电力系统故障检测项目

基于深度学习的通用电力系统故障检测项目，支持不同规模和拓扑的电力网络。

目录

• 项目特点
• 项目结构
• 安装依赖
• 使用方法
  • 1. 生成数据集
  • 2. 训练模型
  • 3. 评估模型
  • 4. 比较多个模型
• 配置说明
• 特征提取方法
• 支持的故障类型
• 模型架构
  • LSTM 模型
  • CNN 模型
  • 集成模型
• 损失函数（Loss Functions）
  • 1. BCEWithLogitsLoss
  • 2. Focal Loss
  • 3. Asymmetric Focal Loss (AFL)
• 实验结果
• 扩展功能
  • 添加新的故障类型
  • 添加新的特征
  • 添加新的模型
• 常见问题
• 参考文献
• 许可证
• 联系方式
• 项目总结
  • 1. 通用特征提取
  • 2. 多模型融合
  • 3. 完整工作流程
  • 4. 实用性

项目特点

• 通用性: 通过特征工程解决不同网络拓扑的特征维度不一致问题
• 多模型: 支持LSTM、CNN和集成模型
• 完整流程: 从数据生成到模型训练、评估的完整流水线
• 可扩展: 模块化设计，易于扩展新功能

项目结构

power_system_fault_detection/
├── generate_dataset.py          # 数据生成脚本
├── config.py                   # 配置文件
├── utils.py                    # 工具函数
├── feature_extractor.py        # 通用特征提取器
├── models/                     # 模型定义
│   ├── __init__.py
│   ├── base_model.py
│   ├── lstm_model.py
│   ├── cnn_model.py
│   └── ensemble_model.py
├── data_loader.py              # 数据加载器
├── train.py                    # 训练脚本
├── evaluate.py                 # 评估脚本
├── main.py                     # 主执行脚本
├── requirements.txt            # 依赖包
└── README.md                   # 项目说明

安装依赖

pip install -r requirements.txt

使用方法

1. 生成数据集

python generate_dataset.py

2. 训练模型

# 训练集成模型
python main.py --mode train --model_type ensemble

# 训练LSTM模型
python main.py --mode train --model_type lstm

# 训练CNN模型
python main.py --mode train --model_type cnn

3. 评估模型

python main.py --mode evaluate --checkpoint results/checkpoints/best_model.pth

4. 比较多个模型

python main.py --mode compare

配置说明

主要配置在 config.py 中：

• DataConfig: 数据相关配置
• FeatureConfig: 特征提取配置
• ModelConfig: 模型结构配置
• TrainingConfig: 训练超参数配置

特征提取方法

项目通过以下方法解决不同网络特征维度不一致的问题：

1. 统计特征: 提取各类信号的统计特性（均值、方差、偏度等）
2. 频谱特征: 使用FFT和小波变换提取频域特征
3. 时序特征: 提取趋势、变化率等时序特性
4. 拓扑特征: 提取网络规模和结构特征
5. 系统级特征: 聚合设备级特征为系统级特征

支持的故障类型

项目目前支持以下故障类型（FAULT_TYPES）：

• normal
  正常状态，无故障发生。

• single_line_outage
  单线路故障，一条线路跳闸。

• double_line_outage
  双线路故障，两条线路同时跳闸。

• generator_outage
  发电机故障，一台发电机失去服务。

• load_spike_moderate
  中等负荷冲击，若干母线负荷突然增大（1.5–2.5 倍）。

• load_spike_severe
  严重负荷冲击，若干母线负荷突然增大（3–5 倍）。

• transformer_outage
  变压器故障，一台变压器跳闸。

• bus_fault
  母线故障，跳闸该母线及其所有连接设备。

• generator_instability
  发电机不稳定，发电机出力大幅波动。

• line_impedance_drift
  线路阻抗漂移，线路电阻/电抗缓慢累积变化。

• insulation_degradation
  绝缘性能退化，线路绝缘水平下降导致参数变化。

• protection_malfunction
  保护误动作，保护装置误跳闸。

• voltage_regulator_fault
  电压调节器故障，发电机调压器失效导致电压偏离。

• cascading_failure
  连锁故障，初始故障引发多条线路或设备的接连跳闸。

• intermittent_fault
  间歇性故障，线路接触不良时断时续（阻抗突变）。

模型架构

LSTM模型

• 多层LSTM + 全连接层
• 适合处理时序特征

CNN模型

• 1D卷积 + 全连接层
• 适合处理频谱特征

集成模型

• 结合LSTM和CNN
• 支持注意力机制加权融合

损失函数（Loss Functions）

本项目支持三种常用且针对不平衡、多标签场景设计的损失函数：

1. BCEWithLogitsLoss
2. Focal Loss
3. Asymmetric Focal Loss (AFL)

1. BCEWithLogitsLoss

• 公式：
  L = – ∑ₖ [ wₖ · (yₖ·logσ(xₖ) + (1–yₖ)·log(1–σ(xₖ))) ]
• 参数：
  • pos_weight：用来增大正样本（y=1）的权重，常取 N_negative/N_positive。
• 适用场景：轻度不平衡，多标签基线。

