CN108154175B - 一种配电网录波多工况精确识别方法 - Google Patents

Abstract

本发明公开了一种配电网录波多工况精确识别方法，该方法包括：将工况录波输入卷积层区域以获得特征序列；将特征序列输入区域提取网络获得工况区域；将特征序列与工况区域叠加从而获得根据工况区域截取的多个特征序列区域；将该多个特征序列区域输入多层分类器得到对应的每个特征序列区域所对应的工况类型。实现工况持续时间及工况类型的同步判定，且上述两方面结果通过统一模型输出，从而形成端对端流程，以提高识别判定的准确率。

Description

一种配电网录波多工况精确识别方法

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网录波多工况精确识别方法。

背景技术

配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速发现处理，其中对馈线异常工况的识别是智能配电网的重要功能。传统的配电网工况分类一直采用仿真数据，仿真数据太过理想，处理起来简单。近几年，随着配电网线路监测系统的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。由此可见现有技术中的工况分类方法至少存在如下两方面的不足：第一、现有技术的各种故障定位方法仍然是将波形特征提取与工况类型判别分为两个步骤，即配电网中的终端设备获取的配电网拓扑中的原始波形，需先采取人工提取特征，再用特征进行工况类型判别，这种判别过程没有形成直接反馈的非端对端流程，因此工况分类判别的准确率无法持续提高。第二、现有技术的工况波形分类一般只能输出特定时间点的一种工况类型，然而在实际操作中，用户的实际需求为获取一段时间内多种工况，从而获得该时间段内工况演变的过程。

发明内容

本发明所要解决的技术问题之一是本发明利用区域-卷积神经网络模型，实现工况持续时间及工况类型的同步判定，且上述两方面结果通过统一模型输出，从而形成端对端流程，以提高识别判定的准确率。

本发明的另一个方面在于通过迁移学习的方式加快了区域-卷积神经网络的训练过程。

为了解决上述技术问题，本发明提供了一种配电网录波多工况精确识别方法，该方法包括：将工况录波输入卷积层区域以获得特征序列；将特征序列输入区域提取网络获得工况区域；将特征序列与工况区域叠加从而获得根据工况区域截取的多个特征序列区域，将该多个特征序列区域输入多层分类器得到对应的每个特征序列区域所对应的工况类型。

在一个实施例中，所述卷积层区域包含输入卷积层和卷积块，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

在一个实施例中，所述区域提取网络包括第一卷积层，并有该第一卷积层输出的双运算通道，其中一个运算通道经过一个卷积层输出参考区域尺寸修正参数，另一运算通道经过一个卷积层和softmax输出成输出参考区域是否有效的判定信息，即所述工况区域包含参考区域尺寸修正参数和参考区域是否有效的判定信息两部分信息。

在一个实施例中，所述多层分类器包括平均池化层、第一全连接层和第二全连接层。

在一个实施例中，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

根据本发明的另一方面，还提供了一种用于种配电网录波多工况精确识别方法的区域-卷积神经网络的机器训练方法，该方法包括：

1>.训练单数据块输入的深度神经网络模型并获得最优模型；

2>.提取最优单数据块输入的深度神经网络模型的输入卷积层及第一个卷积块的结构和参数；

3>.利用所提取的输入卷积层及第一个卷积块的结构和参数对区域-卷积神经网络模型框架进行初始化，并输入超参数随机生成器；

4>.利用超参数随机生成器生成超参数组合模型池；

5>.利用多维测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用多维训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

6>.利用多维验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

在一个实施例中，对所述单数据块输入的深度神经网络模型的训练方法包括：a.构建单模块输入深度卷积神经网络模型框架，并将其输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。。

在一个实施例中，所述训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。。

在一个实施例中，所述多维训练数据集、多维验证数据集和多维测试数据集是指由多个被标记工况区域及工况类型的波形数据构成的数据集合，所述工况区域是指波形的起止时间，所述工况类型包括短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种。

如图1所示的本发明的配电网录波多工况精确识别方法所使用的区域-卷积神经网络模型示意图，以下对本发明的卷积区域层、区域提取网络、多层分类器及基于迁移学习的超参数机器训练做出进一步的详细说明。

<卷积层区域模型>:

如图2所示为本发明的区域-卷积神经网络模型中的卷积区域层的结构框架，所述卷积层区域模型包括输入卷积层和卷积块，本发明中的卷积层中所涉及的卷积运算采用现有技术中公知的卷积运算方法，但本发明中在卷积运算中所使用的卷积核及相关参数是通过本发明的模型训练方法得到的最优化区域-卷积神经网络模型而确定的。

