(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210853287.7 (22)申请日 2022.07.08 (71)申请人 国网江苏省电力有限公司南 通供电 分公司 地址 226006 江苏省南 通市青年中路52号 (72)发明人 顾彬仕　黄霆　黄峰　袁健华　 陈赛赛　 (74)专利代理 机构 镇江至睿专利代理事务所 (普通合伙) 3252 9 专利代理师 郭雨姗 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 13/00(2006.01) (54)发明名称 基于迁移学习的多中心电力系统故障预测 方法及系统 (57)摘要 本发明涉及一种基于迁移学习的多中心电 力系统故障预测方法及系统,属于电力系统维护 技术领域。 方法包括： 获取不同地区电力系统的 故障数据； 建立域对抗神经网络DANN模型， 利用 所述不同地区电力系统的故障数据对所述DANN 模型进行迁移学习训练， 得到满足预设条件的电 力系统故障预测模型； 将所述电力系统故障预测 模型部署 到电力系统监测平台中， 若在监测过程 中发现异常， 则将异常数据作为输入， 调用所述 电力系统故障预测模型进行故障分类预测。 本方 法可以将各地区的数据同时加入模 型训练， 解决 了单一地区数据量较小的问题， 同时通过域自适 应技术解决了各地区数据可能存在的异质性问 题， 在模型训练过程中还引入了对抗的思想， 大 大提高了预测模型的准确度。 权利要求书2页 说明书7页 附图1页 CN 115115131 A 2022.09.27 CN 115115131 A 1.一种基于迁移学习的多中心电力系统故障预测方法， 其特征在于， 所述方法包括以 下步骤： S1： 获取不同地区电力系统的故障数据， 所述故障数据包括故障时电力发送端和接收 端的电流、 电压和阻抗； S2： 建立域对抗神经网络DANN模型， 利用所述不同地区电力系统的故障数据对所述 DANN模型进行迁移学习训练， 得到满足预设条件的电力系统故障预测模型； S3： 将所述电力系统故障预测模型部署到电力系统监测平台中， 若在监测过程中发现 异常， 则将异常数据作为输入， 调用所述电力系统故障预测模型进行故障分类预测。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法包括： 选取需要预测的地区， 将所述需要预测的地区的故障数据作为目标域， 其余地区的故 障数据作为源域； 所述预设条件包括： 通过最小化分类器误差和最大化判别器误差， 使学习到的特征表 达具有跨 域不变性。 3.根据权利要求2所述的方法， 其特 征在于， 所述方法包括： 引入梯度反转层GRL， 域分类器的域分类损失的梯度反向传播到特征提取器的参数之 前自动进行梯度取反， 从而实现对抗学习训练： Rλ(x)＝x 其中， λ参数 是动态变化的， 其表达式如下： 上式中， p代表迭代进程相对值， 即当前迭代次数与总迭代次数的比率； γ为常数10， x 为输入， I 为矩阵。 4.根据权利要求3所述的方法， 其特 征在于， 所述方法包括： 根据迭代进程动态变换 所述DANN模型的学习率， 其表达式如下： 其中 μ0为初始学习率， α 和β 为超参数。 5.根据权利要求 4所述的方法， 其特 征在于， 所述方法包括： 完成故障预测之后， 将故障预测结果传输至发生异常区域的 电网维护人员， 将所述维 护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中， 用于下次的模型训 练。 6.一种基于 迁移学习的多中心电力系统故障预测系统， 其特 征在于， 所述系统包括： 获取模块， 用于获取不同地区电力系统的故障数据， 所述故障数据包括故障时电力发 送端和接收端的电流、 电压和阻抗； 训练模块， 用于建立域对抗神经网络DANN模型， 利用所述不同地区电力系统的故障数 据对所述DAN N模型进行迁移学习训练， 得到满足预设条件的电力系统故障预测模型；权　利　要　求　书 1/2 页 2 CN 115115131 A 2预测模块， 用于将所述电力系统故障预测模型部署到电力系统监测平台中， 若在监测 过程中发现异常， 则将异常数据作为输入， 调用所述电力系统故障预测模型进行故障分类 预测。 7.根据权利要求6所述的系统， 其特 征在于， 所述训练模块用于： 选取需要预测的地区， 将所述需要预测的地区的故障数据作为目标域， 其余地区的故 障数据作为源域； 所述预设条件包括： 通过最小化分类器误差和最大化判别器误差， 使学习到的特征表 达具有跨 域不变性。 8.根据权利要求7 所述的方法， 其特 征在于， 所述训练模块用于： 引入梯度反转层GRL， 域分类器的域分类损失的梯度反向传播到特征提取器的参数之 前自动进行梯度取反， 从而实现对抗学习训练： Rλ(x)＝x 其中， λ参数 是动态变化的， 其表达式如下： 上式中， p代表迭代进程相对值， 即当前迭代次数与总迭代次数的比率； γ为常数10， x 为输入， I 为矩阵。 9.根据权利要求8所述的方法， 其特征在于， 所述训练模块用于： 根据迭代进程动态变 换所述DANN模型的学习率， 其表达式如下： 其中 μ0为初始学习率， α 和β 为超参数。 10.根据权利要求9所述的系统， 其特征在于， 所述预测模块用于： 完成故障预测之后， 将故障预测结果传输至发生异常区域的电网维护人员， 将所述维护人员检查与维修结果作 为相应异常数据的标注存 储在故障数据集中， 用于下次的模型训练。权　利　要　求　书 2/2 页 3 CN 115115131 A 3