电力系统的故障诊断方法、故障诊断装置与电子装置与流程

1.本技术涉及电力系统领域，具体而言，涉及一种电力系统的故障诊断方法、故障诊断装置、计算机可读存储介质与电子装置。


背景技术：

2.电力系统是现代工业和民生的基础设施，其安全、稳定和高效的运行至关重要。然而，在电力系统运行过程中，设备故障和电力系统异常是难以避免的。
3.为了及时发现和解决上述的问题，对电力系统进行故障诊断，成为了一个重要的研究领域。传统的故障诊断方法通常较为依赖于人工经验和离线分析，但传统的故障诊断方法对电力系统进行故障诊断时，存在准确性较低以及效率较低的问题。
4.因此，亟需一种能够较为准确和高效地对电力系统进行故障诊断的方法。


技术实现要素：

5.本技术的主要目的在于提供一种电力系统的故障诊断方法、故障诊断装置、计算机可读存储介质与电子装置，以至少解决现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种电力系统的故障诊断方法，包括：处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，所述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，所述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于所述目标数据集对所述预设故障诊断模型进行训练，得到目标故障诊断模型，所述目标算法包括以下之一：遗传算法、贝叶斯优化算法，所述预设故障诊断模型用于对所述目标电力系统进行故障诊断；故障诊断步骤，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果。
7.可选地，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，包括：基于数据预处理方法，对所述原始数据集进行数据预处理，得到预处理后的所述原始数据集，所述数据预处理方法包括去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取；对预处理后的所述原始数据集中的文本数据进行特征提取，得到文本特征，对预处理后的所述原始数据集中的数值数据进行特征提取，得到第一数值特征，对预处理后的所述原始数据集中的类别数据进行特征提取，得到类别特征；基于目标转换方法，对所述文本特征以及所述类别特征进行转换，得到第二数值特征，所述目标转换方法包括以下之一：词嵌入、向量化；由所述第一数值特征和所述第二数值特征构成所述目标数据集。
8.可选地，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果，包括：对实时接收的所述目标电力系统的所述电力系统数据进行异常检测和过滤处理，得到处理后的所述电力系统数据；将处
理后的所述电力系统数据输入至所述目标故障诊断模型中，得到所述目标电力系统的所述故障诊断结果，所述故障诊断结果包括所述目标电力系统是否存在故障，以及在所述目标电力系统存在故障的情况下，所述故障诊断结果还包括故障类型。
9.可选地，在将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果之后，所述故障诊断方法还包括：根据所述故障诊断结果中的故障类型以及故障录波数据，确定所述目标电力系统的故障发生时间，所述故障录波数据包括所述目标电力系统的电流波形、电压波形以及设备状态信息；根据所述故障发生时间，对所述目标电力系统的设备、拓扑结构以及设备关联关系进行分析，从而对所述目标电力系统进行故障定位。
10.可选地，在将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果之后，所述故障诊断方法还包括：基于自然语言生成技术，对所述故障诊断结果进行转换，得到所述故障诊断结果对应的自然语言文本，并对所述自然语言文本进行关键词提取，得到所述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因；根据所述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，确定与所述故障诊断结果中的故障类型对应的故障处理方案；将所述故障处理方案填充至故障处理策略模板中，得到所述故障处理策略。
11.可选地，所述预设故障诊断模型为由多个不同的机器学习模型进行模型融合得到的。
12.可选地，所述故障诊断方法还包括：将实时接收的所述目标电力系统的电力系统数据加入至所述原始数据集中，并依此执行所述处理步骤、所述训练步骤和所述故障诊断步骤至少一次。
13.根据本技术的另一方面，提供了一种电力系统的故障诊断装置，包括：处理单元，用于执行处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，所述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，所述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；训练单元，用于执行训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于所述目标数据集对所述预设故障诊断模型进行训练，得到目标故障诊断模型，所述目标算法包括以下之一：遗传算法、贝叶斯优化算法，所述预设故障诊断模型用于对所述目标电力系统进行故障诊断；执行单元，用于执行故障诊断步骤，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果。
14.根据本技术的又一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的电力系统的故障诊断方法。
15.根据本技术的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任意一种所述的电力系统的故障诊断方法。
16.应用本技术的技术方案，首先，构建用于训练预设故障诊断模型的目标数据集，即