如图3a至3b所示的是本发明卷积块具体结构，其中图3a中所示为两层卷积结构，由两层卷积层叠加构成。图3b中所示为多通道结构，且每一通道均有两层卷积层叠加构成。图3c中所示为另一多通道结构，每一通道由1至3层卷积层构成。上述卷积块中的卷积核的相关参数以及通道数量，又或每一通道的卷积层数均可根据模型训练方法得到最优化深度神经网络模型而确定。

本发明中还可以在卷积块的输入与输出之间增加残量连接，即将每一个卷积块的输入与该卷积块的输出取和作为该卷积块的输出值，则有F(x)+x＝H(x)，其中F(.)为卷积块函数，H(.)为下个模块的输入，x为上个模块的输出。又F(x)＝H(x)-x，残量x的增加有利于F(.)参数的训练。

<区域提取网络>:

如图4所示是本发明的区域提取网络结构及数据传输示意图，其中左侧为区域提取网络结构，而右侧是相对应的区域提取网络结构中相应位置的数据输出结果。区域提取网络的输入为卷积层区域所输出的特征序列，特征序列为长度L，宽度为1，深度为D的矩阵。其中长度L是输入卷积层区域的工况录波长度的等比例压缩，压缩比例是由卷积层区域具体参数结构所确定的。以长度L上的每一个点为中心，具有n个参考区域，n和每个参考区域的长度由后续模型训练中，由最优超参数组合模型确定。当特征序列在左侧的区域提取网络中经过第一个卷积层时，意味着右侧卷积核在特征序列进行滑动运算，从而得到一个深度为d长度仍为L的数据序列，其中每一个长度上的数据融合了卷积核大小的特征信息。随后，所述深度为d长度为L的数据序列分为两条运算通道，其中一条运算通道包括一个卷积层，该卷积层的长和宽为1×1，卷积核的个数为2n个，经过该卷积层的运算结果在长度L上的每个点均有2n个输出，即产生以此点为中心的n个参考区域的尺寸修正系数，另一条运算通道包括一个卷积层和一个softmax输出层，该卷积层的长和宽为1×1，卷积核的个数为2n个，该运算通道的运算结果在长度L上每个点有2n个输出，即产生以此点为中心的n个参考区域是否为有效数据。

所述是否为有效数据包含两种结果，第一种表示参考区域为有效，即当此参考区域同某一标记区域的交并比(IoU)最大时，此参考区域有效。第二种表示参考区域为无效，即当此参考区域同所有标记区域的交并比都低于0.3时，则认为该参考区域是无效的。如果某一参考区域既不是有效的也不是无效的，则此参考区域不用于模型训练。

尺寸修正系数在其对应的参考区域被认定有效时才有意义。系数分别为中心的相对位置t_x，相对长度t_l。其真实值的计算方式是：

其中，x、l和x_r、l_r分别是波形数据中标注的工况区域和参考工况区域的中心点和长度。

<多层分类器>：

附图5为本发明的多层分类器模型，该多层分类器包括平均池化层、第一全连接层和第二全连接层。由于该多层分类器所输入的特征序列是被工况区域截取成大小不一的多个特征块，所以需先经过平均池化层，将这些特征块分别池化到大小一致，然后再分别经过两次全连接得到各自工况类型。同样地，所述第一、第二全连接层的超参数通过本发明的模型训练方法得到的最优化区域‐卷积神经网络模型而确定。

<基于迁移学习的超参数机器训练>：

从图2可知本发明的区域-卷积神经网络模型结构较为复杂。如果使用随机初始化参数，然后再进行模型训练的方式，则在优化过程中很容易使训练过程陷入到局部最优点，从而很难训练得出较优的结果。因此本发明采用了迁移学习的方法来训练最优模型，即如图6所示，首先使用单数据块输入的深度神经网络作为模型框架进行模型训练，从所得到的最优深度神经网络模型中提取卷积层区域中的输入卷积层及第一个卷积块的结构和参数。而后，将该结构和参数作为固定超参数输入到如图2所示的本发明的区域-卷积神经网络模型框架中。

