CN112131783A - 一种基于配电台区大数据的户变拓扑关系识别方法 - Google Patents

Abstract

本发明公开了一种基于配电台区大数据的户变拓扑关系识别方法，包括以下步骤：1）建立网络模型：采用栈式自编码神经网络结构，包含3个隐含层、1个输入层、1个输出层；2）获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；3）进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。本发明的方法可有效解决传统载波信号跨台区通信的问题，提高了拓扑辨识的准确性，实现了配电台区的数字化、互联网化、智能化发展。

Description

一种基于配电台区大数据的户变拓扑关系识别方法

技术领域

本发明属于低压配电自动化技术及电力人工智能领域，特别涉及一种基于大数据分析的低压配电台区户变拓扑关系识别方法。

背景技术

配电台区低压配电与用电的分界点，在台区用户拓扑关系不明确的情况下无法精确计算出线损、故障无法精确定位，无法实现低压配电的精益化管理。所以，户变拓扑关系的准确识别功能迫在眉睫。

CN201811526142提出了一种用于低压台区的用户网络拓扑识别装置及方法，公开了以下方案：利用采集器和集中器获取个电能表的用电信息，根据用户电压之间的关系，获取电能表的相邻表，进而获取最终的台区用户网络拓扑图，解决户变关系(用户台区归属问题)，但对于低压供电网络的主要结构，即各个分支箱之间的关系及分支箱和用户箱间拓扑关系，没有提出解决方法。

CN 110350528 A公开了一种低压台区拓扑自动辨识方法、利用相关性分析台区配电箱之间的拓扑关系，以提高判断台区网络拓扑的可靠性和准确性，但没有实现智能化。

深度学习是人工智能的重要研究方向，它是一个复杂的机器学习算法，在语音和图像识别方面已取得重大效果，为使低压配电台区的户变拓扑关系识别实现智能化提供基础。

发明内容

本发明所要解决的技术问题是：使低压配电台区的运行更智能化、网络化、数字化。

为解决上述技术问题，本发明采用的技术方案是：

一种基于配电台区大数据的户变拓扑关系识别方法，其特征在于，包括以下步骤：

1)建立网络模型：采用栈式自编码神经网络结构，包括隐含层、输入层和输出层；

2)获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；

3)进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。

本发明所达到的有益效果：本发明的基于配电台区大数据的户变拓扑关系识别方法，在用户电表及分支箱处嵌入拓扑分析辅助模块/APP，实现对用户的电能质量在线分析，用户数据与配电变压器终端数据通过电力载波通信进行互换、协调分析，并导入预估计模型，从而精确判断出用户电表与配电变压器的拓扑关系。采用这种方法可有效解决传统载波信号跨台区通信的问题，提高了拓扑辨识的准确性，实现了配电台区的数字化、互联网化、智能化发展。

本发明采用深度学习对配电台区的运行数据进行机器学习，实现模型的数据自驱动，从而实现户变拓扑关系的智能化识别，提高用电的经济性、稳定性、可靠性，对全社会生产效率的提高具有重要的意义。

附图说明

图1为台区拓扑关系识别框架图；

图2为本发明的基于配电台区大数据的户变拓扑关系识别方法的拓扑分析模型示意图；

图3为神经元模型示意图；

图4为网络模型示意图；

图5为栈式自编码器模型训练方法流程图。

具体实施方式

实施例1

本发明的一种基于配电台区大数据的户变拓扑关系识别方法，在用户端实时采集电表的各项运行数据，取最近半年的历史运行数据作为样本库对模型进行训练，对各隐层采用贪心算法进行逐层无监督的预训练，对输出层采用有监督的训练，采用已知拓扑关系的数据作为教师信号，对输出信号采用反向传播算法进行训练。具体包括以下步骤：

1)建立网络模型：由于神经网络的隐层数不能过多，但又考虑到层数越多更能表示复杂非线性的函数模型，从而提高精度，采用栈式自编码神经网络结构，包含3个隐含层、1个输入层、1个输出层(共5层)；所述输入层的输入神经元数量为81，3个隐含层的神经元数量分别为s₁＝40，s₂＝20，s₃＝10；输出层的神经元数量k＝3个，如图4所示。

神经网络结构中，每一个神经元模型采用如图3所示的结构，对于所有层神经元对输入信号x_i(i＝1～n)进行量化感知，激活函数f(x)采用sigmoid函数，

i表示第i个神经元，n为神经元数量；

每一个隐含层的网络参数表示为P_j＝(W_j,b_j)，j＝1～3,其中P_j指网络中隐含层每一层的权重系数(向量)，W_j、b_j分别为权重矩阵与截距向量的数学表达式，j表示第j个隐含层。

