CN112749904B - 基于深度学习的配电网故障风险预警方法及系统 - Google Patents
基于深度学习的配电网故障风险预警方法及系统 Download PDFInfo
- Publication number
- CN112749904B CN112749904B CN202110046960.1A CN202110046960A CN112749904B CN 112749904 B CN112749904 B CN 112749904B CN 202110046960 A CN202110046960 A CN 202110046960A CN 112749904 B CN112749904 B CN 112749904B
- Authority
- CN
- China
- Prior art keywords
- early warning
- fault
- power distribution
- data
- distribution 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 239000003595 mist Substances 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网故障预警技术领域,公开一种基于深度学习的配电网故障风险预警方法及系统,以提高故障预警的准确性。方法包括:筛选与配电网故障有关的初始特征信息并进行预处理;计算各初始特征的权重并剔除出低于权重阈值的初始特征得到目标特征信息;基于目标特征信息将电网数据与气象数据关联映射,构建数据集并生成相应的标签;以目标特征信息作为深度神经网络的输入,根据相应的标签进行深度神经网络的训练和验证;以基于历史数据对气象因素进行预测的LSTM网络得出目标特征信息中的气象因素,并将LSTM网络与深度神经网络级联得到基于深度神经网络的故障预警模型,然后根据基于深度神经网络的故障预警模型进行预警,得到预警结论。
Description
技术领域
本发明涉及电网故障预警技术领域,尤其涉及一种基于深度学习的配电网故障风险预警方法及系统。
背景技术
配电网是电能输送的“最后一公里”,配电网的安全稳定运行关系到社会经济的发展,也关乎客户体验和供电企业的切身利益。据统计,约80%以上的用户停电事故都是配电网故障导致的。配网故障的原因主要分为内部因素和外部因素。外部因素为环境,如恶劣极端天气等;内部因素为运维状况,运行状态,如设备投运年限太长,设备运行超负荷等。因此,有效预警配电网运行过程中存在的故障风险,对保障电网安全稳定运行和供电可靠性显得尤为重要。以往大部分研究单一考虑气象因素或外部因素对配电网故障的影响,缺乏对引起配电网故障的内部和外部因素关联的探究。
因此,亟需在已有的信息采集监测系统上,根据实测信息,结合电网实时运行工况,考虑配电网故障的内部和外部因素,运用大数据挖掘和深度学习对模型进行训练,建立配电网风险预警模型。本发明提出通过收集气象数据,将天气信息归类,有利于提高故障预警的准确率。采用时间递归神经网络(LSTM)预测天气情况用于配电网故障,并从运行状态、运维情况、时间维度、气象条件、地形地貌五个层面建立配电网风险预警模型。
发明内容
本发明目的在于公开一种基于深度学习的配电网故障风险预警方法及系统,以提高故障预警的准确性。
为达上述目的,本发明公开一种基于深度学习的配电网故障风险预警方法,包括:
筛选与配电网故障有关的初始特征信息并进行预处理;
设定用于衡量各特征与配电网故障的权重阈值,以Relief算法计算各初始特征的权重,并剔除出低于所述权重阈值的初始特征得到目标特征信息,所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息,且电气量信息至少包括运行状态和运维情况,所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素;所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息;
基于所述目标特征信息将电网数据与气象数据关联映射,构建数据集并生成相应的标签;
以所述目标特征信息作为深度神经网络的输入,根据相应的标签进行深度神经网络的训练和验证;
以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素,并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型,然后根据所述基于深度神经网络的故障预警模型进行预警,得到预警结论。
优选地于,所述预处理包括:
补充缺失数据;以及
将收集到的数据信息按规则进行数据转换;所述规则包括:
将所有天气情况分为4种类型,用特征数值表示,以1表示晴/少云/多云;2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨;3表示轻雪/中雨+雷暴/中雨/大风;4表示暴雨/冰雹/雷雨/大雪/高温;
将供电区域分为4类,以数值1-4分别表示市区、市中心、城镇、农村/山区;
时间维度以数值1-4分别表示春、夏、秋、冬;并以数值1-2分别表示假期和工作日;
