CN114566964B - 一种配电网馈线自动化控制方法、装置、设备及存储介质 - Google Patents

一种配电网馈线自动化控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114566964B
CN114566964B CN202210462477.6A CN202210462477A CN114566964B CN 114566964 B CN114566964 B CN 114566964B CN 202210462477 A CN202210462477 A CN 202210462477A CN 114566964 B CN114566964 B CN 114566964B
Authority
CN
China
Prior art keywords
fault
probability
power
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
Application number
CN202210462477.6A
Other languages
English (en)
Other versions
CN114566964A (zh
Inventor
张磐
徐科
尚学军
吴彬
霍现旭
刘明祥
张腾飞
孙建东
蔡月明
周霞
邹花蕾
吴巨爱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
NARI Nanjing Control System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd, NARI Nanjing Control System Co Ltd filed Critical State Grid Tianjin Electric Power Co Ltd
Priority to CN202210462477.6A priority Critical patent/CN114566964B/zh
Publication of CN114566964A publication Critical patent/CN114566964A/zh
Application granted granted Critical
Publication of CN114566964B publication Critical patent/CN114566964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/047—Probabilistic or stochastic 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
    • H02J2203/20—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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本发明公开了一种配电网馈线自动化控制方法、装置、设备及存储介质，该方法包括：获取配电网的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；基于所述历史运行数据和所述实时运行数据，计算电网故障概率；将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；根据所述目标采样频率设置所述配电网的馈线自动化采样频率。采用本发明实施例能够针对不同的配电网工作状态采用不同频次的采样频率，以减少非必要的数据量产生和数据传输的流量消耗。

Description

一种配电网馈线自动化控制方法、装置、设备及存储介质
技术领域
本发明涉及配电网技术领域，尤其涉及一种配电网馈线自动化控制方法、装置、终端设备及计算机可读存储介质。
背景技术
配电网络的馈线自动化建设是提高供电可靠性、快速处理供电故障、保证用户的用电质量的有效手段。在配电网络的馈线自动化业务中，数据的通讯传输是尤为重要的一环。目前，为了及时反馈电网的故障信息，以及时处理供电故障，保证电网的供电安全，市场上的配电网均采用高速率数据交互，其高频采样的方式，多则在1月内就可以产生100T的数据量，导致电网数据传输的流量消耗巨大。
发明内容
本发明实施例提供一种配电网馈线自动化控制方法、装置、终端设备及计算机可读存储介质，能够针对不同的配电网工作状态采用不同频次的采样频率，以减少非必要的数据量产生和数据传输的流量消耗。
本发明实施例提供了一种配电网馈线自动化控制方法，包括：
获取配电网的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；
根据所述目标采样频率设置所述配电网的馈线自动化采样频率。
作为上述方案的改进，所述历史运行数据还包括所述历史故障运行数据中的各数据对应的故障电力元件；
则所述基于所述历史运行数据和所述实时运行数据，计算电网故障概率，包括：
根据所述实时运行数据，确定所有可能发生故障的可疑电力元件；
