适用于低压台区配电的状态监测系统及方法与流程

1.本发明涉及一种状态监测系统及方法，尤其是一种适用于低压台区配电的状态监测系统及方法。


背景技术：

2.目前，低压台区配电网的拓扑关系识别主要采用现场人工检测和在线智能监测两种方式。
3.对采用现场人工检测的拓扑识别方式，人工检测需要工作人员利用台区拓扑识别装置进行现场测定，这种方法识别精度低，尤其是当电网用户负荷发生变化时，会因为识别不及时导致故障定位困难。对采用在线智能监测的拓扑识别方式，目前大多采用基于监测终端、hplc通信单元硬件模块的载波通信、脉冲电流等方法，识别准确率较高，但脉冲电流需要控制在一定的幅值范围内，载波通信存在“台区串扰”等问题，精度容易受到影响，在操作上也存在一定难度，目前仍未得到较好的改善方案。
4.随着智能电表用户规模的不断扩大，基于智能电能表监测终端的大数据拓扑识别方法在识别准确率、识别效率上具有更明显的优势。但如何能有效实现低压台区配电的拓扑识别仍然是继续解决的技术难题。


技术实现要素：

5.本发明的目的是克服现有技术中存在的不足，提供一种适用于低压台区配电的状态监测系统及方法，其有效确认台区表箱内用户表的数量，能有效实现对低压台区配电的状态监测，提高低压台区配电监测的智能化程度。
6.按照本发明提供的技术方案，所述适用于低压台区配电的状态监测系统，包括集中器以及与所述集中器采用基于hplc网络通信的台区配电监测装置；所述台区配电监测装置包括一与台区变压器出线端适配连接的变压器出线侧监控终端、若干用于监测分支配电箱配电工作状态的分支箱监控终端以及若干用于监测台区表箱配电工作状态的表箱监控终端，台区内的台区表箱与表箱监控终端呈一一对应且台区内的分支箱监控终端与分支配电箱呈一一对应；
7.集中器与变压器出线侧监控终端、分支箱监控终端以及表箱监控终端基于hplc网络通信后，集中器确定所述集中器所在台区的配电拓扑关系，所确定的配电拓扑关系包括台区户变关系、台区分支拓扑关系以及台区表箱拓扑关系，其中，集中器进行台区表箱拓扑确定时，采用基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量，并通过所述基于cpso的k-means集群分类算法的分类结果得出用户表与台区表箱之间的对应关系。
8.采用基于cpso的k-means集群分类算法确定一表箱监控终端所对应台区表箱内的用户表数量时，包括如下步骤：
9.步骤1、通过表箱监控终端获取所监控台区表箱内n个用户表的n个户表工作参数
样本，其中，每个户表工作参数样本包括在同一采样时间点采样的三相工作电压、三相工作电流以及三相有功功率；
10.步骤2、根据上述n个户表工作参数样本，初始化混沌粒子群算法并给定k-means聚类方法的聚类数目k，在n个户表工作参数样本中随机选取k个户表工作参数样本作为一个粒子的初始位置；
11.步骤3、对种群，更新种群内每个粒子当前的速度和位置；对更新速度和位置后的种群，计算种群的目标函数适应度值以及全局最优位置；
12.步骤4、将上述得到的全局最优位置与预设的混沌优化条件比较，当根据所得到全局最优位置与满足预设的混沌优化条件匹配时，跳转至步骤5，否则，跳转至步骤3；
13.步骤5、根据混沌粒子群算法生成新的种群，将所生成新的种群，与混沌粒子群算法的终止条件比较，当与混沌粒子群算法的终止条件匹配时，跳转至步骤6，否则，跳转至步骤3；
14.步骤6、确定混沌粒子群算法的全局最优位置，并以所确定的粒子全局最优位置作为聚类中心，对n个用户表工作参数进行基于聚类数目k下的k-means聚类分析；
15.步骤7、在k-means聚类分析后，将所聚类分析的状态与聚类终止条件比较，当与聚类终止条件匹配时，则跳转至步骤9，否则，跳转至步骤8；
16.步骤8、令k＝k+1，以更新聚类数目，并跳转至步骤6；
17.步骤9、输出基于聚类数目k下的k-means聚类分析的结果，根据所确定聚类数目k得到与所述聚类数目k相一致的台区表箱内的用户表数量；
18.步骤10、结合聚类分类结果中户表工作参数样本内用户表id地址，确定任一用户表所属的台区表箱，得出台区表箱-户表的拓扑关系。
