[發(fā)明專利]基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)可靠性檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011197944.4
• 申請日: 2020-10-30
• 公開（公告）號: CN112327101A
• 公開（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 張開宇;時(shí)珊珊;方陳;劉舒;王皓靖;魏新遲;萬俊杰;任麗佳
• 申請（專利權(quán)）人: 國網(wǎng)上海市電力公司;上海工程技術(shù)大學(xué)
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06F30/27
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 翁惠瑜

本發(fā)明涉及一種基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)可靠性檢測方法及系統(tǒng)，該方法基于待評估配電網(wǎng)的基礎(chǔ)信息，利用于一經(jīng)訓(xùn)練的基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)模型進(jìn)行迭代仿真，獲得待評估配電網(wǎng)的可靠性指標(biāo)；所述基礎(chǔ)信息包括配電網(wǎng)線路參數(shù)、配電網(wǎng)組件可靠性參數(shù)和負(fù)載類別參數(shù)；所述配電網(wǎng)模型為雙層LSTM網(wǎng)絡(luò)模型，包括輸入層、隱藏層、全連接Dense層和輸出層。與現(xiàn)有技術(shù)相比，本發(fā)明具有精確度高等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及電力電網(wǎng)領(lǐng)域，尤其是涉及一種基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)可靠性檢測方法及系統(tǒng)。

背景技術(shù)

電力系統(tǒng)可靠性是對按可接受的質(zhì)量標(biāo)準(zhǔn)和所需數(shù)量不間斷地向電力用戶供應(yīng)電力和電能量之能力的度量。配電系統(tǒng)可靠性是指供電點(diǎn)到用戶，包括變電所、高低壓線路及接戶線在內(nèi)的整個配電系統(tǒng)及設(shè)備按可接受標(biāo)準(zhǔn)及期望數(shù)量滿足用戶電力及電能量需求能力的度量。配電系統(tǒng)可靠性主要評估充裕度，它通過可靠性指標(biāo)來體現(xiàn)。

目前現(xiàn)有的配電網(wǎng)可靠性評估方法大都以數(shù)理統(tǒng)計(jì)、概率論為基礎(chǔ)，通過對配電網(wǎng)歷史數(shù)據(jù)的收集來建立配電網(wǎng)可靠性評估模型。配電網(wǎng)可靠性評估方法中，一般包括模擬法、解析法及人工智能相關(guān)方法。在配電網(wǎng)可靠性評估方法中，模擬法通常采用蒙特卡洛(Monte Carlo)仿真法來模擬元件(設(shè)備)故障、老化的過程，計(jì)算仿真時(shí)段內(nèi)配電網(wǎng)故障次數(shù)及影響范圍來獲得可靠性指標(biāo)。相對模擬法計(jì)算時(shí)間較長，解析法更快速和準(zhǔn)確的優(yōu)點(diǎn)在實(shí)踐中得到了更廣泛的應(yīng)用。解析法的過程是對各元件(設(shè)備)故障產(chǎn)生的影響進(jìn)行分析，通過羅列故障影響事件來計(jì)算負(fù)荷點(diǎn)及系統(tǒng)的可靠性指標(biāo)。在處理輸入輸出數(shù)據(jù)間的復(fù)雜關(guān)系、模擬事物運(yùn)行機(jī)理等方面，人工智能算法具有明顯的優(yōu)勢，這些優(yōu)勢被應(yīng)用到了配電網(wǎng)可靠性評估過程中。已有相關(guān)的技術(shù)提出通過人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SupportVectorMachine，SVM)等方法對影響配電網(wǎng)可靠性的因素進(jìn)行分析，進(jìn)而對配電網(wǎng)可靠性做出預(yù)測及評估。這些技術(shù)中雖然算法逐漸創(chuàng)新優(yōu)化，但預(yù)測結(jié)果的精確度仍然有待提高。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種精確度高的基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)可靠性檢測方法及系統(tǒng)。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)可靠性檢測方法，該方法基于待評估配電網(wǎng)的基礎(chǔ)信息，利用于一經(jīng)訓(xùn)練的基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)模型進(jìn)行迭代仿真，獲得待評估配電網(wǎng)的可靠性指標(biāo)；

所述基礎(chǔ)信息包括配電網(wǎng)線路參數(shù)、配電網(wǎng)組件可靠性參數(shù)和負(fù)載類別參數(shù)；

所述配電網(wǎng)模型為雙層LSTM網(wǎng)絡(luò)模型，包括輸入層、隱藏層、全連接Dense層和輸出層。

進(jìn)一步地，所述配電網(wǎng)模型的訓(xùn)練具體包括以下步驟：

1)獲取配電網(wǎng)網(wǎng)架樣本，將所述配電網(wǎng)網(wǎng)架樣本分成訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集兩部分；

2)構(gòu)建配電網(wǎng)模型，配置初始參數(shù)；

3)配電網(wǎng)模型基于所述訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，更新模型參數(shù)；

4)以所述測試數(shù)據(jù)集對步驟3)獲得的配電網(wǎng)模型進(jìn)行驗(yàn)證，判斷預(yù)測精度是否滿足設(shè)定要求，若是，則訓(xùn)練完成，若否，則返回步驟2)。

進(jìn)一步地，所述預(yù)測精度采用均方根誤差RMSE和平均絕對誤差百分比MAPE方法表征。

進(jìn)一步地，所述輸入層的激活函數(shù)為tanh。

進(jìn)一步地，所述全連接Dense層的激活函數(shù)為linear。

進(jìn)一步地，所述可靠性指標(biāo)包括系統(tǒng)平均停電持續(xù)時(shí)間、系統(tǒng)平均停電頻率、用戶平均停電持續(xù)時(shí)間指標(biāo)和平均供電可用率。

進(jìn)一步地，所述配電網(wǎng)模型的輸入特征個數(shù)為209個。