并将故障情况分为故障与非故障两种情况,用数值做标签;故障为1,非故障为0;
其中,所述预处理还包括将所有的数据进行归一化。
优选地于,所述Relief算法的计算过程包括:
对每个特征赋予权重值;设置权重阈值γ;从样本集D中选取一个样本Sk,其中,k=1,2,…,m;然后从同类样本集搜索最邻近样本H(Sk,从不同类样本集中搜索最邻近样本M(Sk),按下述计算公式更新特征的权重:
式中,i=1,2,…,N;N为故障特征总数,diff(i,Sk,H(Sk))表示样本Sk和样本H(Sk关于特征i的差异,diff(i,Sk,M(Sk))表示样本Sk和样本M(Sk)关于特征i的差异,Wi表示特征i的权重,m表示抽样次数;
以上过程重复m次,最后得到各特征的平均权重W=[W1,W2,…,WN],剔除权重小于权重阈值的特征。
优选地,所述气象因素还包括:温度、湿度和风速。所述运维情况包括设备投运年限。所述运行状态包括线路重过载、配电重过载及三相不平衡。
为达上述目的,本发明还公开一种基于深度学习的配电网故障风险预警系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法相对应的步骤。
本发明具有以下有益效果:
将时间递归神经网络和深度神经网络级联,以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素,所得出的该气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息,并将该气象因素作为深度神经网络的输入之一,结合其他输入的筛选出的设备运行状态,运维情况、时间维度、地区地貌等层面的信息,可以准确得出配电网故障预警结论。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的基于深度学习的配电网故障风险预警方法流程示意图。
图2是本发明实施例的LSTM神经元结构图。
图3是本发明实施例的级联神经网络损失收敛图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种基于深度学习的配电网故障风险预警方法,参照图1,具体包括:
步骤1:数据预处理
缺失数据补充:用0填补缺失信息。
数据转换规则:收集到的数据中天气情况、供电区域、季节等为文字描述,故需要将其转换为数据类型才能作为神经网络输入。本发明中将所有天气情况分为4种类型,用特征数值表示。即1表示晴/少云/多云;2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨;3表示轻雪/中雨+雷暴/中雨/大风;4表示暴雨/冰雹/雷雨/大雪/高温。最后,将原始数据中的天气情况进行归类。此外,将供电区域分为4类,数值1-4分别表示市区、市中心、城镇、农村(山区)。时间维度层面主要用于表征用电负荷信息,以数值1-4分别表示春、夏、秋、冬,用数值1-2分别表示假期和工作日。将故障情况分为故障与非故障两种情况,用数值做标签。故障为1,非故障为0。
天气情况类别说明如表1:
归一化处理:为消除各输入的量纲影响,将所有的数据进行归一化,所有数据映射为[0,1]区间,有利于提高运算速度。
式中,x'为特征x经过归一化的值,min(x)为样本数据中该特征的最小值,max(x)为样本数据该特征的最大值。
2:故障特征选取
获取2年全省的历史气象数据,分析可能与配电网故障相关的气象数据,筛选与配电网故障风险有关的因素。气象数据中包含了温度,湿度,风速,天气情况等因素。造成配网故障的主要天气情况有:暴雨,大风,雷暴,大雪,高温等。从电网数据获取的数据主要有设备投运年限、线路重过载、配电重过载、三相不平衡,供电区域等。
将电网数据与历史气象数据一一关联映射,根据时间,找出相对应的天气、地形地貌,运行状态,运维情况,形成一组由电气量和非电气量组成的特征向量每组特征向量都有对应时刻的配电网故障标签,可构成一组特征和标签的对应关系,形成初始故障特征集。为了提高故障预警的准确性,利用Relief算法进行特征选取,剔除与故障无关的特征。Relief算法的基本思想是:给每个特征赋予权重,根据权重值筛选特征,权重值越大说明相关性越强。算法步骤如下:对每个特征赋予权重值;设置权重阈值γ;从样本集D中选取一个样本Sk,其中,k=1,2,…,m;然后从同类样本集搜索最邻近样本H(Sk,从不同类样本集中搜索最邻近样本M(Sk),按下述计算公式更新特征的权重。
式中,i=1,2,…,N;N为故障特征总数。diff(i,Sk,H(Sk))表示样本Sk和样本H(Sk关于特征i的差异,diff(i,Sk,M(Sk))表示样本Sk和样本M(Sk)关于特征i的差异,Wi表示特征i的权重,m表示抽样次数。
以上过程重复m次,最后得到各特征的平均权重W=[W1,W2,…,WN],剔除权重小于阈值的特征。
时间与空间信息虽不能直接导致故障,但具有一定的统计意义。最终选定的最优故障特征集仍然可分为外部因素和内部因素,其中气象因素为温度,湿度,风速,天气,地形地貌用供电区域代表,时间维度为季节和节假日表示;运维情况用投运年限代表,运行状态选取线路重过载,配电重过载,三相不平衡代表。
最优故障特征集说明如表2:
步骤3:模型搭建与验证