对包括目标电力系统的电力系统数据和其他电力系统的电力系统数据的原始数据集，进行数据预处理和特征提取，得到目标数据集；然后，基于超参数优化算法，确定预设故障诊断模型的模型结构和超参数，以及采用目标数据集，对预设故障诊断模型进行训练，从而得到目标故障诊断模型；最后，使用目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果。与现有技术中采用依赖于人工经验和离线分析相比，本方案采用训练后得到的目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果，这样保证了得到的故障诊断结果较为准确，保证了对电力系统的故障诊断的效率较高，进而解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了根据本技术的实施例中提供的一种执行电力系统的故障诊断方法的移动终端的硬件结构框图；
19.图2示出了根据本技术的实施例提供的一种电力系统的故障诊断方法的流程示意图；
20.图3示出了根据本技术的实施例提供的一种电力系统的故障诊断装置的结构示意图。
21.其中，上述附图包括以下附图标记：
22.102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.正如背景技术中所介绍的，现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低，为解决上述的问题，本技术的实施例提供了一种电力系统的故障诊断方法、故障诊断装置、计算机可读存储介质与电子装置。
27.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
28.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种电力系统的故障诊断方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
29.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的电力系统的故障诊断方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。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。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
30.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的电力系统的故障诊断方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.图2是根据本技术实施例的电力系统的故障诊断方法的流程图。如图2所示，该故障诊断方法包括以下步骤：
32.步骤s201，处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
33.在上述处理步骤中，对原始数据集进行数据预处理和特征提取，这样进一步地保证了后续基于目标数据集，对预设故障诊断模型进行训练，得到的目标故障诊断模型较为准确。
34.另外，在实际的应用过程中，不同的电力系统之间可能存在相似的故障特征和规律，故可以借助迁移学习和领域自适应技术，利用其他电力系统的电力系统数据为目标电力系统的预设故障诊断模型提供先验知识。也就是说，可以采用目标电力系统的电力系统数据和其他电力系统的电力系统数据，对预设故障诊断模型进行训练，这样不仅可以有效
地减少训练数据的需求，还可以提高目标故障诊断模型的泛化性能。
35.在上述处理步骤中，目标电力系统的电力系统数据和其他电力系统的电力系统数据，均可以通过对应的scada系统(数据采集与监视控制系统，supervisory control and data acquisition，简称scada)和/或智能电网监测设备等多种途径进行收集。而收集到的电力系统数据可以包括结构化数据(例如数值型数据)和非结构化数据(例如文本型数据)。
36.步骤s202，训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
37.在上述训练步骤中，可以通过超参数优化算法(即目标算法，具体地如贝叶斯优化算法或者遗传算法等等)自动寻找预设故障诊断模型的模型结构和超参数，从而提高后续训练得到的目标故障诊断模型在实际应用中的性能。另外，在采用目标数据集对预设故障诊断模型的模型训练过程中，还可以利用自适应调整策略，动态调整预设故障诊断模型的参数，这样可以使得预设故障诊断模型能够更好地适应训练数据的特点。
38.步骤s203，故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
39.通过本实施例，首先，构建用于训练预设故障诊断模型的目标数据集，即对包括目标电力系统的电力系统数据和其他电力系统的电力系统数据的原始数据集，进行数据预处理和特征提取，得到目标数据集；然后，基于超参数优化算法，确定预设故障诊断模型的模型结构和超参数，以及采用目标数据集，对预设故障诊断模型进行训练，从而得到目标故障诊断模型；最后，使用目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果。与现有技术中采用依赖于人工经验和离线分析相比，本方案采用训练后得到的目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果，这样保证了得到的故障诊断结果较为准确，保证了对电力系统的故障诊断的效率较高，进而解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
40.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
41.具体实现过程中，上述步骤s201可以通过步骤s2011、步骤s2012、步骤s2013以及步骤s2014来实现。步骤s2011，基于数据预处理方法，对上述原始数据集进行数据预处理，得到预处理后的上述原始数据集，这样保证了得到的预处理后的原始数据集的质量较好以及可靠性较高。其中，上述数据预处理方法包括去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取。步骤s2012，对预处理后的上述原始数据集中的文本数据进行特征提取，得到文本特征，对预处理后的上述原始数据集中的数值数据进行特征提取，得到第一数值特征，对预处理后的上述原始数据集中的类别数据进行特征提取，得到类别特征；步骤s2013，基于目标转换方法，对上述文本特征以及上述类别特征进行转换，得到第二数值特征，上述目标转换方法包括以下之一：词嵌入、向量化；步骤s2014，由上述第一数值特征和上述第二数值特征构成上述目标数据集，这样进一步地保证了得到的目标数据集
