本發(fā)明涉及繼電保護(hù)隱患檢測，具體是指一種智能化繼電保護(hù)隱患檢測方法及系統(tǒng)。

背景技術(shù)：

1、智能化繼電保護(hù)隱患檢測方法是一種基于人工智能和大數(shù)據(jù)分析技術(shù)的電力系統(tǒng)保護(hù)監(jiān)控手段。其核心作用是通過對繼電保護(hù)設(shè)備的實(shí)時數(shù)據(jù)采集與分析，識別和預(yù)警潛在的故障隱患或設(shè)備異常，幫助運(yùn)維人員及時發(fā)現(xiàn)和處理電力系統(tǒng)中的安全隱患。這種方法不僅提高了系統(tǒng)的自動化水平，減少了人工干預(yù)的需求，還能夠提前預(yù)測可能的設(shè)備故障，優(yōu)化保護(hù)策略，從而提升電力系統(tǒng)的可靠性和安全性。通過引入智能化技術(shù)，繼電保護(hù)隱患檢測方法能夠更精準(zhǔn)、快速地識別電力設(shè)備的潛在風(fēng)險，為電力系統(tǒng)的穩(wěn)定運(yùn)行提供有力保障。

2、但是，在已有的智能化繼電保護(hù)隱患檢測方法中，存在著現(xiàn)有的繼電保護(hù)隱患檢測方法分為人工檢測和自動檢測兩種思路，而針對繼電保護(hù)隱患的自動化檢測涉及了復(fù)雜的故障類型、時間序列以及故障位置的分析和評估，現(xiàn)有方法對于故障分類檢測部分的技術(shù)雖然較為成熟，但是缺乏結(jié)合時間和定位的時空間檢測的結(jié)合，同時，現(xiàn)有方法難以從時間、空間和故障類型三個維度分別進(jìn)行預(yù)測檢測支持，從而導(dǎo)致智能化程度也有待提高的技術(shù)問題；

3、在已有的故障隱患預(yù)測方法中，存在著現(xiàn)有方法時常采用單階段的隱患檢測，其智能化輸出的結(jié)果也聚焦于隱患的具體類型，而這種方法其實(shí)容易忽略導(dǎo)致隱患的多種復(fù)雜因素，因?yàn)槔^電保護(hù)設(shè)備的運(yùn)行過程可能存在的隱患其實(shí)是復(fù)雜多變的，既涉及電性物理特征，也可能涉及環(huán)境變化，甚至是維護(hù)歷史和故障歷史的影響，因而傳統(tǒng)方法的單階段預(yù)測難以滿足細(xì)粒度檢測的需求的技術(shù)問題；