2. Focal Loss

• 公式：
  L = – α·(1–pₜ)^γ · log(pₜ)，
  其中 pₜ = σ(x) 当 y=1，否则 1–σ(x)

• 超参数：

  • α：平衡正负样本，一般 0.25~0.75
  • γ：聚焦因子，抑制易分样本梯度（γ=1~4）

• 推荐取值：α=0.5~0.75, γ=2.0

• 效果：对“难分”样本自动放大梯度，提升模型鲁棒性，但在多标签召回提升有限。

3. Asymmetric Focal Loss (AFL)

• 思路：对正/负样本分别设置不同聚焦因子，偏向提升少数类召回。
• 公式：
  L = – ∑ₖ αₖ·(1–pₖₜ)ᵞᵏ · log(pₖₜ)
  • αₖ = α (正样本) / (1–α) (负样本)
  • γₖ = γ_pos (正样本) / γ_neg (负样本)
• 超参数：
  • α：正样本权重，推荐 0.6~0.8
  • γ_pos：正样本聚焦系数，推荐 0.5~1.0
  • γ_neg：负样本聚焦系数，推荐 2.0~4.0
• 效果：
  • 提升召回：γ_pos<γ_neg，对少数故障样本更“宽松”
  • 保持精度：γ_neg 较大时，抑制海量正常样本的误报

实验结果

默认超参数的模型在IEEE标准测试系统（case9、case14、case30、case39、case57、case118、case145、case300）的仿真数据集上的性能：

模型	汉明Acc	子集Acc	Jaccard	宏 F1	微 F1	宏 Prec	微 Prec	宏 Rec	微 Rec
LSTM + BCE	0.9883	0.8675	0.4815	0.4469	0.6500	0.6214	0.7647	0.3853	0.5652
CNN + BCE	0.9890	0.8750	0.4752	0.4473	0.6443	0.6723	0.8421	0.3617	0.5217
Ensemble + BCE	0.9885	0.8725	0.4860	0.4497	0.6541	0.5479	0.7761	0.3936	0.5652
LSTM + FL	0.9890	0.8775	0.4536	0.3573	0.6241	0.5475	0.8980	0.2851	0.4783
CNN + FL	0.9875	0.8650	0.3814	0.3197	0.5522	0.5322	0.8810	0.2462	0.4022
Ensemble + FL	0.9892	0.8825	0.4639	0.4038	0.6338	0.6308	0.9000	0.3172	0.4891
LSTM + AFL	0.9858	0.8450	0.4380	0.4246	0.6092	0.5182	0.6463	0.3894	0.5761
CNN + AFL	0.9873	0.8575	0.4649	0.4584	0.6347	0.5552	0.7067	0.4130	0.5761
Ensemble + AFL	0.9898	0.8875	0.5288	0.5255	0.6918	0.6218	0.8209	0.4672	0.5978

扩展功能

添加新的故障类型

1. 在 config.py 中添加故障类型
2. 在 generate_dataset.py 中实现故障注入逻辑
3. 重新训练模型

添加新的特征

1. 在 feature_extractor.py 中实现新特征提取方法
2. 在 FeatureConfig 中添加相应配置

添加新的模型

1. 在 models/ 目录下创建新模型文件
2. 继承 BaseModel 类
3. 在训练脚本中注册新模型

常见问题

Q: 训练时出现内存不足 A: 减小batch_size或window_size

Q: 模型收敛慢 A: 调整学习率或使用预训练权重

Q: 某些故障类型检测效果差 A: 检查数据平衡性，考虑使用类别权重或数据增强。也可以使用Focal Loss或 Asmmetric Focal Loss作为损失函数。

参考文献

• Lin et al. “Focal Loss for Dense Object Detection” (ICCV 2017)
• Noh et al. “Asymmetric Loss for Multi-Label Classification” (CVPR 2021)

许可证

MIT License

联系方式

如有问题请提交Issue或联系开发者。

项目总结

1. 通用特征提取

• 统计特征：均值、方差、偏度、峰度等，不依赖网络规模
• 频谱特征：FFT和小波变换，捕捉频域信息
• 时序特征：趋势、变化率、峰值检测等
• 系统级聚合：将设备级特征聚合为固定维度

2. 多模型融合

• LSTM：处理时序依赖关系
• CNN：处理频谱和空间特征
• 集成模型：结合两者优势，支持注意力机制

3. 完整工作流程

• 数据生成→特征提取→模型训练→评估分析
• 模块化设计，易于扩展和维护
• 完善的配置管理和日志系统

4. 实用性

• 支持命令行操作
• 自动化的实验管道
• 详细的评估和可视化

这个项目可以处理任意规模的电力网络，通过特征工程将变长特征转换为固定维度，实现了真正的通用性。您可以直接使用这个框架进行电力系统故障检测研究。