较为准确，且数值化的目标数据集，较为易于预设故障诊断模型的读取。后续采用目标数据集，对预设故障诊断模型进行训练，这样进一步地保证了得到的目标故障诊断模型较为准确和可靠。
42.在上述的实施例中，数据预处理方法并不限于去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取，还可以为其他的现有技术中任何可行的数据预处理和数据清洗的方法。
43.在实际的应用过程中，预处理后的原始数据集可以包括有文本类型的数据，即简称为文本数据，数值类型的数据，即简称为数值数据，以及类别类型的数据，即简称为类别数据。其中，从文本数据(例如，故障描述、维修记录等)中提取关键词和短语，作为文本特征。从数值数据(例如，电流、电压、温度等数据)中提取并统计特征(例如，均值、方差、峰值等)，作为数值特征。将类别数据(例如，设备类型、故障类型等)进行编码，作为类别特征。
44.由于类别特征和文本特征均不是数值化的特征，故为了便于预设故障诊断模型的读取，故可以将提取的类别特征和文本特征，通过词嵌入和/或向量化等方法，转换为数值特征。一种具体的实施例中，可以使用word2vec或bert等词嵌入模型，将类别特征和文本特征转换为数值特征。
45.为了避免实时接收的目标电力系统的电力系统数据，对目标故障诊断模型产生干扰，以及进一步地保证得到的故障诊断结果的准确性较高，本技术的上述步骤s203可以通过步骤s2031以及步骤s2032来实现。步骤s2031，对实时接收的上述目标电力系统的上述电力系统数据进行异常检测和过滤处理，得到处理后的上述电力系统数据；步骤s2032，将处理后的上述电力系统数据输入至上述目标故障诊断模型中，得到上述目标电力系统的上述故障诊断结果，上述故障诊断结果包括上述目标电力系统是否存在故障，以及在上述目标电力系统存在故障的情况下，上述故障诊断结果还包括故障类型。
46.在上述的实施例中，在采用目标故障诊断模型，对实时接收的目标电力系统的电力系统数据进行处理，得到故障诊断结果之前，对接收的目标电力系统的电力系统数据进行异常检测和过滤处理，这样可以识别出实时接收的目标电力系统的电力系统数据中的异常数据(例如噪声、干扰、误报等等)。通过剔除实时接收的目标电力系统的电力系统数据中的异常数据，可以避免目标故障诊断模型受到干扰，以及提高目标故障诊断模型的准确性。
47.在实际的应用过程中，故障诊断结果并不限于包括目标电力系统是否存在故障，以及在目标电力系统存在故障的情况下，故障诊断结果还包括故障类型，故障诊断结果中还可以包括故障涉及的设备名称。
48.为了较为准确地对目标电力系统进行故障定位，在一些实施例上，本技术的故障诊断方法还包括步骤s204以及步骤s205。其中，步骤s204，在将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果之后，根据上述故障诊断结果中的故障类型以及故障录波数据，确定上述目标电力系统的故障发生时间，上述故障录波数据包括上述目标电力系统的电流波形、电压波形以及设备状态信息；步骤s205，根据上述故障发生时间，对上述目标电力系统的设备、拓扑结构以及设备关联关系进行分析，从而对上述目标电力系统进行故障定位。
49.本技术的一种具体的实施例中，基于故障诊断结果，对目标电力系统进行故障定位时，可以结合目标电力系统实际的故障录波数据进行分析。具体步骤如下：
50.步骤s1：根据故障诊断结果，确定故障的类型、故障涉及的设备和故障可能发生的位置。
51.步骤s2：从目标电力系统的保护装置、scada系统和智能电网设备等获取实际的故障录波数据。故障录波数据通常包括目标电力系统的电流波形、电压波形以及设备状态信息。
52.步骤s3：根据故障诊断结果和故障录波数据，确定故障发生时间。其中，故障发生时间可以用于同步分析多个设备的数据，从而精确地定位目标电力系统的故障发生的位置。
53.步骤s4：结合目标电力系统的故障类型和设备信息，分析故障录波数据中的波形特征。例如，对于短路故障，可以关注电流波形的突变和故障电压的降低；对于过载故障，可以关注持续时间较长的电流超过额定值的情况。
54.步骤s5：根据目标电力系统的拓扑结构，分析设备之间的连接关系，有助于缩小故障定位范围，提高定位准确性。
55.步骤s6：根据设备之间的运行状态、历史故障记录和维修信息等，分析设备的关联关系，有助于进一步确定故障来源和影响范围。
56.步骤s7：结合以上分析，对故障位置进行精确定位。可以使用故障定位算法(如行波定位、潮流分析等)辅助判断。
57.步骤s8：在确定故障位置后，可以进一步分析故障原因，有助于优化维修方案，并为预防类似故障提供支持。
58.在一些具体的实现过程中，本技术的故障诊断方法还包括步骤s206、步骤s207以及步骤s208。其中，步骤s206，在将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果之后，基于自然语言生成技术，对上述故障诊断结果进行转换，得到上述故障诊断结果对应的自然语言文本，并对上述自然语言文本进行关键词提取，得到上述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因；步骤s207，根据上述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，确定与上述故障诊断结果中的故障类型对应的故障处理方案；步骤s208，将上述故障处理方案填充至故障处理策略模板中，得到上述故障处理策略，这样保证了生成的故障处理策略较为准确，以及保证了生成的故障处理策略的可读性较高，进一步地保证了目标电力系统的稳定性和可靠性均较高。
59.利用自然语言生成(nlg)技术，根据故障诊断结果生成的故障处理策略还可以包括紧急处理措施(例如，隔离故障设备、调整运行策略等)、维修方案(例如，更换损坏部件、调整设备参数等)和设备优化建议(例如，升级设备、改进运行策略等)。这些建议可为现场工程师提供参考。同时，随着电力系统运行状态的变化，故障处理策略可以实时更新，以确保最佳的处理方案。