19.聚类终止条件为达到最大迭代次数，或者，聚类过程计算的目标函数有效值与预设的目标函数有效值阈值匹配。
20.表箱监控终端将每个用户表的地址调制到三相工作电流内，在得到台区表箱内用户表数量时，同时得到每个台区表箱内用户表相应的地址。
21.集中器采用工频畸变信号的方式确定台区户变关系；
22.变压器出线侧监控终端、分支箱监控终端、表箱监控终端与集中器通过脉冲电流方式确定台区分支拓扑。
23.在变压器出线侧监控终端、分支箱监控终端和/或表箱监控终端内配置基于深度卷积神经网络alexnet的风险预警模型，
24.对变压器出线侧监控终端，通过风险预警模型对变压器出线侧接线端子温度、变压器出线侧三相电流值以及变压器出线侧三相漏电流处理，以确定变压器出线侧的风险预警值；
25.对分支箱监控终端，通过配置在分支箱监控终端内的风险预警模型对分支箱接线端子温度、分支箱三相电流值以及分支箱三相漏电流进行处理，以确定分支箱的风险预警值；
26.对表箱监控终端，通过配置在表箱监控终端内的风险预警模型对台区表箱接线端子温度、台区表箱三相电流值以及台区表箱三相漏电流进行处理，以确定台区表箱的风险预警值。
27.构建风险预警模型时，包括如下步骤：
28.步骤s1、提供基于深度卷积神经网络alexnet的神经网络基本模型，并配置所述神经网络基本模型的模型基本状态参数，其中，所配置的模型基本状态参数包括精度控制参数以及学习率；
29.步骤s2、制作用于训练神经网络基本模型的样本数据集，其中，所述样本数据集包括多种工作状态下的工作状态参量，所述工作状态包括正常工作状态、满负荷工作状态以及故障状态，所述工作状态参量包括工作过程参量以及与所述工作过程参量相对应的预警状态参量，所述工作过程参量包括温度、三相电流以及三相漏电流；
30.将所制作的样本数据集划分为所需的训练样本集与验证样本集，其中，利用训练样本集用于对神经网络基本模型进行训练，利用验证样本集对训练后的神经网络基本模型进行验证；
31.步骤s3、利用训练样本集对上述的神经网络基本模型训练，当达到训练终止条件时，利用验证样本集对训练后的神经网络基本模型进行验证；
32.当利用验证样本集对所述神经网络基本模型验证与验证条件匹配时，则利用训练后的神经网络基本模型得到基于深度卷积神经网络alexnet的风险预警模型。
33.步骤s2中，样本数据集内包括若干样本数据，所述样本数据为通过对采样基本数据处理后得到，其中，对采样基本数据的处理包括依次进行的特征值提取、振荡模式筛选以及预处理。
34.还包括与表箱监控终端适配电连接的环境监测装置，利用环境监测装置能对表箱监控终端所在环境的环境状态参数监测，并将所监测的环境状态参数传输至集中器。
35.一种适用于低压台区配电的状态监测方法，利用上述状态监测系统对低压台区进行所需的状态监测。
36.本发明的优点：采用基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量有效确认台区表箱内用户表的数量；基于深度卷积神经网络alexnet的风险预警模型，能有效实现对低压台区配电的状态监测，提高低压台区配电监测的智能化程度。
附图说明
37.图1为低压台区的一种具体情况示意图。
38.图2为低压台区的一种具体拓扑关系示意图。
39.图3为本发明基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量的流程图。
40.图4为本发明构建风险预警模型的示意图。
具体实施方式
41.下面结合具体附图和实施例对本发明作进一步说明。
42.为了能有效实现对低压台区配电的状态监测，提高低压台区配电监测的智能化程度，本发明包括集中器以及与所述集中器采用基于hplc网络通信的台区配电监测装置；所述台区配电监测装置包括一与台区变压器出线端适配连接的变压器出线侧监控终端、若干
用于监测分支配电箱配电工作状态的分支箱监控终端以及若干用于监测台区表箱配电工作状态的表箱监控终端，台区内的台区表箱与表箱监控终端呈一一对应且台区内的分支箱监控终端与分支配电箱呈一一对应；
