[發明專利]一種基于深度學習的配網優化精準分析方法及系統

在審

• 申請號: 201811515090.2
• 申請日: 2018-12-12
• 公開（公告）號: CN109598386A
• 公開（公告）日: 2019-04-09
• 發明（設計）人: 桑田;孫崇高;李兆平;趙永貴;段福凱;張剛;戴建強;莊雷明;孫術偉;朱強;李珊;魏恒勝;王明欽;劉克東;王志紅;周學新
• 申請（專利權）人: 國網山東省電力公司臨沂供電公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的配網優化精準分析方法，其特征是，包括：

建立配網設備臺賬系統，利用該系統實現對變電站、配電線路及支線的容量、負載信息進行記錄；

建立配網拓撲結構模型，根據配網設備臺賬系統中記錄的配電網數據確定配電網設備之間的連接關系，實時的展示配電網的拓撲關系；

根據配網拓撲結構模型生成的配網拓撲數據，顯示線路的負荷數據，對拓撲的支路和節點屬性進行試算，根據深度學習模型評估設備運行狀態、分析線路的負荷轉供大小及限流值，規劃出轉供路徑及可轉供負荷的大小；

利用神經網絡模型對負荷進行預測分析。

2.如權利要求1所述的一種基于深度學習的配網優化精準分析方法，其特征是，所述配網設備臺賬系統中，首先采集配網設備基本數據，包括設備的容量、負載信息、電壓等級、投運時間、上次校驗時間、裝置生產廠家；

將所有的配網設備的基本數據均傳輸至設備臺賬數據庫進行存儲，以表中表的形式體現；

結合用戶的具體需求確定權限，并將級別相同的用戶歸為一組，對該組設定相應的密碼。

3.如權利要求1所述的一種基于深度學習的配網優化精準分析方法，其特征是，所述配網拓撲結構模型也可以實際運行的配網系統中設備之間的連接關系為基礎，建立相應的拓撲關系。

4.如權利要求1所述的一種基于深度學習的配網優化精準分析方法，其特征是，根據深度學習模型評估設備運行狀態、分析線路的負荷轉供大小及限流值，規劃出轉供路徑及可轉供負荷的大小，具體步驟為：

首先評估設備運行狀態：采集已知設備運行數據，提取特征參數作為輸入參數，對于每種運行狀態類型特征設定類型標簽，存入信息庫；

搭建神經網絡模型，利用人工蜂群算法優化模型參數，首先，初始化蜂群算法的參數，然后，初始化待優化個體，即極端學習機的輸入權值和閾值，最后，根據預設的適應度函數進行尋優，獲得最佳的模型參數，并保存最佳模型參數；

基于最佳模型參數，采集待識別的設備運行數據，提取特征參數，將待識別的放電特征參數輸入搭建好的神經網絡模型，進行識別，根據識別結果評估設備運行狀態；

其中，設備運行狀態包括：正常狀態、不正常狀態和故障狀態；

當識別出的設備運行狀態為正常狀態時，分析線路的負荷轉供大小及限流值，規劃出轉供路徑及可轉供負荷的大小，并通過潮流計算檢驗所提出的轉供路徑及可轉供負荷的大小能否滿足各種運行方式的要求，若不滿足要求，則重新規劃轉供路徑及可轉供負荷的大小直至滿足電網各種運行方式的要求。

5.如權利要求4所述的一種基于深度學習的配網優化精準分析方法，其特征是，蜂群算法優化極端學習機的輸入權值及閾值的過程，其計算過程描述如下：

(1)根據輸入節點個數和隱層節點個數確定每一個待優化個體的維數，應為(n+1)×m，其中n為輸入節點個數，m為隱層節點個數；

(2)參數初始化，確定蜂群算法的參數，包括種群規模、最大迭代次數和終止條件；

(3)計算適應度值，計算每一個個體的適應度值，然后對適應度值排序，找出最優個體；

(4)優化算法迭代尋優，通過雇傭蜂和觀望蜂的食物源采集學習過程，更新種群個體位置；如果沒有達到終止條件，返回(3)繼續尋優；否則，找到全局最優個體；

(5)尋優結束，保存最優個體值，即最優的輸入權值和隱層閾值；

(6)將最優權閾值帶入極端學習機中，求得最佳的輸出權值矩陣，將計算得到的輸出權值以及輸入權值和隱層閾值作為最佳模型參數保存。