CN111880044A - 一种含分布式电源配电网在线故障定位方法 - Google Patents
一种含分布式电源配电网在线故障定位方法 Download PDFInfo
- Publication number
- CN111880044A CN111880044A CN202010623373.XA CN202010623373A CN111880044A CN 111880044 A CN111880044 A CN 111880044A CN 202010623373 A CN202010623373 A CN 202010623373A CN 111880044 A CN111880044 A CN 111880044A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fault
- layer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种含分布式电源配电网在线故障定位方法。本发明包括步骤:构建配电网系统拓扑结构,并对节点和支路进行标号;根据不同配电网位置故障,获取历史故障数据,包括物理特征、空间特征及标签特征;对不同类型的数据进行数据预处理和特征提取;构建LSTM神经网络模型,利用该模型对历史数据进行训练,得到合适的网络参数;在线获取实时故障数据,对其进行预处理后送入模型中,得到对应的故障位置结果,并用该组数据对神经网络模型进行更新。本发明所述方法定位高效准确,配置成本低,且对故障数据的容错率高,同时能够克服接入分布式电源给配电网带来的不稳定。
Description
技术领域
本发明属于大数据、神经网络在配电网的应用领域,涉及一种基于数据和 长短期记忆神经网络(LSTM)的含分布式电源配电网在线故障定位方法。
背景技术
随着电力的普及与发展,人们对电力的依赖日益增加,对可靠的电力输送 的要求也越来越高,与此同时,电网还需要兼顾减少中断时间和运营成本。配 电网作为电力系统的重要组成部分,它主要连接用户侧,具有地域分布广、设 备种类多、连接复杂、运行方式多变等特点。当配电网发生故障时,电网需要 及时确定故障位置并安排人员检修,如果不定位故障部分,则无法尝试消除故 障并恢复电源,因此,配电网故障定位在生产生活中具有相当重要的意义。配 电网在线故障定位要求通过识别网络中的故障总线或故障线路部分来快速准确 定位故障位置,进而进行检修,在最短时间内回复供电。
随着电网技术的不断更新和发展,配电网的形式与规模逐渐扩大和复杂化。 配电网的安全运行能够保证用户的用电体验,一方面,由于智能电表的应用与 接入,并进行实时数据采集,从配电网内可以获取更加多样和海量的信息;另 一方面,随着分布式能源DG,如:光伏发电、风力发电等发电方式的发展和利 用,含分布式电源配电网的形式与传统配电网之间存在较大差异。传统配电网 故障定位方法是在线路上对故障进行直观识别,向线路中发送脉冲信号,并对 反射波进行分析,或通过停电管理系统来识别电路中断,这些故障定位方式不 能够与包含大量数据且改变结构的配电网相适应。因此,含分布式电源的配电 网需要具备大数据处理能力的配电网故障定位方法对故障位置进行在线定位。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种含 分布式电源配电网在线故障定位方法,其采用长短期记忆神经网络的结构,对 配电网故障数据进行训练学习,得到对应的故障位置,从而实现故障定位的功 能。
为此,本发明的目的是通过以下的技术方案来实现:一种含分布式电源配 电网在线故障定位方法,其根据历史故障数据得到故障定位模型,再将实时故 障数据送入该模型,得到故障位置结果;所述方法包括步骤:
S1,构建配电网系统拓扑结构,并对拓扑结构中的节点和支路进行标号处 理;
S2,获取历史数据集:根据配电网故障位置的不同,利用相位测量单元得 到对应的各个网络节点的电压、电流和相位,这些物理特征与空间特征及标签 特征一起构成历史数据集(标签特征即故障节点标号,空间特征即节点间连接 关系);
S3,对历史数据集中的数据进行预处理和特征提取:节点电压、电流和相 位作为特征数据,对其进行mean-std标准化,而故障节点标号作为标签数据, 进行one-hot编码;
S4,构建LSTM神经网络模型,利用基于tensorflow的keras API进行LSTM 神经网络模型的搭建,LSTM神经网络模型引入LSTM层、全连接Dense层、 Dropout层和Input层;通过引入输入数据,对LSTM神经网络模型进行训练和 优化,得到最优的各层参数,即神经元个数;
S5,实时在线故障定位及模型更新:在线获取包含电压、电流和相位特征 的实时故障数据,对其进行步骤S3中同样的预处理和特征提取,通过步骤S4 中构建好的LSTM神经网络模型,得到对应的故障位置结果,并用该组数据对 LSTM神经网络模型进行更新。
长短期记忆LSTM神经网络是循环神经网络RNN的一种变形,循环神经网 络RNN是一类用来处理序列数据的神经网络,它借鉴了人脑在推理、运算过程 中前后联系的思考过程,强调了记忆对于神经网络输入输出的影响。利用LSTM 对配电网故障数据进行建模,可以不用考虑各节点和支路之间的潮流方程和非 线性关系,只针对数据进行故障定位。
进一步地,步骤S1的具体内容为:
S11:构建配电网系统拓扑结构时,对各个节点及支路进行标号区分,为方 便后续one-hot编码,标号时从1开始进行;