4、在已有的故障分類定位中，存在著傳統(tǒng)方法對于同時進(jìn)行時間、空間和類型的多輸出預(yù)測檢測較為困難，同時，傳統(tǒng)的單階段檢測方法難以支持多維度的分類定位輸出，而傳統(tǒng)的多階段檢測方法則難以實(shí)現(xiàn)時空維度的具體檢測的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種智能化繼電保護(hù)隱患檢測方法及系統(tǒng)，針對在已有的智能化繼電保護(hù)隱患檢測方法中，存在著現(xiàn)有的繼電保護(hù)隱患檢測方法分為人工檢測和自動檢測兩種思路，而針對繼電保護(hù)隱患的自動化檢測涉及了復(fù)雜的故障類型、時間序列以及故障位置的分析和評估，現(xiàn)有方法對于故障分類檢測部分的技術(shù)雖然較為成熟，但是缺乏結(jié)合時間和定位的時空間檢測的結(jié)合，同時，現(xiàn)有方法難以從時間、空間和故障類型三個維度分別進(jìn)行預(yù)測檢測支持，從而導(dǎo)致智能化程度也有待提高的技術(shù)問題，本方案創(chuàng)造性地采用隱患檢測到分類定位的細(xì)粒度繼電保護(hù)隱患檢測方法，通過首先檢測并預(yù)測故障發(fā)生的概率和發(fā)生概率的趨勢變化，提供智能檢測需求支持，并通過進(jìn)一步執(zhí)行分類定位確認(rèn)故障的類型和時空位置，提升了繼電保護(hù)隱患檢測的整體效率、智能性和檢測維度；針對在已有的故障隱患預(yù)測方法中，存在著現(xiàn)有方法時常采用單階段的隱患檢測，其智能化輸出的結(jié)果也聚焦于隱患的具體類型，而這種方法其實(shí)容易忽略導(dǎo)致隱患的多種復(fù)雜因素，因?yàn)槔^電保護(hù)設(shè)備的運(yùn)行過程可能存在的隱患其實(shí)是復(fù)雜多變的，既涉及電性物理特征，也可能涉及環(huán)境變化，甚至是維護(hù)歷史和故障歷史的影響，因而傳統(tǒng)方法的單階段預(yù)測難以滿足細(xì)粒度檢測的需求的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合特征重構(gòu)優(yōu)化的時序卷積雙向門控循環(huán)網(wǎng)絡(luò)，進(jìn)行故障隱患預(yù)測，通過特征重構(gòu)優(yōu)化，增強(qiáng)了各種復(fù)雜特征之間的聯(lián)系，并通過時序卷積和雙向門控循環(huán)網(wǎng)絡(luò)實(shí)現(xiàn)了對于長期和短期的繼電保護(hù)特征分析，提升了故障隱患預(yù)測的預(yù)測精度的同時，將故障隱患預(yù)測本身作為一個前置步驟，有利于后續(xù)更精細(xì)的預(yù)測的同時，也可以作為一項(xiàng)單獨(dú)的功能模塊進(jìn)行宏觀層面的調(diào)控輔助，提升了繼電保護(hù)隱患檢測的智能化性能；針對在已有的故障分類定位中，存在著傳統(tǒng)方法對于同時進(jìn)行時間、空間和類型的多輸出預(yù)測檢測較為困難，同時，傳統(tǒng)的單階段檢測方法難以支持多維度的分類定位輸出，而傳統(tǒng)的多階段檢測方法則難以實(shí)現(xiàn)時空維度的具體檢測的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合位置感知圖的卷積雙向門控循環(huán)融合網(wǎng)絡(luò)，進(jìn)行故障分類定位，通過在數(shù)據(jù)采集階段的傳感器編碼應(yīng)用于位置感制圖，并改進(jìn)特征的編碼和處理，最后利用卷積雙向門控循環(huán)融合網(wǎng)絡(luò)實(shí)現(xiàn)空間和時間特征處理，提升了故障分類定位輸出多維度信息的能力，同時，也為繼電保護(hù)隱患檢測的智能化方向提供了一次探索和實(shí)踐經(jīng)驗(yàn)。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種智能化繼電保護(hù)隱患檢測方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：故障隱患預(yù)測；

6、步驟s4：故障分類定位；

7、步驟s5：繼電保護(hù)隱患檢測。

8、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)采集，用于收集智能化繼電保護(hù)隱患檢測所需的原始數(shù)據(jù)集，具體為通過繼電保護(hù)設(shè)備運(yùn)行過程數(shù)據(jù)采集，得到繼電保護(hù)隱患檢測原始數(shù)據(jù)集；

9、所述繼電保護(hù)隱患檢測原始數(shù)據(jù)集，具體包括電性數(shù)據(jù)、繼電器動作狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)、設(shè)備運(yùn)行歷史數(shù)據(jù)和故障報警信號數(shù)據(jù)；

10、所述繼電器動作狀態(tài)數(shù)據(jù)具體包括繼電器開關(guān)狀態(tài)數(shù)據(jù)和繼電器操作時間數(shù)據(jù)；

11、所述環(huán)境數(shù)據(jù)具體包括溫度數(shù)據(jù)、濕度數(shù)據(jù)和傳感器位置數(shù)據(jù)；

12、所述設(shè)備運(yùn)行歷史數(shù)據(jù)具體包括設(shè)備運(yùn)行時長數(shù)據(jù)、歷史故障記錄數(shù)據(jù)和歷史維護(hù)記錄數(shù)據(jù)。

13、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，用于對原始數(shù)據(jù)進(jìn)行優(yōu)化處理，具體為對所述繼電保護(hù)隱患檢測原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，得到繼電隱患檢測優(yōu)化數(shù)據(jù)集，包括以下步驟：

14、步驟s21：數(shù)據(jù)去噪，具體為對所述繼電保護(hù)隱患檢測原始數(shù)據(jù)集中的時序數(shù)據(jù)應(yīng)用濾波算法，進(jìn)行數(shù)據(jù)平滑去噪操作，得到平滑優(yōu)化數(shù)據(jù)；

