[發明專利]基于1D V-net深度學習模型的電壓暫降分析方法

在審

• 申請號: 202210020999.0
• 申請日: 2022-01-10
• 公開（公告）號: CN114487568A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 鄧亞平;賈顥;同向前;王璐
• 申請（專利權）人: 西安理工大學
• 主分類號: G01R19/165
• 分類號: G01R19/165;G01R31/08;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 談耀文

本發明公開了基于1D V?net深度學習模型的電壓暫降分析方法，能夠直接從原始的監測數據中自主學習由電動機啟動、變壓器投切、單相短路、兩相短路和三相短路原因引起的電壓暫降特征信息，避免了繁瑣手工特征提取過程。與RNN、LSTM、GRU等結構構成的單向循環網絡結構相比較，本發明能夠提高電壓暫降擾動類型分類準確率和電壓暫降起止時刻定位準確率。與RNN、LSTM、GRU等結構構成的雙向循環網絡結構相比較，本發明能夠在降低模型參數的基礎上，保障電壓暫降擾動類型分類準確率和電壓暫降起止時刻定位準確率。

技術領域

本發明屬于電力系統中電能質量的測量與分析技術領域，具體涉及基于1D V-net深度學習模型的電壓暫降分析方法。

背景技術

電能質量直接關系到電力系統的安全高效運行。近年來，電能質量中的電壓暫降問題備受關注，已成為學術界及工業界亟待解決的問題。據統計，電力部門收到的電能質量問題投訴中，80％以上是由電壓暫降引起的。電壓暫降不僅給利益相關方帶來了巨額的經濟損失，還可能造成極大的社會影響，尤其是高端制造業造成的損失更大。因此，電壓暫降已成為現代電網的重要問題。

電壓暫降對電網可靠性產生了較高的負面影響，而對電壓暫降的精準分析是在電壓暫降事件發生后需要及時解決的主要問題。目前，關于電壓暫降分析方法的研究均是通過推導機理或數學模型進行電壓暫降分析。然而，隨著分布式電源的大規模接入，電網運行環境的復雜性不斷加劇，系統運行方式的多樣性增強，通過模型機理分析必然會進行假設簡化或舍棄系統參數，難以實現電壓暫降的精準分析。

與物理模型不同，數據驅動方法通過數據透視事物的本質和關系。由于此類方法并不需要進行假設或簡化，也不依賴于機理，依據的是反映系統真實情況的數據，并且可將歷史和現在的數據進行綜合分析，因此，數據驅動方法適合于解決電壓暫降分析問題。然而，目前基于數據驅動的電壓暫降分析方法仍存在如下難點問題亟待解決：

(1)RNN、LSTM、GRU等結構構成的單向循環網絡，本質上是通過歷史信息與當前時刻輸入的信息來實現電壓暫降分析，但在電壓暫降信號的起止時刻，由于缺乏足夠的歷史信息支撐或者由于當前信號與歷史信號關聯性極小，甚至呈現反向關聯，從而導致準確率低；

(2)RNN、LSTM、GRU等結構構成的雙向循環網絡結構，本質上是使用雙向結構來獲取未來時刻的依賴數據，從而確保信號起止時刻有足夠的信息支撐，能夠實現準確的電壓暫降分析。然而，在使用雙向結構時，模型參數將會成倍增加。

發明內容

本發明的目的是提供基于1D V-net深度學習模型的電壓暫降分析方法，解決了現有分析方法中存在的單向循環網絡定位準確率低、雙向循環神經網絡參數成倍增加問題。

本發明所采用的技術方案是，基于1D V-net深度學習模型的電壓暫降分析方法，具體按照以下步驟實施：

步驟1、結合待檢測的電力網絡系統，對工況種類進行編號，在電力網絡系統不同工況下，分別改變電力網絡系統中短路容量、接地電阻、持續時間、起止時刻、負荷容量、線路阻抗，采集每種運行工況下的母線電壓數據，作為每種工況下電壓暫降樣本數據；

步驟2、通過電壓暫降樣本數計算每種工況下的電壓均方根值，若該電壓均方根值下降為額定值的10％～90％，則將該電壓及對應的工況形成一組電壓暫降數據樣本A，同時電壓暫降的起止時刻進行標注，將該持續時間內的電壓采樣數據值標記為0，其余采樣數據值標記為1；

步驟3、將所有的電壓暫降數據樣本按照工況種類編號進行標注，結合電壓暫降的起止時刻，形成多組電壓暫降數據樣本B；

步驟4、將多組電壓暫降數據樣本B按照7：2：1劃分為訓練樣本集：驗證樣本集：測試樣本集；

步驟5、構建1D V-net深度學習模型的模型結構；

步驟6、采用訓練樣本集對1D V-net深度學習模型進行離線訓練；