S12:根据拓扑结构,支路标号时兼顾其相邻节点,按照电力输送方向对节 点间关系编号。
节点表示配电网系统中的主要电力设备,如变压器、电源等,支路表示馈 线。
进一步地,步骤S2的具体内容为:
S21:利用相位测量单元PMU收集历史数据时,为保证后续故障定位模型 的准确性,应收集足够数量的数据,且不同故障位置的数据都应足够;
S22:由于配电网故障节点会影响其临近节点的数据,在收集历史数据时, 应将该节点与其他节点间的关系作为一组空间特征数据,利用神经网络模型对 其进行学习;
S23:收集历史数据时,为避免错误数据对结果的影响,选择一部分数据进 行随机丢弃。
进一步地,步骤S3具体为:
S31,数据特征提取:对于收集到的特征数据,能够影响故障定位的特征仅 占其中一部分,将这几个特征提取出来,进行下一步的处理,由于影响模型输 出的特征未知,选取递归特征消除法进行特征筛选;
S32,数据预处理:对于特征数据,为避免模型过拟合,需要对特征数据进 行mean-std标准化,采用min-max的方法,将数据转化为0-1范围内的数;
其中,xmin、xmax分别表示该特征下数据的最小值和最大值,x和X则分别表示标 准化之前和之后该特征数据的值;
S33:历史数据集经过特征提取和数据预处理后,需要将其按8:2的比例 划分为训练集和测试集,训练集用于对模型进行训练,测试集检验模型的泛化 能力,用于对训练好的模型进行测试和优化。
进一步地,步骤S4具体为:
S41,构建LSTM神经网络模型:根据输入输出数据规格要求,按照输入层、 LSTM层、Dense层、Dropout层、Dense层进行构造;输入层InputLayer将预 处理后的数据输入到神经网络模型中;长短期记忆层LSTM层将数据进行处理 变形;全连接层Dense层内进行L1-L2正则化,防止模型过拟合;随机丢弃层 Dropout层按照0.5的随机丢弃率断开神经元连接,防止模型过拟合;最后经全 连接层Dense层将结果输出;
S42:各层的神经元个数根据优化程序确定,该优化程序通过最小化模型输 出与实际输出之间的均方误差MSE,从而确定模型参数;
S43:对模型进行编译、训练、测试。
进一步地,步骤S5具体为:
S51:按照历史数据的处理方法对实时故障数据进行预处理,送入神经网络 模型,得到相应的故障位置结果;
S52:将S51中得到的数据作为历史数据,再次传入神经网络模型,对神经 网络模型进行更新和优化;
S53:后续实时故障数据经预处理后送入到S52得到的更新过的神经网络模 型中,不断输出结果和更新模型。
本发明具有的有益效果为:
本发明所述方法实现了对配电网系统实时故障在线进行故障定位,进而指 导配电网线路维修工作,确保整个电网稳定、安全地运行,提高用户用电舒适 度。
本发明所述方法与传统配电网故障定位方法相比,LSTM网络具有强大学习 和挖掘能力,能够适用于配电网大数据,对大数据的处理能力效果显著,与此 同时,对PMU单元的数量要求不高,能够节约故障定位成本,且故障定位结果 高效准确。
附图说明
下面根据说明书附图对本发明作进一步详细说明。
图1是本发明基于LSTM的含分布式电源配电网在线故障定位方法的实现 流程图;
图2是本发明实施例所述的基于LSTM的含分布式电源配电网在线故障定 位方法的流程图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅 用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替 代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解, 在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技 术人员来说没有这些细节部分的描述也可以完全理解本发明。
图1是本发明基于LSTM的含分布式电源配电网在线故障定位方法的实现 流程图。如图1所示,本发明所述方法包括如下步骤:
S1:构建配电网系统拓扑结构,对系统的节点和支路进行标号处理。
S2:收集历史数据集。根据配电网故障位置的不同,利用PMU单元得到对 应的各个网络节点的电压、电流、相位的历史数据,形成数据集,其中节点电 压、电流、相位等数据作为特征,故障节点的标号作为标签;此外,为根据趋 势排除异常数据,需要按照10%的比例对数据进行随机丢弃。
S3:数据预处理和特征提取。为得到良好的训练结果,需要对数据集中的 数据进行预处理和特征提取:电压、电流等数据作为特征数据,需要对其进行 mean-std标准化,而故障节点标号作为标签数据,需要进行one-hot编码。
S4:构建LSTM神经网络。利用基于tensorflow的keras API进行神经网络 模型的搭建。LSTM神经网络模型主要引入LSTM层、全连接Dense层、Dropout 层、Input层。通过引入输入数据,对模型进行训练和优化,得到最优的各层参 数,即神经元个数。
S5:实时在线故障定位及模型更新。实时获取包含电压电流等特征的在线 数据,对其进行步骤S3中同样的预处理和特征提取,送入步骤S4中构建好的 LSTM神经网路模型,得到输出标签结果;并用该组数据对LSTM神经网络模 型进行更新。
具体使用时:
图2是本发明实施例所述的基于LSTM的含分布式电源配电网在线故障定 位方法的流程图,如图2所示,本发明所述实施例具体包括如下步骤:
S1:构建配电网系统拓扑结构,对系统的节点和支路进行标号处理。
上述步骤S1包括如下子步骤:
S11:根据所研究的区域构建配电网系统拓扑结构模型,该结构主要包括节 点和和支路,节点表示配电网系统中的主要电力设备,如变压器、电源等,支 路表示馈线。在构建拓扑结构模型时,应对各个节点及支路进行标号区分,为 方便后续one-hot编码,标号时应从1开始进行。
S12:根据拓扑结构图标号时,应兼顾其相邻节点,按照电力输送方向对节 点间关系编号;本发明的实施例使用IEEE-34节点模型构建配电网拓扑结构, 涉及34个节点,在编程时需要对这34个节点重新编号,如节点800被重新编 号为1;其他节点标号如表1所示:
表1 IEEE-34节点网络各节点编号
节点序号 | 800 | 802 | 806 | 808 | 810 | 812 | 814 | 850 | 816 | 818 | 820 | 822 |
标号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
节点序号 | 824 | 826 | 828 | 830 | 854 | 856 | 852 | 832 | 888 | 890 | 858 | 864 |
标号 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 |
节点序号 | 834 | 842 | 844 | 846 | 848 | 860 | 836 | 840 | 862 | 838 | ||
标号 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 |
S2:收集历史数据。根据配电网故障位置的不同,利用PMU单元得到对应 的各个网络节点的电压、电流、相位的历史数据,形成数据集,其中节点电压 电流等数据作为特征,故障节点的标号作为标签;此外,为根据趋势排除异常 数据,需要按照10%的比例对数据进行随机丢弃。
上述步骤S2包括如下子步骤:
S21:收集历史数据时,为保证后续故障定位模型的准确性,应收集足够数 量的数据,且不同故障位置的数据都应足够;
S22:由于配电网故障节点会影响其临近节点的数据,因此在收集历史数据 时,应将该节点与其他节点间的关系(即空间特征)作为一组特征数据,利用 神经网络模型对其进行学习;具体为:按照电力输送方向,相邻节点电力输入 记为1,电力输出记为-1,互不相邻记为0,当前节点该特征也记为0。对于实 施例的IEEE-34节点模型,其部分节点的空间特征如表2所示:
表2节点空间特征
节点序号 | 编号 | 空间特征 |
800 | 1 | 0,-1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 |
802 | 2 | 1,0,-1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 |
808 | 4 | 0,0,1,0,-1,-1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 |
810 | 5 | 0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 |
S23:收集历史数据时,为避免异常数据对结果的影响,可以选择一部分数 据进行随机丢弃;在实施例中,训练数据是使用OpenDSS软件基于故障条件下 的潮流模拟生成的,对数据随机丢弃一部分后,每个故障节点包含500个样本, 即500组故障数据,构成数据集;
S3:数据预处理和特征提取。为得到良好的训练结果,需要对数据集中的 数据进行预处理和特征提取:电压、电流等数据作为特征数据,需要对其进行mean-std标准化,而故障节点标号作为标签数据,需要进行one-hot编码。
上述步骤S3包括如下子步骤:
S31:数据特征提取。对于收集到的特征数据,利用递归特征消除法进行特 征筛选,将对实际结果影响较大的几个特征这取出来。递归消除特征法使用一 个基模型来进行多轮训练,每轮训练后,消除若干权值系数的特征,再基于新 的特征集进行下一轮训练。本实施例中使用到的特征为三相电流、电压、相位 以及空间特征。
S32:数据预处理。对于特征数据,为避免模型过拟合,需要对数据进行 mean-std标准化,采用min-max的方法,将数据转化为0-1范围内的数;对于标 签数据,对其进行one-hot编码;
对节点进行one-hot编码时,34个节点一共需要34位,第i个节点对应第i 位上的值为1,其他值为0,例如节点800,其对应编号为1,则其one-hot编码 为{1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0}。
S33:数据集经过特征提取和数据预处理后,需要将其按照8:2的比例划分 为训练集和测试集,训练集用于对模型进行训练,测试集检验模型的泛化能力, 用于对训练好的模型进行测试和优化。
S4:构建LSTM神经网络。利用基于tensorflow的keras API进行神经网络 模型的搭建。引入输入数据对模型进行训练和优化,得到最优的各层参数(神 经元个数)。
上述步骤S4包括如下子步骤:
S41:构建LSTM神经网络模型。根据输入输出数据规格要求,按照输入层、 LSTM层、Dense层、Dropout层、Dense层输出进行构造。具体每层的分布顺 序及其作用如表2所示:
表3 LSTM神经网络模型各层分布
LSTM网络模型各层分布 | 备注 |
InputLayer | 将预处理后的数据输入到神经网络模型中 |
