基于深度学习的配电网故障风险预警方法及系统与流程

本发明涉及电网故障预警
技术领域：
，尤其涉及一种基于深度学习的配电网故障风险预警方法及系统。
背景技术：
：配电网是电能输送的“最后一公里”，配电网的安全稳定运行关系到社会经济的发展，也关乎客户体验和供电企业的切身利益。据统计，约80％以上的用户停电事故都是配电网故障导致的。配网故障的原因主要分为内部因素和外部因素。外部因素为环境，如恶劣极端天气等；内部因素为运维状况，运行状态，如设备投运年限太长，设备运行超负荷等。因此，有效预警配电网运行过程中存在的故障风险，对保障电网安全稳定运行和供电可靠性显得尤为重要。以往大部分研究单一考虑气象因素或外部因素对配电网故障的影响，缺乏对引起配电网故障的内部和外部因素关联的探究。因此，亟需在已有的信息采集监测系统上，根据实测信息，结合电网实时运行工况，考虑配电网故障的内部和外部因素，运用大数据挖掘和深度学习对模型进行训练，建立配电网风险预警模型。本发明提出通过收集气象数据，将天气信息归类，有利于提高故障预警的准确率。采用时间递归神经网络(lstm)预测天气情况用于配电网故障，并从运行状态、运维情况、时间维度、气象条件、地形地貌五个层面建立配电网风险预警模型。技术实现要素：本发明目的在于公开一种基于深度学习的配电网故障风险预警方法及系统，以提高故障预警的准确性。为达上述目的，本发明公开一种基于深度学习的配电网故障风险预警方法，包括：筛选与配电网故障有关的初始特征信息并进行预处理；设定用于衡量各特征与配电网故障的权重阈值，以relief算法计算各初始特征的权重，并剔除出低于所述权重阈值的初始特征得到目标特征信息，所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息，且电气量信息至少包括运行状态和运维情况，所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素；所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息；基于所述目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签；以所述目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证；以训练好的基于历史数据对气象因素进行预测的lstm网络得出所述目标特征信息中的气象因素，并将所述lstm网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据所述基于深度神经网络的故障预警模型进行预警，得到预警结论。优选地于，所述预处理包括：补充缺失数据；以及将收集到的数据信息按规则进行数据转换；所述规则包括：将所有天气情况分为4种类型，用特征数值表示，以1表示晴/少云/多云；2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨；3表示轻雪/中雨+雷暴/中雨/大风；4表示暴雨/冰雹/雷雨/大雪/高温；将供电区域分为4类，以数值1-4分别表示市区、市中心、城镇、农村/山区；时间维度以数值1-4分别表示春、夏、秋、冬；并以数值1-2分别表示假期和工作日；并将故障情况分为故障与非故障两种情况，用数值做标签；故障为1，非故障为0；其中，所述预处理还包括将所有的数据进行归一化。优选地于，所述relief算法的计算过程包括：对每个特征赋予权重值；设置权重阈值γ；从样本集d中选取一个样本sk，其中，k＝1，2，…，m；然后从同类样本集搜索最邻近样本h(sk，从不同类样本集中搜索最邻近样本m(sk)，按下述计算公式更新特征的权重：式中，i＝1，2，…，n；n为故障特征总数，diff(i,sk,h(sk))表示样本sk和样本h(sk关于特征i的差异，diff(i,sk,m(sk))表示样本sk和样本m(sk)关于特征i的差异，wi表示特征i的权重，m表示抽样次数；以上过程重复m次，最后得到各特征的平均权重w＝[w1,w2,…,wn]，剔除权重小于权重阈值的特征。优选地，所述气象因素还包括：温度、湿度和风速。所述运维情况包括设备投运年限。所述运行状态包括线路重过载、配电重过载及三相不平衡。为达上述目的，本发明还公开一种基于深度学习的配电网故障风险预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法相对应的步骤。