上述单数据块输入深度神经网络进行机器训练的过程为：

a.构建单模块输入深度卷积神经网络模型框架，并将其输入超参数随机生成器；

b.由超参数随机生成器形成超参数组合模型池；

c.利用测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过。

d.利用验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

进一步的实施迁移学习，如图7所示，对本发明的区域-卷积神经网络模型框架进行机器训练，其具体步骤为：

e.提取单数据块输入的深度神经网络模型的输入卷积层及第一个卷积块的结构和参数；

f.利用所提取的输入卷积层及第一个卷积块的结构和参数对区域-卷积神经网络模型框架进行初始化，并输入超参数随机生成器；

g.利用超参数随机生成器生成超参数组合模型池；

h.利用多维测试数据集对超参数组合模型池中的每一个超参数组合模型进行测试，如果测试通过则结束训练将该超参数组合模型输入已训练超参数组合模型池，如测试未通过，则利用多维训练数据集对该超参数组合模型进行优化，优化后再次测试，直到该模型测试通过；

i.利用多维验证数据集对已训练超参数组合模型池中的每一超参数组合模型进行验证，验证通过的超参数组合模型即为最优超参数组合模型。

由于卷积层区域的前几层功能均为提取输入的抽象特征，而融合多工况的波形同单一工况的波形，基础的抽象特征是一致的。因此利用单数据块输入的深度神经网络模型的输入卷积层及第一个卷积块的结构和参数有助于模型经训练得到较优结果。

本发明的机器训练中使用到了两种不同的训练数据集，其中在对单数据块输入的深度神经网络框架进行训练时，使用到的是训练数据集、验证数据集和测试数据集，其可以包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。所述训练数据集、验证数据集和测试数据集中的数据均取自现有技术中的各种配电网在线监测终端所获取的录波数据。例如，训练数据集、验证数据集和测试数据集训共使用7种工况数据，分别为短路、接地、停电、复电、大负荷投入、大负荷切出和雷击，每种工况共约于5000个数据，共约35000个数据。训练数据集每种使用约4200个，测试和验证数据集分别每种使用不少于400个数据。

而本发明中对区域-卷积神经网络模型框架进行机器训练时使用的是多维训练数据集、多维验证数据集和多维测试数据集。所述多维训练数据集、多维验证数据集和多维测试数据集是指，如图8所示的320毫秒内一个配电网馈线监测设备录到的电流波形，图中将完整波形分为4段，即4种工况，其分别为正常、接地、短路、停电，该段波形中波形的起止点作为工况区域被标记，同时不同区域上的工况类型同时被标记，从而形成一个训练数据。由此可知，所述多维训练数据集、多维验证数据集和多维测试数据集中的每一个训练数据均是类似如图8所示的被标记工况区域及工况类型的波形数据。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

1.实现工况持续时间及工况类型的同步判定，且上述两方面结果通过统一模型输出，从而形成端对端流程，以提高识别判定的准确率。

2.通过迁移学习的方式加快了区域-卷积神经网络的训练过程。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明的区域-卷积神经网络模型示意图；

图2是本发明的卷积区域层的结构框架示意图；

图3a-3c是本发明的卷积块结构示意图；

图4是本发明的区域提取网络结构及数据传输示意图；

图5是本发明的多层分类器结构示意图；

图6是本发明的单数据块输入深度神经网络模型训练流程示意图；

图7是本发明的区域-卷积神经网络模型训练流程示意图；

图8是本发明的被标记工况区域及工况类型的波形数据示意图；

图9是本发明一实施例的最优区域-卷积神经网络模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

图9是根据本发明一实施例的最优区域-卷积神经网络模型示意图。下面结合图9对本方法进行说明。

首先，按如图6所示，对单数据块输入深度神经网络进行最优化训练，该单数据块输入深度神经网络的框架为包括卷积层区域和全连接层区域，在卷积层区域包括输入卷积层、卷积块、平均池化层。该全连接层区域内部含多个全连接层，除最后一层全连接层的神经元个数设置与工况类型个数相同外，其他全连接层的神经元数量以及全连接层的层数均为需进行优化训练的超参数。

本实施例对单数据块输入深度神经网络模型训练时所使用的训练数据集、验证数据集和测试数据集训共使用7种工况数据，分别为短路、接地、停电、复电、大负荷投入、大负荷切出和雷击，每种工况共约5000个数据，共约35000个数据。训练数据集每种使用约4200个，测试和验证数据集分别每种使用约400个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于98％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