60.本技术的一种具体的实施例中，自然语言生成(nlg)技术可以将结构化数据(故障诊断结果中的数值化数据)转换为自然语言文本，为电力系统故障处理提供可理解的建议，进而可以根据故障诊断结果，生成较为准确的故障处理策略，具体步骤如下：
61.步骤s1：基于自然语言生成技术，对故障诊断结果进行转换，得到故障诊断结果对应的自然语言文本。
62.步骤s2：对自然语言文本进行关键词提取，例如，故障类型、故障设备的名称、故障的位置以及故障的原因。
63.步骤s3：搜集电力系统故障处理的相关知识和经验，建立一个知识库，该知识库可以包括故障类型与处理方法的映射关系、设备特性、操作规程等内容。
64.步骤s4：根据提取的故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，分析适用于当前故障的故障处理方案。该故障处理方案可以包括紧急处理措施、设备维修方案和设备优化建议等等。
65.步骤s5：根据故障处理方案，设计用于生成故障处理策略的文本模板(即故障处理策略模板)。该故障处理策略模板应包括填充槽位，以便在生成过程中插入实际故障信息。
66.步骤s6：将故障诊断结果和故障处理方案填充到故障处理策略模板中，利用nlg技术生成自然语言文本。这可以使用现有的nlg模型，例如，gpt-4。
67.步骤s7：评估生成的故障处理策略是否准确、易懂和有针对性。可以通过主观评价或与专业人员进行讨论来确认建议质量。
68.步骤s8：根据实际故障处理过程和反馈信息，不断更新知识库，以便生成更准确的故障处理建议。
69.步骤s9：根据目标电力系统运行状态的实时变化，生成的故障处理策略可能需要实时更新。在系统状态发生变化时，重复以上步骤，生成新的故障处理策略。
70.通过以上步骤，利用自然语言生成(nlg)技术，可以根据故障诊断结果生成较为准确的故障处理策略。此外，随着故障处理实践的积累，知识库将不断完善，生成的建议将更加精确和有效。
71.为了进一步地提高训练得到的目标故障诊断模型的鲁棒性和准确性，还可以采用集成学习和模型融合技术，结合多个不同的机器学习来得到预设故障诊断模型。例如，可以使用bagging、boosting、stacking等集成学习方法，故在本技术的一种实施例中，上述预设故障诊断模型为由多个不同的机器学习模型进行模型融合得到的。
72.本技术的一种具体的实施例中，上述机器学习还可以使用支持向量机、决策树、神经网络等监督学习模型对故障进行分类；也可以使用聚类算法、降维技术等无监督学习模型发现潜在的故障模式。同时，在对预设故障诊断模型进行训练的过程中，还可以利用历史故障数据，并通过交叉验证、网格搜索等方法优化预设故障诊断模型的参数。
73.当然，在实际的应用过程中，还可以对多个不同的机器学习的故障诊断结果进行综合，从而得到更为准确的故障诊断结果。
74.对于电力系统运行状态的实时变化，还可以采用增量学习和在线学习技术，实时更新目标故障诊断模型。随着新的故障数据和设备状态信息的收集，目标故障诊断模型的参数和结构可以不断地被调整，以便更好地适应电力系统的实际运行状态。本技术的一种具体的实施例中，上述的故障诊断方法还包括，将实时接收的上述目标电力系统的电力系统数据加入至上述原始数据集中，并依此执行上述处理步骤、上述训练步骤和上述故障诊断步骤至少一次。
75.为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的电力系统的故障诊断方法的实现过程进行详细说明。
76.本实施例涉及一种具体的电力系统的故障诊断方法，包括如下步骤：
77.在目标电力系统出现了一个故障的情况下，监控系统收集到了目标电力系统的运行数据、设备状态信息和故障报警记录。
78.步骤s1：对目标电力系统的运行数据、设备状态信息和故障报警记录进行异常检测和过滤处理。
79.步骤s2：通过自然语言处理技术(nlp)提取特征并转换为数值特征。
80.步骤s3：将步骤s2中得到的数值特征，输入至目标故障诊断模型。从而采用目标故障诊断模型，对步骤s2中的数值特征进行处理，得到故障诊断结果。
81.步骤s4：根据故障诊断结果和目标电力系统的拓扑结构，对目标电力系统进行故障定为，即确定故障发生的某个特定区域的某个设备。进一步分析设备的历史故障数据和状态信息，发现故障可能由设备老化和运行参数不合适引起。
82.步骤s5：通过自然语言生成(nlg)技术，为现场工程师提供针对性的故障处理策略。例如，隔离故障设备、更换损坏部件、调整设备运行参数等。现场工程师根据故障处理策略进行处理。
83.本技术实施例还提供了一种电力系统的故障诊断装置，需要说明的是，本技术实施例的电力系统的故障诊断装置可以用于执行本技术实施例所提供的用于电力系统的故障诊断方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
84.以下对本技术实施例提供的电力系统的故障诊断装置进行介绍。
85.图3是根据本技术实施例的电力系统的故障诊断装置的示意图。如图3所示，该故障诊断装置包括：
86.处理单元10，用于执行处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
87.在上述处理步骤中，对原始数据集进行数据预处理和特征提取，这样进一步地保证了后续基于目标数据集，对预设故障诊断模型进行训练，得到的目标故障诊断模型较为准确。
88.另外，在实际的应用过程中，不同的电力系统之间可能存在相似的故障特征和规律，故可以借助迁移学习和领域自适应技术，利用其他电力系统的电力系统数据为目标电力系统的预设故障诊断模型提供先验知识。也就是说，可以采用目标电力系统的电力系统数据和其他电力系统的电力系统数据，对预设故障诊断模型进行训练，这样不仅可以有效地减少训练数据的需求，还可以提高目标故障诊断模型的泛化性能。
89.在上述处理步骤中，目标电力系统的电力系统数据和其他电力系统的电力系统数据，均可以通过对应的scada系统(数据采集与监视控制系统，supervisory control and data acquisition，简称scada)和/或智能电网监测设备等多种途径进行收集。而收集到的电力系统数据可以包括结构化数据(例如数值型数据)和非结构化数据(例如文本型数据)。