本发明具有以下有益效果：将时间递归神经网络和深度神经网络级联，以训练好的基于历史数据对气象因素进行预测的lstm网络得出所述目标特征信息中的气象因素，所得出的该气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息，并将该气象因素作为深度神经网络的输入之一，结合其他输入的筛选出的设备运行状态，运维情况、时间维度、地区地貌等层面的信息，可以准确得出配电网故障预警结论。下面将参照附图，对本发明作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是本发明实施例的基于深度学习的配电网故障风险预警方法流程示意图。图2是本发明实施例的lstm神经元结构图。图3是本发明实施例的级联神经网络损失收敛图。具体实施方式以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。实施例1本实施例公开一种基于深度学习的配电网故障风险预警方法，参照图1，具体包括：步骤1：数据预处理缺失数据补充：用0填补缺失信息。数据转换规则：收集到的数据中天气情况、供电区域、季节等为文字描述，故需要将其转换为数据类型才能作为神经网络输入。本发明中将所有天气情况分为4种类型，用特征数值表示。即1表示晴/少云/多云；2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨；3表示轻雪/中雨+雷暴/中雨/大风；4表示暴雨/冰雹/雷雨/大雪/高温。最后，将原始数据中的天气情况进行归类。此外，将供电区域分为4类，数值1-4分别表示市区、市中心、城镇、农村(山区)。时间维度层面主要用于表征用电负荷信息，以数值1-4分别表示春、夏、秋、冬，用数值1-2分别表示假期和工作日。将故障情况分为故障与非故障两种情况，用数值做标签。故障为1，非故障为0。天气情况类别说明如表1：归一化处理：为消除各输入的量纲影响，将所有的数据进行归一化，所有数据映射为[0,1]区间，有利于提高运算速度。式中，x'为特征x经过归一化的值，min(x)为样本数据中该特征的最小值，max(x)为样本数据该特征的最大值。2：故障特征选取获取2年全省的历史气象数据，分析可能与配电网故障相关的气象数据，筛选与配电网故障风险有关的因素。气象数据中包含了温度，湿度，风速，天气情况等因素。造成配网故障的主要天气情况有：暴雨，大风，雷暴，大雪，高温等。从电网数据获取的数据主要有设备投运年限、线路重过载、配电重过载、三相不平衡，供电区域等。将电网数据与历史气象数据一一关联映射，根据时间，找出相对应的天气、地形地貌，运行状态，运维情况，形成一组由电气量和非电气量组成的特征向量每组特征向量都有对应时刻的配电网故障标签，可构成一组特征和标签的对应关系，形成初始故障特征集。为了提高故障预警的准确性，利用relief算法进行特征选取，剔除与故障无关的特征。relief算法的基本思想是：给每个特征赋予权重，根据权重值筛选特征，权重值越大说明相关性越强。算法步骤如下：对每个特征赋予权重值；设置权重阈值γ；从样本集d中选取一个样本sk，其中，k＝1，2，…，m；然后从同类样本集搜索最邻近样本h(sk，从不同类样本集中搜索最邻近样本m(sk)，按下述计算公式更新特征的权重。式中，i＝1，2，…，n；n为故障特征总数。diff(i,sk,h(sk))表示样本sk和样本h(sk关于特征i的差异，diff(i,sk,m(sk))表示样本sk和样本m(sk)关于特征i的差异，wi表示特征i的权重，m表示抽样次数。以上过程重复m次，最后得到各特征的平均权重w＝[w1,w2,…,wn]，剔除权重小于阈值的特征。时间与空间信息虽不能直接导致故障，但具有一定的统计意义。最终选定的最优故障特征集仍然可分为外部因素和内部因素，其中气象因素为温度，湿度，风速，天气，地形地貌用供电区域代表，时间维度为季节和节假日表示；运维情况用投运年限代表，运行状态选取线路重过载，配电重过载，三相不平衡代表。最优故障特征集说明如表2：步骤3：模型搭建与验证由于气象看似无常，但其存在一定的变化规律，天气情况与温度、湿度、风速等有着一定关联，故从过去的气象数据中推断未来的天气趋势是合理的。lstm网络(longshort-termmemory，长短期记忆网络)用于处理连续的时间序列信息，例如实时气象数据。一个时刻的季节、温度、湿度、风速和天气情况形成一组时间序列。将前t个时刻的多组时间序列信息作为lstm的输入，输出t+1时刻的天气情况。lstm网络对时间序列的每个特征执行相同的处理，其输出依赖于前面的计算。