CN112381667B - 一种基于深度学习的配网电气拓扑识别方法 - Google Patents
一种基于深度学习的配网电气拓扑识别方法 Download PDFInfo
- Publication number
- CN112381667B CN112381667B CN202011259811.5A CN202011259811A CN112381667B CN 112381667 B CN112381667 B CN 112381667B CN 202011259811 A CN202011259811 A CN 202011259811A CN 112381667 B CN112381667 B CN 112381667B
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- 1dcnn
- training
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 7
- 230000000996 additive effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的配网电气拓扑识别方法,包括:S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,采集各用户对应的低压侧用电数据,作为配网拓扑识别数据集;S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层,多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。
Description
技术领域
本发明涉及配电网领域,具体涉及一种基于深度学习的配网电气拓扑识别方法。
背景技术
配网电气拓扑是配电网上层工作正常开展的基础,现有的配网电气拓扑识别方法主要包括四类:人工现场巡检、脉冲电流识别法、基于μPMU设备的相位识别方法和基于电压相关性的识别方法。其中,人工现场巡检费时费力;脉冲电流识别法即在用户端发送脉冲电流信号,在台区识别终端接收脉冲电流信号完成识别,其存在无法双向通信的问题,且需要配合载波通信使用,只能在同一台区同一相位内传输;基于μPMU设备的相位识别方法需要额外的现场设备;使用基于电压相关性的识别方法对配网电气拓扑进行识别时,工作前需要进行数据预处理,识别效率会随着数据量的增大而降低。
发明内容
为解决现有的配网电气拓扑识别方法识别效率不高的问题,本发明提供了一种基于深度学习的配网电气拓扑识别方法。
本发明通过下述技术方案实现:
一种基于深度学习的配网电气拓扑识别方法,包括如下步骤:
S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,采集各用户对应的低压侧用电数据,作为配网拓扑识别数据集;
S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层,1DCNN为一维卷积神经网络(One-Dimensional Convolutional Neural Network),BN为批量归一化处理(Batch Normalization),ReLU为修正线性单元函数(Rectified Linear Unit),多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;
S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;
S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。
在上述方案的基础上,所述步骤S1具体包括如下内容:
对各用户的实时电压数据u、实时电流数i据进行采样;U为n个实时电压数据u的集合,I为n个实时电流数据i的集合,n为大于等于1的整数;每个用户的数据作为一个样本Data,以用户对应的归属台区和相位编号作为样本标签Label,制作配网拓扑识别数据集;每个样本的数据形式如下:
Data=[U,I,Label],
U=[u1,u2,u3,...un],I=[i1,i2,i3,...in]。
对各用户的实时电压数据、实时电流数据进行采样的采样时间间隔为15分钟,采样时长为1天,n=96,样本数据维度为96×2。
在上述方案的基础上,步骤S2中1DCNN+BN+ReLU结构的卷积层包括如下工作步骤:
S21:1DCNN将输入数据D进行多层卷积,卷积过程为:
其中,输入数据D的维度为1×Nd,卷积核K的维度为1×Nk,j为卷积核位置,且满足1≤j≤Nd-Nk+1;
S22:BN将1DCNN处理后的数据进行归一化处理,将输入数据归一化至整体均值为0、方差为1的向量,对每一维数据的归一化过程为:
其中,k为输入数据维度,E(xk)表示随机变量xk的均值,Var(xk)表示随机变量xk的方差;
S23:ReLU对BN处理后的数据进行非线性变换,具体过程为:
有效避免训练过程中的梯度消失问题,使模型具有稳定的收敛速度,更快速的完成训练过程,符合拓扑辨识技术的实际应用需求。
为了防止模型训练过拟合,同时增强双通道模型的鲁棒性,在步骤S2构建的双通道一维卷积神经网络模型的输入特征提取模块之前,分别增加加性高斯噪声层,将高斯噪声加入电压数据U和电流数据I;
所述加性高斯噪声概率密度为:
其中,p(x)表示噪声值取得x的概率,μ为噪声均值,σ为噪声方差。
