基于深度置信网络的配电网故障的诊断方法与流程

本发明涉及配电网，特别是一种基于深度置信网络的配电网故障诊断方法，用于配电网在线故障诊断。

背景技术：

配电系统作为电力系统的最后一个环节，直接担负着用户在电能稳定、安全、优质、经济等方面所提出的要求的责任。随着我国经济水平的日益发展，我国人民生活水平的提高和大量精密家电的应用，用户对供电的供电质量和可靠性提出了更高的要求。

当配电网发生故障后，系统中海量的动作信息汇总到集控中心，信息在传输过程中会出现畸变甚至丢失，尤其是其中夹杂着许多冗余数据和各种干扰信息，大大超出运行人员的分析能力；加上配电网中自动装置可能会出现的拒动作和误动作，依赖于运行人员读取信息后，精确地判断出故障的位置是不可能的。配电网中一个单点故障如果不及时处理，将导致故障影响范围扩大，有可能造成人员和财产的巨大损失。因此，需要一种能够迅速有效的故障诊断方法，作为运行人员判断依据，来准确的判断出故障类型、找出故障，并采取相应的措施排除故障，缩小停电范围。

目前国内外学者对配电网故障诊断方法的主要思路是通过线路中的开关元件的动作信息或故障录波器信息来实现，其中主要的方法包括：

(1)专家系统，是利用电网中继电保护、断路器的动作原理和调度员的以往故障查找经历形成故障诊断中专家系统的知识库，根据实时警报信号依照知识库的得到推理结果，但该方法速度慢、容错性差，且不能自主学习；

(2)人工神经网络，利用继电器和断路器状态信息计算出故障信息，但该方法在非线性的电力网络中诊断误差大；

(3)基于petri网络和概率论知识的电力网络故障诊断方法，具有运算速度快、容故障性能高、准确度好等优点，但该方法对时序性要求很高的故障分析效果不佳，且容易出现模型的状态组合爆炸；

(4)基于贝叶斯网络的配电网故障诊断把先验信息与后验信息结合，可以很好的减少只存在前者时的主观偏见以及只存在后者的噪声影响，但需要求出内部各个事件的条件概率和先验概率，而这些数据需要经过繁琐的计算求取。

相较于上述几种方法，基于深度置信网络(deepbeliefnetwork,dbn)的配电网故障诊断方法能够充分利用馈线终端装置(ftu)及其他设备采集数据，自动提取区域配电网各类型故障特征，提高模型的自主学习能力和容错率，故障诊断速度更快、精度更高。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于深度置信网络的配电网故障诊断方法，该方法设计合理、故障诊断全面、分析准确的，能够根据历史故障信息训练模型，得到区域配电网故障特征，从而快速分析配电网的故障状态。

