基于多类信息融合识别的电网故障诊断方法、装置及设备

摘要

本发明公开了一种基于多类信息融合识别的电网故障诊断方法、装置及设备，其中所述方法包括：对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；根据融合后的特征数据分析电网设备故障。本公开考虑了不同类型的电网数据能够为电网故障诊断提供更为准确的数据基础。

权利要求

1.一种基于多类信息融合识别的电网故障诊断方法，其特征在于，所述方法包括：对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；

将包括故障监控信息和录波图像信息的所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记，所述混合编码向量包括故障监控信息和录波图像信息；

其中，获取并融合故障监控信息和录波图像信息，具体包括：使用预训练的电力专业语言词向量模型将故障监控信息文本转化为文本向量，将故障时间向量与文本向量拼接，基于深度卷积神经网络对录波图像数据特征进行特征选择与提取，将拼接了故障时间向量的文本向量与录波图像数据特征进行拼接，得到混合编码向量；

根据融合后的特征数据分析电网设备故障；

形成融合后的特征数据后，将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；其中，通过以下方式获得前一时刻的故障原因预测误差：式中， 为在t‑1时刻，即前一时刻的故障原因预测误差，‑1为负单位矩阵， 为在t‑1时刻所述多种类型数据的预测值向量， 为在t‑1时刻融合后的特征数据中的混合编码向量， 为矩阵加法运算符；

基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；

最后确定电网设备的故障。

2.根据权利要求1所述的方法，其特征在于，

所述多种类型数据的预测值是通过LSTM算法获得。

3.根据权利要求1所述的方法，其特征在于，通过以下方式确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：其中，

It为输入门信号，用于控制输入记忆细胞中的故障特征序列，Ft为遗忘门信号，用于决定当前记忆细胞中上一时刻的信息保留多少，Ot为输出门，决定输出内容；

Wi为输入门权重；xt为t时刻的输入数据；bi为输入门偏置项；

为sigmoid函数；

Wf为遗忘门权重；bf为遗忘门偏置项；Wo为输出门权重；bo为输出门偏置项。

4.根据权利要求3所述的方法，其特征在于，通过以下方式更新t时刻的记忆细胞 ：其中，Wc为隐含状态权重；bc为隐含状态偏置项。

5.根据权利要求1‑4任一所述的方法，其特征在于，将融合后的特征数据中的混合编码向量作为M‑BiLSTM的输入；

利用所述M‑BiLSTM输出故障原因类别数字；

根据所述故障原因类别数字确定电网故障原因。

6.一种基于多类信息融合识别的电网故障诊断装置，其特征在于，所述装置包括：获取单元，用于对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；

融合单元，用于将包括故障监控信息和录波图像信息的所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记，所述混合编码向量包括故障监控信息和录波图像信息；其中，获取并融合故障监控信息和录波图像信息，具体包括：使用预训练的电力专业语言词向量模型将故障监控信息文本转化为文本向量，将故障时间向量与文本向量拼接，基于深度卷积神经网络对录波图像数据特征进行特征选择与提取，将拼接了故障时间向量的文本向量与录波图像数据特征进行拼接，得到混合编码向量；

分析单元，用于根据融合后的特征数据分析电网设备故障；形成融合后的特征数据后，所述分析单元将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；其中，通过以下方式获得前一时刻的故障原因预测误差：， 为在t‑1时刻，即前一时刻的故障原因预测误差，‑1为负单位矩阵， 为在t‑1时刻所述多种类型数据的预测值向量， 为在t‑1时刻融合后的特征数据中的混合编码向量， 为矩阵加法运算符；基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；最后确定电网设备的故障。

7.根据权利要求6所述的装置，其特征在于，

所述多种类型数据的预测值是通过LSTM算法获得。

8.根据权利要求6所述的装置，其特征在于，通过以下方式确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：其中，

