电网故障识别、电网故障识别模型训练方法、装置、设备、介质及程序与流程

本发明实施例涉及数据处理，尤其涉及一种电网故障识别、电网故障识别模型训练、装置、电子设备、存储介质及程序产品。

背景技术：

1、电网故障是指电力系统中出现的超出正常工作范围的各种事件，这些事件可能导致电力生产、传输、分配以及消费等环节中出现异常情况。这些故障可能是由自然因素(如雷击、风暴及地震等)或人为因素(如操作错误和设备损坏等)引起的。电网系统中可能出现的故障情况是多样化的，如线路短路、接地故障以及设备故障等，每种故障都有其独特的特征和表现，使得故障识别变得复杂。为了有效地应对和处理这些故障，需要对它们进行准确的分类和识别。然而。电网中的故障信号往往受到多种因素的影响，如噪声、干扰等。这些因素可能掩盖故障信号的真实特征，增加故障识别的难度。

2、目前，在进行电网故障识别时，往往采用神经网络模型对输入的电网故障数据进行自动化的故障识别。神经网络的设计初衷为模拟人脑的工作方式，而人脑是一个非常复杂且功能强大的系统。为了实现类似的功能和性能，目前的神经网络模型需要包含大量的参数，以便能够学习和处理各种复杂的数据和任务。另外，神经网络模型也需要通过不断地调整参数来优化其性能。在训练过程中，模型会根据输入数据和目标输出之间的误差来调整参数，以减小误差并提高准确性。这些参数的数量越多，模型就越能够精确地拟合数据，从而提高其泛化能力和性能。此外，神经网络的深度和宽度也会影响其参数数量。深度神经网络具有更多的隐藏层和神经元，能够学习更复杂的特征和表示。而宽度则决定了每个隐藏层中神经元的数量，进而决定了模型的容量和复杂性。因此，深度和宽度的增加都会导致参数数量的增加，从而使模型能够处理更复杂的任务。

3、发明人在实现本发明的过程中，发现现有电网故障识别技术虽然在一定程度上能够实现对电网故障的检测和识别，但仍存在一些缺点，主要包括以下几个方面：(1)故障识别精度不足：由于电网系统的复杂性，电网故障的形式和种类繁多，现有的故障识别技术可能无法准确识别所有类型的故障，导致漏报或误报的情况。(2)实时性不足：电网故障往往发生在瞬间，要求故障识别技术具有快速的响应能力。然而，现有的一些故障识别技术可能需要较长时间的数据处理和分析，无法满足实时性要求。(3)抗干扰能力不强：电网系统中存在大量的干扰信号和噪声，这些信号可能对故障识别技术造成干扰，导致识别结果不准确或不稳定。(4)对新型故障适应性差：随着电网系统的不断发展和升级，新型故障形式可能不断出现。现有的一些故障识别技术可能无法适应这些新型故障，导致无法准确识别。