对于每一所述可疑电力元件，根据所述配电网的故障先验概率、各个可疑电力元件的故障先验概率、该可疑电力元件的故障权重、所述实时运行数据和所述历史运行数据，计算得到该可疑电力元件基于所述实时运行数据下的第一故障概率；
根据所述历史运行数据进行故障分析，得到每一所述可疑电力元件基于所述历史运行数据下的第二故障概率；
根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率；
根据每一所述可疑电力元件的故障概率，得到电网故障概率。
作为上述方案的改进，所述根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率，具体为：
将每一所述可疑电力元件的第一故障概率除以第二故障概率，得到每一所述可疑电力元件的故障概率。
作为上述方案的改进，每一所述可疑电力元件的第一故障概率通过以下公式计算得到：
Figure 943085DEST_PATH_IMAGE001
；
其中，
Figure 303660DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
为在
Figure 874800DEST_PATH_IMAGE004
发生的条件下所述可疑电力元件
Figure DEST_PATH_IMAGE005
发生故障的条件概率，
Figure 369235DEST_PATH_IMAGE006
为所述实时运行数据，
Figure 259830DEST_PATH_IMAGE004
为所述实时运行数据中的第
Figure DEST_PATH_IMAGE007
个数据，
Figure 994568DEST_PATH_IMAGE005
为所述可疑电力元件，
Figure 603404DEST_PATH_IMAGE008
为基于
Figure 963847DEST_PATH_IMAGE004
下的所述配电网的故障先验概率，
Figure DEST_PATH_IMAGE009
为所述可疑电力元件
Figure 912212DEST_PATH_IMAGE005
的故障先验概率，
Figure 4801DEST_PATH_IMAGE010
为所述可疑电力元件的故障权重，
Figure DEST_PATH_IMAGE011
为
Figure 290814DEST_PATH_IMAGE004
对应的除所述可疑电力元件
Figure 2418DEST_PATH_IMAGE005
以外的第
Figure 805289DEST_PATH_IMAGE012
个可疑电力元件，
Figure DEST_PATH_IMAGE013
为第
Figure 131097DEST_PATH_IMAGE012
个可疑电力元件
Figure 714525DEST_PATH_IMAGE011
的故障先验概率，
Figure 901924DEST_PATH_IMAGE014
为在
Figure 887197DEST_PATH_IMAGE005
发生故障时运行数据为
Figure 196956DEST_PATH_IMAGE004
的概率，
Figure DEST_PATH_IMAGE015
为在
Figure 454631DEST_PATH_IMAGE011
发生故障时运行数据为
Figure 508037DEST_PATH_IMAGE004
的概率；
每一所述可疑电力元件的第二故障概率通过以下公式计算得到：
Figure 285500DEST_PATH_IMAGE016
；
其中，
Figure DEST_PATH_IMAGE017
为所述历史故障运行数据，
Figure 890794DEST_PATH_IMAGE018
为所述历史故障运行数据中的第
Figure DEST_PATH_IMAGE019
个数据，
Figure 390694DEST_PATH_IMAGE020
为在
Figure 247791DEST_PATH_IMAGE018
发生的条件下可疑电力元件
Figure 942078DEST_PATH_IMAGE005
发生故障的条件概率。
作为上述方案的改进，所述根据每一所述可疑电力元件的故障概率，得到电网故障概率，具体为：
确定所有所述可疑电力元件的故障概率的最大值，将所述最大值作为电网故障概率。
作为上述方案的改进，所述神经网络模型具体通过以下方式训练得到：
获取训练用数据；其中，所述训练用数据包括所述配电网正常工作时的运行数据，以及每次故障时的运行数据和对应的故障处理需求周期；
对所述训练用数据进行预处理，得到训练样本；其中，所述训练样本包括不同情况下的电网故障概率及其对应的采样频率；
通过所述训练样本对预先构建的神经网络模型进行训练，得到训练好的神经网络模型。
作为上述方案的改进，所述根据所述目标采样频率设置所述配电网的馈线自动化采样频率，具体为：
判断所述目标采样频率与所述配电网当前的馈线自动化采样频率是否相同，若是，则保持所述配电网的馈线自动化采样频率不变；若否，则调整所述配电网的馈线自动化采样频率为所述目标采样频率。
相应地，本发明另一实施例提供一种配电网馈线自动化控制装置，包括：
数据获取模块，用于获取配电网馈线的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