43.集中器与变压器出线侧监控终端、分支箱监控终端以及表箱监控终端基于hplc网络通信后，集中器确定所述集中器所在台区的配电拓扑状态，所确定的配电拓扑状态包括台区户变关系、台区分支拓扑以及台区表箱拓扑，其中，集中器进行台区表箱拓扑确定时，采用基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量。
44.具体地，集中器可以采用现有常用的形式，集中区需要具备hplc通信的能力，即集中器通过hplc通信交互方式与台区配电监测装置建立台区配电监控的hplc网络，因此，台区配电监控装置也需要具备hplc通信的能力，集中器、台区配电监控装置具体实现hplc通信能力的方式可根据实际需要选择，以能满足基于hplc网络通信为准，此处不再具体说明。
45.具体实施时，通过变压器出线侧监控终端能实现对台区变压器出线端的供电情况监测，通过分支箱监控终端能实现对分支配电箱配电的工作状态监控，通过表箱监控终端实现对台区表箱配电工作状态监控；图1为现有低压台区的一种具体连接结构示意图，图1中，变压器出线侧监控终端与台区变压器的出线侧适配连接，若干分支配电箱与变压器出线侧监控终端适配连接，每个分支配电箱可与一个或多个台区表箱适配连接，台区表箱、分支配电箱、变压器出线侧监控终端间的具体配合形成低压台区的配电形式与现有相一致。
46.具体实施时，变压器出线侧监控终端可以为智能塑壳断路器，智能塑壳断路器可以采用现有常用的形式，以能满足hplc网络通信，以对台区变压器供电进行监控为准。当变压器出线侧监控终端采用智能塑壳断路器时，当流过所述塑壳断路器的电流超过设定值时，变压器出线侧监控终端可以断开连接到所述变压器出线侧监控终端的分支配电箱的供电。每个分支配电箱与一分支箱监控终端适配连接，每个台区表箱与一表箱监控终端适配连接，分支箱监控终端、表箱监控终端的具体形式可以根据需要选择，以能满足hplc网络通信，并能实现所需配电工作监控为准，此处不再赘述。
47.图2中，为低压台区的一种具体拓扑示意图，其中，集中器作为主节点，与集中器直接连接的变压器出线侧监控终端为一级分支，与变压器出线侧监控终端适配连接的分支箱监控终端作为二级分支，与分支箱监控终端适配连接的表箱监控终端作为台区表箱级，具体拓扑关系的情况与现有相一致，此处不再赘述。
48.本发明实施例中，利用集中器可以实现整个低压台区的配电拓扑状态识别与确认，集中区所确定的配电拓扑状态包括台区户变关系、台区分支拓扑以及台区表箱拓扑。具体实施时，在进行台区户变关系识别时，集中器采用工频畸变信号的方式确定台区户变关系，其中，在确定台区户变关系时，集中器通过hplc网络发射一工频畸变信号，在整个低压台区内，收到工频畸变信号的变压器出线侧监控终端、分支箱监控终端和/或表箱监控终端向集中器反馈一工频畸变接收确认信息，集中器根据反馈的工频畸变接收确认信息得到台区户变关系，根据得到台区户变关系，集中器可确认整个低压台区配电时，台区配电监测装置的具体情况，如台区配电监测装置中变压器出线侧监控终端、分支箱监控终端以及表箱监控终端相应的数量关系，台区户变关系的具体情况与现有相一致，利用工频畸变信号确定台区户变关系的情况，也有现有相一致，为本技术领域人员所熟知，此处不再赘述。
49.在确定台区户变关系后，变压器出线侧监控终端、分支箱监控终端、表箱监控终端与集中器通过脉冲电流方式确定台区分支拓扑，具体采用脉冲电流方式确定台区分支拓扑的情况，与现有相一致。确定台区分支拓扑后，集中器可确定与低压台区中一级分支、二级分支以及台区表箱级拓扑的具体情况。在得到低压台区拓扑中的一级分支、二级分支以及台区表箱级拓扑后，还无法确定每个与一表箱监控终端所监控台区表箱内用户表的数量及用户表与所属表箱的对应关系。
50.为了能确定任一表箱监控终端所监控台区表箱内用户表的数量以及用户表与所属表箱的对应，本发明实施例中，采用基于cpso(混沌粒子群算法)的k-means集群分类算法确定任一表箱监控终端所监控台区表箱内用户表的数量以及户表与所属表箱的对应。具体实施时，对基于cpso的k-means集群分类算法，其基本思想为：针对传统k-means聚类算法对初始聚类中心取值敏感的问题，用改进的混沌粒子群算法优化k-means算法中聚类中心的位置，降低初始聚类中心的影响和陷入局部最优解的可能，以优化不同聚类数下的聚类划分，从而得到台区表箱户表的最优分类结果，结合集中器给每个户表的下发的唯一id地址，即可实现表箱-户表关系识别。