在上述方案的基础上,步骤S2中的特征提取模块中的两个通道各包括两个1DCNN+BN+ReLU结构的卷积层。
在上述方案的基础上,步骤S3包括如下子步骤:
S31:将配网拓扑识别数据集分为训练集和测试集;
S32:将训练集中待测数据按照分类输入特征提取模块中的两个通道,经过多层叠加的1DCNN+BN+ReLU结构卷积层进行数据特征提取,输出两路特征数据;
S33:特征融合模块将特征提取模块输出的两路特征数据进行拼接,通过1DCNN+BN+ReLU结构的卷积层进行特征融合,输出特征数据;
S34:将特征融合模块输出的特征数据通过SoftMax函数进行分类,输出模型预测分类值;
S35:通过交叉熵损失函数和反向传播算法对模型进行权重更新,权重更新公式为:
其中,y为期望输出值,a为实际输出值。
S36:将测试集输入模型进行准确率测试,分别输出本轮测试集和训练集的准确率和loss值,便于观察模型在训练过程中的收敛情况。
在上述方案的基础上,所述步骤S3对所述配网拓扑识别数据集进行训练时,将数据集等比划分为五份,其中四份作为训练集,一份作为测试集,完成训练后,得到一个初始模型准确率;重取一份数据出来作为新的测试集,重复上述步骤依次将每份数据作为测试集,完成五次训练,得到五个初始模型准确率,取平均值得到模型综合准确率。可以更为全面的测试模型性能,避免神经网络初始化和参数优化过程的随机性造成的实验结果偏差。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明采用了双通道一维卷积神经网络模型,克服了基于电压相关性的识别方法对配网电气拓扑进行识别时,工作前需要进行数据预处理的缺陷,适应配电网的大数据发展,且对数据缺失、数据异常等问题具有很大的包容性,可将现场采集到的数据直接输入模型,具有广泛的应用前景。
附图说明
结合附图,可以得到对本发明实施例的进一步理解,从本发明的权利要求和优选实施例的以下描述可以获得本发明的其它特征和优点。在不超出本发明的范围的情况下,在这种情况下可以按任何期望的方式将图中所示的不同实施例的单独特征加以组合。在附图中:
图1为双通道1DCNN拓扑识别模型图;
图2为特征提取网络结构图;
图3为1DCNN的卷积过程示意图;
图4为单通道1DCNN模型示意图;
图5为双通道1DCNN模型训练过程的loss曲线图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
在本实施例中,一种基于深度学习的配网电气拓扑识别方法,包括如下步骤:
S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,对各用户的实时电压数据u、实时电流数i据进行采样;对各用户的实时电压数据、实时电流数据进行采样的采样时间间隔为15分钟,采样时长为1天,样本数据维度为96×2,U为96个实时电压数据u的集合,I为96个实时电流数据i的集合;每个用户的数据作为一个样本Data,以用户对应的归属台区和相位编号作为样本标签Label,制作配网拓扑识别数据集;每个样本的数据形式如下:
Data=[U,I,Label],
U=[u1,u2,u3,...u96],I=[i1,i2,i3,...i96]。
S2:构建双通道一维卷积神经网络模型,如图1所示,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括两个1DCNN+BN+ReLU结构的卷积层,多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;
S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;
S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。
进一步地,步骤S2中1DCNN+BN+ReLU结构的卷积层具体结构如图2所示,包括如下工作步骤:
S21:1DCNN将输入数据D进行多层卷积,如图3所示,卷积过程为:
其中,输入数据D的维度为1×Nd,卷积核K的维度为1×Nk,j为卷积核位置,且满足1≤j≤Nd-Nk+1;
S22:BN将1DCNN处理后的数据进行归一化处理,将输入数据归一化至整体均值为0、方差为1的向量,对每一维数据的归一化过程为:
其中,k为输入数据维度,E(xk)表示随机变量xk的均值,Var(xk)表示随机变量xk的方差;
S23:ReLU对BN处理后的数据进行非线性变换,具体过程为:
有效避免训练过程中的梯度消失问题,使模型具有稳定的收敛速度,更快速的完成训练过程,符合拓扑辨识技术的实际应用需求。
在上述方案的基础上,步骤S3包括如下子步骤:
S31:将配网拓扑识别数据集分为训练集和测试集;
S321:为了防止模型训练过拟合,同时增强双通道模型的鲁棒性,在双通道一维卷积神经网络模型的输入特征提取模块之前,分别增加加性高斯噪声层,将高斯噪声加入数据U和I,得到处理后的数据U′和I′;
所述加性高斯噪声概率密度为:
其中,p(x)表示噪声值取得x的概率,μ为噪声均值,σ为噪声方差;
S32:将训练集中经加性高斯噪声层处理后的数据U′和I′按照分类输入特征提取模块中的两个通道,经过多层叠加的1DCNN+BN+ReLU结构卷积层进行数据特征提取,输出两路特征数据;
S33:特征融合模块将特征提取模块输出的两路特征数据进行拼接,通过1DCNN+BN+ReLU结构的卷积层进行特征融合,输出特征数据;