故障分析模块，用于基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
频率选取模块，用于将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于电网历史运行的电网故障概率和相应的采样频率进行训练的；
频率控制模块，用于根据所述目标采样频率设置所述配电网的馈线自动化采样频率。
本发明另一实施例提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的配电网馈线自动化控制方法。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的配电网馈线自动化控制方法。
与现有技术相比，本发明实施例公开的配电网馈线自动化控制方法、装置、终端设备及存储介质，首先，通过获取配电网的实时运行数据和历史运行数据，计算电网故障概率；然后，将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；最后，根据所述目标采样频率设置所述配电网的馈线自动化采样频率，从而能够针对不同的配电网工作状态采用不同频次的采样频率，避免非必要的高频采样和高速率数据交互，以减少数据量产生和数据传输的流量消耗。
附图说明
图1是本发明实施例提供的一种配电网馈线自动化控制方法的流程示意图；
图2是本发明实施例提供的一种配电网馈线自动化控制装置的结构框图；
图3是本发明实施例提供的一种终端设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明一实施例提供的一种配电网馈线自动化控制方法的流程示意图。
本发明实施例提供的配电网馈线自动化控制方法，包括步骤：
S11、获取配电网的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
S12、基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
S13、将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；
S14、根据所述目标采样频率设置所述配电网的馈线自动化采样频率。
优选地，在步骤S11中，所述实时运行数据为所述配电网实时的电气特征数据，所述历史正常运行数据为所述配电网在历史运行过程中处于正常状态下的电气特征数据，所述历史故障运行数据为所述配电网在历史运行过程中处于故障状态下的电气特征数据，电气特征数据具体包括电流、电压等电气量数据。从而，通过分析实时的电气特征数据与正常状态和不同故障状态下的历史电气特征数据的变化程度，能够计算出电网故障概率。
示例性地，本实施例提供的配电网馈线自动化控制方法可以是由边缘物联代理终端执行。以获取的实时运行数据为实时的电气特征数据为例，通过配电网每条电网线路上的单元型配电终端采集所在电网线路的电气特征数据，并将采集到的电气特征数据通过5G通信技术传输至边缘物联代理终端，从而边缘物联代理终端能够获取到配电网的实时运行数据来实现馈线自动化控制，本实施例采用边缘计算技术的方式将计算存储能力下移至网络边缘，从而能够缩短故障响应时间、减少网络带宽、提高故障处理效率。
具体地，在步骤S12中，可以通过专家系统、模糊Petri网、贝叶斯网络、人工神经网络、解析模型、小波变换等方法，结合历史运行数据和实时运行数据，计算得到电网故障概率。
作为其中一个优选的实施例，所述历史运行数据还包括所述历史故障运行数据中的各数据对应的故障电力元件；
则所述基于所述历史运行数据和所述实时运行数据，计算电网故障概率，包括：
根据所述实时运行数据，确定所有可能发生故障的可疑电力元件；
对于每一所述可疑电力元件，根据所述配电网的故障先验概率、各个可疑电力元件的故障先验概率、该可疑电力元件的故障权重、所述实时运行数据和所述历史运行数据，计算得到该可疑电力元件基于所述实时运行数据下的第一故障概率；
根据所述历史运行数据进行故障分析，得到每一所述可疑电力元件基于所述历史运行数据下的第二故障概率；
根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率；
根据每一所述可疑电力元件的故障概率，得到电网故障概率。
可以理解，配电网发生故障时电气特征数据的变化优先于断路器动作的等开关量数据，所以本发明可采用电气特征数据识别可疑故障元件，以提高故障诊断速度和抗干扰能力。此外，由于当配电网系统发生故障时，电网线路的电气特征数据中的电流在故障发生前后会发生较大的变化，因此，优选地，可采用实时运行数据中的电流数据，计算电网故障概率。
值得说明的是，单元型配电终端通常安装在一段电网线路的两侧，用于监测这一段电网线路的运行数据，而因为一段电网线路上包含不同的电力元件，且同段电网线路上的电力元件是串联的，因此，所述单元型配电终端所采集到的运行数据对应着所在电网线路的不同电力元件，当通过单元型配电终端监测到任一电网线路的运行数据发生变化时，则判定该段电网线路可能发生故障，并将可能发生故障的电网线路上的所有电力元件作为可能发生故障的可疑电力元件，以便后续对可疑电力元件进行故障分析从而得到电网故障概率。因此，所述配电网的实时运行数据包括所述配电网所有电网线路的实时运行数据，则所述根据所述实时运行数据，确定所有可能发生故障的可疑电力元件，包括：根据所述实时运行数据进行故障分析，得到可能发生故障的可疑电网线路；将所有可疑电网线路上的所有电力元件，作为可能发生故障的可疑电力元件。