由于气象看似无常,但其存在一定的变化规律,天气情况与温度、湿度、风速等有着一定关联,故从过去的气象数据中推断未来的天气趋势是合理的。LSTM网络(LongShort-Term Memory,长短期记忆网络)用于处理连续的时间序列信息,例如实时气象数据。一个时刻的季节、温度、湿度、风速和天气情况形成一组时间序列。将前t个时刻的多组时间序列信息作为LSTM的输入,输出t+1时刻的天气情况。LSTM网络对时间序列的每个特征执行相同的处理,其输出依赖于前面的计算。LSTM单个神经元的结构如图2所示,每个LSTM神经元处理过程如下,输入时间序列xt,输出结果为yt,计算公式如下:
it=σ(Wi*xt+Ri*yt-1+bi)
ft=σ(Wf*xt+Rf*yt-1+bf)
ot=σ(Wo*xt+Ro*yt-1+bo)
yt=ot⊙tanh(Ct)
yt-1为上一个状态输出结果,⊙是哈达玛积(Hadamard Product),是矩阵加法。Wi、Ri、Wf、Rf、Wc、Rc、Wo、Ro为权重矩阵,bi、bf、bc、bo为偏置。tanh为双曲正切函数,σ表示sigmoid层(该层的输出为0/1)。
可选地,本实施例中,LSTM网络主要训练参数为:每个时间序列为5维,输入序列窗口为4,第二,三、四层为LSTM层,节点数均为5,第五层隐藏节点数为4。抽取转换后的历史气象数据集的70%用于LSTM模型训练,直到预测结果与实际结果的误差最小且收敛,得到训练好的基于LSTM的天气预测模型。
将包含内外部因素的最优故障特征集作为深度神经网络的输入,输入特征为:天气情况、供电区域、节假日、设备投运年限、线路重过载、配电重过载、三相不平衡。抽取历史数据集的70%用于训练深度神经网络,其可实现故障预警。历史数据集中包含了正常数据和多种故障,故障的产生类型包括由气象因素造成的配网故障,也包括由配电网内部因素造成的配网故障。
将训练好的LSTM网络和深度神经网络(其包括输入层、隐藏层和输出层)级联,以LSTM输出的天气情况作为深度神经网络的天气输入,搭建一个结合短时天气预测的配电网故障预警模型并利用该模型进行故障预警。本实施例只注重预警结论,不具体分析造成配网故障的特征类别,即只输出故障(1)与非故障(0)两种情况。
将数据集的30%用于验证训练得到的基于深度学习的配电网故障预警模型的有效性。LSTM输出的天气情况为4类,其中类别3和4易导致配电网故障。级联神经网络预测输出为故障预警结论,即故障为1,非故障为0。表3为两种方法的故障预警结果。两种方法不同的地方在于故障识别方法不同,如表3所示,本实施例中故障识别性能优于逻辑回归方法。
方法 | 非故障召回率 | 故障召回率 | 总准确率 |
LSTM+深度神经 | 95% | 80% | 94% |
LSTM+逻辑回归 | 85% | 77% | 84% |
级联神经网络的损失收敛图如图3所示。
综上所述,本实施例基于深度学习的配电网故障风险预警方法,主要包括:
步骤S10、筛选与配电网故障有关的初始特征信息并进行预处理。
设定用于衡量各特征与配电网故障的权重阈值,以Relief算法计算各初始特征的权重,并剔除出低于所述权重阈值的初始特征得到目标特征信息,所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息,且电气量信息至少包括运行状态和运维情况,所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素;所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息。
步骤S20、基于所述目标特征信息将电网数据与气象数据关联映射,构建数据集并生成相应的标签。其中,所谓电网数据即上述用于表征电网运行状态、用电负荷、运维状态及地形因素等的相关数据。
步骤S30、以所述目标特征信息作为深度神经网络的输入,根据相应的标签进行深度神经网络的训练和验证。
步骤S40、以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素,并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型,然后根据所述基于深度神经网络的故障预警模型进行预警,得到预警结论。
实施例2
与上述方法实施例相对应地,本实施例公开一种基于深度学习的配电网故障风险预警系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法相对应的步骤。
综上,本发明实施例公开的基于深度学习的配电网故障风险预警方法及系统,将时间递归神经网络和深度神经网络级联,以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素,所得出的该气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息,并将该气象因素作为深度神经网络的输入之一,结合其他输入的筛选出的设备运行状态,运维情况、时间维度、地区地貌等层面的信息,可以准确得出配电网故障预警结论。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的配电网故障风险预警方法,其特征在于,包括:
筛选与配电网故障有关的初始特征信息并进行预处理;
设定用于衡量各特征与配电网故障的权重阈值,以Relief算法计算各初始特征的权重,并剔除出低于所述权重阈值的初始特征得到目标特征信息,所述目标特征信息包括电网设备内部的电气量信息和外部非电气量的环境场景信息,且电气量信息至少包括运行状态和运维情况,所述非电气量信息包括时间维度、气象因素、地形地貌至少三个层面的特征因素;所述气象因素至少包括以对配电网构成不同等级的非灾害天气或易致灾天气进行划分的天气情况类别信息,其中,所述气象因素包括:温度、湿度、风速、天气情况,所述地形地貌包括:供电区域,所述时间维度包括:季节、节假日,所述运维情况包括:设备投运年限,所述运行状态包括:线路重过载、配电重过载及三相不平衡;
基于所述目标特征信息将电网数据与气象数据关联映射,构建数据集并生成相应的标签,其中,构建数据集包括:将电网数据与历史气象数据一一关联映射,根据时间,找出相对应的天气、地形地貌,运行状态,运维情况,形成一组由电气量和非电气量组成的特征向量每组特征向量都有对应时刻的配电网故障标签,可构成一组特征和标签的对应关系,形成初始故障特征集;
以所述目标特征信息作为深度神经网络的输入,根据相应的标签进行深度神经网络的训练和验证;
以训练好的基于历史数据对气象因素进行预测的LSTM网络得出所述目标特征信息中的气象因素,并将所述LSTM网络与训练好的深度神经网络级联得到基于深度神经网络的故障预警模型,然后根据所述基于深度神经网络的故障预警模型进行预警,得到预警结论。
2.根据权利要求1所述的基于深度学习的配电网故障风险预警方法,其特征在于,所述预处理包括:
补充缺失数据;以及
将收集到的数据信息按规则进行数据转换;所述规则包括:
将所有天气情况分为4种类型,用特征数值表示,以1表示晴/少云/多云;2表示薄雾+云/薄雾+碎云/薄雾+少云/薄雾/小雨;3表示轻雪/中雨+雷暴/中雨/大风;4表示暴雨/冰雹/雷雨/大雪/高温;
将供电区域分为4类,以数值1-4分别表示市区、市中心、城镇、农村/山区;
时间维度以数值1-4分别表示春、夏、秋、冬;并以数值1-2分别表示假期和工作日;
并将故障情况分为故障与非故障两种情况,用数值做标签;故障为1,非故障为0;
其中,所述预处理还包括将所有的数据进行归一化。
4.根据权利要求3所述的基于深度学习的配电网故障风险预警方法,其特征在于,所述气象因素还包括:温度、湿度和风速。
5.根据权利要求3所述的基于深度学习的配电网故障风险预警方法,其特征在于,所述运维情况包括设备投运年限。
6.一种基于深度学习的配电网故障风险预警系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046960.1A CN112749904B (zh) | 2021-01-14 | 2021-01-14 | 基于深度学习的配电网故障风险预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110046960.1A CN112749904B (zh) | 2021-01-14 | 2021-01-14 | 基于深度学习的配电网故障风险预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749904A CN112749904A (zh) | 2021-05-04 |
CN112749904B true CN112749904B (zh) | 2023-06-27 |
Family
ID=75651982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110046960.1A Active CN112749904B (zh) | 2021-01-14 | 2021-01-14 | 基于深度学习的配电网故障风险预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749904B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377835A (zh) * | 2021-06-09 | 2021-09-10 | 国网河南省电力公司电力科学研究院 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
CN113408803A (zh) * | 2021-06-24 | 2021-09-17 | 国网浙江省电力有限公司双创中心 | 一种雷电预测方法、装置、设备及计算机可读存储介质 |
CN113469457B (zh) * | 2021-07-22 | 2024-04-19 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN113469461B (zh) * | 2021-07-26 | 2024-07-19 | 北京沃东天骏信息技术有限公司 | 生成信息的方法和装置 |
CN113447764A (zh) * | 2021-08-09 | 2021-09-28 | 安徽恒凯电力保护设备有限公司 | 应用于电网的智慧监测及故障管控方法 |