lstm单个神经元的结构如图2所示,每个lstm神经元处理过程如下，输入时间序列xt，输出结果为yt，计算公式如下：it＝σ(wi*xt+ri*yt-1+bi)ft＝σ(wf*xt+rf*yt-1+bf)ot＝σ(wo*xt+ro*yt-1+bo)yt＝ot⊙tanh(ct)yt-1为上一个状态输出结果，⊙是哈达玛积(hadamardproduct)，是矩阵加法。wi、ri、wf、rf、wc、rc、wo、ro为权重矩阵，bi、bf、bc、bo为偏置。tanh为双曲正切函数，σ表示sigmoid层(该层的输出为0/1)。可选地，本实施例中，lstm网络主要训练参数为：每个时间序列为5维，输入序列窗口为4，第二，三、四层为lstm层，节点数均为5，第五层隐藏节点数为4。抽取转换后的历史气象数据集的70％用于lstm模型训练，直到预测结果与实际结果的误差最小且收敛，得到训练好的基于lstm的天气预测模型。将包含内外部因素的最优故障特征集作为深度神经网络的输入，输入特征为：天气情况、供电区域、节假日、设备投运年限、线路重过载、配电重过载、三相不平衡。抽取历史数据集的70％用于训练深度神经网络，其可实现故障预警。历史数据集中包含了正常数据和多种故障，故障的产生类型包括由气象因素造成的配网故障，也包括由配电网内部因素造成的配网故障。将训练好的lstm网络和深度神经网络(其包括输入层、隐藏层和输出层)级联，以lstm输出的天气情况作为深度神经网络的天气输入，搭建一个结合短时天气预测的配电网故障预警模型并利用该模型进行故障预警。本实施例只注重预警结论，不具体分析造成配网故障的特征类别，即只输出故障(1)与非故障(0)两种情况。将数据集的30％用于验证训练得到的基于深度学习的配电网故障预警模型的有效性。lstm输出的天气情况为4类，其中类别3和4易导致配电网故障。级联神经网络预测输出为故障预警结论，即故障为1，非故障为0。表3为两种方法的故障预警结果。两种方法不同的地方在于故障识别方法不同，如表3所示，本实施例中故障识别性能优于逻辑回归方法。方法非故障召回率故障召回率总准确率lstm+深度神经95％80％94％lstm+逻辑回归85％77％84％级联神经网络的损失收敛图如图3所示。综上所述，本实施例基于深度学习的配电网故障风险预警方法，主要包括：步骤s10、筛选与配电网故障有关的初始特征信息并进行预处理。设定用于衡量各特征与配电网故障的权重阈值，以relief算法计算各初始特征的权重，并剔除出低于所述权重阈值的初始特征得到目标特征信息，所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息，且电气量信息至少包括运行状态和运维情况，所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素；所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息。步骤s20、基于所述目标特征信息将电网数据与气象数据关联映射，构建数据集并生成相应的标签。其中，所谓电网数据即上述用于表征电网运行状态、用电负荷、运维状态及地形因素等的相关数据。步骤s30、以所述目标特征信息作为深度神经网络的输入，根据相应的标签进行深度神经网络的训练和验证。步骤s40、以训练好的基于历史数据对气象因素进行预测的lstm网络得出所述目标特征信息中的气象因素，并将所述lstm网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型，然后根据所述基于深度神经网络的故障预警模型进行预警，得到预警结论。实施例2与上述方法实施例相对应地，本实施例公开一种基于深度学习的配电网故障风险预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法相对应的步骤。综上，本发明实施例公开的基于深度学习的配电网故障风险预警方法及系统，将时间递归神经网络和深度神经网络级联，以训练好的基于历史数据对气象因素进行预测的lstm网络得出所述目标特征信息中的气象因素，所得出的该气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息，并将该气象因素作为深度神经网络的输入之一，结合其他输入的筛选出的设备运行状态，运维情况、时间维度、地区地貌等层面的信息，可以准确得出配电网故障预警结论。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12