需要说明的是，电力元件的故障概率即为电力元件故障电气特征数据能够表达电力元件故障的充分程度，因此，在本实施例中，对于每一可能发生故障的可疑电力元件，通过故障分析得到每一可疑电力元件基于实时运行数据下的第一故障概率以及基于历史运行数据下的第二故障概率，再综合得到每一可疑电力元件的故障概率，能够考虑实际发生的故障电气特征数据对电力元件故障的解释能力，从而提高可疑电力元件的故障概率准确性，然后再根据每一可疑电力元件的故障概率，能够准确地确定电网故障概率。其中，配电网常见的故障状态主要有：变压器故障、单相接地故障、短路故障等，因此，所述配电网每次发生故障时，对应的故障元件可能有所不同，所述历史运行数据中还包括导致所述历史故障运行数据中的各数据发生的故障电力元件。
在一些更优的实施例中，所述根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率，具体为：
将每一所述可疑电力元件的第一故障概率除以第二故障概率，得到每一所述可疑电力元件的故障概率。
在本实施例中，以获取的实时运行数据为实时的电气特征数据为例，配电网处于故障状态下的电气特征数据（以下简述为故障电气特征数据）可能反应多个可疑故障元件，而多个可疑故障元件之间并没有关联关系，故障电气特征数据与可疑故障元件之间的对应关系是相互独立的，因此根据以下公式计算在故障电气特征数据
Figure 531322DEST_PATH_IMAGE022
发生的条件下可疑电力元件
Figure 763589DEST_PATH_IMAGE005
发生故障的条件概率：
Figure DEST_PATH_IMAGE023
；
其中，
Figure 283432DEST_PATH_IMAGE011
为故障电气特征数据
Figure 832225DEST_PATH_IMAGE022
对应的除可疑电力元件
Figure 172464DEST_PATH_IMAGE005
以外的第
Figure 564131DEST_PATH_IMAGE012
个可疑电力元件，
Figure 700715DEST_PATH_IMAGE009
为所述可疑电力元件
Figure 104014DEST_PATH_IMAGE005
的故障先验概率，
Figure 362957DEST_PATH_IMAGE013
为第
Figure 304237DEST_PATH_IMAGE012
个可疑电力元件
Figure 41249DEST_PATH_IMAGE024
的故障先验概率，
Figure DEST_PATH_IMAGE025
为基于故障电气特征数据
Figure 502317DEST_PATH_IMAGE022
下的配电网的故障先验概率，
Figure 932162DEST_PATH_IMAGE026
为在
Figure 95159DEST_PATH_IMAGE005
发生故障时运行数据为
Figure 635861DEST_PATH_IMAGE022
的概率，
Figure DEST_PATH_IMAGE027
为在
Figure 217015DEST_PATH_IMAGE011
发生故障时运行数据为
Figure 552182DEST_PATH_IMAGE022
的概率。
具体地，上述用于计算在故障电气特征数据
Figure 465124DEST_PATH_IMAGE022
发生的条件下可疑电力元件
Figure 543939DEST_PATH_IMAGE005
发生故障的条件概率的公式的推导过程如下：
假设事件
Figure 41916DEST_PATH_IMAGE028
满足以下条件：
Figure DEST_PATH_IMAGE029
；
对于任一事件
Figure 485667DEST_PATH_IMAGE030
，假设事件
Figure DEST_PATH_IMAGE031
和
Figure 13469DEST_PATH_IMAGE030
是两个不同的事件，影响事件
Figure 895975DEST_PATH_IMAGE030
发生的因素与事件
Figure 186142DEST_PATH_IMAGE028
互不相容，事件
Figure 128690DEST_PATH_IMAGE028
的概率和
Figure 753575DEST_PATH_IMAGE032
，且
Figure DEST_PATH_IMAGE033
；其中，
Figure 174192DEST_PATH_IMAGE034
为事件
Figure DEST_PATH_IMAGE035
发生的概率，则将满足以下全概率公式的事件组
Figure 584445DEST_PATH_IMAGE028
称为完备事件组：
Figure 622196DEST_PATH_IMAGE036
；
其中，
Figure 547426DEST_PATH_IMAGE037
为事件
