(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 202211200030.8 (22)申请日 2022.09.29 (71)申请人 天津天大求实电力新 技术股份有限 公司 地址 300384 天津市滨 海新区滨 海高新区 华苑产业区(环外)海 泰西路6号 (72)发明人 严俊　罗凤章　张艳来　张雨芊　 张静　矫贺　肖健飞　孙蕾　 (74)专利代理 机构 天津盈佳知识产权代理事务 所(特殊普通 合伙) 12224 专利代理师 孙宝芸 (51)Int.Cl. H02J 13/00(2006.01) G06V 20/17(2022.01) G06T 7/73(2017.01) (54)发明名称 自主学习的新能源电网连锁故障预测方法、 系统及应用 (57)摘要 本发明属于电网故障数据 识别技术领域， 公 开了自主学习的新能源电网连锁故障预测方法、 系统及应用。 所述方法包括： 利用无人机搭载的 图像摄取装置获取新能源电网连锁部件图像， 并 将所获取图像经初步处理后同步传 送至地面站； 地面站对传输的图像进行利用训练好的图像软 件网络模型对获取的图像进行故障特征分析， 将 有故障的新能源电网连锁位置检测出来； 基于检 测出来的有故障的新能源电网连锁 位置， 进行坐 标系的生成， 并将生成的坐标系发送客户端， 进 行可视化示出。 本发明方法步骤简单、 设计合理 且实现方便， 投入成本较低。 本发明构建的运算 模型， 运算速度快， 对获取准确图像提供依据。 权利要求书4页 说明书11页 附图3页 CN 115425759 A 2022.12.02 CN 115425759 A 1.一种基于自主学习的新能源电网连锁故障预测方法， 其特征在于， 该方法包括以下 步骤： S1， 利用无人机搭载的图像摄取装置获取新能源电网连锁部件图像， 并将所获取图像 经初步处 理后同步传送至地 面站； S2， 地面站对传输的图像进行利用训练好的图像软件 网络模型对获取的图像进行故障 特征分析， 将有故障的新能源电网连锁位置检测出来； S3， 基于检测出来的有故障的新能源电网连锁位置， 进行坐标系的生成， 并将生成的坐 标系发送客户端， 进行 可视化示出。 2.根据权利要求1所述的基于自主学习的新 能源电网连锁故障预测方法， 其特征在于， 在步骤S1中， 所述图像所包含的新能源电网连锁部件利用图像软件进行抠取， 制作新能源 电网连锁部件图像数据集 合。 3.根据权利要求1所述的基于自主学习的新 能源电网连锁故障预测方法， 其特征在于， 在步骤S1中， 获取图像经初步处 理包括： 步骤(1)， 无人机搭载的图像摄取装置围绕新能源电网连锁部件每转一圈采样64个点， 采集10圈的数据， 获取多帧图像； 步骤(2)， 采集数据后， 对多帧图像分别 进行离散傅里叶变换， 窗口大小为64 ×10个点， 根据信号情况设置自适应阈值； 变换公式具体如下： 其中， n＝0，…， N‑1， N表示数据长度。 4.根据权利要求3所述的基于自主学习的新 能源电网连锁故障预测方法， 其特征在于， 多帧图像分别进行离 散傅里叶变换后， 还需进行以下步骤： (1)每一幅图像首 先缩放到25 6×256； (2)每一幅图像被划分为S ×S个新能源电网连锁识别 网格， 图片中新能源电网连锁部 件中心在某个cel l单元内， 该网格负责检测所述 新能源电网连锁部件； 在训练图像软件网络模型时， 预测5个参数， 分别是中心点坐标(x， y)， 宽高(w， h)和置 信度； 置信度检测识别区边界栏检测出的新能源电网连锁部件的置信度； 没有新能源电网连锁部件 存在于cell单元中， 则Pr(Object)＝0； 存在新能源电网连锁部件的前提下， 图像软件网络模型根据预测的boundingbox和真 实的boundingbox计算置信度， 同时预测该新能源电网连锁部件属于某类的后验概率Pr； 在 得到各识别区边界栏的置信值后， 进行非极大值抑制处 理； (3)将输入图像送图像软件网络模型， 提取图片特 征并输出向量。 5.根据权利要求4所述的基于自主学习的新 能源电网连锁故障预测方法， 其特征在于， 步骤(2)中， 非极大值抑制处 理的方法包括： 首先从所有的识别区域中找到置信值最大的栏， 然后计算这个栏与其余栏的重叠度， 重叠度值比设定阈值大， 就将该栏剔除； 再对剩余的识别区域重复上述过程， 直到处理完所 有的识别区域； 识别区边界栏中心坐标的误差项表示如下：权　利　要　求　书 1/4 页 2 CN 115425759 A 2λcoord为坐标预测 误差且取较大值为5， 指的是第i个单元格存在新能源电网连锁部 件， 且该单元格中的第j个识别区边界栏负责预测该新能源电网连锁部件； (xi,yi,wi,hi)为 预测栏坐标值， 为真实栏坐标； 含有新能源电网连锁部件和不含新能源电网 连锁部件的栏置信度误差项分别表示如下： 包含新能源电网连锁部件的单 元格的分类误差项表示如下： 其中， 表示是否有新能源电网连锁部件落入第i个识别区边界栏； 最终的损失函数 表示为： Lyolo＝L1+L2+L3+L4。 6.根据权利要求1所述的基于自主学习的新 能源电网连锁故障预测方法， 其特征在于， 在步骤S2中， 对获取的图像进行故障特 征分析包括： 步骤1)对处 理后的数据进行傅里叶变换， 得到不同尺度下的系数； 步骤2)计算新能源电网连锁部件故障无定性特征指标Sf， 将特征指标Sf作为提取的特 征， 具体计算公式如下： 其中， 表示数据均方根 值， 表示数据绝对平均； 步骤3)计算新能源电网连锁部件故障无定性特征峰值指标， 将峰值指标作为提取的特 征， 具体计算公式如下： 其中， xmax表示峰值， 表示表示均方根 值； 步骤4)计算新能源电网连锁部件故障无定性特征脉冲指标， 将脉冲指标作为提取的特 征之一， 具体 计算公式如下： 其中， xmax表示峰值， 表示数据绝对平均； 步骤5)计算新能源电网连锁部件故障无定性特征峭度指标， 表示实际峭度相对于正常权　利　要　求　书 2/4 页 3 CN 115425759 A 3