90.训练单元20，用于执行训练步骤，基于目标算法确定预设故障诊断模型的模型结
构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
91.在上述训练步骤中，可以通过超参数优化算法(即目标算法，具体地如贝叶斯优化算法或者遗传算法等等)自动寻找预设故障诊断模型的模型结构和超参数，从而提高后续训练得到的目标故障诊断模型在实际应用中的性能。另外，在采用目标数据集对预设故障诊断模型的模型训练过程中，还可以利用自适应调整策略，动态调整预设故障诊断模型的参数，这样可以使得预设故障诊断模型能够更好地适应训练数据的特点。
92.执行单元30，用于执行故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
93.通过本实施例，处理单元用于构建用于训练预设故障诊断模型的目标数据集，即对包括目标电力系统的电力系统数据和其他电力系统的电力系统数据的原始数据集，进行数据预处理和特征提取，得到目标数据集；训练单元用于基于超参数优化算法，确定预设故障诊断模型的模型结构和超参数，以及采用目标数据集，对预设故障诊断模型进行训练，从而得到目标故障诊断模型；执行单元用于使用目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果。与现有技术中采用依赖于人工经验和离线分析相比，本方案采用训练后得到的目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果，这样保证了得到的故障诊断结果较为准确，保证了对电力系统的故障诊断的效率较高，进而解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
94.具体实现过程中，上述处理单元包括第一处理模块、特征提取模块、转换模块和组合模块，其中，上述第一处理模块用于基于数据预处理方法，对上述原始数据集进行数据预处理，得到预处理后的上述原始数据集，这样保证了得到的预处理后的原始数据集的质量较好以及可靠性较高。其中，上述数据预处理方法包括去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取。上述特征提取模块用于对预处理后的上述原始数据集中的文本数据进行特征提取，得到文本特征，对预处理后的上述原始数据集中的数值数据进行特征提取，得到第一数值特征，对预处理后的上述原始数据集中的类别数据进行特征提取，得到类别特征；上述转换模块用于基于目标转换方法，对上述文本特征以及上述类别特征进行转换，得到第二数值特征，上述目标转换方法包括以下之一：词嵌入、向量化；上述组合模块用于由上述第一数值特征和上述第二数值特征构成上述目标数据集，这样进一步地保证了得到的目标数据集较为准确，且数值化的目标数据集，较为易于预设故障诊断模型的读取。后续采用目标数据集，对预设故障诊断模型进行训练，这样进一步地保证了得到的目标故障诊断模型较为准确和可靠。
95.在上述的实施例中，数据预处理方法并不限于去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取，还可以为其他的现有技术中任何可行的数据预处理和数据清洗的方法。
96.在实际的应用过程中，预处理后的原始数据集可以包括有文本类型的数据，即简称为文本数据，数值类型的数据，即简称为数值数据，以及类别类型的数据，即简称为类别
数据。其中，从文本数据(例如，故障描述、维修记录等)中提取关键词和短语，作为文本特征。从数值数据(例如，电流、电压、温度等数据)中提取并统计特征(例如，均值、方差、峰值等)，作为数值特征。将类别数据(例如，设备类型、故障类型等)进行编码，作为类别特征。
97.由于类别特征和文本特征均不是数值化的特征，故为了便于预设故障诊断模型的读取，故可以将提取的类别特征和文本特征，通过词嵌入和/或向量化等方法，转换为数值特征。一种具体的实施例中，可以使用word2vec或bert等词嵌入模型，将类别特征和文本特征转换为数值特征。
98.为了避免实时接收的目标电力系统的电力系统数据，对目标故障诊断模型产生干扰，以及进一步地保证得到的故障诊断结果的准确性较高，本技术的上述执行单元还包括第二处理模块和执行模块，上述第二处理模块用于对实时接收的上述目标电力系统的上述电力系统数据进行异常检测和过滤处理，得到处理后的上述电力系统数据；上述执行模块用于将处理后的上述电力系统数据输入至上述目标故障诊断模型中，得到上述目标电力系统的上述故障诊断结果，上述故障诊断结果包括上述目标电力系统是否存在故障，以及在上述目标电力系统存在故障的情况下，上述故障诊断结果还包括故障类型。
99.在上述的实施例中，在采用目标故障诊断模型，对实时接收的目标电力系统的电力系统数据进行处理，得到故障诊断结果之前，对接收的目标电力系统的电力系统数据进行异常检测和过滤处理，这样可以识别出实时接收的目标电力系统的电力系统数据中的异常数据(例如噪声、干扰、误报等等)。通过剔除实时接收的目标电力系统的电力系统数据中的异常数据，可以避免目标故障诊断模型受到干扰，以及提高目标故障诊断模型的准确性。
100.在实际的应用过程中，故障诊断结果并不限于包括目标电力系统是否存在故障，以及在目标电力系统存在故障的情况下，故障诊断结果还包括故障类型，故障诊断结果中还可以包括故障涉及的设备名称。
101.为了较为准确地对目标电力系统进行故障定位，在一些实施例上，本技术的故障诊断装置还包括第一确定单元和分析单元。其中，上述第一确定单元用于在将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果之后，根据上述故障诊断结果中的故障类型以及故障录波数据，确定上述目标电力系统的故障发生时间，上述故障录波数据包括上述目标电力系统的电流波形、电压波形以及设备状态信息；上述分析单元用于根据上述故障发生时间，对上述目标电力系统的设备、拓扑结构以及设备关联关系进行分析，从而对上述目标电力系统进行故障定位。
102.本技术的一种具体的实施例中，基于故障诊断结果，对目标电力系统进行故障定位时，可以结合目标电力系统实际的故障录波数据进行分析。具体步骤如下：
103.步骤s1：根据故障诊断结果，确定故障的类型、故障涉及的设备和故障可能发生的位置。