Figure 771734DEST_PATH_IMAGE030
发生的概率，
Figure 36493DEST_PATH_IMAGE038
为事件
Figure 320844DEST_PATH_IMAGE035
发生的条件下事件
Figure 185901DEST_PATH_IMAGE030
发生的条件概率；
根据以下公式计算在事件
Figure 948321DEST_PATH_IMAGE031
发生的条件下事件
Figure 129903DEST_PATH_IMAGE030
发生的条件概率
Figure 257259DEST_PATH_IMAGE039
：
Figure 157082DEST_PATH_IMAGE040
；
根据以下公式计算在事件
Figure 910143DEST_PATH_IMAGE030
发生的条件下事件
Figure 946232DEST_PATH_IMAGE031
发生的条件概率
Figure 510069DEST_PATH_IMAGE041
：
Figure 897188DEST_PATH_IMAGE042
；
其中，
Figure 1410DEST_PATH_IMAGE043
为事件
Figure 344536DEST_PATH_IMAGE031
和事件
Figure 141590DEST_PATH_IMAGE030
同时发生的概率；
则，推导得出贝叶斯公式为：
Figure 953689DEST_PATH_IMAGE044
；
其中，
Figure 127181DEST_PATH_IMAGE045
为在事件
Figure 56304DEST_PATH_IMAGE030
发生的条件下事件
Figure 24260DEST_PATH_IMAGE046
发生的条件概率，
Figure 120392DEST_PATH_IMAGE047
事件
Figure 504100DEST_PATH_IMAGE046
发生的条件下事件
Figure 634867DEST_PATH_IMAGE030
发生的条件概率，
Figure 226254DEST_PATH_IMAGE048
为事件
Figure 809682DEST_PATH_IMAGE046
发生的概率。
进一步地，每一所述可疑电力元件的第一故障概率通过以下公式计算得到：
Figure 59398DEST_PATH_IMAGE049
；
其中，
Figure 716776DEST_PATH_IMAGE002
；
Figure 26534DEST_PATH_IMAGE003
为在
Figure 549788DEST_PATH_IMAGE004
发生的条件下所述可疑电力元件
Figure 603195DEST_PATH_IMAGE005
发生故障的条件概率，
Figure 442975DEST_PATH_IMAGE006
为所述实时运行数据，
Figure 595739DEST_PATH_IMAGE004
为所述实时运行数据中的第
Figure 888180DEST_PATH_IMAGE007
个数据，
Figure 932228DEST_PATH_IMAGE005
为所述可疑电力元件，
Figure 626515DEST_PATH_IMAGE008
为基于
Figure 278076DEST_PATH_IMAGE004
下的所述配电网的故障先验概率，
Figure 526655DEST_PATH_IMAGE009
为所述可疑电力元件
Figure 921864DEST_PATH_IMAGE005
的故障先验概率，
Figure 394958DEST_PATH_IMAGE010
为所述可疑电力元件的故障权重，
Figure 483000DEST_PATH_IMAGE011
为
Figure 953295DEST_PATH_IMAGE004
对应的除所述可疑电力元件
Figure 886616DEST_PATH_IMAGE005
以外的第
Figure 555495DEST_PATH_IMAGE012
个可疑电力元件，
Figure 1389DEST_PATH_IMAGE013
为第
Figure 490139DEST_PATH_IMAGE012
个可疑电力元件
Figure 164834DEST_PATH_IMAGE011
的故障先验概率，
Figure 688219DEST_PATH_IMAGE014
为在
Figure 852484DEST_PATH_IMAGE005
发生故障时运行数据为
Figure 546640DEST_PATH_IMAGE004
的概率，
Figure 759446DEST_PATH_IMAGE015
为在
Figure 137338DEST_PATH_IMAGE011
发生故障时运行数据为
Figure 190613DEST_PATH_IMAGE004
的概率；
每一所述可疑电力元件的第二故障概率通过以下公式计算得到：
Figure 653956DEST_PATH_IMAGE016
；
其中，
Figure 936033DEST_PATH_IMAGE017
为所述历史故障运行数据，
Figure 434010DEST_PATH_IMAGE018
为所述历史故障运行数据中的第
Figure 858519DEST_PATH_IMAGE019