15、步驟s22：數(shù)據(jù)清洗，具體為對所述平滑優(yōu)化數(shù)據(jù)進(jìn)行缺失值和異常值處理，具體采用插值法進(jìn)行缺失數(shù)據(jù)處理，并通過數(shù)據(jù)分布分析進(jìn)行異常值識別和處理，得到清洗優(yōu)化數(shù)據(jù)集；

16、步驟s23：數(shù)據(jù)標(biāo)準(zhǔn)化，具體為對所述清洗優(yōu)化數(shù)據(jù)集依次進(jìn)行標(biāo)準(zhǔn)化和歸一化操作，所述標(biāo)準(zhǔn)化，用于處理電性數(shù)據(jù)，所述歸一化，用于處理環(huán)境數(shù)據(jù)，得到標(biāo)準(zhǔn)優(yōu)化數(shù)據(jù)集；

17、步驟s24：時間特征優(yōu)化，具體為所述標(biāo)準(zhǔn)優(yōu)化數(shù)據(jù)集中的時序數(shù)據(jù)，進(jìn)行滑動窗口劃分操作，并通過時序?qū)R和時序轉(zhuǎn)換操作，得到時間統(tǒng)計特征和周期頻率特征，并通過整合所述時間統(tǒng)計特征和周期頻率特征，得到時間特征優(yōu)化數(shù)據(jù)；

18、步驟s25：離散數(shù)據(jù)編碼，具體為通過數(shù)據(jù)過采樣進(jìn)行類別數(shù)據(jù)平衡優(yōu)化，并對所述標(biāo)準(zhǔn)優(yōu)化數(shù)據(jù)集中，經(jīng)過平衡優(yōu)化的離散型類別數(shù)據(jù)進(jìn)行標(biāo)簽編碼操作，得到離散編碼特征數(shù)據(jù)；

19、步驟s26：統(tǒng)合特征提取，具體為所述時間特征優(yōu)化和所述離散數(shù)據(jù)編碼，進(jìn)行統(tǒng)計特征提取和頻域特征提取，得到綜合特征數(shù)據(jù)集；

20、步驟s27：數(shù)據(jù)優(yōu)化處理，具體為通過所述數(shù)據(jù)去噪、所述數(shù)據(jù)清洗、所述數(shù)據(jù)標(biāo)準(zhǔn)化和所述統(tǒng)合特征提取，進(jìn)行數(shù)據(jù)優(yōu)化處理，得到繼電隱患檢測優(yōu)化數(shù)據(jù)集；

21、所述繼電隱患檢測優(yōu)化數(shù)據(jù)集，具體包括電性特征數(shù)據(jù)、繼電器動作狀態(tài)特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)、設(shè)備運(yùn)行歷史特征數(shù)據(jù)和故障報警信號特征數(shù)據(jù)；

22、所述電性特征數(shù)據(jù)、繼電器動作狀態(tài)特征數(shù)據(jù)和設(shè)備運(yùn)行歷史特征數(shù)據(jù)，用于執(zhí)行故障隱患預(yù)測；所述電性特征數(shù)據(jù)、環(huán)境特征數(shù)據(jù)和故障報警信號特征數(shù)據(jù)，用于執(zhí)行故障分類定位。

23、進(jìn)一步地，在步驟s3中，所述故障隱患預(yù)測，用于對繼電保護(hù)過程中出現(xiàn)故障隱患的頻率和趨勢進(jìn)行預(yù)測，具體為依據(jù)所述繼電隱患檢測優(yōu)化數(shù)據(jù)集，采用結(jié)合特征重構(gòu)優(yōu)化的時序卷積雙向門控循環(huán)網(wǎng)絡(luò)，進(jìn)行故障隱患預(yù)測，得到故障隱患預(yù)測參考數(shù)據(jù)；

24、所述結(jié)合特征重構(gòu)優(yōu)化的時序雙向門控循環(huán)網(wǎng)絡(luò)，具體包括特征關(guān)聯(lián)度優(yōu)化改進(jìn)算子、時序卷積子網(wǎng)和雙向門控循環(huán)子網(wǎng)；