本发明的技术解决方案是：

一种基于深度置信网络的配电网故障诊断方法，其特征在于，包括以下步骤：

步骤1：获取配电网故障时刻馈线终端装置及其他设备采集的数据；

步骤2：对原始数据进行数据预处理，剔除冗余数据和“坏数据”，对原始时域信号归一化，并将原始数据安装7:3的比例划分为训练集和测试集；

步骤3：根据训练数据实际情况确定深度置信网络的输入、输出节点、最大层数、每层的节点数和最大迭代次数等超参数；

步骤4：利用训练数据训练模型，反复迭代直至模型的代价函数低于设置的阈值；

步骤5：将测试数据导入到已经训练好的深度置信网络中进行测试，如果测试精度不满足要求，则重复步骤4再次训练模型；

步骤6：输出配电网故障诊断结果；

附图说明

图1是本发明实施例的流程示意图；

图2是受限玻尔兹曼机(rbm)模型的基本结构；

图3是深度置信网络的基本结构；

图4是dbn训练过程流程图；

图5是无监督学习过程；

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明基于深度置信网络的配电网故障诊断方法，包括以下步骤：

步骤1：获取配电网故障时刻馈线终端装置(ftu)及其他设备采集数据，包括开关状态、电能参数、相间故障、接地故障以及故障时的参数；

步骤2：预处理原始数据，剔除原始数据中的冗余数据和“坏数据”，同时将数据中不同量纲的采集数据归一化处理，并按照7:3划分训练数据和测试数据；

对于缺失的数据，通常插入中位数补全，由于原始数据中各类数据采集频率不同，用插值法使数据样本保持一致；

由于原始数据各类数据量纲不同，需按照下式将数据归一化；

其中，x与x′分别表示归一化前后原始样本点，xmin与xmax分别表示同一采集量的最小值和最大值；

将预处理后的样本按照7:3分为训练数据和测试数据，本发明所使用的样本共6500条，其中故障样本占10％，随机选取70％样本为训练样本，其余为测试样本；

步骤3：基于训练样本量和输入数据实际情况，设置模型输入节点、输出节点、最大层数、每层的节点数和最大迭代次数等超参数；

本实施例所使用的样本从某市110kv配电网获得，数据包括周围3个开关状态、三相电压电流数据及频率，故本实施例所建立的深度置信网络模型的输入节点数设置为10个，包括开关3个、电压电流数据6个、频率1个；

由于配电网主要故障是单相接地故障和弧光高阻接地故障，考虑到a、b、c三相，本实施例的输出节点数设为6，其中节点1-3号的输出值表示a、b、c三相发生单相接地故障的概率，4-6号节点输出值表示a、b、c三相发生弧光高阻接地故障的概率；

深度置信网络是一个概率生成模型，由多个受限波尔兹曼机(restrictedboltzmannmachine，rbm)堆叠而成，深度置信网络的最底层(第一层)接收输入数据向量，并通过rbm转换输入数据到隐含层，即高一层rbm的输入来自低一层rbm的输出；

如图2所示，每个rbm包含一个可视层和一个隐含层，只有可视层和隐含层单元之间有双向连接权值，而可视层单元与可视层单元及隐含层单元与隐含层单元之间没有连接，在给定可视层单元v＝{v1,v2,v3,...,vi}∈{0,1}、隐含层单元h＝{h1,h2,h3,...,hi}∈{0,1}、权重矩阵w、可视层单元的阈值a和隐含层单元阈值b的条件下，所有可视单元和隐含单元联合状态(v,h)的能量函数为：

其中，i为可视单元的数量，j为隐含单元的数量，根据上式得到的能量函数e(v,h)可以得到隐含层和可视层之间的联合概率分布为：

其中，z是一个模拟物理系统的标准化常数，由所有可视层和隐含层单元之间的能量值相加得到，通过上式的联合概率分布，按下式计算可视层向量v的独立分布为：

由于rbm的同一层任何两个单元之间都没有连接，所以给定一个随机输入可视层向量v，所有的隐含层单元是互相独立的，根据联合概率分布，得出在给定可视层向量v的条件下，隐含层向量h的概率为：

类似的，给定一个随机输入隐含层向量h，可以得到在给定隐含层向量h的条件下，可视层向量v的概率：

考虑到rbm的结构单元是一个二值状态，在定义逻辑函数sigmoid函数的前提下，可以得到激活概率：

在给定可视层向量v后，可以通过p(hj＝1/v)计算隐含层单元h的状态，然后通过p(vi＝1/h)得到重构可视层单元重构的状态，当可视层单元和重构可视层单元之间的差异最小，即可认为隐含层单元是可视层单元的另外一种表达，因此隐含层单元可以作为可视层输入单元的特征提取结果，从而达到了特征提取的目的；

