[發(fā)明專利]一種基于深度置信網絡的分布式電站故障分析方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110043149.8
• 申請日: 2021-01-13
• 公開（公告）號: CN112766702A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設計）人: 朱利軍;劉佳;廖宏楷;李卓;范龍標;姚文杰;楊云珍;王功選;尤毅
• 申請（專利權）人: 廣東能源集團科學技術研究院有限公司;廣東省電力開發(fā)有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

1.一種基于深度置信網絡的分布式電站故障分析方法，其特征在于：包括，

收集光伏電站發(fā)生故障時，主站與子站的運行數據；

對所述收集的運行數據進行預處理；

利用受限玻爾曼機構建深度置信網絡模型，利用所述模型對預處理后的數據進行故障波形分析；

根據所述故障波形分析的結果，生成分析報告，確定故障位置。

2.如權利要求1所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述收集運行數據包括，

收集光伏電站主站系統(tǒng)自身軟硬設備和通道的運行數據、子站系統(tǒng)的運行狀況以及場站端繼電保護裝置、故障錄波裝置的運行狀況和運行定值。

3.如權利要求2所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述對收集的運行數據進行預處理包括，

對所述收集到的運行數據進行數據清洗，填充缺失數據刪除重復數據，其中填充缺失數據采用相鄰性算法，利用在同類故障情況下k個相同設備數據的信息進行數據填補，其公式可表示為：

其中：E為填補數值，δ_i為第i個設備正常情況下的運行數據，θ_i為第i個設備故障時的運行數據。

4.如權利要求1～3任一所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述構建深度置信網絡模型包括，

所述深度置信網絡模型由若干受限玻爾茲曼機組成，并且由低到高對所述受限玻爾茲曼機進行訓練。

5.如權利要求4所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述受限玻爾茲曼機包括，

所述受限玻爾茲曼機一共有兩層，分別為輸入層和隱含層，其中所述輸入層輸入所述預處理后的運行數據，所述輸出層為對所述運行數據進行故障分析的結果，其中所述輸入層可用公式表示為如下：

其中：m為運行數據，n為故障分析結果，p(m|n)為輸入層的概率；其輸出層的公式可以表示為如下：

其中：p(n|m)為輸出層的概率。

6.如權利要求5所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述對受限玻爾茲曼機進行訓練包括，

在對所述受限玻爾茲曼機進行訓練的過程中，需要求取一個最能產生訓練樣本的概率分布，對所述概率分布的決定性因素為權重值W，因此需要求取最佳權值。

7.如權利要求6所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述權重值包括，

所述權重值可以用權重矩陣來表示，其權重矩陣可以表示為如下：

其中：所述ω_i，j為從第i個顯元到第j個隱元的權重，N為顯元的個數，O為隱元的個數，設置一個新樣本為X＝(x₁,x₂,…,x_n)，每一個隱元的取值為如下：

表示了隱元處于開啟狀態(tài)的概率。

8.如權利要求6所述的基于深度置信網絡的分布式電站故障分析方法，其特征在于：所述受限玻爾茲曼機進行訓練的過程還包括，

在訓練過程中，訓練集中的每一條記錄A，將所述記錄A進行輸入，計算隱層神經元的被開啟概率，并從所述計算出的概率中抽取樣本進行重構，并且再同樣抽取顯層樣本，計算出隱層神經元的被開啟概率，以此進行權重更新，其更新公式為如下：

W′＝W+γ[p(n⁰＝1|m⁰)m^0T-p(n¹＝1|m¹)m^1T]

其中：W′為更新后的權重，γ為故障概率，p(n⁰＝1|m⁰)m^0T為初始開啟概率，p(n¹＝1|m¹)m^1T為重構后的概率。