25、所述特征關(guān)聯(lián)度優(yōu)化改進(jìn)算子，用于對各項(xiàng)特征之間的關(guān)聯(lián)度進(jìn)行優(yōu)化；

26、所述時序卷積子網(wǎng)，用于處理短期時序數(shù)據(jù)并提供短期概率預(yù)測；

27、所述雙向門控循環(huán)子網(wǎng)，用于處理長期時序數(shù)據(jù)并提供趨勢性概率預(yù)測；

28、所述采用結(jié)合特征重構(gòu)優(yōu)化的時序卷積雙向門控循環(huán)網(wǎng)絡(luò)，進(jìn)行故障隱患預(yù)測，得到故障隱患預(yù)測參考數(shù)據(jù)的步驟，包括：

29、步驟s31：特征關(guān)聯(lián)度優(yōu)化，具體為通過特征關(guān)聯(lián)度擴(kuò)展和重構(gòu)，進(jìn)行所述繼電隱患檢測優(yōu)化數(shù)據(jù)集中的特征數(shù)據(jù)關(guān)聯(lián)度優(yōu)化，得到重構(gòu)關(guān)聯(lián)優(yōu)化特征數(shù)據(jù)，具體包括以下步驟：

30、步驟s311：計算故障隱患預(yù)測特征關(guān)聯(lián)度，用于進(jìn)行電性特征和繼電狀態(tài)特征的關(guān)聯(lián)度計算，計算公式為：

31、；

32、式中，是故障隱患預(yù)測特征關(guān)聯(lián)度，用于表示結(jié)合特征數(shù)據(jù)與故障隱患預(yù)測目標(biāo)特征y之間的關(guān)聯(lián)性，x1是第一特征數(shù)據(jù)，用于表示電性特征數(shù)據(jù)，x2是第二特征數(shù)據(jù)，用于表示繼電器動作狀態(tài)特征數(shù)據(jù)，是電性關(guān)聯(lián)特征，用于表示第一特征數(shù)據(jù)x1和故障隱患預(yù)測目標(biāo)特征y之間的關(guān)聯(lián)性，是特征結(jié)合關(guān)聯(lián)度，用于表示第一特征數(shù)據(jù)x1和第二特征數(shù)據(jù)x2之間的關(guān)聯(lián)性，是繼電狀態(tài)關(guān)聯(lián)特征，用于表示第二特征數(shù)據(jù)x2和故障隱患預(yù)測目標(biāo)特征y之間的關(guān)聯(lián)性，其中，關(guān)聯(lián)性參數(shù)r具體指皮爾遜系數(shù)；

33、步驟s312：特征關(guān)聯(lián)度擴(kuò)展，用于將關(guān)聯(lián)度計算擴(kuò)展至所有特征中，計算公式為：

34、；

35、式中，是擴(kuò)展后的電性關(guān)聯(lián)特征，是電性關(guān)聯(lián)特征，m是特征總數(shù)，a是特征索引，是第a個特征結(jié)合關(guān)聯(lián)度，用于表示第一特征數(shù)據(jù)x1和第a特征數(shù)據(jù)xa之間的關(guān)聯(lián)性，是第a個特征結(jié)合關(guān)聯(lián)度，用于表示第a特征數(shù)據(jù)xa和故障隱患預(yù)測目標(biāo)特征y之間的關(guān)聯(lián)性；

36、其中，m具體取值為3，當(dāng)a取值為3時，xa用于表示設(shè)備運(yùn)行歷史特征；

37、步驟s313：關(guān)聯(lián)特征重構(gòu)，用于進(jìn)行所有特征綜合加權(quán)，計算公式為：

38、；

39、式中，r是重構(gòu)關(guān)聯(lián)優(yōu)化特征數(shù)據(jù)，是擴(kuò)展后的電性關(guān)聯(lián)特征，是電性關(guān)聯(lián)特征；

40、步驟s32：構(gòu)建時序卷積子網(wǎng)，具體為構(gòu)建包括因果卷積、膨脹卷積和殘差塊的標(biāo)準(zhǔn)時序卷積子網(wǎng)，并通過擴(kuò)展卷積優(yōu)化時序特征提取，構(gòu)建得到所述時序卷積子網(wǎng)；