LSTM | 利用LSTM将数据进行处理变形 |
Dense | 全连接层内进行L1-L2正则化,防止模型过拟合 |
Dropout | 按照0.5的学习率断开神经元连接,防止模型过拟合 |
Dense | 经全连接层将结果输出 |
在构建神经网络模型时,需要用到激活函数。对于LSTM层,门控函数选 用sigmoid函数,激活函数选用双曲正切tanh函数;对于全连接层,选用线性 整流函数ReLU作为激活函数。各激活函数的定义如下:
ReLU:f(x)=max(x,0),
S42:各层的神经元个数根据优化程序Hyperopt确定,该优化程序利用优化 器通过最小化模型输出与实际输出之间的均方误差,从而确定参数;
S43:对模型进行编译、训练、测试;在实施例中,编译时使用Adam算法 为优化器,能够更快收敛,且错误率低;此外,损失函数选用均方误差MSE, 评估标准选用平均绝对误差MAE和平均绝对百分比误差MAPE;
S5:实时在线故障定位。实时获取在线数据,对其进行步骤S3中同样的预 处理和特征提取,送入步骤S4中构建好的LSTM神经网路模型,得到输出标签 结果。
上述步骤S5包括如下子步骤:
S51:按照历史数据的处理方法对实时故障数据进行预处理,送入神经网络 模型,得到相应的故障位置结果;
S52:将S51中得到的数据作为历史数据,再次传入神经网络,对网络进行 更新和优化;
S53:后续实时故障数据经预处理后送入到S52得到的更新过的神经网络中, 不断输出结果和更新模型。
Claims (6)
1.一种含分布式电源配电网在线故障定位方法,其特征在于,根据历史故障数据得到故障定位模型,再将实时故障数据送入该模型,得到故障位置结果;所述方法包括步骤:
S1,构建配电网系统拓扑结构,并对拓扑结构中的节点和支路进行标号处理;
S2,获取历史数据集:根据配电网故障位置的不同,利用相位测量单元得到对应的各个网络节点的电压、电流和相位,这些物理特征与空间特征及标签特征一起构成历史数据集;
S3,对历史数据集中的数据进行预处理和特征提取:节点电压、电流和相位作为特征数据,对其进行mean-std标准化,而故障节点标号作为标签数据,进行one-hot编码;
S4,构建LSTM神经网络模型,利用基于tensorflow的keras API进行LSTM神经网络模型的搭建,LSTM神经网络模型引入LSTM层、全连接Dense层、Dropout层和Input层;通过引入输入数据,对LSTM神经网络模型进行训练和优化,得到最优的各层参数,即神经元个数;
S5,实时在线故障定位及模型更新:在线获取包含电压、电流和相位特征的实时故障数据,对其进行步骤S3中同样的预处理和特征提取,通过步骤S4中构建好的LSTM神经网络模型,得到对应的故障位置结果,并用该组数据对LSTM神经网络模型进行更新。
2.根据权利要求1所述的方法,其特征在于,步骤S1的具体内容为:
S11:构建配电网系统拓扑结构时,对各个节点及支路进行标号区分,为方便后续one-hot编码,标号时从1开始进行;
S12:根据拓扑结构,支路标号时兼顾其相邻节点,按照电力输送方向对节点间关系编号。
3.根据权利要求1所述的方法,其特征在于,步骤S2中,
S21:利用相位测量单元PMU收集历史数据时,为保证后续故障定位模型的准确性,应收集足够数量的数据,且不同故障位置的数据都应足够;
S22:由于配电网故障节点会影响其临近节点的数据,在收集历史数据时,应将该节点与其他节点间的关系作为一组空间特征数据,利用神经网络模型对其进行学习;
S23:收集历史数据时,为避免错误数据对结果的影响,选择一部分数据进行随机丢弃。
4.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
S31,数据特征提取:对于收集到的特征数据,能够影响故障定位的特征仅占其中一部分,将这几个特征提取出来,进行下一步的处理,由于影响模型输出的特征未知,选取递归特征消除法进行特征筛选;
S32,数据预处理:对于特征数据,为避免模型过拟合,需要对特征数据进行mean-std标准化,采用min-max的方法,将数据转化为0-1范围内的数;
其中,xmin、xmax分别表示该特征下数据的最小值和最大值,x和X则分别表示标准化之前和之后该特征数据的值;
S33:历史数据集经过特征提取和数据预处理后,需要将其划分为训练集和测试集,训练集用于对模型进行训练,测试集检验模型的泛化能力,用于对训练好的模型进行测试和优化。
5.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
S41,构建LSTM神经网络模型:根据输入输出数据规格要求,按照输入层、LSTM层、Dense层、Dropout层、Dense层进行构造;输入层InputLayer将预处理后的数据输入到神经网络模型中;长短期记忆层LSTM层将数据进行处理变形;全连接层Dense层内进行L1-L2正则化,防止模型过拟合;随机丢弃层Dropout层按照0.5的dropout率断开神经元连接,防止模型过拟合;最后经全连接层Dense层将结果输出;
S42:各层的神经元个数根据优化程序确定,该优化程序通过最小化模型输出与实际输出之间的均方误差MSE,从而确定模型参数;
S43:对模型进行编译、训练、测试。
6.根据权利要求1所述的方法,其特征在于,步骤S5具体为:
S51:按照历史数据的处理方法对实时故障数据进行预处理,送入神经网络模型,得到相应的故障位置结果;
