[發明專利]基于網絡拓撲及長時序信息的配電網工況錄波分類方法

有效

• 申請號: 201711404581.5
• 申請日: 2017-12-22
• 公開（公告）號: CN108154223B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 姚薔;張建良;戴義波
• 申請（專利權）人: 北京映翰通網絡技術股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G01R31/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 巴曉艷

本發明公開了一種基網絡拓撲及長時序信息的配電網工況分類方法，所述方法包括：根據廣域對時技術對各配電網監測點的工況錄波的采集時間點對齊并截取出波形的公共區段，然后按不同配電網監測點的網絡拓撲關系按順序拼接；構建包含卷積層區域和長短時期記憶網絡單元的多數據塊輸入深度神經網絡框架，利用工況錄波分類數據集對多數據塊輸入深度神經網絡訓練以獲得最優多數據塊輸入深度神經網絡工況分類器模型；將所述多個有效波形區域輸入最優多數據塊輸入深度神經網絡工況分類器模型以獲得該工況錄波的工況類型。

技術領域

本發明涉及電力技術領域，尤其涉及一種基于網絡拓撲及長時序信息的配電網工況錄波分類方法。

背景技術

配電網是電力系統中的重要組成部分，隨著智能電網的快速發展，分布式電源的大量的不確定接入，使得配電網故障信息越發復雜，故障的準確快速分析變得越發困難。為保障配電網高度智能化運行，需要對饋線運行數據進行實時監控、異常情況及時預警及故障快速發現處理，其中對饋線異常工況的識別是智能配電網的重要功能。傳統的配電網工況分類一直采用仿真數據，仿真數據太過理想，處理起來簡單。近幾年，隨著配電網線路監測系統的出現，配電網實際運行中的電流電壓數據被采集，并開始運用傳統的提取特征方法結合一些機器學習方法對工況進行分類。如CN103136587A中公開了一種傳統小波包提取仿真數據特征與支持向量機結合的配電網工況分類方法。CN103245881A中公開了一種基于潮流分布特征的配電網故障分析方法及裝置。CN107340456A中公開了一種基于多特征分析的配電網工況智能識別方法。現有技術中的工況分類方法都只使用了單個檢測設備短時的數據，這種錄波數據造成了配電網網絡拓撲及長時序信息的丟失，難以識別具有復雜波形的工況。同時，現有技術中使用人工提取特征的方法，并非端對端的學習訓練，又進一步限制了其識別正確率的上限。

發明內容

本發明所要解決的技術問題之一是實現了對整合了配電網網絡拓撲及長時序信息的錄波數據進行工況分類。

本發明所要解決的另一技術問題是通過遷移學習的方式，實現了對大容量復雜模型的訓練學習。

為了解決上述技術問題，本發明提供了一種基網絡拓撲及長時序信息的配電網工況分類方法，所述配電網工況分類方法包括：對多個配電網監測點的工況錄波進行波形拼接；對拼接后的波形進行預處理以獲得多個有效波形區域；構建包含卷積層區域和長短時期記憶網絡單元的多數據塊輸入深度神經網絡框架，并根據該多數據塊輸入深度神經網絡框架構建具有與其相同卷積層區域的單數據塊輸入深度神經網絡框架；利用超參數生成器生成多個單數據塊輸入深度神經網絡，使用工況錄波分類數據集對該多個單數據塊輸入深度神經網絡分別訓練以獲得最優單數據塊輸入深度神經網絡模型，并從該最優單數據塊輸入深度神經網絡模型中提取卷積層區域的結構及參數；利用該提取的卷積層區域的結構及參數初始化多數據塊輸入深度神經網絡框架，利用超參數生成器生成多個多數據塊輸入深度神經網絡，使用工況錄波分類數據集對該多個多數據塊輸入深度神經網絡分別訓練以獲得最優多數據塊輸入深度神經網絡工況分類器模型；將所述多個有效波形區域輸入最優多數據塊輸入深度神經網絡工況分類器模型以獲得該工況錄波的工況類型。

在一個實施例中，所述波形拼接是指根據廣域對時技術對各配電網監測點的工況錄波的采集時間點對齊并截取出波形的公共區段，然后按不同配電網監測點的網絡拓撲關系按順序拼接。

在一個實施例中，所述卷積層區域包含卷積塊，所述卷積塊的結構可以為雙層卷積層疊加結構，或者為多通道的且每一通道由雙層卷積層疊加的結構構成，或者為多通道的且每一通道包含1至3層卷積層的結構構成。

在一個實施例中，所述卷積層區域中的卷積塊之間設置有殘量連接，所述殘量連接是指將一個卷積塊的輸入和輸出取和，并將取和結果作為輸入傳遞至下一卷積塊。

在一個實施例中，所述工況錄波分類數據集包括訓練數據集、驗證數據集和測試數據集，所述訓練數據集、驗證數據集和測試數據集包含短路、接地、停電、復電、大負荷投入、大負荷切出和雷擊中至少一種的工況數據。