[發明專利]一種用于臺區三相不平衡治理的換相開關智能控制方法

有效

• 申請號: 202010183723.5
• 申請日: 2020-03-16
• 公開（公告）號: CN111200290B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 劉國偉;朱廣名;朱子坤;陳宏輝;楊永;陳閱;王青之;曹陳生;陳童;鄧劉毅
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司茂名供電局
• 主分類號: G06F17/10
• 分類號: G06F17/10
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種用于臺區三相不平衡治理的換相開關智能控制方法，其特征在于，包括以下步驟：

S1：以不同換相開關所接負荷在換相時產生的換相暫態電流曲線為依據，采用K-means算法對不同負荷的換相暫態電流曲線進行聚類分析，從而將N個換相開關按其所接負荷的換相暫態電流曲線分為k類，并進行排序；

S2：統計臺區下安裝的N個換相開關的各線路電流值I₁、I₂、……、I_N和臺區出線的A、B、C三相電流值I_A、I_B、I_C的歷史數據；選取若干組歷史數據，制定換相開關控制策略，形成換相開關控制策略樣本集，供后續深度學習模型訓練；

S3：將S2中生成的樣本集數據劃分為訓練樣本集和測試樣本集；

S4：搭建深度信念網絡DBN，將I_A、I_B、I_C，以及I₁、I₂、…、I_N作為所述DBN的輸入；所述DBN的輸出為各換相開關動作標志：χ_i，i＝1,2,…,N；

S5：獲取所述DBN的初始結構參數，包括輸入顯層和輸出顯層的節點數、隱層數和隱層節點數；輸入所述訓練樣本集并采用貪婪學習算法對所述DBN進行無監督逐層預訓練，最終更新各個受限玻爾茲曼機RBM的層間連接權值W、可見層的偏置b以及隱藏層的偏置c，完成所述DBN的預訓練過程；

S5中的貪婪學習算法具體包括以下步驟：

S5.1:將x＝[I_A,I_B,I_C,I₁,I₂,……I_N]賦給輸入顯層，利用下式計算出每個隱層神經元h被激活的概率P(h₁|v₁):

P(h_j|v)＝σ(b_j+∑_iW_i,jx_i)

式中，系數b_j為第j個顯層神經元的偏置，W_i,j為任意兩個相連的神經元i和j之間的權值，σ為Sigmoid函數；

S5.2:從計算的概率分布中采取Gibbs抽樣抽取一個樣本h₁：

h₁～P(h₁|v₁)；

S5.3:用h₁重構顯層，即通過隱層反推顯層，利用下式計算每個顯層神經元v被激活的概率P(v₂|h₁)；

P(v_i|h)＝σ(c_i+∑_jW_i,jh_j)

式中，系數c_i為第i個隱層神經元的偏置；

S5.4：同樣地，從計算得到的概率分布中采取Gibbs抽樣抽取一個樣本v₂,通過v₂再次計算隱層中每個神經元被激活的概率，得到概率分P(h₂|v₂)：

v₂～P(v₂|h₁)；

S5.5：利用對比散度方法來更新權重W：

W←W+λ(P(h₁|v₁)v₁-P(h₂|v₂)v₂)

b←b+λ(v₁-v₂)

c←c+λ(h₁-h₂)

式中，λ為對比散度算法的學習率；

S6：采用梯度下降BP算法對預訓練后的所述DBN的均方誤差函數L(θ)進行有監督整體精調；所述DBN經過充分訓練后，得到待驗證的臺區換相開關智能控制策略模型；

S7：將測試樣本集輸入待驗證的模型，檢驗換相開關狀態輸出值與實際值之間的誤差值U是否在預設誤差范圍內，若否則返回S5，繼續進行訓練以提高模型精度；若是則得到臺區換相開關控制模型，用于在線決策并控制臺區換相開關。