个数据，
Figure 74737DEST_PATH_IMAGE020
为在
Figure 160505DEST_PATH_IMAGE018
发生的条件下可疑电力元件
Figure 512989DEST_PATH_IMAGE005
发生故障的条件概率。
则每一所述可疑电力元件的故障概率
Figure 376908DEST_PATH_IMAGE050
通过以下公式计算得到：
Figure 814843DEST_PATH_IMAGE051
；
其中，
Figure 438722DEST_PATH_IMAGE006
为所述实时运行数据，
Figure 645713DEST_PATH_IMAGE017
为所述历史故障运行数据，
Figure 946113DEST_PATH_IMAGE018
为所述历史故障运行数据中的第
Figure 871344DEST_PATH_IMAGE019
个数据，
Figure 95652DEST_PATH_IMAGE052
为在
Figure 94832DEST_PATH_IMAGE004
发生的条件下可疑电力元件
Figure 379182DEST_PATH_IMAGE005
发生故障的条件概率，
Figure 978660DEST_PATH_IMAGE020
为在
Figure 6659DEST_PATH_IMAGE018
发生的条件下可疑电力元件
Figure 125925DEST_PATH_IMAGE005
发生故障的条件概率。
需要说明，在所述第一故障概率、所述第二故障概率和所述可疑电力元件的故障概率的计算公式中，
Figure 581177DEST_PATH_IMAGE053
；
Figure 481000DEST_PATH_IMAGE054
；
Figure 236990DEST_PATH_IMAGE055
；其中，
Figure 273080DEST_PATH_IMAGE056
为所述实时运行数据
Figure 836916DEST_PATH_IMAGE006
中包含的运行数据总数，
Figure 958456DEST_PATH_IMAGE057
为除可疑电力元件
Figure 328257DEST_PATH_IMAGE005
以外的可疑电力元件总数，
Figure 671383DEST_PATH_IMAGE058
为所述历史故障运行数据
Figure 468438DEST_PATH_IMAGE017
中包含的运行数据总数。
示例性地，根据相关研究表明，电力元件在
Figure 14957DEST_PATH_IMAGE059
时段内从正常工作状态转为故障状态的故障概率
Figure 922870DEST_PATH_IMAGE060
为：
Figure 933551DEST_PATH_IMAGE061
；其中，
Figure 88458DEST_PATH_IMAGE062
为单位时间内电力元件运行故障统计。基于配电网继电保护与安全自动装置运行情况统计结果及相关研究成果，得到基于历史统计情况的电力元件
Figure 184590DEST_PATH_IMAGE005
的故障概率
Figure 833877DEST_PATH_IMAGE063
如下：1、每km线路的故障概率为
Figure 964644DEST_PATH_IMAGE064
；2、每台变压器的故障概率为
Figure 290452DEST_PATH_IMAGE065
；3、每条母线的故障概率为
Figure 608301DEST_PATH_IMAGE066
。
在一些更优的实施例中，所述根据每一所述可疑电力元件的故障概率，得到电网故障概率，具体为：
确定所有所述可疑电力元件的故障概率的最大值，将所述最大值作为电网故障概率。
在一个具体的实施方式中，所述神经网络模型具体通过以下方式训练得到：
获取训练用数据；其中，所述训练用数据包括所述配电网正常工作时的运行数据，以及每次故障时的运行数据和对应的故障处理需求周期；
对所述训练用数据进行预处理，得到训练样本；其中，所述训练样本包括不同情况下的电网故障概率及其对应的采样频率；
通过所述训练样本对预先构建的神经网络模型进行训练，得到训练好的神经网络模型。
具体地，所述神经网络模型包括：LSTM神经网络和Softmax分类器；其中，所述Softmax分类器的输入数据为所述LSTM神经网络最后一层神经元的输出数据。
具体地，所述预处理后的数据还包括：采样频率权重和故障概率输入偏差项。在具体训练过程中，将预处理后的数据通过训练通道输入至LSTM神经网络中进行分类训练，并在训练的过程中采用对数损失函数和梯度下降算法决定训练出口，训练结束后获得权重数组，根据所述权重数组进行采样频率分类。此外，为了使数据检测结果迅速且准确，需要对预处理后的数据进行重要特征提取，即在训练过程中对采样频率权重进行提取，并将提取的特征输入至Softmax分类器中进行筛选，从而可以判断采样频率的取值是否合适，以得到目标采样频率。
进一步地，所述LSTM神经网络根据以下公式得到采样频率：
Figure 123596DEST_PATH_IMAGE067
；
Figure 46552DEST_PATH_IMAGE068
；
Figure 356311DEST_PATH_IMAGE069