本发明所构建的模型训练数据有4550条，所构建的深度置信网络见图3；

步骤4：利用训练数据训练深度置信网络模型参数，深度置信网络的训练由无监督的逐层预训练和有监督的微调两个过程组成，其整体训练过程见图4；

无监督逐层预训练是深度置信网络模型与其它模型的主要区别，无监督的逐层学习通过直接把数据从输入映射到输出，能够学习非线性复杂函数，这也是其具备强大特征提取能力的关键所在，首先在第一个rbm的可视层产生一个向量，通过rbm网络将值传递到隐含层，反过来，用隐含层去重构可视层，根据重构层和可视层的差异去更新隐含层和可视层之间的权重，更新机制如下式所示：

w′＝w-α·δw

式中，w是隐含层和可视层之间的权重，w′是更新后的权重，δw是重构层和可视层的差异，α是学习率；

直到达到最大的迭代次数，把得到的隐含层作为可视层，通过逐层堆叠，这个深度结构可以从原始数据中逐层提取特征，获得一些高层次表达。逐层训练rbm的方法避免了整体训练深度置信网络带来的复杂运算，其将深度置信网络模型逐层演变成一个浅层神经网络，无监督的逐层学习过程见图5；

根据图5，对深度置信网络进行无监督预训练，当训练完成后，通过在深度置信网络的最顶层添加标签数据，对深度置信网络进行有监督训练，即使用反向传播算法(backpropagation,bp)对深度置信网络的相关参数进行微调。通过对深度置信网络进行有监督的训练将进一步减少训练误差和提高深度置信网络分类模型的准确率。与无监督训练中每次训练一层相比，反向传播有监督微调同时对所有层的参数进行更新；

步骤5：将测试数据导入到已经训练好的模型中测试训练效果，输出节点的6个单元中概率最大值代表对应相发生小电阻接地或弧光高阻接地故障，如果精度满足阈值要求，则该模型可以用来检测配电网常见故障，若模型测试误差过大，则重新设置最大层数、每层节点数和迭代次数等超参数，重复步骤3和4直至训练精度满足要求；

步骤6：将训练好的模型用于配电网故障诊断，辅助运维人员掌握配电网运行状态；

本实施例的步骤1收集某市110kv配电网故障时刻馈线终端设备(ftu)采集数据，包括开关状态、电能参数、相间故障、接地故障以及故障时的参数；

本实施例的步骤2是通过插值法补全缺失数据，同时将数据中不同量纲的采集数据做0-1归一化处理，并按照7:3比例划分训练数据和测试数据；

本实施例的步骤3是基于训练样本量和输入数据实际情况，设置模型输入、输出节点、最大层数、每层的节点数和最大迭代次数等超参数，本发明所使用的样本从某市110kv配电网获得，数据包括周围3个开关状态、三相电压电流数据及频率，故本发明所建立的深度置信网络模型，其输入节点数设置为10个(开关3个、电压电流数据6个、频率1个)，所构建的模型训练数据有4550条，所构建的深度置信网络见图3；

本实施例的步骤4是用训练样本训练模型参数，同时在步骤5中测试模型训练效果，其中模型额训练过程如图4所示，首先设置模型的节点数、迭代次数等超参数，用无监督的训练机制训练模型更新参数，直至达到迭代次数，随后用反向传播算法微调参数，得到训练好的模型，无监督的玻尔兹曼机的参数学习过程如图5所示；

由于输入数据维数决定着输入层的节点数，输出类别数决定着输出层的节点数，因此将输入层和输出层的节点数分别设为10和6，将隐含层节点数设为500，将学习率初始值设为0.1，初始动量设为0.5，迭代5次后，动量变为0.9，全局反向微调次数为100。为了消除算法随机性，每次实验都重复10次，取10次结果的平均值，表1给出了4、5、6和7四种不同深度下dbn模型的分类性能，其中准确率是10次计算结果的均值，为了评估dbn模型的稳定性，给出了10次计算结果的标准差，同时为了对dbn模型的分类效率有一个直观的认识，也给出了不同深度下的训练时间，所构建的深度置信网络模型的分类性能对比如下：

表1dbn故障诊断性能

从表1可以看出，随着dbn模型深度的增加，时间几乎在成倍的增加，因此选择一个恰当的深度是非常必要的，表1中dbn模型深度为5时对应的分类准确率最高，比深度为4时对应的最低分类准确率高了2.6625％，此外，当深度大于5时，分类准确率没有大幅度的提高，训练时间却一直在大幅度增加，综合训练时间和分类准确率，5层是一个比较合理的深度选择；

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。