2)获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据。

表1为用户电表输入数据表；包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；

表2为分支箱输入数据表；包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；

表3为台区输入数据；

表4为输出数据表。

表1

序号	名称	量纲	序号	名称	量纲
						1	用户-短时闪变值		6	用户-频率偏差
2	用户-长时闪变值		7	用户-电压短时中断
						3	用户-电压波动值		8	用户-电压偏差
4	用户-电压暂降		9	用户-载波信号强度	dB
						5	用户-电压暂升		10	用户2～13次谐波电压含有量	％

表2

序号	名称	量纲	序号	名称	量纲
						1	分支-短时闪变值		6	分支-频率偏差
2	分支-长时闪变值		7	分支-电压短时中断
						3	分支-电压波动值		8	分支-电压偏差
4	分支-电压暂降		9	分支-载波信号强度	dB
						5	分支-电压暂升		10	分支2～13次谐波电压含有量	％

表3

表4

3)进行网络模型训练：

31)采用Tensorflow机器学习架构，在步骤1)中的建立的网络模型中，由3个单自编码器进行组合，获取用户电表、分支箱与配电变压器运行的数据，组成样本集一S1(x₁,x₂,x₃,...,x_e)^T，由样本集一S1对网络模型进行训练，采用梯度下降法对网络进行逐层训练，先训练第一隐含层，再训练第二隐含层、第三隐含层；e表示神经网络输入层向量的维度；

32)输出用户电表-分支箱拓扑相关系数、配电变压器-分支箱拓扑相关系数信号；包括用户电表与配电变压器A相的相关系数P_coeAU、用户电表与配电变压器B相的相关系数P_coeBU、用户电表与配电变压器C相的相关系数P_coeCU、用户电表与分支箱的相关系数P_coeD；如果用户电表与配电变压器x相(x＝A/B/C)的相关系数P_coeXU在设定范围内，如近似等于1，则表示此用户电表与配电变压器A/B/C相的从属拓扑关系成立；

33)采用教师信号对用户-分支箱拓扑相关系数、配电变压器-分支箱拓扑相关系数输出信号采用Softmax进行分类训练，从而实现用户电表-分支箱-配电变压器关系的特征学习。

在步骤31)中，AI(人工智能)判断的结果与实际结果的误差，记作损失函数，损失函数取均方误差(MSE)：

以误差的负梯度方向对网络参数进行更新，得出：

其中，η为学习率，η＝0.3，x'_i表示神经网络对于输入样本x的输出，d指第d组训练样本，L(x,x')是损失函数的简称，Δω_hj为权重修正值，ω_hj为修正后的权重，h为hidden的简称，表示隐含层，s1为sample的简称，为用于训练神经网络的样本数据；

最后，训练得出网络第一层参数矩阵ω_x

其中，第一隐含层的输出向量O₁＝f(W₁*X₁+B₁)，W₁为神经网络的第1层权重系数，X₁为神经网络的输入，B₁为神经网络的第1层的偏置系数；O_x1＝[o₁,o₂,o₃,o₄,...,o_n,]^T作为第二隐含层的训练样本，以此类推，直到网络的输出层，先采用反向传播法对整个网络进行有监督的训练，最后进行参数调优，参数调优是对神经网络的权重系数进行微调，减少AI识别的误差。

获得整个网络的参数P_W＝[W₁，W₂，W₃，...W_N]，P_W指整个网络中的权重系数(矩阵)，W_N是指网络的第N层权重系数，N是网络的最后一层，对台区用户电表及配电变压器的历史运行数据进行分析，取用户电表及配电变压器的历史运行数据作为训练样本，对网络模型进行机器学习，运用AI进行自动分析，输出向量为V_out＝f(X*P_W+B)，X为输入向量，B为权重系数的截距，例如某用户电表与配电变压器的拓扑模型关系为B相，则输出向量V_out＝[0 10]^T；在实际的模型工作过程中，考虑到现场的各种误差和干扰，只需要预测结果V_i≥0.8，V_i≈1，即预测结果大于80％即判定此用户电表与配电变压器A/B/C相的从属拓扑关系成立；输出向量V_out是一个向量，V_i是输出向量V_out中的一个元素；

实施例2

进行实施例1的步骤后，进一步的，取样本集二S2对网络模型进行训练，训练方法同上，逐层训练完成后，提取拓扑特征值，最后的用户电表与配电变压器的拓扑值取“1”作为监督信号。采用机器学习算法，在一组数据中学到的规律，所述规律就是拓扑特征值。