51.本发明实施例中，集中器进行台区表箱拓扑确定时，采用基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量及用户表与所属表箱的对应关系；具体地，对每个表箱监控终端，集中器均采用基于cpso的k-means集群分类算法确定相应表箱监控终端所对应台区表箱内的用户表数量及用户表与与所属表箱的对应关系。下面对基于cpso的k-means集群分类算法确定相应表箱监控终端所对应台区表箱内的用户表数量的过程进行具体说明。
52.如图3所示，采用基于cpso的k-means集群分类算法确定一表箱监控终端所对应台区表箱内的用户表数量时，包括如下步骤：
53.步骤1、通过表箱监控终端获取所监控台区表箱内n个用户表的n个户表工作参数样本，其中，每个户表工作参数样本包括在同一采样时间点采样的三相工作电压、三相工作电流以及三相有功功率；
54.具体地，对于n个用户表n个工作参数样本，具体可以实际需求采样得到，如对于一表箱监控终端，选择所对应台区表箱内所有用户表的48小时的三相工作电压、三相工作电流、三相有功功率数据(时间一致)组成样本序列，采样间隔可为15分钟，48小时采集到的数据点为192个；对于三相交流电的供电状态下，此时，任-户表工作参数样本的维度是3。对任一数据点，均包括所有用户表相应的户表工作参数样本。
55.因此，具体实施时，表箱监控终端除具备hplc通信能力外，还需要具备对所对应台区表箱内用户表的电压、电流以及有功功率采样的能力，表箱监控终端具体可采用本技术领域常用的技术手段实现对用户表电压、电流以及有功功率采样，具体为本技术领域人员所熟知，此处不再赘述。
56.步骤2、根据上述n个户表工作参数样本，初始化混沌粒子群算法并给定k-means聚类方法的聚类数目k，在n个户表工作参数样本中随机选取k个户表工作参数样本作为一个粒子的初始位置；
57.重复所述粒子初始位置的生成过程，生成具有m个粒子的种群p，其中，在初始化粒子群算法后，所述聚类数目k小于户表工作参数样本的个数n；
58.具体地，在得到n个户表工作参数样本后，根据所述n个户表工作参数样本，提供混沌粒子群算法并进行相应的初始化，一般地，对混沌粒子群算法初始化后，可以得到种群规模p，每个粒子的初始位置可由任意选取k个户表工作参数样本确定得到。
59.当然，在初始化时，还需要对每个粒子的速度初始化，每个粒子的初始速度可随机生成或为0。对于惯性权重系数w、学习因子c1以及学习因子c2，可根据现有常用的方式进行初始化或配置，如学习因子c1、学习因子c2取值可为c1＝c2＝2.05，具体为本技术领域人员所熟知，此处不再赘述。此外，对随机数r1和随机数r2，随机数r1和随机数r2可为[0，1]内的随机数。具体对混沌粒子群算法进行初始化的方式以及过程均与现有相一致，具体为本技术领域人员所熟知，此处不再赘述。
[0060]
此外，根据n个户表工作参数样本n，给定k-means方法的聚类数目k，具体地，聚类数目k小于户表工作参数样本的数量n。
[0061]
步骤3、对种群，更新种群内每个粒子当前的速度和位置；对更新速度和位置后的种群，计算种群的目标函数适应度值以及全局最优位置；
[0062]
具体地，所述种群可为上述初始化后的种群，或者后续更新生成的种群。对种群，采用本技术领域常用的技术手段更新粒子群内每个粒子当前的速度和位置，更新每个粒子的当前速度和位置后，采用本技术领域常用的技术手段计算种群的目标函数适应度值以及全局最优位置。因此，更新粒子的速度和位置，以及计算种群的目标函数适应度值以及全局最优位置的具体过程为本技术领域人员所熟知，此处不再赘述。
[0063]
步骤4、将上述得到的全局最优位置与预设的混沌优化条件比较，当根据所得到全局最优位置与满足预设的混沌优化条件匹配时，跳转至步骤5，否则，跳转至步骤3；
[0064]