；
Figure 368914DEST_PATH_IMAGE070
；
Figure 422321DEST_PATH_IMAGE071
；
Figure 262101DEST_PATH_IMAGE072
；
其中，
Figure 680444DEST_PATH_IMAGE073
为
Figure 238464DEST_PATH_IMAGE075
时刻的采样频率，
Figure 16933DEST_PATH_IMAGE076
、
Figure 976799DEST_PATH_IMAGE077
、
Figure 628360DEST_PATH_IMAGE078
、
Figure 345781DEST_PATH_IMAGE079
、
Figure 740990DEST_PATH_IMAGE080
分别为LSTM神经网络在
Figure 742313DEST_PATH_IMAGE075
时刻的输入节点、输入门、忘记门、内部状态、输出门，
Figure 564775DEST_PATH_IMAGE081
为tanh激活函数，
Figure 831809DEST_PATH_IMAGE082
为sigmoid激活函数，
Figure 968392DEST_PATH_IMAGE083
为
Figure 637271DEST_PATH_IMAGE084
时刻的采样频率输出，
Figure 817585DEST_PATH_IMAGE085
为
Figure 571914DEST_PATH_IMAGE075
时刻输入的电网故障概率，
Figure 574506DEST_PATH_IMAGE086
为输入节点对应的电网故障概率的权重，
Figure 35574DEST_PATH_IMAGE087
为输入门对应的电网故障概率的权重，
Figure 199839DEST_PATH_IMAGE088
为忘记门刷新电网故障概率的权重，
Figure 631345DEST_PATH_IMAGE089
为
Figure 172048DEST_PATH_IMAGE084
时刻的内部状态，
Figure 549939DEST_PATH_IMAGE090
代表逐项相乘，
Figure 88368DEST_PATH_IMAGE091
为输出门对应的电网故障概率的权重，
Figure 551710DEST_PATH_IMAGE092
、
Figure 83055DEST_PATH_IMAGE093
、
Figure 315453DEST_PATH_IMAGE094
、
Figure 87100DEST_PATH_IMAGE095
分别为输入节点、输入门、忘记门、输出门上一阶段输出的采样频率权重，
Figure 162372DEST_PATH_IMAGE096
、
Figure 44878DEST_PATH_IMAGE097
、
Figure 335045DEST_PATH_IMAGE098
、
Figure 277593DEST_PATH_IMAGE099
分别为输入节点、输入门、忘记门、输出门的故障概率输出偏差项。
进一步地，所述Softmax分类器的函数如下：
Figure 715527DEST_PATH_IMAGE100
；
其中，
Figure 588674DEST_PATH_IMAGE101
为Softmax分类器的第
Figure 795665DEST_PATH_IMAGE007
个输出结果，
Figure 846797DEST_PATH_IMAGE102
为LSTM神经网络第
Figure 772028DEST_PATH_IMAGE007
个输出节点的输出值，
Figure 996336DEST_PATH_IMAGE103
为输出节点的个数，即分类的类别个数，
Figure 507433DEST_PATH_IMAGE104
表示从第一个输出节点开始求和，
Figure 526205DEST_PATH_IMAGE105
为所有输出节点的指数之和。
可以理解的，Softmax分类器的函数中分母表示归一化，分母由所有输出节点的指数之和组成，以确保输出总和为1。Softmax分类器的函数又称归一化指数函数，用于将多分类的结果采用概率的形式展现出来，再将Softmax分类器得出的概率回传至LSTM神经网络，从而得到目标采样频率。
在一些更优的实施例中，所述根据所述目标采样频率设置所述配电网的馈线自动化采样频率，具体为：
判断所述目标采样频率与所述配电网当前的馈线自动化采样频率是否相同，若是，则保持所述配电网的馈线自动化采样频率不变；若否，则调整所述配电网的馈线自动化采样频率为所述目标采样频率。
值得说明的是，在实际的操作过程中，可按照电网故障概率将配电网的工作状态划分为正常状态、预警状态、异常报警状态。具体地，当电网故障概率位于
Figure 876415DEST_PATH_IMAGE106
时，则判定配电网的工作状态为正常状态；当电网故障概率位于
Figure 904413DEST_PATH_IMAGE107
时，则判定配电网的工作状态为预警状态；当电网故障概率位于
Figure 85996DEST_PATH_IMAGE108
时，则判定配电网的工作状态为异常报警状态。