技术实现思路

1、本发明实施例提供一种电网故障识别、电网故障识别模型训练、装置、电子设备、存储介质及程序产品，能够提高电网故障识别的准确性和效率。

2、根据本发明的一方面，提供了一种电网故障识别方法，包括：

3、获取待识别电网故障数据，对所述待识别电网故障数据进行小波包变换，得到小波包变换数据；

4、将所述小波包变换数据输入至训练完成的基于kan网络的电网故障识别模型中；

5、根据所述基于kan网络的电网故障识别模型的输出结果确定所述待识别电网故障数据的故障识别结果。

6、根据本发明的另一方面，提供了一种电网故障识别模型训练方法，包括：

7、获取待识别电网故障样本数据，对所述待识别电网故障样本数据进行小波包变换，得到小波包变换电网样本数据；

8、将所述小波包变换电网样本数据输入至基于kan网络的电网故障识别模型中，以对所述基于kan网络的电网故障识别模型进行训练。

9、根据本发明的另一方面，提供了一种电网故障识别装置，包括：

10、小波包变换数据获取模块，用于获取待识别电网故障数据，对所述待识别电网故障数据进行小波包变换，得到小波包变换数据；

11、小波包变换数据输入模块，用于将所述小波包变换数据输入至训练完成的基于kan网络的电网故障识别模型中；

12、故障识别结果输出模块，用于根据所述基于kan网络的电网故障识别模型的输出结果确定所述待识别电网故障数据的故障识别结果。

13、根据本发明的另一方面，提供了一种电网故障识别模型训练装置，包括：

14、小波包变换电网样本数据获取模块，用于获取待识别电网故障样本数据，对所述待识别电网故障样本数据进行小波包变换，得到小波包变换电网样本数据；

15、故障识别模型训练模块，用于将所述小波包变换电网样本数据输入至基于kan网络的电网故障识别模型中，以对所述基于kan网络的电网故障识别模型进行训练。

16、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

17、至少一个处理器；以及

18、与所述至少一个处理器通信连接的存储器；其中，

19、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明任一实施例所述的电网故障识别方法或电网故障识别模型训练方法。

20、根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电网故障识别方法或电网故障识别模型训练方法。

21、根据本发明的另一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的电网故障识别方法或电网故障识别模型训练方法。

22、本发明实施例通过获取待识别电网故障样本数据，对待识别电网故障样本数据进行小波包变换，得到小波包变换电网样本数据，并将小波包变换电网样本数据输入至基于kan网络的电网故障识别模型中，以对基于kan网络的电网故障识别模型进行训练。在基于kan网络的电网故障识别模型训练完成后，获取待识别电网故障数据，对待识别电网故障数据进行小波包变换，得到小波包变换数据，并将小波包变换数据输入至训练完成的基于kan网络的电网故障识别模型中，从而根据基于kan网络的电网故障识别模型的输出结果确定待识别电网故障数据的故障识别结果。上述技术方案利用kan神经网络构建电网故障识别模型并对电网故障数据中的故障进行自动识别，可以充分发挥kan神经网络更高的精度与效率、更高的可解释性和交互性、可避免灾难性遗忘以及学习能力更灵活等优势，能够提高电网故障识别的准确性和效率，为电力系统的安全运行提供有力的保障。

23、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种电网故障识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述待识别电网故障数据进行小波包变换，得到小波包变换数据，包括：

3.一种电网故障识别模型训练方法，其特征在于，包括：

4.根据权利要求3所述的方法，其特征在于，所述对所述待识别电网故障样本数据进行小波包变换，得到小波包变换电网样本数据，包括：

5.根据权利要求1所述的方法，其特征在于，所述获取待识别电网故障样本数据，包括：

6.一种电网故障识别装置，其特征在于，包括：

7.一种电网故障识别模型训练装置，其特征在于，包括：

8.一种电子设备，其特征在于，所述电子设备包括：

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-2中任一所述的电网故障识别方法，或执行权利要求3-5中任一所述的电网故障识别模型训练方法。

10.一种计算机程序产品，包括计算机程序/指令，其中，所述计算机程序/指令被处理器执行时实现权利要求1-2中任一所述的电网故障识别方法，或执行权利要求3-5中任一所述的电网故障识别模型训练方法。

技术总结本发明实施例公开了一种电网故障识别、电网故障识别模型训练方法、装置、设备、介质及程序，电网故障识别方法可以包括：获取待识别电网故障数据，对所述待识别电网故障数据进行小波包变换，得到小波包变换数据；将所述小波包变换数据输入至训练完成的基于KAN网络的电网故障识别模型中；根据所述基于KAN网络的电网故障识别模型的输出结果确定所述待识别电网故障数据的故障识别结果。本发明实施例的技术方案能够提高电网故障识别的准确性和效率。技术研发人员：罗智荣,黄丰,郭淳,庄桂钊,丁建成,林锦梅,徐晖,陈惠敏,陈柏熹受保护的技术使用者：广东电网有限责任公司技术研发日：技术公布日：2024/9/2