【技術實現步驟摘要】
本申請涉及電網故障識別，尤其涉及一種電力故障識別網絡模型的訓練裝置、訓練方法和應用裝置。
技術介紹
1、隨著社會經濟的快速發展和能源需求的增長，配電網對電力的穩定供應日益重要。但配電網在供電過程中往往面臨著諸多潛在的故障風險，如短路、過載等。目前基于深度學習的電網故障檢測方法都是對電壓、電流波形等通道數據直接處理，或將通道數據疊加提取特征，或引入多模態強化特征表示，對噪聲干擾的抑制效果較弱，影響了系統識別的準確率，也增大了電網故障檢測系統的復雜性。
技術實現思路
1、本申請提供了一種電力故障識別網絡模型的訓練裝置、訓練方法和應用裝置，用以解決目前基于深度學習的電網故障檢測方法對噪聲干擾的抑制效果較弱的問題。下面對本申請涉及的各個方面進行介紹。
2、第一方面，本申請提供了一種電力故障識別網絡模型的訓練裝置，包括：轉換模塊，用于將訓練樣本中一維的多個電流時序數據轉換為多個電流二維數據，將訓練樣本中一維的多個電壓時序數據轉換為多個電壓二維數據；特征提取模塊，用于對多個所述電流二維數據進行特征提取得到二維的多個電流特征向量，對多個所述電壓二維數據進行特征提取得到二維的多個電壓特征向量；雙通道多層感知機模塊，用于對多個所述電流特征向量進行橫向維度和縱向維度的特征融合，對多個所述電壓特征向量進行橫向維度和縱向維度的特征融合，所述橫向維度用于連續時間的數據特征，所述縱向維度用于跨時間的數據特征；多頭交叉注意力模塊，用于對所述雙通道多層感知機模塊的輸出向量分別進行多頭交叉注意力融合處理
3、第二方面，本申請提供了一種電力故障識別網絡模型的應用裝置，包括：錄波模塊，用于獲取待識別的電流時序數據和電壓時序數據；模型處理模塊，用于將所述待識別的電流時序數據和電壓時序數據輸入預先訓練好的所述電力故障識別網絡模型進行處理，得到對應的識別結果；其中，所述電力故障識別網絡模型為應用第一方面所述的訓練裝置訓練得到的模型。
4、第三方面，本申請提供了一種電力故障識別網絡模型的訓練方法，包括：將訓練樣本中一維的多個電流時序數據轉換為多個電流二維數據，將訓練樣本中一維的多個電壓時序數據轉換為多個電壓二維數據；對多個所述電流二維數據進行特征提取得到二維的多個電流特征向量，對多個所述電壓二維數據進行特征提取得到二維的多個電壓特征向量；利用雙通道多層感知機模塊對多個所述電流特征向量進行橫向維度和縱向維度的特征融合，對多個所述電壓特征向量進行橫向維度和縱向維度的特征融合，所述橫向維度用于連續時間的數據特征，所述縱向維度用于跨時間的數據特征；對所述雙通道多層感知機模塊的輸出向量分別進行多頭交叉注意力融合處理，得到電流注意力特征數據和電壓注意力特征數據，對所述電流注意力特征數據和所述電壓注意力特征數據的聯合特征數據進行自注意力融合，基于自注意力處理得到的輸出特征量對所述電力故障識別網絡模型進行訓練。
5、第四方面，本申請提供了一種電力故障識別網絡模型的應用方法，包括：獲取待識別的電流時序數據和電壓時序數據；將所述待識別的電流時序數據和電壓時序數據輸入預先訓練好的所述電力故障識別網絡模型進行處理，得到對應的識別結果；其中，所述電力故障識別網絡模型為應用第三方面所述的訓練方法訓練得到的網絡模型。
6、第五方面，本申請提供了一種電子設備，包括：存儲器，用于存儲代碼；處理器，與所述存儲器相連，用于執行所述存儲器中存儲的代碼，以使所述電子設備執行如第三方面或第四方面所述的方法。
7、第六方面，本申請提供了一種非易失性計算機可讀存儲介質，該計算機可讀存儲介質存儲有計算機程序，該計算機程序被處理器執行時可實現如第三方面或第四方面所述的方法。
8、第七方面，本申請提供了一種計算機程序產品，當計算機程序產品在電子設備上運行時，使得電子設備執行時可實現如第三方面或第四方面所述的方法。
9、本申請實施例，將一維的電流、電壓長時序數據轉換為二維數據，通過改進的雙通道多層感知機可以實現橫向和縱向兩個維度的交叉特征融合，實現長時序數據特征融合，通過強化時序特征，有助于弱化噪聲干擾。本申請實施例結合雙路徑神經網絡結構和混合多層感知機構造了基于改進的交叉注意力機制的多尺度故障識別網絡。利用交叉注意力單元獲取電流注意力特征數據和電壓注意力特征數據的聯合特征數據，基于自注意力單元對聯合特征數據進行處理，完成時序特征數據的多維特征融合，對電力故障識別網絡進行訓練、應用，有助于強化電流、電壓測量數據之間的時序關聯性，弱化噪聲干擾，提高模型故障識別的準確率。
本文檔來自技高網...【技術保護點】
1.一種電力故障識別網絡模型的訓練裝置，其特征在于，包括：
2.根據權利要求1所述的訓練裝置，其特征在于，訓練裝置還包括：
3.根據權利要求1所述的訓練裝置，其特征在于，所述多頭交叉注意力模塊用于對所述雙通道多層感知機模塊的輸出向量進行多層的特征采集，得到不同尺度下的特征數據；對所述不同尺度下的特征數據分別進行多頭交叉注意力融合處理，得到所述電流注意力特征數據和所述電壓注意力特征數據。
4.根據權利要求1所述的訓練裝置，其特征在于，所述訓練裝置還包括：
5.一種電力故障識別網絡模型的應用裝置，其特征在于，包括：
6.一種電力故障識別網絡模型的訓練方法，其特征在于，包括：
7.根據權利要求6所述的訓練方法，其特征在于，所述對多個所述電流二維數據進行特征提取得到二維的多個電流特征向量，對多個所述電壓二維數據進行特征提取得到二維的多個電壓特征向量，包括：
8.一種電力故障識別網絡模型的應用方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質
...【技術特征摘要】
1.一種電力故障識別網絡模型的訓練裝置，其特征在于，包括：
2.根據權利要求1所述的訓練裝置，其特征在于，訓練裝置還包括：
3.根據權利要求1所述的訓練裝置，其特征在于，所述多頭交叉注意力模塊用于對所述雙通道多層感知機模塊的輸出向量進行多層的特征采集，得到不同尺度下的特征數據；對所述不同尺度下的特征數據分別進行多頭交叉注意力融合處理，得到所述電流注意力特征數據和所述電壓注意力特征數據。
4.根據權利要求1所述的訓練裝置，其特征在于，所述訓練裝置還包括：
5.一種電力故障識別網絡模型的應用裝置，其特征在于，包括：...
【專利技術屬性】
技術研發人員：強衛，張廣嘉，李蔚凡，劉雄濤，謝映宏，李小偉，張凱，李露，蘇宗洲，陳曉明，余傳坤，王晨曦，李概洪，胡楊杰，朱銘浩，劉磊，丘華，趙攀龍，
申請(專利權)人：長園深瑞繼保自動化有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。