CN113705835A (zh) * | 2021-08-20 | 2021-11-26 | 普泰克电力有限公司 | 一种基于深度学习的配电运维系统 |
CN113657689B (zh) * | 2021-09-01 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
CN113847305A (zh) * | 2021-09-06 | 2021-12-28 | 盛景智能科技(嘉兴)有限公司 | 作业机械液压系统的预警方法、预警系统及作业机械 |
CN114021743A (zh) * | 2021-10-14 | 2022-02-08 | 明阳智慧能源集团股份公司 | 一种风电机组的故障预警建模方法及系统 |
CN114219146A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种电力调度故障处理操作量预测方法 |
CN114386941A (zh) * | 2021-12-30 | 2022-04-22 | 中国电信股份有限公司 | 一种工单预警方法、装置及电子设备 |
CN116170283B (zh) * | 2023-04-23 | 2023-07-14 | 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) | 基于网络通信故障体系的处理方法 |
CN117335571B (zh) * | 2023-10-09 | 2024-05-03 | 国网河南省电力公司濮阳供电公司 | 一种配电网智能化故障预警管理系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN106875105A (zh) * | 2017-01-23 | 2017-06-20 | 东北大学 | 一种考虑复合故障风险的配电网差异化规划方法 |
CN107169645A (zh) * | 2017-05-09 | 2017-09-15 | 云南电力调度控制中心 | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 |
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN110232499A (zh) * | 2019-04-26 | 2019-09-13 | 中国电力科学研究院有限公司 | 一种配电网信息物理侧风险预警方法及系统 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN111881961A (zh) * | 2020-07-17 | 2020-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于数据挖掘的配电网故障风险等级预测方法 |
-
2021
- 2021-01-14 CN CN202110046960.1A patent/CN112749904B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN106875105A (zh) * | 2017-01-23 | 2017-06-20 | 东北大学 | 一种考虑复合故障风险的配电网差异化规划方法 |
CN107169645A (zh) * | 2017-05-09 | 2017-09-15 | 云南电力调度控制中心 | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 |
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN110232499A (zh) * | 2019-04-26 | 2019-09-13 | 中国电力科学研究院有限公司 | 一种配电网信息物理侧风险预警方法及系统 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111881961A (zh) * | 2020-07-17 | 2020-11-03 | 国网江苏省电力有限公司苏州供电分公司 | 基于数据挖掘的配电网故障风险等级预测方法 |
Non-Patent Citations (13)
Title |
---|
A knowledge based decision support algorithm for power transmission system vulnerability impact reduction;Akdeniz, Ersen ;Bagriyanik, Mustafa;nternational journal of electrical power and energy systems;第78卷(第6期);436~444 * |
An LSTM model for power grid loss prediction;Jarkko Tulensalo , Janne Seppnen , Alexander Ilin;Electric Power Systems Research;第189卷(第12期);1-4 * |
