于lstm-cnn模型的网络参数进行初始化设置，可以理解的是，此处的的具体数值只是一种优选方式，在实际训练过程中，该参数可以根据训练需求进行调整，本实施例不作任何限定。
54.2.2)以故障因素对应的数据为输入，以故障结果对应的数据为输出，对lstm-cnn模型进行训练。
55.在一个具体地实施例中，利用层次分析法确定不同故障因素对于故障结果的重要性程度，并按照重要性程度比例为不同故障因素匹配对应的权重，以加权后的故障因素组合为输入。
56.需要说明的是，层次分析法是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标(或准则、约束)的若干层次，通过定性指标模糊量化方法算出层次单排序(权数)和总排序，以作为目标(多指标)、多方案优化决策的系统方法。层次分析法能够决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各
元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。
57.本实施例中，之所以考虑采用层次分析法来确定加权后的故障因素组合，以作为模型输入，是因为不同的因素对于不同故障结果影响的贡献度是不同的，若采用单一指标进行训练，则可能会忽略影响故障生成的真实原因，进而影响模型的预测精度，而在考虑指标选择时，通过考虑不同影响因素对于故障结果的影响程度不同，从而为其分配合适的权重，以故障因素权重组合为输入，如此就能够大大提高模型的训练效果，以提高其最终的故障预测精度。
58.2.3)判断lstm-cnn模型的预测精度是否达到99％；若是，则模型收敛，生成故障预测模型；若否，对lstm-cnn模型迭代训练，直至模型收敛。
59.作为优选的实施方式，本实施例以均方差作为损失函数，以计算lstm-cnn模型的预测精度。
60.在一个具体地实施例中，为了帮助理解，对于lstm-cnn模型的训练过程进行了相应的说明：首先，lstm-cnn模型包括输入层、一维卷积层、池层、lstm隐藏层和全隐层以及连接层。为了提高预测精度，lstm可包括3层双向lstm层，每层双向lstm层包含了一个前向长短时记忆层和一个后向长短时记忆层。将故障因素对应的数据按照时间顺序排列形成一个序列，通过前向长短时记忆层得到前一个季度到后一个季度中连续时间序列间的特征，通过后向长短时记忆层将后一个季度的特征作为基础回顾补充前一个季度的特征。在一个具体例子中，全连接层共3层，前两层采用dropout方法随机断开部分连接单元，以避免过拟合问题，以elu作为激活函数，将学到的特征表示映射到样本的标记空间；最后一层采用sigmoid分类器，回归得到最终的检测结果。其中，该网络的结构如图2所示。如图2所示，lstm属于门控循环单元，每个双向lstm层包括多个lstm单元。每个lstm单元内包含3个门，分别是遗忘门、更新门和输出门。这些单元能够很好地提取指标数据的深度信息，可以实现一段时间内前期信息的持续记忆和更新，是一种选择性信息通过的方式，可以对有效信息进行保留并遗忘无用信息。
61.s30、将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。
62.本步骤中，基于训练好的故障预测模型，直接将待预测的电网运行数据输入至模型中进行故障预测。并且按照故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。
63.在一个具体地实施中，对于步骤s30的故障处理方案的匹配过程进行说明。例如，假设停电故障等级包括一级、二级和三级，线损故障包括a级、b级和c级。当故障预测结果中只包含停电故障时，则对应一级、二级和三级停电故障，则可以对应匹配不同的故障处理方案，且每种停电故障等级应该匹配至少1种的故障处理方案。例如故障处理的优先级为一级故障大于二级大于三级故障，那么在实际的故障处理方案中，针对这些故障等级应该匹配对应的故障处理方案，例如开启备用发电机组、断电维修等等。同理，当故障预测结果只包括线损故障时，对应a级、b级和c级下的线损故障，应该也匹配对应故障等级下的故障处理方案。此外，还有一种情况是故障预测结果中同时存在停电故障和线损故障，那么这个时候的故障等级组合一共有9种，如下表1所示：
signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的基于数字孪生的电网故障分析方法，并达到如上述方法一致的技术效果。
79.在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的基于数字孪生的电网故障分析方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的基于数字孪生的电网故障分析方法，并达到如上述方法一致的技术效果。
80.以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本技术的保护范围。

技术特征：

1.一种基于数字孪生的电网故障分析方法，其特征在于，包括：获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；基于电网数字孪生系统框架，利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型；将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。2.根据权利要求1所述的基于数字孪生的电网故障分析方法，其特征在于，在所述获取电网运行过程中的不同故障类型下的历史故障数据之后，还包括：对历史故障数据进行去噪和归一化处理；其中，去噪采用的方法包括小波变换或均值滤波。3.根据权利要求1所述的基于数字孪生的电网故障分析方法，其特征在于，所述获取电网运行过程中的不同故障类型下的历史故障数据，包括：获取电网运行过程中的不同故障类型下的故障因素、故障结果所对应的数据；其中，所述故障因素包括网架结构、负荷增长、设备缺陷、自然灾害及外力破坏；所述故障结果包括停电故障和线损故障。4.根据权利要求1所述的基于数字孪生的电网故障分析方法，其特征在于，所述循环神经网络模型采用lstm-cnn模型。5.根据权利要求4所述的基于数字孪生的电网故障分析方法，其特征在于，所述利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型，包括：设置lstm-cnn模型的网络参数，包括设学习率为0.01、迭代次数为1000次、激活函数为elu函数以及分类器为sigmoid分类器；以故障因素对应的数据为输入，以故障结果对应的数据为输出，对lstm-cnn模型进行训练；判断lstm-cnn模型的预测精度是否达到99％；若是，则模型收敛，生成故障预测模型；若否，对lstm-cnn模型迭代训练，直至模型收敛。6.根据权利要求5所述的基于数字孪生的电网故障分析方法，其特征在于，还包括以均方差作为损失函数，以计算lstm-cnn模型的预测精度。7.根据权利要求5所述的基于数字孪生的电网故障分析方法，其特征在于，所述以故障因素对应的数据为输入，包括：利用层次分析法确定不同故障因素对于故障结果的重要性程度，并按照重要性程度比例为不同故障因素匹配对应的权重，以加权后的故障因素组合为输入。8.一种基于数字孪生的电网故障分析系统，其特征在于，包括：数据获取单元，获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；模型训练单元，用于基于电网数字孪生系统框架，利用历史故障数据对lstm-cnn模型进行训练，直至模型收敛后，生成故障预测模型；故障分析单元，用于将待预测的电网运行数据输入至所述故障预测模型，输出故障预
测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。9.一种终端设备，其特征在于，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的基于数字孪生的电网故障分析方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于数字孪生的电网故障分析方法。

技术总结

本申请公开了一种基于数字孪生的电网故障分析方法、系统、设备及介质，该方法包括获取电网运行过程中的不同故障类型下的历史故障数据，构建电网数字孪生系统框架；基于电网数字孪生系统框架，利用历史故障数据对卷积循环神经网络模型进行训练，直至模型收敛后，生成故障预测模型；将待预测的电网运行数据输入至所述故障预测模型，输出故障预测结果，并根据故障预测结果的故障等级匹配不同的故障处理方案。本申请基于电网数字孪生系统框架，以卷积循环神经网络为基础训练出一个故障预测模型，提高了故障预测结果的精确度；通过根据不同的故障等级为监管人员提供不同的故障处理方案，提高了故障处理的效率，有利于维护电网运行的安全性和稳定性。运行的安全性和稳定性。运行的安全性和稳定性。