[發明專利]一種基于深度學習的配網電氣拓撲識別方法

有效

• 申請號: 202011259811.5
• 申請日: 2020-11-12
• 公開（公告）號: CN112381667B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 周一飛;劉麗娜;王韜;方建全;曾榮;屈鳴;謝智;王家駒;王晨丞;陳亦瑾
• 申請（專利權）人: 國網四川省電力公司電力科學研究院
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/0464;G06N3/084;H02J3/00
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 李朝虎

1.一種基于深度學習的配網電氣拓撲識別方法，其特征在于，包括如下步驟：

S1：對各用戶的實時電壓數據u、實時電流數i據進行采樣；U為n個實時電壓數據u的集合，I為n個實時電流數據i的集合，n為大于等于1的整數；每個用戶的數據作為一個樣本Data，以用戶對應的歸屬臺區和相位編號作為樣本標簽Label，制作配網拓撲識別數據集；每個樣本的數據形式如下：

Data＝[U,I,Label]，

U＝[u₁,u_2,u₃,…u_n],I＝[i₁,i_2,i₃,…i_n]；

S2：構建雙通道一維卷積神經網絡模型，包括特征提取模塊、特征融合模塊，其中特征提取模塊中的兩個通道各包括至少兩個1DCNN+BN+ReLU結構的卷積層；特征融合模塊包括一個1DCNN+BN+ReLU結構的卷積層；

S3：使用雙通道一維卷積神經網絡模型對所述配網拓撲識別數據集進行訓練，得到訓練好的雙通道一維卷積神經網絡模型；

S4：利用訓練好的雙通道一維卷積神經網絡模型對配網拓撲識別數據集進行配網電氣拓撲識別；

所述步驟S3包括如下子步驟：

S31：將配網拓撲識別數據集分為訓練集和測試集；

S32：將訓練集中待測數據按照分類輸入特征提取模塊中的兩個通道，經過多層疊加的1DCNN+BN+ReLU結構卷積層進行數據特征提取，輸出兩路特征數據；

S33：特征融合模塊將特征提取模塊輸出的兩路特征數據進行拼接，通過1DCNN+BN+ReLU結構的卷積層進行特征融合，輸出特征數據；

S34：將特征融合模塊輸出的特征數據通過SoftMax函數進行分類，輸出模型預測分類值；

S35：通過交叉熵損失函數和反向傳播算法對模型進行權重更新；

S36：將測試集輸入模型進行準確率測試，分別輸出本輪測試集和訓練集的準確率和loss值。

2.根據權利要求1所述的一種基于深度學習的配網電氣拓撲識別方法，其特征在于，對各用戶的實時電壓數據、實時電流數據進行采樣的采樣時間間隔為15分鐘，采樣時長為7天，n＝96，樣本數據維度為96×2。

3.根據權利要求1所述的一種基于深度學習的配網電氣拓撲識別方法，其特征在于，步驟S2中1DCNN+BN+ReLU結構的卷積層包括如下工作步驟：

S21：1DCNN將輸入數據D進行多層卷積，卷積過程為：

其中，輸入數據D的維度為1×N_d，卷積核K的維度為1×N_k，j為卷積核位置，且滿足1≤j≤N_d-N_k+1；

S22：BN將1DCNN處理后的數據進行歸一化處理，將輸入數據歸一化至整體均值為0、方差為1的向量，加快網絡的訓練和收斂速度，并防止訓練過擬合；對每一維數據的歸一化過程為：

其中，k為輸入數據維度，E(x_k)表示隨機變量x_k的均值，Var(x_k)表示隨機變量x_k的方差；

S23：ReLU對BN處理后的數據進行非線性變換，具體過程為：

4.根據權利要求1所述的一種基于深度學習的配網電氣拓撲識別方法，其特征在于，在步驟S2構建的雙通道一維卷積神經網絡模型的輸入雙通道之前分別增加加性高斯噪聲層，將高斯噪聲加入數據U和I，得到處理后的數據U′和I′；

所述加性高斯噪聲概率密度為：

其中，p(x)表示噪聲值取得x的概率，μ為噪聲均值，σ為噪聲方差。

5.根據權利要求1所述的一種基于深度學習的配網電氣拓撲識別方法，其特征在于，所述特征提取模塊中的兩個通道各包括兩個1DCNN+BN+ReLU結構的卷積層。

6.根據權利要求1所述的一種基于深度學習的配網電氣拓撲識別方法，其特征在于，所述步驟S3對所述配網拓撲識別數據集進行訓練時，將數據集等比劃分為五份，其中四份作為訓練集，一份作為測試集，得到一個初始模型準確率；完成訓練后，將測試集加入訓練集，在訓練集中重取一份數據出來作為新的測試集，重復上述步驟依次選取新的測試集，完成五次訓練，得到五個初始模型準確率，取平均值得到模型綜合準確率。