Cyber security of a power grid: State-of-the-art;Sun, Chih-Che ; Hahn, Adam ;Liu, Chen-Ching;International journal of electrical power and energy system;第99卷(第7期);45-56 * |
Electricity grid resilience amid various natural disasters;M Waseem,SD Manshadi;The Electricity journal;第33卷(第10期);1-5 * |
Fault Prediction Method for Distribution Network Outage Based on Feature Selection and Ensemble Learning;Wen Zhang;Wanxing Sheng;Keyan Liu;Songhuai Du;Dongli Jia;Lijuan Hu;2018 5th International Conference on Information Science and Control Engineering (ICISCE);227-231 * |
Senlin Zhang;Yixing Wang;Meiqin Liu;Zhejing Bao.Data-Based Line Trip Fault Prediction in Power Systems Using LSTM Networks and SVM.IEEE Access.2017,7675 - 7686. * |
Single Layer & Multi-layer Long Short-Term Memory (LSTM) Model with Intermediate Variables for Weather Forecasting;Afan Galih Salman a a, Yaya Heryadi b, Edi Abdurahman b, Wayan Suparta c;Procedia Computer Science;89–98 * |
基于典型故障与环境场景关联识别的城市配电网运行风险预警方法;徐特威1鲁宗相1乔颖,邹俭,何维国,郭睿;电网技术;第41卷(第08期);2577-2584 * |
基于多源数据和模型融合的超短期母线负荷预测方法;黄灿;王东;殷舒怡;徐梦婵;唐晨涛;电网技术;第45卷(第1期);243-250 * |
探析基于数据挖掘的配电网故障风险预警;赵亮;现代电力(第14期);136-137 * |
计及天气因素相关性的配电网故障风险等级预测方法;张稳,盛万兴,刘科研,杜松怀,贾东梨,白牧可;电网技术;第42卷(第08期);1-8 * |
输电线路气象灾害风险分析与预警方法研究;王建;中国博士学位论文全文数据库 (基础科学辑)(第3期);1-130 * |
配电网多重故障下电压暂降连续椭圆补偿技术研究;余泽远;中国博士学位论文全文数据库(2);1-152 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749904A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN102147839A (zh) | 一种光伏发电量预测方法 | |
CN109344990A (zh) | 一种基于dfs和svm特征选择的短期负荷预测方法及系统 | |
CN116050666B (zh) | 一种辐照特征聚类的光伏发电功率预测方法 | |
CN115775045A (zh) | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANFIS approach | |
CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN111598337A (zh) | 一种分布式光伏短期出力预测的方法 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
Wu et al. | Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features | |
CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 | |
Zhu et al. | Operation reference status selection for photovoltaic arrays and its application in status evaluation | |
CN114492945A (zh) | 电力市场背景下的短期光伏功率预测方法、介质及设备 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 |
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 |