41、步驟s33：構(gòu)建雙向門控循環(huán)子網(wǎng)，具體為構(gòu)建包括更新門和重置門的標(biāo)準(zhǔn)門控循環(huán)單元，并通過設(shè)置前向和后向的雙向結(jié)構(gòu)，構(gòu)建雙向門控循環(huán)子網(wǎng)；

42、步驟s34：故障隱患預(yù)測模型訓(xùn)練，具體為通過所述特征關(guān)聯(lián)度優(yōu)化、所述構(gòu)建時序卷積子網(wǎng)和所述構(gòu)建雙向門控循環(huán)子網(wǎng)，進(jìn)行故障隱患預(yù)測模型訓(xùn)練，得到故障隱患預(yù)測模型modelp；

43、步驟s35：故障隱患預(yù)測，具體為通過使用所述故障隱患預(yù)測模型modelp，依據(jù)所述繼電隱患檢測優(yōu)化數(shù)據(jù)集中的電性特征數(shù)據(jù)、繼電器動作狀態(tài)特征數(shù)據(jù)和設(shè)備運(yùn)行歷史特征數(shù)據(jù)，進(jìn)行故障隱患預(yù)測，得到故障隱患預(yù)測參考數(shù)據(jù)；

44、所述故障隱患預(yù)測參考數(shù)據(jù)，具體包括故障隱患發(fā)生與否預(yù)測的概率數(shù)據(jù)、故障隱患發(fā)生與否預(yù)測的趨勢化數(shù)據(jù)和故障隱患預(yù)警的窗口化時間數(shù)據(jù)。

45、進(jìn)一步地，在步驟s4中，所述故障分類定位，用于對繼電保護(hù)過程中出現(xiàn)故障隱患的具體類型和位置進(jìn)行預(yù)測，具體為依據(jù)所述故障隱患預(yù)測參考數(shù)據(jù)和所述繼電隱患檢測優(yōu)化數(shù)據(jù)集，采用結(jié)合位置感知圖的卷積雙向門控循環(huán)融合網(wǎng)絡(luò)，進(jìn)行故障分類定位，得到故障分類定位參考數(shù)據(jù)；

46、所述結(jié)合位置感知圖的卷積雙向門控循環(huán)融合網(wǎng)絡(luò)，具體包括特征擴(kuò)展位置感知圖、改進(jìn)位置感知注意力聚合算子、卷積特征提取子網(wǎng)和雙向門控循環(huán)子網(wǎng)；

47、所述特征擴(kuò)展位置感知圖，用于增強(qiáng)繼電故障隱患的位置感知能力；

48、所述改進(jìn)位置感知注意力聚合算子，用于聚合位置感知特征并進(jìn)行加權(quán)聚合；

49、所述卷積特征提取子網(wǎng)，用于提取多維特征中的分類特征和位置特征；

50、所述雙向門控循環(huán)子網(wǎng)，用于優(yōu)化分類和定位過程中的潛在時間特征；

51、所述采用結(jié)合位置感知圖的卷積雙向門控循環(huán)融合網(wǎng)絡(luò)，進(jìn)行故障分類定位，得到故障分類定位參考數(shù)據(jù)的步驟，包括：

52、步驟s41：構(gòu)建特征擴(kuò)展位置感知圖，具體為通過節(jié)點(diǎn)參數(shù)和邊參數(shù)構(gòu)建，構(gòu)建初始化位置感制圖結(jié)構(gòu)，并通過應(yīng)用特征擴(kuò)展和位置感知注意力初始計算，得到特征擴(kuò)展位置感知圖；

53、步驟s42：改進(jìn)位置感知注意力聚合，具體為通過計算歸一化注意力系數(shù)，并通過非線性函數(shù)進(jìn)行組合激活，計算得到激活增強(qiáng)節(jié)點(diǎn)注意力系數(shù)，并通過對所述激活增強(qiáng)節(jié)點(diǎn)注意力系數(shù)進(jìn)行位置感知特征聚合和多頭注意力機(jī)制優(yōu)化，得到改進(jìn)位置感知注意力聚合特征數(shù)據(jù)；

54、步驟s43：構(gòu)建卷積特征提取子網(wǎng)，具體為構(gòu)建包括卷積層和池化層的標(biāo)準(zhǔn)卷積特征提取子網(wǎng)，并依據(jù)所述改進(jìn)位置感知注意力聚合特征數(shù)據(jù)，提取分類和位置特征，得到空間分類定位特征數(shù)據(jù)；