S34:将特征融合模块输出的特征数据通过SoftMax函数进行分类,输出模型预测分类值;
S35:通过交叉熵损失函数和反向传播算法对模型进行权重更新,权重更新公式为:
其中,y为期望输出值,a为实际输出值。
S36:将测试集输入模型进行准确率测试,分别输出本轮测试集和训练集的准确率和loss值,便于观察模型在训练过程中的收敛情况。
在上述方案的基础上,所述步骤S31对所述配网拓扑识别数据集进行训练时,将数据集等比划分为五份,其中四份作为训练集,一份作为测试集,完成训练后,得到一个初始模型准确率;重取一份数据出来作为新的测试集,重复上述步骤依次将每份数据作为测试集,完成五次训练,得到五个初始模型准确率,取平均值得到模型综合准确率。可以更为全面的测试模型性能,避免神经网络初始化和参数优化过程的随机性造成的实验结果偏差。
实施例2:
在实施例1的基础上,步骤S2提出的双通道1DCNN模型的各层参数如表1所示。采用Adam参数优化器来实现目标函数最小化,初始学习率设置为0.001,一阶矩估计的指数衰减率为0.9,二阶矩估计的指数衰减率为0.999。本发明实验所使用的训练批处理大小为10,epoch为200。
表1双通道1DCNN模型参数
选择电压与电流作为双通道的样本输入,电压数据作为单通道的样本输入,对比单通道模型与双通道模型的识别结果和两种数据对拓扑识别的影响,单通道模型的结构如图4所示。采用了准确率(Accuracy)、召回率(Recall)和AUC(Area Under Curve)三个指标。其中准确率是指模型预测得到的Pred_Label与真实Label相同的正确样本占总样本的百分比。召回率也称查全率,以第k类数据为例,查全率指Pred_Label=k的样本占Label=k的样本的百分比,度量了模型的覆盖率。而AUC综合考虑了模型的分类能力,其值往往介于0.5到1之间,AUC值越大,模型性能越好。
表2 1DCNN模型与双通道1DCNN准确率对比
模型 | 准确率 | 召回率 | AUC |
单通道 | 99.76% | 99.71% | 100% |
双通道 | 99.82% | 99.78% | 100% |
如表2所示,可以看出两种模型均有较高的准确率,而双通道模型具有更高的准确率和召回率。表明电流数据对拓扑辨识具有一定辅助作用,也验证了模型的稳定性和泛化能力,证明双通道模型更适合于真实应用场景。
传统的拓扑辨识算法大多依靠额外的数据采集,无法实现远程自动识别。同时,由于电力数据的采集问题,随着数据量的增多,数据缺失、数据异常和噪声数据等问题越发突出,基于电压相关性的拓扑识别算法需要对数据进行填补和降维,才能达到较高的准确率,而深度学习则对数据的波动和缺失展现了极大包容性。本发明分别对基于KNN、决策树、随机森林和深度学习的拓扑识别算法进行了五折交叉验证对比实验,取用了每个用户的96个采样点作为样本输入,实验结果如表3所示。
表3四种拓扑识别算法的准确率对比
可以看出,在不对原始真实数据进行数据填补、数据筛选的情况下,传统的拓扑识别算法准确率不够高,难以达到实际应用的要求,而基于深度学习的双通道1DCNN模型仍能取得较好的效果。由此可见,深度学习对于样本的数值波动和缺失具有很强的包容能力,更加适合配电网低压侧的数据采集场景。
图5展示了本发明模型在训练时的loss曲线,在经过100轮训练之后,训练集和测试集的loss值均实现了基本稳定,表明模型已经收敛且训练过程已经完成。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种基于深度学习的配网电气拓扑识别方法,其特征在于,包括如下步骤:
S1:对各用户的实时电压数据u、实时电流数i据进行采样;U为n个实时电压数据u的集合,I为n个实时电流数据i的集合,n为大于等于1的整数;每个用户的数据作为一个样本Data,以用户对应的归属台区和相位编号作为样本标签Label,制作配网拓扑识别数据集;每个样本的数据形式如下:
Data=[U,I,Label],
U=[u1,u2,u3,…un],I=[i1,i2,i3,…in];
S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层;
S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练好的双通道一维卷积神经网络模型;
S4:利用训练好的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别;
所述步骤S3包括如下子步骤:
S31:将配网拓扑识别数据集分为训练集和测试集;
S32:将训练集中待测数据按照分类输入特征提取模块中的两个通道,经过多层叠加的1DCNN+BN+ReLU结构卷积层进行数据特征提取,输出两路特征数据;
S33:特征融合模块将特征提取模块输出的两路特征数据进行拼接,通过1DCNN+BN+ReLU结构的卷积层进行特征融合,输出特征数据;
S34:将特征融合模块输出的特征数据通过SoftMax函数进行分类,输出模型预测分类值;
S35:通过交叉熵损失函数和反向传播算法对模型进行权重更新;
S36:将测试集输入模型进行准确率测试,分别输出本轮测试集和训练集的准确率和loss值。
2.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法,其特征在于,对各用户的实时电压数据、实时电流数据进行采样的采样时间间隔为15分钟,采样时长为7天,n=96,样本数据维度为96×2。