It为输入门信号，用于控制输入记忆细胞中的故障特征序列，Ft为遗忘门信号，用于决定当前记忆细胞中上一时刻的信息保留多少，Ot为输出门，决定输出内容；

Wi为输入门权重；xt为t时刻的输入数据；bi为输入门偏置项；

为sigmoid函数；

 Wf为遗忘门权重；bf为遗忘门偏置项；Wo为输出门权重；bo为输出门偏置项。

9.根据权利要求8所述的装置，其特征在于，通过以下方式更新t时刻的记忆细胞 ：其中，Wc为隐含状态权重；bc为隐含状态偏置项。

10.根据权利要求6‑9任一所述的装置，其特征在于，将融合后的特征数据中的混合编码向量作为M‑BiLSTM的输入；

利用所述M‑BiLSTM输出故障原因类别数字；

根据所述故障原因类别数字确定电网故障原因。

11.一种电子设备，其特征在于，所述电子设备包括至少一个处理器和一个存储器，所述存储器与所述处理器电气连接，其中，所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求

1‑5中任一项所述的方法。

说明书

基于多类信息融合识别的电网故障诊断方法、装置及设备

技术领域

[0001] 本发明属于电网故障智能诊断技术领域，尤其涉及一种基于多类信息融合识别的电网故障诊断方法、装置及设备。

背景技术

[0002] 随着建设以新能源为主体的新型电力系统政策的提出，电网呈现出高电压等级和高比例新能源并网的新特性，导致电网运行不确定因素增强，对电网故障原因诊断和处置提出了前所未有的新要求。现行电网运行信息中存储了大量的保护录波图像数据和监控运行信息数据等多种类型的数据，这些数据可以用于对电网设备故障原因进行快速追溯，为电网故障处置恢复提供策略生成基础。

[0003] 但是现有技术中，由于缺乏对这些多种类型的数据进行有效地融合和分析手段，由其是在电网故障检测中，故障监控信息和保护录波图像信息是反应电网故障较为准确的数据，但是现有技术中，没有融合考虑这种两种数据进行综合分析。在发生故障时多依赖调度员凭借经验进行故障原因综合分析和判断，导致大量的价值数据难以充分利用，同时也使电网调度过度依赖人工经验，难以实现智能调度。同时，由于调度员人为需要结合多种类型的数据分析和计算，将难以及时准确地诊断出电网设备故障原因，给出合理的防控措施，严重情况将威胁电网安全稳定运行。

发明内容

[0004] 为解决上述问题，本发明提供了一种将多种类型的信息进行融合识别进而对电网故障进行诊断的方法、装置及设备。

[0005] 本公开提供了一种基于多类信息融合识别的电网故障诊断方法，所述方法包括：

[0006] 对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；

[0007] 将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；

[0008] 其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记；

[0009] 根据融合后的特征数据分析电网设备故障。

[0010] 一些实施例中，形成融合后的特征数据后，将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；

[0011] 基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；

[0012] 最后确定电网设备的故障。

[0013] 一些实施例中，通过以下方式获得前一时刻的故障原因预测误差：

[0014]

[0015] 其中，

[0016] 为在t‑1时刻，即前一时刻的故障原因预测误差；‑1为负单位矩阵； 为在t‑1时刻所述多种类型数据的预测值向量； 为在t‑1时刻融合后的特征数据中的混合编码向量； 为矩阵加法运算符。

[0017] 一些实施例中，所述多种类型数据的预测值是通过LSTM算法获得。

[0018] 一些实施例中，通过以下方式确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：

[0019]

[0020] 其中，

[0021] It为输入门信号，用于控制LSTM中输入记忆细胞中的故障特征序列，Ft为遗忘门信号，用于决定当前LSTM中记忆细胞中上一时刻的信息保留多少，Ot为输出门，决定LSTM的输出内容；

[0022] Wi为LSTM算法中的输入门权重；xt为t时刻的输入数据；bi为输入门偏置项； 为sigmoid函数； Wf为遗忘门权重；bf为遗忘门偏置项；Wo为输出门权重；bo为输出门偏置项。

[0023] 一些实施例中，通过以下方式更新LSTM中的记忆细胞 ：

[0024]

[0025] 其中，Wc为隐含状态权重；bc为隐含状态偏置项。

[0026] 一些实施例中，将融合后的特征数据中的混合编码向量作为M‑BiLSTM的输入；

[0027] 利用所述M‑BiLSTM输出故障原因类别数字；

[0028] 根据所述故障原因类别数字确定电网故障原因。

[0029] 本公开还提供了一种基于多类信息融合识别的电网故障诊断装置，所述装置包括：

[0030] 获取单元，用于对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；

[0031] 融合单元，用于将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；其中，所述融合后的特征数据包括所述多种类型数据的混合编码向量和故障类别标记；