S52:将S51中得到的数据作为历史数据,再次传入神经网络模型,对神经网络模型进行更新和优化;
S53:后续实时故障数据经预处理后送入到S52得到的更新过的神经网络模型中,不断输出结果和更新模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623373.XA CN111880044B (zh) | 2020-06-30 | 2020-06-30 | 一种含分布式电源配电网在线故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623373.XA CN111880044B (zh) | 2020-06-30 | 2020-06-30 | 一种含分布式电源配电网在线故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111880044A true CN111880044A (zh) | 2020-11-03 |
CN111880044B CN111880044B (zh) | 2023-06-02 |
Family
ID=73157420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623373.XA Active CN111880044B (zh) | 2020-06-30 | 2020-06-30 | 一种含分布式电源配电网在线故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111880044B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
CN114113887A (zh) * | 2021-11-22 | 2022-03-01 | 深圳供电局有限公司 | 一种配电网故障定位方法与系统 |
CN114167204A (zh) * | 2021-11-19 | 2022-03-11 | 广东电网有限责任公司电力调度控制中心 | 一种配变运行异常的识别预警方法 |
CN114915546A (zh) * | 2022-06-20 | 2022-08-16 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
CN115561700A (zh) * | 2022-12-06 | 2023-01-03 | 湖南省计量检测研究院 | 一种直流电能表的计量标准分析方法及装置 |
CN116449151A (zh) * | 2023-06-15 | 2023-07-18 | 青岛鼎信通讯股份有限公司 | 一种基于故障指示器的配电网故障定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
CN109782124A (zh) * | 2018-12-24 | 2019-05-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN110750524A (zh) * | 2019-09-12 | 2020-02-04 | 中国电力科学研究院有限公司 | 一种有源配电网故障特征的确定方法及系统 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
-
2020
- 2020-06-30 CN CN202010623373.XA patent/CN111880044B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242147A (zh) * | 2018-08-07 | 2019-01-18 | 重庆大学 | 基于Bp神经网络的信号融合风机状态预测方法 |
CN109782124A (zh) * | 2018-12-24 | 2019-05-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
CN110738349A (zh) * | 2019-09-05 | 2020-01-31 | 国网浙江省电力有限公司杭州供电公司 | 基于多模型融合的电网故障抢修时长预测方法 |
CN110750524A (zh) * | 2019-09-12 | 2020-02-04 | 中国电力科学研究院有限公司 | 一种有源配电网故障特征的确定方法及系统 |
CN110687395A (zh) * | 2019-09-23 | 2020-01-14 | 南京理工大学 | 基于深度置信网络的含分布式电源的配电网故障选线方法 |
CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
Non-Patent Citations (2)
Title |
---|
J. Q. ZHAO ETC.: "A Fault Location Method Considering Distribution Network Partition Based on Deep Learning", 《2019 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND ENGINEERING MANAGEMENT (IEEM)》 * |