3.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法,其特征在于,步骤S2中1DCNN+BN+ReLU结构的卷积层包括如下工作步骤:
S21:1DCNN将输入数据D进行多层卷积,卷积过程为:
其中,输入数据D的维度为1×Nd,卷积核K的维度为1×Nk,j为卷积核位置,且满足1≤j≤Nd-Nk+1;
S22:BN将1DCNN处理后的数据进行归一化处理,将输入数据归一化至整体均值为0、方差为1的向量,加快网络的训练和收敛速度,并防止训练过拟合;对每一维数据的归一化过程为:
其中,k为输入数据维度,E(xk)表示随机变量xk的均值,Var(xk)表示随机变量xk的方差;
S23:ReLU对BN处理后的数据进行非线性变换,具体过程为:
5.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法,其特征在于,所述特征提取模块中的两个通道各包括两个1DCNN+BN+ReLU结构的卷积层。
6.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法,其特征在于,所述步骤S3对所述配网拓扑识别数据集进行训练时,将数据集等比划分为五份,其中四份作为训练集,一份作为测试集,得到一个初始模型准确率;完成训练后,将测试集加入训练集,在训练集中重取一份数据出来作为新的测试集,重复上述步骤依次选取新的测试集,完成五次训练,得到五个初始模型准确率,取平均值得到模型综合准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259811.5A CN112381667B (zh) | 2020-11-12 | 2020-11-12 | 一种基于深度学习的配网电气拓扑识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259811.5A CN112381667B (zh) | 2020-11-12 | 2020-11-12 | 一种基于深度学习的配网电气拓扑识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381667A CN112381667A (zh) | 2021-02-19 |
CN112381667B true CN112381667B (zh) | 2023-02-03 |
Family
ID=74583144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259811.5A Active CN112381667B (zh) | 2020-11-12 | 2020-11-12 | 一种基于深度学习的配网电气拓扑识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381667B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115643059B (zh) * | 2022-10-11 | 2023-05-23 | 国网河北省电力有限公司电力科学研究院 | 基于深度学习的电力网络恶意攻击防护系统及其控制方法 |
CN117725393B (zh) * | 2024-02-07 | 2024-05-07 | 国网四川省电力公司电力科学研究院 | 一种低压电弧故障识别方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107483082A (zh) * | 2017-08-17 | 2017-12-15 | 杭州昊美科技有限公司 | 一种基于工频载波通信技术的低压配网拓扑自动识别方法及系统 |
CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
CN109061541A (zh) * | 2018-05-09 | 2018-12-21 | 浙江华云信息科技有限公司 | 一种低压台区电气拓扑辨识系统及其工作方法 |
CN109816033A (zh) * | 2019-01-31 | 2019-05-28 | 清华四川能源互联网研究院 | 一种基于优化的监督学习进行台区用户识别的方法 |
CN110299761A (zh) * | 2019-06-13 | 2019-10-01 | 国网江苏省电力有限公司南京供电分公司 | 一种基于lte的城市配电系统拓扑识别方法和装置 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110646677A (zh) * | 2019-09-11 | 2020-01-03 | 巴祎 | 一种台区低压配电网拓扑及线路阻抗识别方法 |
CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
CN111340179A (zh) * | 2019-09-05 | 2020-06-26 | 中国科学院计算技术研究所 | 一种卷积神经网络拓扑方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2922664B1 (fr) * | 2007-10-23 | 2009-12-25 | Areva T & D Prot & Controle | Procede de generation automatique d'un fichier ssd. |