[0032] 分析单元，用于根据融合后的特征数据分析电网设备故障。

[0033] 一些实施例中，形成融合后的特征数据后，所述分析单元将融合后的特征数据与预测的特征数据进行逻辑运算，获得前一时刻的故障原因预测误差；

[0034] 基于所述前一时刻的故障原因预测误差和当前时刻的故障特征向量，确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号；

[0035] 最后确定电网设备的故障。

[0036] 一些实施例中，通过以下方式获得前一时刻的故障原因预测误差：

[0037]

[0038] 其中，

[0039] 为在t‑1时刻，即前一时刻的故障原因预测误差；‑1为负单位矩阵； 为在t‑1时刻所述多种类型数据的预测值向量； 为在t‑1时刻融合后的特征数据中的混合编码向量； 为矩阵加法运算符。

[0040] 一些实施例中，所述多种类型数据的预测值是通过LSTM算法获得。

[0041] 一些实施例中，通过以下方式确定M‑LSTM网络中门结构中输入门信号、遗忘门信号和输出门信号：

[0042]

[0043] 其中，

[0044] It为输入门信号，用于控制LSTM中输入记忆细胞中的故障特征序列，Ft为遗忘门信号，用于决定当前LSTM中记忆细胞中上一时刻的信息保留多少，Ot为输出门，决定LSTM的输出内容；

[0045] Wi为LSTM算法中的输入门权重；xt为t时刻的输入数据；bi为输入门偏置项； 为sigmoid函数； Wf为遗忘门权重；bf为遗忘门偏置项；Wo为输出门权重；bo为输出门偏置项。

[0046] 一些实施例中，通过以下方式更新LSTM中的记忆细胞 ：

[0047]

[0048] 其中，Wc为隐含状态权重；bc为隐含状态偏置项。

[0049] 一些实施例中，将融合后的特征数据中的混合编码向量作为M‑BiLSTM的输入；

[0050] 利用所述M‑BiLSTM输出故障原因类别数字；

[0051] 根据所述故障原因类别数字确定电网故障原因。

[0052] 本公开还提供了一种电子设备，所述电子设备包括至少一个处理器和一个存储器，所述存储器与所述处理器电气连接，其中，

[0053] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的方法。

[0054] 与现有技术相比，本发明具有如下优点：

[0055] 由于将录波图像、监控信息等这些多源、不同类型的数据进行融合，为后续的故障全面诊断提供了更为准确的数据基础；

[0056] 通过考虑实际测量值和预测值的预测误差，结合上述数据基础进行故障诊断，更全面而深刻反应电网设备故障时电网的运行状态；

[0057] 通过建立电网设备故障原因诊断模型，提高了设备故障原因诊断准确率，对降低故障造成的电网连锁风险，提高电网设备快速供电能力具有重要作用。

[0058] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。

附图说明

[0059] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0060] 图1示出了根据本公开实施例的一种基于多类信息融合识别的电网故障诊断方法整体基本流程图；

[0061] 图2示出了根据本公开实施例的一种故障监控信息与录波图像信息融合识别的电网故障诊断方法基本流程图；

[0062] 图3示出了根据本公开实施例的一种电网故障诊断装置结构示意图；

[0063] 图4示出了根据本公开实施例的一种电子设备结构示意图。

具体实施方式

[0064] 为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0065] 图1示出了根据本公开实施例的一种基于多类信息融合识别的电网故障诊断方法基本流程图，如图1所示，本公开实施例中，获取到电网中多种类型的数据后，对电网中多种类型数据进行预处理，以得到所述多种类型数据的特征数据；然后，将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；最后，根据融合后的特征数据分析电网设备故障。

[0066] 本公开实施例中，将多种类型的数据（示例性地，录波图像、监控信息等）进行融合处理，其中多种类型的数据包括图像类型的数据、图片类型的数据以及文本类型的数据等中的两种或两种以上的多种类型的数据。将多种类型的数据融合，相比较于现有技术中单纯考虑一种类型的数据，本公开实施例的考虑不同类型的数据，在故障识别中能够更加全面准确。

[0067] 需要说明的是，本公开实施例中以保护录波图像和监控信息作为多种不同类型的数据中的两种不同类型数据为例进行示例性说明，但是，本公开并非仅仅限于这两种数据，只要是不同类型的两种或两种以上的数据均可适用于本公开。

