城市配电网韧性无人智能化感知与预警方法、设备及介质

本发明属于城市配电网韧性，具体涉及一种城市配电网韧性无人智能化感知与预警方法。

背景技术：

1、近年来，台风、暴雨、冰灾等自然灾害导致的电力系统大规模停电事件频发，给电力系统安全稳定运行带来了巨大的挑战和威胁；这类灾难发生的概率虽小，但其造成的社会经济损失却可能极为巨大；为了衡量系统应对小概率、大影响事件的安全性能，人们提出了“韧性(resilience)”的概念，用以评估电力系统在灾害扰动过程中吸收扰动、抵御灾害、恢复运行并自我学习的能力。韧性一般被定义为系统应对外部冲击时能够尽快返回到冲击前的状态并能够更好抵御未来灾害事件的能力；具体到电力系统中，韧性是指电网遭受重大灾害的情况下，是否可以减少故障过程损失，并尽快恢复到正常供电状态的能力。

2、为了解决在电网韧性评估中遇到的难题，即提高电网感知能力和在遇到灾害所发出预警的准确性的难题。作为智能化的代表，人工智能方法和能源领域的联系日渐紧密，而深度学习算法作为人工智能的重要部分能够有效解决大部分传统方法稳定性和泛化性有限的问题。从电网拓扑、电网运行状况以及灾害情况时间数据中发现电网韧性异常，若从深度学习任务角度来看就是从时间序列中检测异常时间点，这对于保障安全、避免经济损失具有十分重要的意义。但是异常通常很罕见，并且被大量的正常点所隐藏，这使得数据标记困难且昂贵。另外，使用深度学习对于电网数据进行智能感知分析通常是进行单模态感知预测，如何将多维度的数据进行融合并进行准确预测是一项技术难题。

3、transformer是近年来非常优秀的深度学习结构，在transformer的诸多优势中，捕获长期依赖关系和交互的能力对于长时间序列建模具有很大的帮助，从而被应用与对各种时间序列计算表征。但transformer会捕获电网多维数据长期依赖关系，而电网多维数据通常需要考虑到长时间依赖，计算量大，且transformer自身模型参数量也存在较大的问题，故其推理速度会比较慢。

技术实现思路

1、本发明的目的是提供一种城市配电网韧性无人智能化感知与预警方法，通过对于配电网韧性相关的各种参量进行融合重建判定，能够实时无人监测电网韧性是否存在异常，从而及时通知管理员进行预警，对于保障安全、避免经济损失具有十分重要的意义。

2、本发明的技术方案是：一种城市配电网韧性无人智能化感知与预警方法，读取配电网多维指标，进行规范化处理后，通过变分编码网络进行数据表征、均衡器进行表征压缩，再由生成网络进行序列重建，根据重建结果结合设定的阈值判断电网韧性是否存在异常，实现电网韧性异常预警，包括以下步骤：

3、s1，对影响电网韧性的参量进行采集并合并为多维时间序列：在电网拓扑维度，获取电网设备健康参数与设备故障率；在电网运行状况维度，获取电网线路负载率、器件故障率；在灾害维度，获取风场数据并量化为时间序列，综合三个维度将所述5个指标组合为多维时间序列：

4、s2，建立变分-生成网络，在变分-生成网络中加入transformer模块，将多维时间序列输入变分-生成网络的变分编码网络，进行运算获得多维时间序列的数据表征；

5、s3，将数据表征输入均衡器，在保留时间序列语义特征的同时，对时间序列进行压缩；

6、s4，将均衡器输出的数据表征输入变分-生成网络的生成解码网络生成重建输出；

7、s5，设定分数机制对重建后的电网韧性多维信号时间序列进行打分判定，若是分数超过设定阈值，便判定电网韧性出现异常，发出预警，通知对影响电网韧性相关设备的情况进行查验。

8、进一步的，变分-生成网络的变分编码网络具体为：

9、首先，对多维时间序列x＝{x1,...,xt}加入位置编码pe，位置编码的计算方式如下：

10、

11、

12、其中t为序列长度，pos＝1,…,t,j＝0,...,dx/2,dx是输入序列的维度数；

13、记加入位置编码后的输入为x'，接着输入n个编码块进行运算，编码块在多头自注意力机制中先加入一维卷积增强对于局部信息的关注，计算方式如下：

14、xi＝conv1d(x')

15、通过一维卷积后，采用空间缩减多头注意力，记多空间缩减多头注意力头的数量为h，其对每次输入的k与v进行空间缩减sr操作,计算方式如下：

16、srmultihead(q,k,v)＝concat(h1,...,hh)

17、hl＝attention(ql,sr(kl),sr(vl))

18、其中concat()表示合并矩阵，l＝0,…,h，首先计算出注意力参数矩阵：

19、

20、再利用一个激活函数进行归一化操作，并除以m为输入向量的维度：

21、

22、乘上v矩阵得到注意力分数：

23、hl＝sr(vl)a'l

24、其中，空间缩减操作sr如下所示：

25、sr(x)＝norm(wsreshape(x,ri))