104.步骤s2：从目标电力系统的保护装置、scada系统和智能电网设备等获取实际的故障录波数据。故障录波数据通常包括目标电力系统的电流波形、电压波形以及设备状态信息。
105.步骤s3：根据故障诊断结果和故障录波数据，确定故障发生时间。其中，故障发生时间可以用于同步分析多个设备的数据，从而精确地定位目标电力系统的故障发生的位
置。
106.步骤s4：结合目标电力系统的故障类型和设备信息，分析故障录波数据中的波形特征。例如，对于短路故障，可以关注电流波形的突变和故障电压的降低；对于过载故障，可以关注持续时间较长的电流超过额定值的情况。
107.步骤s5：根据目标电力系统的拓扑结构，分析设备之间的连接关系，有助于缩小故障定位范围，提高定位准确性。
108.步骤s6：根据设备之间的运行状态、历史故障记录和维修信息等，分析设备的关联关系，有助于进一步确定故障来源和影响范围。
109.步骤s7：结合以上分析，对故障位置进行精确定位。可以使用故障定位算法(如行波定位、潮流分析等)辅助判断。
110.步骤s8：在确定故障位置后，可以进一步分析故障原因，有助于优化维修方案，并为预防类似故障提供支持。
111.在一些具体的实现过程中，本技术的故障诊断装置还包括提取单元、第二确定单元和填充单元。其中，上述提取单元用于在将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果之后，基于自然语言生成技术，对上述故障诊断结果进行转换，得到上述故障诊断结果对应的自然语言文本，并对上述自然语言文本进行关键词提取，得到上述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因；上述第二确定单元用于根据上述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，确定与上述故障诊断结果中的故障类型对应的故障处理方案；上述填充单元用于将上述故障处理方案填充至故障处理策略模板中，得到上述故障处理策略，这样保证了生成的故障处理策略较为准确，以及保证了生成的故障处理策略的可读性较高，进一步地保证了目标电力系统的稳定性和可靠性均较高。
112.利用自然语言生成(nlg)技术，根据故障诊断结果生成的故障处理策略还可以包括紧急处理措施(例如，隔离故障设备、调整运行策略等)、维修方案(例如，更换损坏部件、调整设备参数等)和设备优化建议(例如，升级设备、改进运行策略等)。这些建议可为现场工程师提供参考。同时，随着电力系统运行状态的变化，故障处理策略可以实时更新，以确保最佳的处理方案。
113.本技术的一种具体的实施例中，自然语言生成(nlg)技术可以将结构化数据(故障诊断结果中的数值化数据)转换为自然语言文本，为电力系统故障处理提供可理解的建议，进而可以根据故障诊断结果，生成较为准确的故障处理策略，具体步骤如下：
114.步骤s1：基于自然语言生成技术，对故障诊断结果进行转换，得到故障诊断结果对应的自然语言文本。
115.步骤s2：对自然语言文本进行关键词提取，例如，故障类型、故障设备的名称、故障的位置以及故障的原因。
116.步骤s3：搜集电力系统故障处理的相关知识和经验，建立一个知识库，该知识库可以包括故障类型与处理方法的映射关系、设备特性、操作规程等内容。
117.步骤s4：根据提取的故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，分析适用于当前故障的故障处理方案。该故障处理方案可以包括紧
急处理措施、设备维修方案和设备优化建议等等。
118.步骤s5：根据故障处理方案，设计用于生成故障处理策略的文本模板(即故障处理策略模板)。该故障处理策略模板应包括填充槽位，以便在生成过程中插入实际故障信息。
119.步骤s6：将故障诊断结果和故障处理方案填充到故障处理策略模板中，利用nlg技术生成自然语言文本。这可以使用现有的nlg模型，例如，gpt-4。
120.步骤s7：评估生成的故障处理策略是否准确、易懂和有针对性。可以通过主观评价或与专业人员进行讨论来确认建议质量。
121.步骤s8：根据实际故障处理过程和反馈信息，不断更新知识库，以便生成更准确的故障处理建议。
122.步骤s9：根据目标电力系统运行状态的实时变化，生成的故障处理策略可能需要实时更新。在系统状态发生变化时，重复以上步骤，生成新的故障处理策略。
123.通过以上步骤，利用自然语言生成(nlg)技术，可以根据故障诊断结果生成较为准确的故障处理策略。此外，随着故障处理实践的积累，知识库将不断完善，生成的建议将更加精确和有效。
124.为了进一步地提高训练得到的目标故障诊断模型的鲁棒性和准确性，还可以采用集成学习和模型融合技术，结合多个不同的机器学习来得到预设故障诊断模型。例如，可以使用bagging、boosting、stacking等集成学习方法，故在本技术的一种实施例中，上述预设故障诊断模型为由多个不同的机器学习模型进行模型融合得到的。
125.本技术的一种具体的实施例中，上述机器学习还可以使用支持向量机、决策树、神经网络等监督学习模型对故障进行分类；也可以使用聚类算法、降维技术等无监督学习模型发现潜在的故障模式。同时，在对预设故障诊断模型进行训练的过程中，还可以利用历史故障数据，并通过交叉验证、网格搜索等方法优化预设故障诊断模型的参数。
126.当然，在实际的应用过程中，还可以对多个不同的机器学习的故障诊断结果进行综合，从而得到更为准确的故障诊断结果。
127.对于电力系统运行状态的实时变化，还可以采用增量学习和在线学习技术，实时更新目标故障诊断模型。随着新的故障数据和设备状态信息的收集，目标故障诊断模型的参数和结构可以不断地被调整，以便更好地适应电力系统的实际运行状态。本技术的一种具体的实施例中，上述的故障诊断装置还包括接收单元，用于将实时接收的上述目标电力系统的电力系统数据加入至上述原始数据集中，并依此执行上述处理步骤、上述训练步骤和上述故障诊断步骤至少一次。
128.上述电力系统的故障诊断装置包括处理器和存储器，上述处理单元、训练单元和执行单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
129.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
130.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存