[0068] 本公开实施例中，获取故障监控信息和保护录波图像（也称为故障保护动作录波图）信息，其中故障监控信息可以包括：故障设备描述、故障时间、潮流突变设备描述、电网运行方式信息描述、气象信息等中的一种或多种数据；所述保护录波图像信息可以包括：事件时间、电流幅值相位、电压幅值相位等中的一种或多种数据。需要说明的是，本公开实施例中，也并非仅仅限于上述数据，其他能够描述故障监控信息和保护录波图像信息的数据均可适用于本公开。

[0069] 1、本公开实施例中，可以采用一种多源数据预处理模块来对故障监控信息和保护录波图像信息进行处理。其中，故障监控信息包括：故障设备描述、故障时间、潮流突变设备描述、电网运行方式信息描述、气象信息等因素中的一个或多个，但也并非仅仅限于上述因素，其他故障数据也可以作为上述因素；保护录波图像信息可以为故障发生一定时间的录波图像，例如k分钟内以及故障发生时的录波图像。

[0070] 本公开实施中，可以设定周期性获取录波图像，最终获取到一定数量的录波图像。示例性地，以每间隔1分钟取1张录波图像为例，则k分钟内可以共计k+1张录波图像，可以通过上述k+1张录波图像来记录k分钟内的设备故障演变过程。本公开实施例中，对获取方式并非限制，即并不局限于周期性获取录波图像这种方式，其他方式，例如非周期性获取、基于其他设备的控制指令获取录波图像的方式同样适应于本公开实施例。

[0071] 示例性地，本公开实施例中，可以从一种系统，示例性地从智能调控系统，获取故障监控信息这种文本性信息，从该故障监控信息中提取故障时间信息，例如发生故障的年、月、日、时、分、秒等数值信息。可以从智能调控系统读取获取到的一定数量的故障设备录波图像信息，例如获取如上示例性的k+1张录波图像。获取到一定数量的故障设备录波图像信息后，从这些录波图像信息中选取一张能够描述设备故障过程的录波图像作为录波图像样本，k值通过分析大量历史故障录波图像数据得出，本公开实施例中可以将k设置为5，这种设置方式可以适用于电网故障一般在5分钟内完成故障过程演变的要求。

[0072] 2、本公开实施例中，可以通过特征提取与融合模块实现对于故障监控信息和录波图像中特征向量的提取与融合。示例性地，多源数据特征提取与融合提取模块分别提取上述故障监控信息和录波图像中的特征向量，将提取到的这两种不同数据源的特征向量进行融合，形成设备故障原因诊断模型的输入变量。具体步骤如下：

[0073] （1）将文本类型的数据转化为向量。本公开实施例中，可以通过预训练的电力专业语言词向量模型将故障监控信息文本转化为向量，可以将故障监控信息文本中的每个字符转化为1维向量，其中包含N个元素，将故障时间年、月、日、时、分、秒数值按照重复方式形成1维向量，并与文本向量进行顺序拼接。示例性地，对于故障时间（如2022‑10‑07 10:10:19）转化为[A1 … A14]向量，其中向量中有14个元素，将故障设备描述中每个字符转化为[B1 … BN]向量，其中向量中有N个元，然后将这两个进行拼接，拼接为[A1 … A14； B1 … BN]。
本公开实施例中，仅仅以故障时间和故障设备描述文本信息这两种文本的转化为例进行示例性说明，但并非仅仅限于这两种文本信息，也不限于具体的向量维数，可以根据电网的实际情况进行相应设置。

[0074] （2）提取和处理图像类型数据的特征。本公开实施例中，可以基于深度卷积神经网络方法对录波图像这种图像型变量进行特征选择与提取。由于深度卷积神经网络由多个卷积层和池化层组成，所以可以用于对保护录波图像进行卷积和池化的操作，实现对录波图像数据中的关键图像特征的提取和降维，然后对提取的数据特征进行扁平化处理，本公开实施例中，激活函数可以采用ReLU（Rectified Linear Unit）函数。录波图像这类图片的数据的输入格式设置为(3，X，Y)，其中3代表深度卷积神经网络的层数，X，Y分别代表二维数据的行数和列数。深度卷积神经网络的输出变量为一维特征向量，向量元素个数为N,与监控信息文本转化的向量元素个数一致，示例性地，输出向量为[C1…CN]，即向量里面有N个元素。深度卷积神经网络提取图像特征结果采用如下表达式进行归一化：