对该最优超参数组合模型提取其输入卷积层和卷积块Ⅰ的结构和参数，所获得的输入卷积层中的卷积核的宽和长为6×5，个数为8。卷积块Ⅰ为具有双通道的卷积层，其每个通道均有双层卷积层构成，其中通道a的第一卷积层的卷积核的宽和长为6×3，个数为16，第二卷积层的卷积核的宽和长为6×3，个数为32,通道b的第一卷积层的卷积核的宽和长为6×3，个数为32，第二卷积层的卷积核的宽和长为6×3，个数为32。

将上述输入卷积层和卷积块Ⅰ的结构和参数输入区域-卷积神经网络模型框架中，按图7所示的机器训练流程进机器训练。

所使用的多维训练数据集、多维验证数据集和多维测试数据集训共使用35000个数据。训练数据集使用约29400个，测试和验证数据集分别使用约2800个数据。训练流程中的优化方法为批量Adam后向传输，当测试数据集正确率大于98％或训练超过10000轮时，训练停止，否则继续优化，多个超参数组合模型中验证数据集正确率最高的组合为最优超参数组合模型。

得到的最优区域-卷积神经网络模型中所述卷积层区域还包含卷积块Ⅱ和卷积块Ⅲ，卷积块Ⅱ设置为具有三通道的卷积层，其通道a为双层卷积层，其中第一卷积层的卷积核的宽和长为3×3，个数为16，第二卷积层的卷积核的宽和长为3×3，个数为32。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为3×5，个数为32，第二卷积层的卷积核的宽和长为3×3，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为3×5，个数为16，第二卷积层的卷积核的宽和长为3×3，个数为16，第三卷积层的卷积核的宽和长为3×3，个数为32。卷积块Ⅲ设置为具有三通道的卷积层，其通道a为单层卷积层，其卷积核的宽和长为1×3，个数为16。通道b为双层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为32，第二卷积层的卷积核的宽和长为3×3，个数为32。通道c为三层卷积层，其中第一卷积层的卷积核的宽和长为1×3，个数为16，第二卷积层的卷积核的宽和长为1×3，个数为16，第三卷积层的卷积核的宽和长为1×3，个数为32。

本实施例的最优区域-卷积神经网络模型中区域提取网络模型为：第一卷积层的卷积核的宽和长为1×3，个数为64，第一运算通道的卷积层的卷积核的宽和长为1×1，个数为64，第二运算通道的卷积层的卷积核的宽和长为1×1，个数为64。

本实施例的最优区域-卷积神经网络模型中多层分类器的具体结构为：第一全连接层神经元个数为4个，第二全连接层神经元的个数为7个。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (5)

1.一种配电网录波多工况精确识别方法，其特征在于，该方法包括：

将工况录波输入卷积层区域以获得特征序列；所述特征序列为长度L，宽度为1，深度为D的矩阵；

将特征序列输入区域提取网络获得工况区域；所述区域提取网络包括第一卷积层，并有该第一卷积层输出的双运算通道；所述特征序列输入第一卷积层后得到一个深度为d长度仍为L的数据序列；

其中一条运算通道包括一个卷积层，该卷积层的长和宽为1×1，卷积核的个数为2n个；所述深度为d长度为L的数据序列经过该卷积层的运算在长度L上的每个点均有2n个输出，即产生以此点为中心的n个参考区域的尺寸修正系数；所述尺寸修正系数包括中心的相对位置t_x，相对长度t₁；其计算公式为：

t_x＝(x-x_r)/x，

其中，x、l是波形数据中工况区域的中心点和长度；x_r、l_r是波形数据中参考工况区域的中心点和长度；

另一运算通道经过一个卷积层和softmax输出成输出参考区域是否有效的判定信息；当此参考区域同某一标记区域的交并比最大时，此参考区域有效；当此参考区域同所有标记区域的交并比都低于0.3时，则该参考区域无效；

即所述工况区域包含参考区域尺寸修正参数和参考区域是否有效的判定信息两部分信息；

将特征序列与工况区域叠加从而获得根据工况区域截取的多个特征序列区域；

将该多个特征序列区域输入多层分类器得到对应的每个特征序列区域所对应的工况类型。

2.根据权利要求1所述的配电网录波多工况精确识别方法，其特征在于，所述卷积层区域包含输入卷积层和卷积块，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

3.根据权利要求1所述的配电网录波多工况精确识别方法，其特征在于，所 述多层分类器包括平均池化层、第一全连接层和第二全连接层。

4.根据权利要求2所述的配电网录波多工况精确识别方法，其特征在于，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

5.一种配电网工况分类装置，所述装置采用如权利要求1-4之一所述的配电网录波多工况精确识别方法对配电网工况录波进行分类。

Images