储芯片。
131.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述电力系统的故障诊断方法。
132.具体地，电力系统的故障诊断方法包括：
133.步骤s201，处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
134.步骤s202，训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
135.步骤s203，故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
136.本发明实施例提供了一种电子装置，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的电力系统的故障诊断方法。
137.具体地，电力系统的故障诊断方法包括：
138.步骤s201，处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
139.步骤s202，训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
140.步骤s203，故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
141.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
142.步骤s201，处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
143.步骤s202，训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
144.步骤s203，故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
145.本文中的设备可以是服务器、pc、pad、手机等。
146.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
147.步骤s201，处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，上述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，上述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；
148.步骤s202，训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于上述目标数据集对上述预设故障诊断模型进行训练，得到目标故障诊断模型，上述目标算法包括以下之一：遗传算法、贝叶斯优化算法，上述预设故障诊断模型用于对上述目标电力系统进行故障诊断；
149.步骤s203，故障诊断步骤，将实时接收的上述目标电力系统的电力系统数据，输入至上述目标故障诊断模型中，得到上述目标电力系统的故障诊断结果。
150.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
151.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
152.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
153.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
154.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
155.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
156.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
157.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
158.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
159.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
160.1)、本技术的故障诊断方法中，首先，构建用于训练预设故障诊断模型的目标数据集，即对包括目标电力系统的电力系统数据和其他电力系统的电力系统数据的原始数据集，进行数据预处理和特征提取，得到目标数据集；然后，基于超参数优化算法，确定预设故障诊断模型的模型结构和超参数，以及采用目标数据集，对预设故障诊断模型进行训练，从而得到目标故障诊断模型；最后，使用目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果。与现有技术中采用依赖于人工经验和离线分析相比，本方案采用训练后得到的目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果，这样保证了得到的故障诊断结果较为准确，保证了对电力系统的故障诊断的效率较高，进而解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
161.2)、本技术的故障诊断装置中，处理单元用于构建用于训练预设故障诊断模型的目标数据集，即对包括目标电力系统的电力系统数据和其他电力系统的电力系统数据的原始数据集，进行数据预处理和特征提取，得到目标数据集；训练单元用于基于超参数优化算法，确定预设故障诊断模型的模型结构和超参数，以及采用目标数据集，对预设故障诊断模型进行训练，从而得到目标故障诊断模型；执行单元用于使用目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断结果。与现有技术中采用依赖于人工经验和离线分析相比，本方案采用训练后得到的目标故障诊断模型，对实时采集的目标电力系统的电力系统数据进行处理，得到目标电力系统的故障诊断