[0075]         (1)

[0076] 式中：xsca为数据归一化后的值；x为利用深度卷积神经网络提取到的图像特征数据；max(x)、min(x)分别是样本数据的最小值和最大值，对于图像数据min(x)、max(x)分别为0和255；u、v是给定放缩范围的最大值和最小值，一般数据范围设置为(0，1)之间，本公开实施例中取u可以为0.9，v可以为0.1。即如上所述，本公开实施例中，输出的N维向量[C1…CN]是神经网络通过上述归一化处理后输出的图像特征。

[0077] 需要说明的是，对不同类型的数据处理不限定先后顺序，可以先对录波图像数据进行处理，再对故障监控信息进行处理；也可以先对故障监控信息处理，再对录波图像数据进行处理。

[0078] （3）将上述将文本类型的数据转化为向量和提取的录波图像数据特征拼接在一起形成新的特征向量‑混合编码向量作为电网设备故障原因诊断模型的输入，示例性地，新的特征向量，即录波图像信息和故障监控信息的混合编码向量为[A1…A14；B1…BN；C1…CN]。从该新的特征向量中可以看出，新的特征向量同时融合了监控信息和录波图像信息这种不同类型的信息。

[0079] 3、本公开实施例中，可以利用故障设备原因分析模块对故障设备的原因概率进行计算，示例性地，本公开实施例的电网设备故障原因诊断模型构建模块采用多序列的长短期记忆网络（M‑LSTM，modified‑Long Short‑Term Memory）进行编解码，通过该多序列的长短期记忆网络中的softmax层计算解码结果，实现故障设备原因概率计算。具体步骤如下：

[0080] 多源数据特征提取与融合提取模块获取上述新的特征向量‑混合编码向量，本公开实施例中以Xi表示上述录波图像信息和上述故障监控信息的混合编码向量[A1…A14；B1…BN；C1…CN]，其中i表示该混合编码向量中样本的数量，示例性地混合编码向量[A1…A14；B1…BN；C1…CN]中有14个A样本、N个B样本、N个C样本，共计14+N+M个样本。需要说明的是本公开实施例中B样本的个数与C样本的个数并非必须相同，也可以有M个C样本，其中N≠M。将上述混合编码向量与故障类别形成特征向量集合 。以Yj表示故障原因类别标记数字，其中j表示该故障原因类别的数量,示例性地，故障原因类别可以为山火、雷电、大风、烟尘、覆冰、冰闪、异物等，故障原因类别的标记数字可以分别为‑3、‑2、‑1、0、1、2、3。

[0081] 将上述混合编码向量作为M‑BiLSTM的输入，该M‑BiLSTM将设备故障原因作为诊断模型输出，包括：山火、雷电、大风、烟尘、覆冰、冰闪、异物等。

[0082] M‑LSTM网络对LSTM的内部输入进行了改进，门结构没有发生变化，内部输入则是通过引入在当前时刻已经可以采集到的实际值 ，即采集到的[A1…A14；B1…BN；C1…CN]以及对应的实际故障原因，并利用原先的预测值 ，即预测得到的[A1…A14；B1…BN；C1…CN]以及对应的故障原因，通过矩阵计算获得的预测误差输入到时刻 所对应的门结构中。即M‑LSTM网络在时刻 时的内部输入为：

[0083]            (2)

[0084] 其中， 为在t‑1时刻，即前一时刻的故障原因预测误差；‑1为负单位矩阵；为在t‑1时刻所述多种类型数据的预测值向量； 为在t‑1时刻融合后的特征数据中的混合编码向量； 为矩阵加法运算符。

[0085] 在M‑LSTM网络中，遗忘门利用上一时刻 的故障原因预测误差 和当前时刻的故障特征向量 调整遗忘控制信号。如果预测误差过大，那说明 对当前时刻 的预测已无有效作用，因此需要将这部分记忆遗忘。

[0086] 输入门利用上一时刻 的故障原因预测误差 和当前时刻 的故障特征向量，调整输入控制信号的大小。如果预测误差 过大，则需要减小对当前记忆信息 的输入，避免影响未来时间序列的预测。