具体地，预设的混沌优化条件包括全局最优位置变化率的平均值以及寻优次数；在当前执行次数小于预设的寻优次数时，且根据所得到全局最优位置，确定全局最优位置的变化率低于全局最优位置变化率的平均值时，则进行混沌优化，即跳转到步骤5，否则，即可判定不满足混沌优化条件，跳转到步骤3；
[0065]
本发明实施例中，全局最优位置变化率，一般可为相邻两个全局最优位置的变化得到，具体与现有相一致。在进行混沌优化时，一般需要对优化执行次数进行计数，混沌优化的次数需要不高于预设的寻优次数，具体实施时，所述优化执行次数即为当前步骤4中执行判断全局最优位置与预设混沌优化条件比较的次数。全局最优位置变化率的平均值以及寻优次数的具体情况，可以根据实际需要选择确定，具体为本技术领域人员所熟知，此处不再赘述。
[0066]
具体实施时，判定不满足混沌优化条件，具体为全局最优位置变化率大于等于预设全局最优位置变化率的平均值。
[0067]
步骤5、根据混沌粒子群算法生成新的种群，将所生成新的种群，与混沌粒子群算法的终止条件比较，当与混沌粒子群算法的终止条件匹配时，跳转至步骤6，否则，跳转至步骤3；
[0068]
具体地，采用本技术领域常用的技术手段生成新的种群，如生成新种群时：可将适应度值较高的95％的优胜个体进行速度和位置的更新，将得到的种群记作子种群popull；而将种群中适应度值较低的5％的非优胜个体映射为混沌变量，并将得到的混沌变量进行所需的变异，以得到变异后的子种群popul2，并将变异后的子种群popul2与优胜种群
popul1组合成新的种群pn，即生成了新的种群。
[0069]
与混沌粒子群算法的终止条件匹配，具体是指优化执行次数达到预设的寻优次数或全局最优位置变化率与预设的全局最优位置变化率平均值匹配，所述匹配具体是指全局最优位置变化率与预设的全局最优位置变化率平均值相一致，或者两者的差值为所允许的范围内，差值所允许范围可以根据实际情况选择确定，为本技术领域人员所熟知，此处不再赘述。
[0070]
步骤6、确定混沌粒子群算法的全局最优位置，并以所确定的粒子全局最优位置作为聚类中心，对n个用户表工作参数进行基于聚类数目k下的k-means聚类分析；
[0071]
具体地，在得到种群的目标函数适应度值以及全局最优位置后，即可依将全局最优位置配置为聚类中心，并进行基于聚类数目k进行k-means聚类分析，在确定聚类数目k以及聚类中心后，对n个户表工作参数样本具体进行k-means聚类，具体聚类的方式以及过程与现有相一致，具体为本技术领域人员所熟知，此处不再赘述。步骤7、在k-means聚类分析后，将所聚类分析的状态与聚类终止条件比较，当与聚类终止条件匹配时，则跳转至步骤9，否则，跳转至步骤8；
[0072]
具体地，聚类终止条件可以为达到最大迭代次数，或者，聚类过程计算的目标函数有效值与预设的目标函数有效值阈值匹配，其中，最大迭代次数可以根据实际需要确定，目标函数有效值阈值也可以根据实际的监测要求等确定，具体为本技术领域人员所熟知，此处不再赘述。
[0073]
聚类过程中，可采用本技术领域常用的技术手段实现对目标函数有效值的计算，如可以通过下述公式计算得到目标函数有效值，具体地：
[0074]
一般地，目标函数的有效值gk为：
[0075][0076]
其中，x表示户表工作参数样本；k为聚类数目；ei为簇ei的聚类中心；ni为i个簇中户表工作参数样本的个数。对于聚类中心，即为上述混沌粒子群算法输出的全局最优位置，i个簇中户表工作参数样本的个数可以直接确定得到，具体与现有相一致，为本技术领域人员所熟知。dist为计算户表工作参数样本与聚类中心ei间的距离。
[0077]
步骤8、令k＝k+1，以更新聚类数目，并跳转至步骤6；
[0078]
具体地，即增加聚类数目。
[0079]
步骤9、输出基于聚类数目k下的k-means聚类分析的结果，根据所确定聚类数目k得到与所述聚类数目k相一致的台区表箱内的用户表数量；
[0080]
具体地，满足聚类终止条件时，即可输出基于聚类数目k下的k-means聚类分析的结果。
[0081]
步骤10、结合聚类分类结果中户表工作参数样本内用户表id地址，确定任一用户表所属的台区表箱，得出台区表箱-户表的拓扑关系。
[0082]
