一种电力系统故障超前预测方法、系统、设备和介质与流程
本发明涉及电力系统故障预测，具体涉及一种电力系统故障超前预测方法、系统、设备和介质。
背景技术：
1、随着大规模可再生能源并网及配电网结构的频繁调整，现代电力系统的运行状态日趋复杂。目前多采用传统的集中式电网监控方案，或者引入分布式机器学习即联邦学习技术来进行设备故障诊断。利用长短期记忆网络等深度学习算法在本地节点进行故障特征建模，已成为提升电力系统监控智能化的重要途径。
2、然而，现有方案在面对电网物理拓扑频繁演变时存在严重不足。现有的动态图预测方法通常仅将拓扑作为模型输入，缺少与电网导纳矩阵或开关状态直接绑定的持续学习触发逻辑，导致电力系统在新变电站接入或馈线重构后，容易在学习新拓扑模式时覆盖掉宝贵的历史故障识别参数，引发灾难性遗忘。此外，分布式节点上传梯度时往往缺乏统一的裁剪、剪枝、补偿与加噪的固定安全处理机制，导致通信开销过大且难以在保障长期收敛性的同时满足差分隐私要求。同时，普通的异常检测多属于越限后的被动事后响应，缺少面向未来状态的滚动残差预测与持续性验证，极易因单点数据波动产生故障误报，难以为调度侧提供足够的超前干预时间窗口。
技术实现思路
1、鉴于上述存在的问题，本发明提供一种电力系统故障超前预测方法、系统、设备和介质。
2、因此，本发明解决的技术问题是：如何解决分布式持续学习模型在电力网络拓扑频繁演变时对历史故障特征的灾难性遗忘问题，并同时克服多节点数据交互中的隐私泄露、通信开销高以及被动事后告警滞后的技术缺陷。
3、为解决上述技术问题，本发明提供如下技术方案：一种电力系统故障超前预测方法，包括响应于电力运行数据与电力拓扑信息的获取，对所述电力运行数据进行特征提取，得到区域状态特征向量；
4、响应于所述电力拓扑信息的变化量大于预设阈值，对当前模型参数执行第一巩固机制，得到受控更新梯度，所述第一巩固机制用于基于参数重要度分布对所述当前模型参数施加差异化的弹性约束；
5、对所述受控更新梯度执行第二处理机制，得到目标受保护梯度，所述第二处理机制包括对梯度依次执行的特征压缩与隐私脱敏操作；
6、输出所述目标受保护梯度与所述区域状态特征向量，以供服务端执行残差验证机制，得到分级故障预测结果。
7、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述对所述电力运行数据进行特征提取，得到区域状态特征向量包括：
8、利用时序特征提取网络提取所述电力运行数据中的时序运行特征，得到故障特征向量；
9、利用特征投影网络投影所述电力运行数据中的协同调节数据，得到需求响应特征向量；
10、将所述故障特征向量与所述需求响应特征向量进行组合，得到所述区域状态特征向量。
11、本优选技术方案的有益效果为：通过并行提取电网运行数据的时序故障特征与需求侧协同调节特征，实现了对区域电力状态的多维度表征。时序特征提取网络能够捕捉负荷、电价等关键参数的长期依赖关系与异常波动模式，为故障预警提供灵敏的前兆感知能力；需求响应特征向量则将可平移负荷、分布式光伏出力等柔性资源的调节潜力纳入状态描述，使区域状态特征向量不仅反映当前运行健康状况，还隐含了需求侧可调度资源的充裕度信息。二者组合后，既保留了故障辨识所需的时序敏感特征，又融合了需求响应层面的调控弹性特征，为后续模型训练与故障预测提供了信息丰富、结构紧凑的输入表征，有效提升了预测模型对复杂电网运行场景的适应性与故障模式辨识的准确性。
12、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述电力拓扑信息的变化量大于预设阈值包括：
13、相邻计算周期内所述电力拓扑信息中导纳矩阵对角元素向量的归一化变化量大于预设变化阈值。
14、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述对当前模型参数执行第一巩固机制，得到受控更新梯度包括：
15、保存所述模型参数的历史参考快照；
16、根据历史任务的对数似然梯度期望平方，计算所述当前模型参数中各参数的度量评估值；
17、依据所述度量评估值的分布边界将所述各参数划分为第一参数集合与第二参数集合；
18、以所述历史参考快照为基准，对所述第一参数集合施加第一约束强度的弹性正则化约束，对所述第二参数集合施加第二约束强度的弹性正则化约束，并基于约束后的损失函数执行迭代训练，得到所述受控更新梯度；其中，所述第一约束强度大于所述第二约束强度。