26、其中，x表示空间缩减操作的输入，ri表示在这一次空间缩减操作的减少率，reshape()表示将输入x缩减ri倍的操作，norm()表示层标准化；

27、将运算后的结果与原先的输入相加，经过层标准化后输出进入前馈层，并再进行一次相加标准化计算，如下：

28、

29、

30、其中，layernorm()为层标准化操作，feedforward()为前馈操作，得到变分编码网络的中间输出et＝{e1,…,et}，再输入线性层和激活层进行计算变分编码网络的分布输出：

31、

32、其中n()表示正态分布，均值与方差的计算方式如下：

33、μ(zt-1)＝(1-gt)⊙(wzt-1+b)+gtht

34、σ2(zt-1)＝softplus(wrelu(ht)+b)

35、其中w为权重矩阵，⊙表示矩阵对应位置相乘，relu为线性整流函数，softplus是一种激活函数，gt,ht如下：

36、gt＝mlp(zt-1,relu,sigmoid)

37、ht＝mlp(zt-1,relu)

38、mlp为多层感知机，gt即为zt-1通过relu函数与sigmoid函数后的结果，ht为通过relu函数后的结果；

39、最后根据均值与方差得到变分编码网络得分布输出vt＝{v1,...,vt}，完成变分编码网络的数据表征。

40、进一步的，s3的均衡器实现为：将变分编码网络输出vt输入均衡器，

41、zt＝meanpooling(softplus(conv1d(vt)))

42、其中，conv1d代表一维卷积，softplus表示激活函数，meanpooling表示平均池化，尺寸为3，步长为2，经过均衡器后的输出为zt＝{z1,...,zt/2}。

43、进一步的，s4中生成解码网络的重建输出为：

44、将变分编码网络的输出zt加入位置编码得到z't，将z't输入n个解码块进行运算，如下：

45、

46、

47、生成解码网络中间输出dt＝{d1,...,dt/2}，将中间输出dt输入线性层进行计算：

48、μ(dt-1)＝(1-gt)⊙(wdt-1+b)+gt⊙ht

49、对应得到生成解码网络的重建输出yt＝{y1,...,yt/2}。

50、进一步的，s5中打分公式如下：

51、s＝log(yt)

52、使用时间序列异常检测的pot算法动态设定阈值，判定电网韧性异常方法如下：

53、yi＝γ(si≥pot(si)),

54、

55、其中，γ表示将打分序列中超过阈值的时间点打上标记，∨表示或，表示一旦输出序列中有异常，就发出预警。

56、本发明还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行，以使所述电子设备实现上述城市配电网韧性无人智能化感知与预警方法。

57、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现上述的城市配电网韧性无人智能化感知与预警方法。

58、本发明使用transformer编码解码方案进行网络搭建，采用这种方法可以大大地提升电网韧性无人智能化感知能力，以及当灾难来临时系统发出预警的准确性。本发明通过对电网多个维度韧性相关参数信号进行智能判别是否存在韧性异常，针对多维数据融合表征难的问题，在变分编码-生成解码结构中引入transformer块，使电网韧性异常得到更加优秀的表征。针对transformer块推理速度慢的问题，提出多头空间缩减自注意力，加快了网络的推理速度；提出均衡器架构，在保留电网韧性智能感知时间序列语义特征的同时，使时间序列压缩得更小，提升网络的推理速度，使电网韧性异常预警更加及时。同时，使用无监督算法进行电网韧性异常检测，节省了大量人工观察与标注成本，在增强电网韧性感知力的同时，还能及时提醒电网韧性出现的异常状况，对于保障安全、避免经济损失具有十分重要的意义。

59、本发明通过对电网多个维度韧性相关参数信号进行智能判别是否存在韧性异常，构建的感知网络推理速度快，能够快速对电网环境变化进行感知，使电网韧性异常预警更加及时，及时提醒电网韧性出现的异常状况，对于保障安全、避免经济损失具有十分重要的意义。与现有技术相比，本发明的有益效果是：

60、(1)使用了无监督的深度学习算法进行电网韧性异常检测，节省了大量的人工观察与标注成本，增强了对于电网韧性的感知力。

61、(2)针对多维数据融合表征难的问题，使用了变分编码-生成解码网络这一架构，并在该结构中引入了transformer块，能够进行更加优秀的数据表征与生成操作，在网络计算时能够放大电网韧性异常状态，使电网韧性异常更加容易被发现。

62、(3)针对transformer块推理速度慢的问题，将多头注意力改进为多头空间缩减自注意力，加快了网络的推理速度；提出均衡器架构，通过均横器可以在保留电网韧性智能感知时间序列语义特征的同时，使时间序列压缩得更小，提升网络的推理速度，从而使电网韧性预警能够更加及时，迅速。

63、(4)鉴于电网韧性异常在局部时间特征方面表现得更明显这一特性，在对于电网韧性量化时间序列进行自注意力运算前进行一维卷积，提升了网络对于局部特征的关注。