[0087] 输出门同样利用 和 控制调整输出控制信号的大小，并决定长期记忆 输出的多少。

[0088] 输入门It用于控制输入记忆细胞中的故障特征序列，遗忘门Ft决定当前记忆细胞中上一时刻的信息保留多少，输出门Ot决定输出内容。表达式如下：

[0089] （3）

[0090] 式中：Wi为输入门权重；ht‑1为上一时刻t‑1的隐含层向量；xt为当前t时刻的输入数据；bi为输入门偏置项； 为sigmoid函数。式中：Wf为遗忘门权重；bf为遗忘门偏置项；Wo为输出门权重；bo为输出门偏置项。

[0091] 本公开实施例中， 为t时刻的记忆细胞，存储历史记忆内容，在确定过去记忆与新内容的保留部分后，更新细胞，表达式如下所示：

[0092] （4）

[0093] 式中：Wc为隐含状态权重；bc为隐含状态偏置项。

[0094] 本公开实施例中通过上述对于M‑LSTM网络的改进，应用到双层的双向长短期记忆网络（M‑BiLSTM）中，即改进了M‑BiLSTM。其中，M‑LSTM网络是一种单层网络，示例性实现从A到B的处理，而改进的M‑BiLSTM是双层双向的，即第一层实现A到B的处理，第二层实现B到A的处理。

[0095] 采用改进的双向长短期记忆网络（M‑BiLSTM）获取电网设备故障特征向量 ，即将设备故障特征向量 输入到改进的双向长短期记忆网络中。采用M‑BiLSTM对设备故障特征向量与故障原因（例如山火、雷电、大风、烟尘、覆冰、冰闪、异物等原因）间的映射关系进行编码。本公开实施例中，利用M‑BiLSTM这种双向网络从设备故障特征变量正向训练得到隐含层向量et(p)，从设备故障特征变量反向训练得到隐含层向量et(q)，通过将et(p)和et(q)首尾拼接得到保留双向设备故障特征变量的隐含层向量et，通该隐含层向量et来提升设备故障特征编码能力。其中M‑LSTM和M‑BiLSTM的参数可以设置为：学习率为0.005、批次大小为16、优化算法为Adam、隐藏层层数为2、隐藏层维数为256、神经元随机失活率为0.5、训练最大迭代次数为200。

[0096] 通过softmax计算监控信息和设备保护录波图像融合特征信息与故障设备原因的识别关系，表达式如下所示：

[0097] （5）

[0098] 式中：e为自然常数，si为设备故障原因标签概率，K为设备故障类别数量，故障类别包括：山火、雷电、大风、烟尘、覆冰、冰闪、异物等。

[0099] 本公开实施例中，电网设备故障原因在线诊断模块能够实时感知故障监控信息和录波图像信息等文本、图像之类的多种类型的数据，将这些数据进行处理后融合，形成融合的特征向量，将融合的特征向量映射到设备故障原因诊断模型中，得到相应的故障原因诊断结果。

[0100] 在上述公开的内容的基础上，本公开实施例还提供了一种电网故障诊断装置，如图3所示本公开示例的电网故障诊断装置包括获取单元、融合单元和分析单元。其中，获取单元，用于对电网中多种类型数据进行预处理，获取所述多种类型数据的特征数据；融合单元，用于将所述多种类型数据的特征数据进行融合，形成融合后的特征数据；分析单元，用于根据融合后的特征数据分析电网设备故障。获取单元、融合单元和分析单元执行的进一步的处理步骤如上所述，在此不再赘述。

[0101] 基于上述公开的内容，对应地本公开还提供了一种电子设备。如图4所示，本公开实施例的电子设备包括至少一个处理器和一个存储器，所述存储器与所述处理器电气连接，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

[0102] 本公开实施例中，可以将所训练的电网设备故障原因诊断模型部署在智能调控系统安全I区，实时获取故障设备描述、故障时间、潮流突变设备描述、电网运行方式信息描述、气象信息等因素和保护录波图像信息。将这些信息经过多源数据预处理模块和多源数据特征提取与融合提取模块得到多源数据融合的特征向量，将其输入到电网设备故障原因诊断模型中，可以通过模型快速映射出设备故障原因，包括：山火、雷电、大风、烟尘、覆冰、冰闪、异物等。

[0103] 需要说明的是，本公开实施例中的各个模块并非必然为实际的硬件部件，可以为计算机程序中的各个处理子程序、电子电路中的各个数据处理子单元、处理器中的各个数据处理部分。

[0104] 尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。