19、本优选技术方案的有益效果为：通过引入基于参数重要度的差异化弹性巩固机制，有效解决了电力拓扑动态变化场景下模型对历史故障模式灾难性遗忘的问题。以fisher信息矩阵度量各参数对历史任务的关键程度，将参数划分为高重要度与低重要度集合，对承载核心故障辨识能力的参数施加强弹性约束，防止其在拓扑变更后的新任务训练中被过度改写；对次要参数则保留较大的更新自由度，使模型能够灵活适应新的拓扑结构。这种差异化保护策略在拓扑重构、馈线切换等常见电网运行场景下，兼顾了对历史故障知识的记忆保持与新运行模式的学习能力，显著提升了模型在非平稳电网环境中的长期稳定性和故障预测可靠度。
20、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述对所述受控更新梯度执行第二处理机制，得到目标受保护梯度包括：
21、按照预设的顺序，依次对所述受控更新梯度执行梯度范数裁剪、基于预设分位数的稀疏剪枝、被剪枝梯度的误差累积补偿、以及满足差分隐私机制的噪声注入，得到所述目标受保护梯度。
22、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述以供服务端执行残差验证机制，得到分级故障预测结果包括：
23、所述服务端接收多个所述区域状态特征向量，并根据各个区域节点的历史故障记录次数以及需求响应特征一致性计算双因子动态聚合权重；
24、响应于所述需求响应特征一致性低于预设分布下限，执行异常节点剔除；
25、利用所述双因子动态聚合权重对剔除异常节点后的区域状态特征向量进行加权融合，得到全局状态向量。
26、作为本发明所述的一种电力系统故障超前预测方法的一种优选方案，其中：所述以供服务端执行残差验证机制，得到分级故障预测结果还包括：
27、利用短期状态预测器预测未来时刻的全局状态预测值；
28、计算当前时刻的全局状态实测值与对应时刻的全局状态预测值之间的平方范数距离，得到初始预测残差；
29、对所述初始预测残差执行滑动窗口滚动归一化处理，得到目标预测残差；
30、根据所述目标预测残差偏离多个预设分位阈值的程度确定初始风险等级；
31、响应于所述初始风险等级满足时序持续性验证条件，输出对应的所述分级故障预测结果。
32、本优选技术方案的有益效果为：通过在服务端构建基于预测残差的分级验证机制，实现了对全网故障风险的精细化量化评估。短期状态预测器生成的预测值与实测值之间的残差，能够灵敏捕捉电力系统状态偏离正常运行轨迹的异常程度；滑动窗口滚动归一化处理消除了不同工况下残差幅值的尺度差异，使残差异常判据具有工况自适应性；多级分位阈值将风险细分为正常、注意、告警等多个等级，为调度人员提供了层次化的决策支持；时序持续性验证条件则有效滤除了通讯丢包、传感器瞬时跳变等随机扰动造成的残差尖峰误报。上述机制协同作用，使故障预警从单一阈值判断升级为时序持续验证的多级风险评估体系，在保障高灵敏度的同时显著降低了误报率，为电力调度部门争取了宝贵的故障处置窗口期。
33、为解决上述技术问题，本发明还提供如下技术方案：一种电力系统故障超前预测方法系统，包括特征提取模块，用于响应于电力运行数据与电力拓扑信息的获取，对所述电力运行数据进行特征提取，得到区域状态特征向量；
34、第一处理模块，用于响应于所述电力拓扑信息的变化量大于预设阈值，对当前模型参数执行第一巩固机制，得到受控更新梯度，所述第一巩固机制用于基于参数重要度分布对所述当前模型参数施加差异化的弹性约束；
35、第二处理模块，用于对所述受控更新梯度执行第二处理机制，得到目标受保护梯度，所述第二处理机制包括对梯度依次执行的特征压缩与隐私脱敏操作；
36、输出模块，用于输出所述目标受保护梯度与所述区域状态特征向量，以供服务端执行残差验证机制，得到分级故障预测结果。
37、本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的一种电力系统故障超前预测方法的步骤。
38、本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种电力系统故障超前预测方法的步骤。
39、本发明的有益效果：通过电网拓扑变化量自适应触发弹性约束机制，实现了对高重要性历史故障参数的精准分档保护，有效抑制了模型在适应新拓扑时的灾难性遗忘风险；采用集成了特征压缩与隐私脱敏的级联处理，显著降低分布式通信开销并保障了原始数据隐私安全性；基于预测残差的持续性验证机制将单时刻剧烈波动与持续性安全故障予以区分，把传统的越限后事后告警转变为具备自适应提前干预窗口的多级故障超前预警，全面增强了分布式电网状态评估的业务适配度与预测可信度。