实施例3

进行实施例1的步骤后，还包括进行联合调试的步骤：

栈式自编码器由若干层自编码器堆叠而成，网络模型逐层预训练，训练完成后再组合成一个复杂的栈式自编码神经网络模型。

正常运行后，电表运行数据、分支箱数据及配电变压器的历史运行数据作为输入信号，经过神经网络模型的思考并输出结果。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于配电台区大数据的户变拓扑关系识别方法，其特征在于，包括以下步骤：

1)建立网络模型：采用栈式自编码神经网络结构，包括隐含层、输入层和输出层；

2)获取样本数据，所述样本数据类型包括：用户电表、分支箱、配电变压器的运行数据；

3)进行网络模型训练，判断出用户电表与配电变压器的拓扑关系。

2.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤1)中，所述输入层的输入神经元数量为81，3个隐含层的神经元数量分别为s₁＝40，s₂＝20，s₃＝10；输出层的神经元数量k＝3个。

3.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤1)中，神经网络结构中，神经元对输入信号x_i(i＝1～n)进行量化感知，激活函数f(x)采用sigmoid函数，

i表示第i个神经元，n为神经元数量；

每一个隐含层的网络参数表示为P_j＝(W_j,b_j)，j＝1～3,其中P_j指网络中隐含层每一层的权重系数，W_j、b_j分别为权重矩阵与截距向量，j表示第j个隐含层。

4.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤2)中，用户电表输入数据包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据；

分支箱输入数据包括短时闪变值、长时闪变值、电压波动值、电压暂降、电压暂升、频率偏差、电压短时中断、电压偏差、载波信号强度、谐波电压含有量数据。

5.根据权利要求1所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在所述步骤3)中,具体包括以下步骤：

31)在步骤1)中的建立的网络模型中，获取用户电表、分支箱与配电变压器运行的数据，组成样本集一S1(x₁,x₂,x₃,...,x_e)^T，由样本集一S1对网络模型进行训练，采用梯度下降法对网络进行逐层训练，先训练第一隐含层，再训练第二隐含层、第三隐含层；e表示神经网络输入层向量的维度；

32)输出用户电表-分支箱拓扑相关系数、配电变压器-分支箱拓扑相关系数信号，包括用户电表与配电变压器A相的相关系数P_coeAU、用户电表与配电变压器B相的相关系数P_coeBU、用户电表与配电变压器C相的相关系数P_coeCU、用户电表与分支箱的相关系数P_coeD；如果用户电表与配电变压器x相(x＝A/B/C)的相关系数P_coeXU在设定范围内，则表示此用户电表与配电变压器A/B/C相的从属拓扑关系成立；

33)采用教师信号对用户-分支箱拓扑相关系数、配电变压器-分支箱拓扑相关系数输出信号采用Softmax进行分类训练，从而实现用户电表-分支箱-配电变压器关系的特征学习。

6.根据权利要求5所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在步骤31)中，AI判断的结果与实际结果的误差记作损失函数，损失函数取均方误差：

以误差的负梯度方向对网络参数进行更新，得出：

其中，η为学习率，x′_i表示神经网络对于输入样本x的输出，d指第d组训练样本，L(x,x')是损失函数的简称，Δω_hj为权重修正值，ω_hj为修正后的权重，h为hidden的简称，表示隐含层，s1为用于训练神经网络的样本数据。

7.根据权利要求5所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在步骤31)中，训练得出网络第一层参数矩阵ω_x,

其中，第一隐含层的输出向量O₁＝f(W₁*X₁+B₁)，W₁为神经网络的第1层权重系数，X₁为神经网络的输入，B₁为神经网络的第1层的偏置系数；O_x1＝[o₁,o₂,o₃,o₄,...,o_n,]^T作为第二隐含层的训练样本，以此类推，直到网络的输出层，先采用反向传播法对整个网络进行有监督的训练，最后进行参数调优。

8.根据权利要求5所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于：在步骤31)中，获得整个网络的参数P_W＝[W₁，W₂，W₃，...W_N]，P_W指整个网络中的权重系数，W_N是指网络的第N层权重系数，N是网络的最后一层，取用户电表及配电变压器的历史运行数据作为训练样本，对网络模型进行机器学习，运用AI进行自动分析，输出向量为V_out＝f(X*P_W+B)，X为输入向量，B为权重系数的截距。

9.根据权利要求5所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于，还包括以下步骤：

取样本集二S2对网络模型进行训练，训练方法与样本集一S1相同，逐层训练完成后，提取拓扑特征值，最后的用户电表与配电变压器的拓扑值取“1”作为监督信号。

10.根据权利要求9所述的基于配电台区大数据的户变拓扑关系识别方法，其特征在于，还包括以下步骤：

栈式自编码器由若干层自编码器堆叠而成，网络模型逐层预训练，训练完成后再组合成一个复杂的栈式自编码神经网络模型。

Images