进一步地，具体实施时，表箱监控终端将每个用户表的地址调制到工作电流内，在得到台区表箱内用户表数量时，同时得到每个台区表箱内用户表相应的地址。
[0083]
具体实施时，在执行基于cpso的k-means集群分类算法时，在采集的三相工作电流
后，将用户表的地址调制到所采样的三相工作电流内，集中器根据上述方法得到台区表箱内用户表数量时，可以根据地址调制方式，具体得到每个台区表箱内用户表相应的地址。可以采用本技术领域常用的技术手段将用户表的地址调制到工作电流内，集中器根据调制方法，能具体得到用户表相应的地址。
[0084]
本发明实施例中，由上述说明可知，k-means聚类分析的结果中包含户表分类的数目、聚类中心以及每一个聚类组里面的用户表数量。用户表与台区表箱间的对应关系，可以通过表箱监测终端相对应的表箱监控终端id地址确定。一个表箱监测终端只对应一个台区表箱，表箱监测终端与集中器通信的过程中，集中器可自动读取用户表的id地址，即可确定用户表与其所属台区表箱间的匹配关系，最终得到台区表箱-户表的拓扑关系。
[0085]
进一步地，在变压器出线侧监控终端、分支箱监控终端和/或表箱监控终端内配置基于深度卷积神经网络alexnet的风险预警模型，
[0086]
对变压器出线侧监控终端，通过风险预警模型对变压器出线侧接线端子温度、变压器出线侧三相电流值以及变压器出线侧三相漏电流处理，以确定变压器出线侧的风险预警值；
[0087]
对分支箱监控终端，通过配置在分支箱监控终端内的风险预警模型对分支箱接线端子温度、分支箱三相电流值以及分支箱三相漏电流进行处理，以确定分支箱的风险预警值；
[0088]
对表箱监控终端，通过配置在表箱监控终端内的风险预警模型对台区表箱接线端子温度、台区表箱三相电流值以及台区表箱三相漏电流进行处理，以确定台区表箱的风险预警值。
[0089]
本发明实施例中，基于深度卷积神经网络alexnet的风险预警模型可配置在变压器出线侧监控终端、分支箱监控终端和/或表箱监控终端内，具体可以根据需要选择。
[0090]
当变压器出线侧监控终端内配置基于深度卷积神经网络alexnet的风险预警模型时，对变压器出线侧监控终端，通过风险预警模型对变压器出线侧接线端子温度、变压器出线侧三相电流值以及变压器出线侧三相漏电流处理，以确定变压器出线侧的风险预警值。
[0091]
当分支箱监控终端内配置基于深度卷积神经网络alexnet的风险预警模型时，对分支箱监控终端，通过配置在分支箱监控终端内的风险预警模型对分支箱接线端子温度、分支箱三相电流值以及分支箱三相漏电流进行处理，以确定分支箱的风险预警值；
[0092]
当表箱监控终端内配置基于深度卷积神经网络alexnet的风险预警模型时，对表箱监控终端，通过配置在表箱监控终端内的风险预警模型对台区表箱接线端子温度、台区表箱三相电流值以及台区表箱三相漏电流进行处理，以确定台区表箱的风险预警值。
[0093]
具体实施时，温度、三相电流值以及三相漏电流的具体情况均与现有相一致，为本技术领域人员所熟知，此处不再赘述。
[0094]
进一步地，构建风险预警模型时，包括如下步骤：
[0095]
步骤s1、提供基于深度卷积神经网络alexnet的神经网络基本模型，并配置所述神经网络基本模型的模型基本状态参数，其中，所配置的模型基本状态参数包括精度控制参数以及学习率；
[0096]
具体地，基于深度卷积神经网络alexnet的神经网络基本模型为现有常用的alexnet神经网络，具体情况为本技术领域人员所熟知。为了能得到所需的风险预警模型，
需要配置模型基本状态参数，本发明实施例中，配置的模型基本状态参数包括精度控制参数与学习率。
[0097]
具体实施时，精度控制参数可为0.6～0.9，一般地，精度控制参数可取0.8左右；学习率为0.5～0.7。
[0098]
步骤s2、制作用于训练神经网络基本模型的样本数据集，其中，所述样本数据集包括多种工作状态下的工作状态参量，所述工作状态包括正常工作状态、满负荷工作状态以及故障状态，所述工作状态参量包括工作过程参量以及与所述工作过程参量相对应的预警状态参量，所述工作过程参量包括温度、三相电流以及三相漏电流；
[0099]
将所制作的样本数据集划分为所需的训练样本集与验证样本集，其中，利用训练样本集用于对神经网络基本模型进行训练，利用验证样本集对训练后的神经网络基本模型进行验证；
[0100]
具体实施时，配置模型基本状态参数后，需要制作样本数据集，对于样本数据集，需要多种工作状态下的工作状态参量，所述工作状态包括正常工作状态、满负荷工作状态以及故障状态，所述工作状态参量包括温度、三相电流以及三相漏电流，即样本数据集需要包括正常工作状态下的工作状态参量、满负荷工作状态下的工作状态参量以及故障状态下的工作状态参数。
[0101]
正常工作状态、满负荷工作状态以及故障状态的具体情况，以对应的实际工作情况为准，为本技术领域人员所熟知，此处不再赘述。因此，配置在变压器出线侧监控终端、分支箱监控终端、表箱监控终端内基于深度卷积神经网络alexnet的风险预警模型，需要分别制作对应的样本数据集，以能满足变压器出线侧监控终端、分支箱监控终端、表箱监控终端进行所需的风险监控。
[0102]
本发明实施例中，样本数据集内包括若干样本数据，为了能得到样本数据，需要先采集与样本数据相对应的采样基本数据，并对所述采样基本数据进行处理后，以得到样本数据，其中，对采样基本数据的处理包括依次进行的特征值提取、振荡模式筛选以及预处理。
[0103]
对任一采样基本数据，需要进行特征值提取，特征值是表征采样基本数据物理特性的值。具体实施时，对于三相电流而言，其特征值为设备满负载状态下电流输出的有效值和峰值，可以表征户表在长时间极限工作状态下的电流值。对温度的特征值，一般可以查阅监测户表的产品手册，上面有接线端的工作最大温度或阈值温度，以将工作最大温度或阈值温度作为温度特征值。对三相漏电流，所述三相漏电流的有效值或峰值可以查询户表及监测终端的产品手册，并参照低压配电网相关的技术规范可确定漏电流的特征值。因此，根据温度、三相电流、三相漏电流相应的特征，以能提取采样基本数据的特征值，在进行特征提取后，得到采样特征值数据。具体地，所述温度具体是指进线端温度以及相应的出线端温度。
[0104]
得到采样特征值数据后，对所述采样特征值数据进行振荡模式筛选，通过振荡模式筛选相当于在特征值提取的基础上加入白噪声信号，并在加入白噪声信号后进行处理，生成包含多种振荡模式的信号数据；根据低压台区所属电力设备的灵敏性，选择所需的振荡阻尼比，如振荡阻尼比的范围为[0，1]，在加入白噪声后的处理，具体可以为选择一采样特征值的表，选择标准差最大的信号作为振荡模式筛选后的信号。具体实施时，对采样特征
值数据进行振荡模式筛选时，具体振荡模式筛选方式以及均与现有相一致，具体为本技术领域人员所熟知，此处不再赘述。
[0105]
在振荡模式筛选后，进行预处理步骤，所述预处理具体包括归一化处理，即对振荡模式筛选后的数据进行相应的归一化处理，在归一化后，即得到样本数据，样本数据集内的温度、三相电流以及三相漏电流的取值范围均为[0，1]。
[0106]
具体实施时，对于工作状态参量中的预警状态参量，也需要进行对上述工作过程参量相同的处理过程，即进行特征值提取、振荡模式筛选以及预处理步骤，具体可以参考上述说明，此处不再赘述。对于预警状态参量，具体可以进线温度异常状态参量、出线温度异常状态参量、三相电流异常状态参量，三相漏电流异常状态参量，其中，所述异常状态即与实际工作场景等相关，具体根据所需确定异常的情况相关，如进线温度异常，可以为高于设定温度时即为异常，三相电流异常、三相漏电流异常的具体情况可以参考进线温度异常的说明，具体为本技术领域人员所熟知，此处不再赘述。
[0107]
对于制作的样本数据集，根据需要划分为训练样本集以及验证样本集，训练样本集、验证样本集的具体情况与现有相一致，具体为本技术领域人员所熟知，此处不再赘述。
[0108]
步骤s3、利用训练样本集对上述的神经网络基本模型训练，当达到训练终止条件时，利用验证样本集对训练后的神经网络基本模型进行验证；
[0109]
当利用验证样本集对所述神经网络基本模型验证与验证条件匹配时，则利用训练后的神经网络基本模型得到基于深度卷积神经网络a1exnet的风险预警模型。
[0110]