55、步驟s44：構(gòu)建雙向門控循環(huán)子網(wǎng)，具體為執(zhí)行步驟s33操作構(gòu)建雙向門控循環(huán)子網(wǎng)，并依據(jù)所述故障隱患預(yù)測參考數(shù)據(jù)和所述繼電隱患檢測優(yōu)化數(shù)據(jù)集中的特征數(shù)據(jù)，進(jìn)行時序特征優(yōu)化，構(gòu)建所述雙向門控循環(huán)子網(wǎng)，并通過應(yīng)用網(wǎng)絡(luò)融合，進(jìn)行卷積特征提取子網(wǎng)和雙向門控循環(huán)子網(wǎng)的特征輸出融合，通過構(gòu)建分類計算和定位計算，得到分類預(yù)測輸出和定位預(yù)測輸出；

56、步驟s45：故障分類定位模型訓(xùn)練，具體為通過所述構(gòu)建特征擴(kuò)展位置感知圖、所述改進(jìn)位置感知注意力聚合、所述構(gòu)建卷積特征提取子網(wǎng)和所述構(gòu)建雙向門控循環(huán)子網(wǎng)，進(jìn)行故障分類定位模型訓(xùn)練，得到故障分類定位模型modelc；

57、步驟s46：故障分類定位，具體為使用所述故障分類定位模型modelc，依據(jù)所述故障隱患預(yù)測參考數(shù)據(jù)和所述繼電隱患檢測優(yōu)化數(shù)據(jù)集，進(jìn)行故障分類定位，得到故障分類定位參考數(shù)據(jù)；

58、所述故障分類定位參考數(shù)據(jù)，具體包括故障隱患的具體故障類型數(shù)據(jù)、故障隱患具體類型對應(yīng)的概率數(shù)據(jù)、故障隱患發(fā)生的位置預(yù)測數(shù)據(jù)和故障隱患發(fā)生的具體時間預(yù)測數(shù)據(jù)。

59、進(jìn)一步地，在步驟s5中，所述繼電保護(hù)隱患檢測，用于綜合故障隱患趨勢頻率預(yù)測和故障隱患分類定位預(yù)測進(jìn)行綜合繼電保護(hù)隱患檢測，具體為通過所述故障隱患預(yù)測和所述故障分類定位，得到所述故障隱患預(yù)測參考數(shù)據(jù)和所述故障分類定位參考數(shù)據(jù)，并通過綜合所述故障隱患預(yù)測參考數(shù)據(jù)和所述故障分類定位參考數(shù)據(jù)，得到繼電保護(hù)隱患綜合檢測數(shù)據(jù)，并依據(jù)所述繼電保護(hù)隱患綜合檢測數(shù)據(jù)，進(jìn)行智能化繼電保護(hù)隱患檢測。

60、本發(fā)明提供的一種智能化繼電保護(hù)隱患檢測系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)預(yù)處理模塊、故障隱患預(yù)測模塊、故障分類定位模塊和繼電保護(hù)隱患檢測模塊；

61、所述數(shù)據(jù)采集模塊，用于數(shù)據(jù)采集，通過數(shù)據(jù)采集，得到繼電保護(hù)隱患檢測原始數(shù)據(jù)集，并將所述繼電保護(hù)隱患檢測原始數(shù)據(jù)集發(fā)送至數(shù)據(jù)預(yù)處理模塊；

62、所述數(shù)據(jù)預(yù)處理模塊，用于數(shù)據(jù)預(yù)處理，通過數(shù)據(jù)預(yù)處理，得到繼電隱患檢測優(yōu)化數(shù)據(jù)集，并將所述繼電隱患檢測優(yōu)化數(shù)據(jù)集發(fā)送至故障隱患預(yù)測模塊和故障分類定位模塊；

63、所述故障隱患預(yù)測模塊，用于故障隱患預(yù)測，通過故障隱患預(yù)測，得到故障隱患預(yù)測參考數(shù)據(jù)，并將所述故障隱患預(yù)測參考數(shù)據(jù)發(fā)送至故障分類定位模塊和繼電保護(hù)隱患檢測模塊；

64、所述故障分類定位模塊，用于故障分類定位，通過故障分類定位，得到故障分類定位參考數(shù)據(jù)，并將所述故障分類定位參考數(shù)據(jù)發(fā)送至繼電保護(hù)隱患檢測模塊；