-
2020
- 2020-11-12 CN CN202011259811.5A patent/CN112381667B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107483082A (zh) * | 2017-08-17 | 2017-12-15 | 杭州昊美科技有限公司 | 一种基于工频载波通信技术的低压配网拓扑自动识别方法及系统 |
CN108828404A (zh) * | 2018-05-09 | 2018-11-16 | 国网浙江省电力有限公司电力科学研究院 | 用于快速故障定位的低压台区电气拓扑辨识系统及方法 |
CN109061541A (zh) * | 2018-05-09 | 2018-12-21 | 浙江华云信息科技有限公司 | 一种低压台区电气拓扑辨识系统及其工作方法 |
CN109816033A (zh) * | 2019-01-31 | 2019-05-28 | 清华四川能源互联网研究院 | 一种基于优化的监督学习进行台区用户识别的方法 |
CN110299761A (zh) * | 2019-06-13 | 2019-10-01 | 国网江苏省电力有限公司南京供电分公司 | 一种基于lte的城市配电系统拓扑识别方法和装置 |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN111340179A (zh) * | 2019-09-05 | 2020-06-26 | 中国科学院计算技术研究所 | 一种卷积神经网络拓扑方法 |
CN110646677A (zh) * | 2019-09-11 | 2020-01-03 | 巴祎 | 一种台区低压配电网拓扑及线路阻抗识别方法 |
CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
Non-Patent Citations (6)
Title |
---|
低压配电台区拓扑辨识及校核方法;卢虹宇等;《电气自动化》;20200530(第03期);95-98 * |
双通道卷积神经网络深度学习方法研究;朱威;《中国优秀博硕士学位论文全文数据库(硕士)》;20180115;I138-759 * |
基于双通道卷积神经网络的航班延误预测模型;吴仁彪;《计算机应用》;20180403(第7期);2100-2106+2112 * |
基于深度特征学习的图像自适应目标识别算法;张骞予等;《太原理工大学学报》;20180715(第04期);592-598 * |
基于用电信息采集系统的配电网台区识别;李琮琮等;《电测与仪表》;20190521(第24期);109-114 * |
雷达海上目标双通道卷积神经网络特征融合智能检测方法;苏宁远;《现代雷达》;20191015(第10期);47-52+57 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381667A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN112381667B (zh) | 一种基于深度学习的配网电气拓扑识别方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110445126A (zh) | 一种非侵入式负荷分解方法及系统 | |
CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
CN111159638A (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
CN103020728A (zh) | 一种电力系统中变电站短期电能质量预测方法 | |
CN107895222A (zh) | 基于dbscan算法的变压器不良漏抗参数辨识方法 | |
CN115267428B (zh) | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN113536509A (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN115238759A (zh) | 基于压缩感知的电力数据压缩与电能质量扰动识别方法 | |
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 | |
CN115792729A (zh) | 一种变压器复合故障诊断方法、装置、设备和存储介质 | |
CN113804997B (zh) | 基于双向WaveNet深度学习的电压暂降源定位方法 | |
CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
CN117874615A (zh) | 一种基于深度数字孪生的光伏故障诊断方法以及系统 | |
CN109460788B (zh) | 基于低秩-稀疏信息组合网络的高光谱图像分类方法 | |
CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN116070158A (zh) | 一种基于改进深度森林的智能bit设计方法 |
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 |