本發明涉及電力系統，具體為基于大數據的電力電網故障在線識別系統及方法。

背景技術：

1、隨著電力電網的不斷發展和規模的擴大，電力系統故障的診斷和定位變得越來越復雜。目前，電力電網故障在線識別技術主要依賴于傳統的監控系統和基于規則的故障檢測方法。這些方法通常依賴于傳感器數據的收集和手動分析，處理方式相對簡單，且難以適應電網中復雜的運行狀態和大規模的電網拓撲。

2、現有技術中，故障診斷通常依賴于基于模型的檢測方法或基于統計的分析方法。例如，通過對電流、電壓、頻率等參數的監測，采用簡單的閾值判斷或基于規則的判斷來進行故障診斷。然而，這些方法的局限性主要表現在幾個方面：

3、傳統方法多依賴于有限的數據源，且對數據的實時處理能力較弱，難以應對電網中突發事件和復雜故障類型的動態變化。

4、電力電網系統涉及大量的傳感器數據，現有的故障檢測方法無法高效地處理和提取數據中的高維特征，導致對復雜故障的識別能力不足。

5、現有的故障定位方法多基于電網拓撲的靜態分析，忽略了電網動態特征，無法準確定位復雜電網中的故障點，造成電網恢復速度慢，影響電力供應的可靠性。

6、大部分現有技術仍依賴人工干預或簡單的算法模型，缺乏對電網運行狀態的智能化適應性和優化能力，無法在復雜環境下進行實時調整和優化。

技術實現思路

1、鑒于上述存在的問題，提出了本發明。

2、因此，本發明解決的技術問題是：首先，現有技術無法高效處理和存儲電力電網中多源、大規模、高維的數據，導致故障檢測的準確性和實時性受到限制。其次，現有技術在特征提取和故障診斷方面缺乏對電網復雜拓撲和空間特征的深度挖掘，無法充分利用電網的動態狀態信息進行精準診斷。最后，故障定位精度低，無法快速且準確地定位到具體故障點，從而影響電網的快速恢復和穩定運行。

3、為解決上述技術問題，本發明提供如下技術方案：基于大數據的電力電網故障在線識別系統，包括：

4、數據采集模塊，用于通過傳感器采集電力電網系統的多源數據；數據存儲模塊，用于通過分層存儲策略進行數據過濾，結合多維度數據索引構建數據湖，分類存儲多源數據；特征提取模塊，用于采用實時流處理框架對數據湖中數據進行聚合和轉換，通過小波變換結合主成分分析提取故障相關的高維特征；故障診斷模塊，用于基于高維特征，利用圖神經網絡結合深度學習模型，識別電力電網實時狀態；故障定位模塊，用于根據實時狀態的識別結果結合電網拓撲結構，通過時差法結合圖論算法，進行故障定位。

5、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述分層存儲策略，包括，采用分層存儲算法計算優先級評分，實時評估并分配多源數據至第一存儲層和第二存儲層；將優先級評分與預測優先級閾值進行對比，當時，存儲至第一存儲層，當時，存儲至第二存儲層；所述多維度數據索引基于時間、空間及設備類型設置。

6、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述采用分層存儲算法計算優先級評分，包括，將來自電力電網多個數據源的采集數據按照預定義的類別集合進行分類，所述類別包括電壓數據、電流數據、頻率數據、相位數據及環境參數數據；針對每一類別，從分類后的數據中提取關鍵特征向量，表示為，

7、，

8、其中，表示實時性評分，表示波動性評分，表示異常值頻率，表示數據來源重要性評分；

9、基于所述數據的歷史訪問頻率數據對應每一類別，采用自適應時間序列預測模型預測未來時刻t的訪問頻率；

10、根據所述提取的關鍵特征向量及電網拓撲結構中的連通性指標，計算數據的重要性分數，表示為，

11、，

12、其中，表示數據的重要性分數，表示數據類別集合，k為類別索引，表示數據所屬類別，m為特征索引，表示提取的特征評分，表示特征的權重系數，表示數據在類別k下的第m個關鍵特征評分，表示連通性指標的權重系數，表示數據所在節點的連通性指標；

13、通過實時監測電力電網運行狀態及外部環境，利用基于聚類的dbscan算法檢測并識別異常事件，依據檢測到的異常事件，對數據的重要性分數進行動態調整，調整公式為：

14、，

15、其中，表示調整后的重要性分數，為第j個事件對數據重要性的調整系數，為第j個檢測到的異常事件，p為檢測到的事件數量；

16、結合預測的訪問頻率和調整后的重要性分數，計算數據的綜合優先級評分，表示為，

17、，

18、其中，表示數據的優先級評分，和為用于平衡訪問頻率和重要性的權重系數，和為指數系數。

19、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述自適應時間序列預測模型，包括，利用移動平均法識別訪問頻率的長期趨勢，進行趨勢分析；

20、利用小波變換提取訪問頻率的周期性模式，進行季節性分析；結合趨勢分析與季節性分析的結果，應用自回歸積分滑動平均模型預測未來訪問頻率。

21、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述趨勢分析表示為，

22、，

23、其中，為趨勢平滑系數，，為時刻t－1的趨勢值，為時刻t－1的訪問頻率；

24、所述季節性分析表示為，

25、，

26、其中，為第j個小波系數，為第j個小波基函數，為小波變換的分解層數；

27、所述未來訪問頻率表示為，

28、，

29、其中，為自回歸系數，為移動平均系數，為類別k在時刻t－1的預測訪問頻率，為類別k在時刻t－q的預測誤差，p和q分別為自回歸和移動平均模型的階數。

30、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述連通性指標表示為，

31、，

32、其中，表示電網中的所有節點集合，表示節點s和節點t之間的最短路徑總數，表示節點s和節點t之間的最短路徑中經過節點i的路徑數量。

33、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述進行聚合和轉換包括，按照時間、空間及設備類型三個維度對來自第一存儲層和第二存儲層的多源數據進行實時聚合；聚合后的數據分別進行標準化處理，消除不同數據源和量綱的差異；采用自適應小波變換方法，根據各存儲層數據特性動態選擇最優的小波基函數；對每個存儲層的數據進行多層小波分解，提取近似系數和細節系數，并通過累加細節系數重構季節性成分；重構出的高頻和低頻季節性成分分別組織成高頻特征矩陣和低頻特征矩陣，并通過特征拼接方式形成綜合特征矩陣；應用主成分分析對綜合特征矩陣進行降維，提取關鍵特征；通過優化算法對特征進行選擇和優化。

34、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述識別電力電網實時狀態，包括，對高維特征向量進行歸一化，生成特征集；采用包含殘差連接和多頭自注意力機制的多層圖卷積網絡，提取電網拓撲結構中的空間特征，并通過圖池化層生成全局圖特征；通過全連接層和改良的softmax函數，輸出各類故障的概率分布。

35、作為本發明所述的基于大數據的電力電網故障在線識別系統的一種優選方案，其中：所述進行故障定位，包括，

36、接收故障診斷模塊的實時故障狀態識別結果，包括故障類型和初步位置；構建包含節點屬性的電網拓撲圖；基于故障信號傳播模型，計算故障信號到達各測量點的時間差，初步定位故障區域；故障狀態輸入接口提供初步定位結果，電網拓撲結構模型提供空間信息，時差法計算模塊初步定位故障區域，圖論算法模塊精確定位故障點，定位結果輸出接口反饋最終結果。

37、本發明的另外一個目的是提供基于大數據的電力電網故障在線識別方法，解決了現有技術在故障診斷精度、實時性和定位精度方面的不足，有效提升了電力電網故障的智能化診斷和精準定位能力。

38、為解決上述技術問題，本發明提供如下技術方案：基于大數據的電力電網故障在線識別方法，包括：通過傳感器采集電力電網系統的多源數據；通過分層存儲策略和多維度數據索引構建數據湖，分類存儲多源數據；采用實時流處理框架進行數據過濾、聚合和轉換，通過小波變換結合主成分分析提取故障相關的高維特征；基于高維特征，利用圖神經網絡結合深度學習模型，識別電力電網實時狀態；根據實時狀態的識別結果結合電網拓撲結構，通過時差法結合圖論算法，進行故障定位。

39、本發明的有益效果：本發明提供的基于大數據的電力電網故障在線識別系統通過采用分層存儲策略和多維度數據索引，本發明能夠高效管理和存儲電力電網中大量的多源數據，提升了數據處理和訪問的速度，解決了傳統方法在數據處理和存儲方面的瓶頸問題。通過小波變換與主成分分析相結合，本發明在特征提取方面實現了高效的降維和優化，提高了故障診斷的準確性，能夠提取出電網故障的關鍵特征。

40、在故障診斷方面，本發明通過圖神經網絡結合深度學習模型，能夠深度挖掘電網拓撲結構和運行狀態的空間特征，自動學習電網中節點之間的復雜關系，從而實現高效的故障識別。而在故障定位方面，本發明結合時差法和圖論算法，通過精確的信號傳播模型和電網拓撲信息，大幅提高了故障定位的精度，能夠準確快速地定位故障點，縮短電網恢復時間。

41、此外，本發明的故障診斷和定位系統具備動態優化能力，能夠根據電網的實時運行狀態進行智能化調整，提高了系統的魯棒性和適應性，特別是在面對復雜電網環境時，能夠更加高效地進行故障處理。