65、所述繼電保護(hù)隱患檢測模塊，用于繼電保護(hù)隱患檢測，通過繼電保護(hù)隱患檢測，得到繼電保護(hù)隱患綜合檢測數(shù)據(jù)，并依據(jù)所述繼電保護(hù)隱患綜合檢測數(shù)據(jù)，進(jìn)行智能化繼電保護(hù)隱患檢測。

66、采用上述方案本發(fā)明取得的有益效果如下：

67、（1）針對在已有的智能化繼電保護(hù)隱患檢測方法中，存在著現(xiàn)有的繼電保護(hù)隱患檢測方法分為人工檢測和自動檢測兩種思路，而針對繼電保護(hù)隱患的自動化檢測涉及了復(fù)雜的故障類型、時間序列以及故障位置的分析和評估，現(xiàn)有方法對于故障分類檢測部分的技術(shù)雖然較為成熟，但是缺乏結(jié)合時間和定位的時空間檢測的結(jié)合，同時，現(xiàn)有方法難以從時間、空間和故障類型三個維度分別進(jìn)行預(yù)測檢測支持，從而導(dǎo)致智能化程度也有待提高的技術(shù)問題，本方案創(chuàng)造性地采用隱患檢測到分類定位的細(xì)粒度繼電保護(hù)隱患檢測方法，通過首先檢測并預(yù)測故障發(fā)生的概率和發(fā)生概率的趨勢變化，提供智能檢測需求支持，并通過進(jìn)一步執(zhí)行分類定位確認(rèn)故障的類型和時空位置，提升了繼電保護(hù)隱患檢測的整體效率、智能性和檢測維度；

68、（2）針對在已有的故障隱患預(yù)測方法中，存在著現(xiàn)有方法時常采用單階段的隱患檢測，其智能化輸出的結(jié)果也聚焦于隱患的具體類型，而這種方法其實(shí)容易忽略導(dǎo)致隱患的多種復(fù)雜因素，因?yàn)槔^電保護(hù)設(shè)備的運(yùn)行過程可能存在的隱患其實(shí)是復(fù)雜多變的，既涉及電性物理特征，也可能涉及環(huán)境變化，甚至是維護(hù)歷史和故障歷史的影響，因而傳統(tǒng)方法的單階段預(yù)測難以滿足細(xì)粒度檢測的需求的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合特征重構(gòu)優(yōu)化的時序卷積雙向門控循環(huán)網(wǎng)絡(luò)，進(jìn)行故障隱患預(yù)測，通過特征重構(gòu)優(yōu)化，增強(qiáng)了各種復(fù)雜特征之間的聯(lián)系，并通過時序卷積和雙向門控循環(huán)網(wǎng)絡(luò)實(shí)現(xiàn)了對于長期和短期的繼電保護(hù)特征分析，提升了故障隱患預(yù)測的預(yù)測精度的同時，將故障隱患預(yù)測本身作為一個前置步驟，有利于后續(xù)更精細(xì)的預(yù)測的同時，也可以作為一項(xiàng)單獨(dú)的功能模塊進(jìn)行宏觀層面的調(diào)控輔助，提升了繼電保護(hù)隱患檢測的智能化性能；

69、（3）針對在已有的故障分類定位中，存在著傳統(tǒng)方法對于同時進(jìn)行時間、空間和類型的多輸出預(yù)測檢測較為困難，同時，傳統(tǒng)的單階段檢測方法難以支持多維度的分類定位輸出，而傳統(tǒng)的多階段檢測方法則難以實(shí)現(xiàn)時空維度的具體檢測的技術(shù)問題，本方案創(chuàng)造性地采用結(jié)合位置感知圖的卷積雙向門控循環(huán)融合網(wǎng)絡(luò)，進(jìn)行故障分類定位，通過在數(shù)據(jù)采集階段的傳感器編碼應(yīng)用于位置感制圖，并改進(jìn)特征的編碼和處理，最后利用卷積雙向門控循環(huán)融合網(wǎng)絡(luò)實(shí)現(xiàn)空間和時間特征處理，提升了故障分類定位輸出多維度信息的能力，同時，也為繼電保護(hù)隱患檢測的智能化方向提供了一次探索和實(shí)踐經(jīng)驗(yàn)。