结果，这样保证了得到的故障诊断结果较为准确，保证了对电力系统的故障诊断的效率较高，进而解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。
162.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种电力系统的故障诊断方法，其特征在于，包括：处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，所述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，所述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于所述目标数据集对所述预设故障诊断模型进行训练，得到目标故障诊断模型，所述目标算法包括以下之一：遗传算法、贝叶斯优化算法，所述预设故障诊断模型用于对所述目标电力系统进行故障诊断；故障诊断步骤，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果。2.根据权利要求1所述的故障诊断方法，其特征在于，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，包括：基于数据预处理方法，对所述原始数据集进行数据预处理，得到预处理后的所述原始数据集，所述数据预处理方法包括去除重复数据、纠正错误数据、缺失值填补以及文本数据的分词和词干提取；对预处理后的所述原始数据集中的文本数据进行特征提取，得到文本特征，对预处理后的所述原始数据集中的数值数据进行特征提取，得到第一数值特征，对预处理后的所述原始数据集中的类别数据进行特征提取，得到类别特征；基于目标转换方法，对所述文本特征以及所述类别特征进行转换，得到第二数值特征，所述目标转换方法包括以下之一：词嵌入、向量化；由所述第一数值特征和所述第二数值特征构成所述目标数据集。3.根据权利要求1所述的故障诊断方法，其特征在于，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果，包括：对实时接收的所述目标电力系统的所述电力系统数据进行异常检测和过滤处理，得到处理后的所述电力系统数据；将处理后的所述电力系统数据输入至所述目标故障诊断模型中，得到所述目标电力系统的所述故障诊断结果，所述故障诊断结果包括所述目标电力系统是否存在故障，以及在所述目标电力系统存在故障的情况下，所述故障诊断结果还包括故障类型。4.根据权利要求1至3中任意一项所述的故障诊断方法，其特征在于，在将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果之后，所述故障诊断方法还包括：根据所述故障诊断结果中的故障类型以及故障录波数据，确定所述目标电力系统的故障发生时间，所述故障录波数据包括所述目标电力系统的电流波形、电压波形以及设备状态信息；根据所述故障发生时间，对所述目标电力系统的设备、拓扑结构以及设备关联关系进行分析，从而对所述目标电力系统进行故障定位。5.根据权利要求1至3中任意一项所述的故障诊断方法，其特征在于，在将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力
系统的故障诊断结果之后，所述故障诊断方法还包括：基于自然语言生成技术，对所述故障诊断结果进行转换，得到所述故障诊断结果对应的自然语言文本，并对所述自然语言文本进行关键词提取，得到所述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因；根据所述故障诊断结果中的故障类型、故障设备的名称、故障的位置以及故障原因和知识库，确定与所述故障诊断结果中的故障类型对应的故障处理方案；将所述故障处理方案填充至故障处理策略模板中，得到所述故障处理策略。6.根据权利要求1至3中任意一项所述的故障诊断方法，其特征在于，所述预设故障诊断模型为由多个不同的机器学习模型进行模型融合得到的。7.根据权利要求1至3中任意一项所述的故障诊断方法，其特征在于，所述故障诊断方法还包括：将实时接收的所述目标电力系统的电力系统数据加入至所述原始数据集中，并依此执行所述处理步骤、所述训练步骤和所述故障诊断步骤至少一次。8.一种电力系统的故障诊断装置，其特征在于，包括：处理单元，用于执行处理步骤，对接收的原始数据集进行数据预处理和特征提取，得到目标数据集，所述原始数据集包括目标电力系统的电力系统数据以及其他电力系统的电力系统数据，所述电力系统数据包括对应的电力系统的运行数据、设备状态信息以及故障报警数据；训练单元，用于执行训练步骤，基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于所述目标数据集对所述预设故障诊断模型进行训练，得到目标故障诊断模型，所述目标算法包括以下之一：遗传算法、贝叶斯优化算法，所述预设故障诊断模型用于对所述目标电力系统进行故障诊断；执行单元，用于执行故障诊断步骤，将实时接收的所述目标电力系统的电力系统数据，输入至所述目标故障诊断模型中，得到所述目标电力系统的故障诊断结果。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的电力系统的故障诊断方法。10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任意一项所述的电力系统的故障诊断方法。

技术总结
本申请提供了一种电力系统的故障诊断方法、故障诊断装置与电子装置。该方法包括：对接收的原始数据集进行数据预处理和特征提取，得到目标数据集；基于目标算法确定预设故障诊断模型的模型结构和超参数，以及基于目标数据集对预设故障诊断模型进行训练，得到目标故障诊断模型，目标算法包括以下之一：遗传算法、贝叶斯优化算法，预设故障诊断模型用于对目标电力系统进行故障诊断；将实时接收的目标电力系统的电力系统数据，输入至目标故障诊断模型中，得到目标电力系统的故障诊断结果，解决了现有技术中采用人工经验和离线分析对电力系统进行故障诊断，导致的准确性和效率均较低的问题。题。题。


技术研发人员：郭海平 郭琦 卢远宏 郭天宇 张杰 黄立滨 涂亮 胡云 洪泽祺 刘宇嫣 苏明章 伍文聪 陈智豪 胡玉峰 赵艳军
受保护的技术使用者：中国南方电网有限责任公司
技术研发日：2023.05.16
技术公布日：2023/8/13