许宁等: "改进型LSTM变形预测模型研究", 《江西理工大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327104A (zh) * | 2020-11-19 | 2021-02-05 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
CN112327104B (zh) * | 2020-11-19 | 2023-10-20 | 国网安徽省电力有限公司 | 一种含分布式电源配电网的故障检测与定位方法 |
CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
CN113484669B (zh) * | 2021-06-23 | 2022-10-11 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
CN114167204A (zh) * | 2021-11-19 | 2022-03-11 | 广东电网有限责任公司电力调度控制中心 | 一种配变运行异常的识别预警方法 |
CN114113887A (zh) * | 2021-11-22 | 2022-03-01 | 深圳供电局有限公司 | 一种配电网故障定位方法与系统 |
CN114113887B (zh) * | 2021-11-22 | 2023-06-20 | 深圳供电局有限公司 | 一种配电网故障定位方法与系统 |
CN114915546A (zh) * | 2022-06-20 | 2022-08-16 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
CN114915546B (zh) * | 2022-06-20 | 2023-05-30 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
CN115561700A (zh) * | 2022-12-06 | 2023-01-03 | 湖南省计量检测研究院 | 一种直流电能表的计量标准分析方法及装置 |
CN115561700B (zh) * | 2022-12-06 | 2023-05-26 | 湖南省计量检测研究院 | 一种直流电能表的计量标准分析方法及装置 |
CN116449151A (zh) * | 2023-06-15 | 2023-07-18 | 青岛鼎信通讯股份有限公司 | 一种基于故障指示器的配电网故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111880044B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN110569925B (zh) | 应用于电力设备运检的基于lstm的时序异常检测方法 | |
CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
CN113746663B (zh) | 机理数据双驱动结合的性能劣化故障根因定位方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN110059737B (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN116125204A (zh) | 一种基于电网数字化的故障预测系统 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
Jiang et al. | Research on Application of Artificial Intelligence Technology in Electrical Automation Control | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115081551A (zh) | 基于K-Means聚类和优化RVM线损模型建立方法及系统 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN112949936A (zh) | 基于相似日小波变换和多层感知机的短期光伏功率预测方法 | |
CN111027017A (zh) | 一种配电网管理状态综合评价系统 | |
Liu et al. | Available power estimation of wind farms based on deep spatio-temporal neural networks | |
Hao et al. | Fault Diagnosis Using Deep Convolutional Neural Network with Dynamic Computer-visualised Power Flow | |
Meng et al. | Short-Term Power Load Forecasting for a Region Based on Lstm-Attention-Ga | |
Xuan et al. | Distribution network risk prediction based on status assessment and semi-invariant method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |