随着电力物联网不断发展,用户对网络的可靠性和稳定性提出了较高要求。故障诊断是保障电力物联网可靠、稳定运行的重要手段之一。然而,电力物联网中存在多源异构数据、缺乏故障先验知识和特征信息,导致故障诊断速度慢、准确率低。因此,本文将深度学习与电力物联网关键技术相互融合,设计了一种基于深度学习的故障诊断算法,利用设备状态信息,在线检测数据异常情况并精准定位故障。主要研究内容和创新点如下:1.针对传统异常检测算法在正负样本极不均衡的数据集中准确率低,多源异构数据导致模型泛化能力差等问题,提出了一种基于联邦对抗双编码网络的异常检测算法。首先,该算法利用数据增强子模型主动学习数据特征分布,扩充异常数据。其次,在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束,建立训练总损耗最小化模型。最后,设计了一种基于动态模型参数选择的联邦学习算法,比较本地与全局模型的置信度,动态选择部分联邦体,迭代训练直至全局模型收敛。通过四个不同的数据集进行验证,结果表明,所提算法具有良好的数据生成能力,且异常识别准确率和模型泛化能力均得到了提升。2.针对电力物联网中数据高维,且设备、故障数据与故障特征存在复杂的多对多耦合关系,导致传统故障定位算法难以提取故障特征,故障定位准确率低等问题,提出了一种基于贡献率图的多块核主成分分析故障定位算法。首先,提出了一种基于自适应卷积网络的数据特征提取机制,该机制改进了传统卷积神经网络,在池化层中加入自适应因子,建立自适应卷积网络,提取故障特征。其次,利用皮尔卡逊系数将特征数据集划分为不同的特征块,建立多块核主成分分析模型并获取特征对故障的贡献率,构建故障特征图。最后,利用Relief算法计算特征子集中各元素在设备中的权重,并结合特征对故障的贡献图,评估设备故障概率。仿真结果表明,所提算法不仅提升故障特征提取能力和故障定位准确率,同时减少了故障数据处理时间。