具体实施时，根据风险预警需求，设置训练终止条件，训练终止条件的具体情况可以根据需要选择。利用验证样本集对训练后的神经网络基本模型进行验证，以对训练后的神经网络基本模型进行评估，评估时，可以采用现有常用标准，在满足评估标准后，即可将利用训练后的神经网络基本模型配置为基于深度卷积神经网络alexnet的风险预警模型。
[0111]
通过样本数据集内的工作过程参量以及预警状态参量对神经网络基本模型训练，并得到基于深度卷积神经网络alexnet的风险预警模型，从而在进行预警时，能得到与样本数据集内预警状态参量相一致的风险预警状态值。具体实施时，风险预警状态值一般为数据矩阵，风险预警状态值内的每个预警模式之间互相独立，数据矩阵的每一行与一个故障模式相对应。风险预警状态值相对应数据矩阵的行数可根据实际需要选择，以能与样本数据集内的预警状态参量内所包含预警故障模式的数量对应一致为准，即根据实际预警的情况，通过训练后，能输出所需的风险预警状态值。
[0112]
具体实施时，利用风险预警模型进行风险预警时，对变压器出线侧监控终端，变压器出线侧的风险预警值为变压器出线侧风险预警状态值。当然，对应分支箱监控终端以及表箱监控终端，其风险预警值均为相对应的风险预警状态值，具体情况可以参考上述说明，此处不再赘述。
[0113]
进一步地，根据基尔霍夫电流定律，流入节点电流之和等于流出节点电流之和，节点电压保持不变。对于一个台区而言，电流将从台区节点流入逐级沿着物理线路流向的下级分支节点，直到用户电荷侧。设置台区集中器主节点电流、功率为(io，po)，流出各个节点的电流、功率分别为(i
a1
，p
a1
)，(i
a2
，p
a2
)，...，(i
an
，p
an
)，则有：
[0114]
i0＝i
a1
+i
a2
+...+i
an
+δia[0115]
p0＝p
a1
+p
a2
+...+p
an
+δpa[0116]
以节点中的一个二级分支出线端节点与表箱级入线端节点进行说明，根据台区拓扑识别结果，各级节点间的功率和电流应满足如下电荷关系：
[0117]
(i
a11
，p
a11
)＝(i
a111
+i
a112
+i
a113
+i
a114
+δi
a11
，
[0118]
p
a111
+p
a112
+p
a113
+p
a114
+δp
a11
)
[0119]
其中，δi
a11
、δp
a11
分别为二级分支出线端节点a11与表箱级入线端节点线路之间的电流和功率损耗。
[0120]
本发明实施例中，集中器依据上述原理可以计算出台区每一级线路的功率损耗和台区总的功率损耗，并根据功率损耗值计算出线损率。
[0121]
进一步地，还包括与表箱监控终端适配电连接的环境监测装置，利用环境监测装置能对表箱监控终端所在环境的环境状态参数监测，并将所监测的环境状态参数传输至集中器。
[0122]
具体实施时，表箱监控终端还具备物联网接口的能力，即可将环境检测装置与表箱监控终端连接，以能直接获取表箱监控终端所在环境的环境状态参数监测，所述环节状态参数可以为温度、湿度等环节状态，具体可以根据需要选择。将环节状态参数传输至集中器后，集中区即可确定每个表箱监控终端所在环境的环境状态。
[0123]
综上，可得到适用于低压台区配电的状态监测方法，提供集中器以及与所述集中器采用基于hplc网络通信的台区配电监测装置；所述台区配电监测装置包括一与台区变压器出线端适配连接的变压器出线侧监控终端、若干用于监测分支配电箱配电工作状态的分支箱监控终端以及若干用于监测台区表箱配电工作状态的表箱监控终端，台区内的台区表箱与表箱监控终端呈一一对应且台区内的分支箱监控终端与分支配电箱呈一一对应；
[0124]
集中器与变压器出线侧监控终端、分支箱监控终端以及表箱监控终端基于hplc网络通信后，集中器确定所述集中器所在台区的配电拓扑状态，所确定的配电拓扑状态包括台区户变关系、台区分支拓扑以及台区表箱拓扑，其中，集中器进行台区表箱拓扑确定时，采用基于cpso的k-means集群分类算法确定任一表箱监控终端所对应台区表箱内的用户表数量。
[0125]
具体地，集中器、配电检测装置内变压器出线侧监控终端、分支箱监控终端以及表箱监控终端的具体配合，以实现状态监测的方法均可参考上述说明，此处不再赘述。