一种基于SCINet的电力系统故障状态检测分类方法

专利主权项内容

1.一种基于SCINet的电力系统故障状态检测分类方法，其特征在于，包括以下步骤：步骤1：采集同一电力系统的各节点量测数据，按照时间顺序依次排列组成原始时间序列数据集，并对原始时间序列数据集进行归一化处理，然后将数据集划分为训练集和测试集；步骤2：将训练集的电力系统时间序列数据输入进基于SCINet的电力系统故障状态检测分类模型中，深入挖掘、学习训练集数据的关联特性与特征信息；并通过训练不断优化调整模型自身的各项结构参数，以便最终得到性能表现最优的故障检测分类模型；具体为：步骤2.1：构建基本构建模块SCI-Block，在一个SCI-Block中完成降采样和交互学习操作：对输入的电力系统时间序列数据进行降采样操作，分离奇偶元素分别组成奇数子序列和偶数子序列；使用不同的卷积滤波器来分别处理奇数子序列和偶数子序列，从而在各个子序列中挖掘、提取出能够反映电力系统运行状态变化的时间特征信息；并在奇数子序列和偶数子序列间进行交互学习操作，实现两个子序列间的信息交互，以便发掘不同序列间的时间依赖关系，从而弥补降采样可能带来的信息损失；步骤2.2：通过将多个SCI-Block分层排列来构建SCINet架构，从而得到一个二叉树形结构框架；将输入的电力系统时间序列数据经过多层降采样—卷积—交互处理，以挖掘其在不同时间分辨率下的特征信息并逐渐积累，获得若干特征子序列；经过二叉树结构的最后一层后，再将得到的特征子序列进行拼接排列，组成一个新的序列表示，并通过残差连接将其添加到最初输入的原始电力系统时间序列数据中，以生成可感知性增强的新的特征序列；步骤2.3：运用全连接层和Softmax函数对所述新的特征序列进行处理，输出对当前电力系统运行状态的检测分类结果，然后计算交叉熵损失，从而对模型的各项参数进行迭代优化，直至得到性能表现最佳的故障检测分类模型，完成模型训练；步骤3：将待检测的测试集数据输入进训练完成后的电力系统故障状态检测分类模型中，以得到最终的检测结果。 数据由马 克 团 队整理