示例性地，若当前电网故障概率小于0.5，则采用预先训练好的神经网络模型选择合适的目标采样频率，优选地，对于正常状态，选取目标采样频率为
Figure 728199DEST_PATH_IMAGE109
；对于预警状态，则针对不同的故障
Figure 362443DEST_PATH_IMAGE110
，选取对应的采样频率
Figure 866236DEST_PATH_IMAGE111
进行采样。若当前电网故障概率大于或等于0.5，则直接采用配电网所允许的最大采样频率，即超高频率
Figure 167905DEST_PATH_IMAGE112
进行采样。可以理解，预警状态下的故障属于不会影响到配电网整体运行或者说不会造成配电网大范围事故的故障，而异常报警状态下的故障为会对配电网造成巨大影响的大型故障，对于这一类大型故障所采用的超高频率通常会在终端预先设置好。换言之，预先训练好的神经网络模型主要用于正常状态和预警状态下目标采样频率的选取，以保证正常状态下采用低频的采样频率
Figure 794058DEST_PATH_IMAGE109
进行采样，减少流量消耗；而对于预警状态，则针对不同的小型故障
Figure 102548DEST_PATH_IMAGE110
采用对应的采样频率
Figure 472350DEST_PATH_IMAGE111
进行采样，以便精准检测配电网中电网线路的工作状态；对于异常报警状态，则采用超高频率
Figure 628525DEST_PATH_IMAGE112
不计流量消耗地集中进行采样和采样数据传输；其中，
Figure 363263DEST_PATH_IMAGE113
。从而在正常状态和预警状态这一些不需要高频采样的时间段采用不同程度的低频采样，以实现对配电网的馈线自动化采样频率地精准控制，可大幅度减少数据量的产生和数据传输的流量消耗，节约配电网数据采样和数据传输的成本，极大程度上满足对配电网故障信息的采样和处理任务。
需要说明，当基于电网故障概率检测到神经网络模型输出的目标采样频率与配电网当前的馈线自动化采样频率不同，或配电网工作状态发生改变时，可通过物联代理终端下达采样频率变更指令和故障处理指令，并在故障处理结束，配电网的电网线路运行恢复正常时，将配电网的馈线自动化采样频率恢复至正常状态下的采样频率，并通过终端向主站发送故障处理日志，以完成主站对整个流程控制的监督管理。
参见图2，是本发明实施例提供的一种配电网馈线自动化控制装置的结构框图。
本发明实施例提供的配电网馈线自动化控制装置，包括：
数据获取模块21，用于获取配电网馈线的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
故障分析模块22，用于基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
频率选取模块23，用于将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于电网历史运行的电网故障概率和相应的采样频率进行训练的；
频率控制模块24，用于根据所述目标采样频率设置所述配电网的馈线自动化采样频率。
作为上述方案的改进，所述数据获取模块21获取的所述历史运行数据还包括所述历史故障运行数据中的各数据对应的故障电力元件；则所述故障分析模块22，包括：
可疑电力元件判别单元，用于根据所述实时运行数据，确定所有可能发生故障的可疑电力元件；
第一元件故障分析单元，用于对于每一所述可疑电力元件，根据所述配电网的故障先验概率、各个可疑电力元件的故障先验概率、该可疑电力元件的故障权重、所述实时运行数据和所述历史运行数据，计算得到该可疑电力元件基于所述实时运行数据下的第一故障概率；
第二元件故障分析单元，用于根据所述历史运行数据进行故障分析，得到每一所述可疑电力元件基于所述历史运行数据下的第二故障概率；
元件故障概率运算单元，用于根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率；
电网故障概率运算单元，用于根据每一所述可疑电力元件的故障概率，得到电网故障概率。
作为其中一个可选的实施方式，所述元件故障概率运算单元，具体用于：
将每一所述可疑电力元件的第一故障概率除以第二故障概率，得到每一所述可疑电力元件的故障概率。
作为其中一个可选的实施方式，在所述故障分析模块22中，每一所述可疑电力元件的第一故障概率通过以下公式计算得到：
Figure 972098DEST_PATH_IMAGE001
；
其中，
Figure 66962DEST_PATH_IMAGE002
；
Figure 77644DEST_PATH_IMAGE003
为在
Figure 983283DEST_PATH_IMAGE004
发生的条件下所述可疑电力元件
Figure 269295DEST_PATH_IMAGE005
发生故障的条件概率，
Figure 980899DEST_PATH_IMAGE006
为所述实时运行数据，
Figure 783770DEST_PATH_IMAGE004
为所述实时运行数据中的第
Figure 922627DEST_PATH_IMAGE007
个数据，
Figure 693006DEST_PATH_IMAGE005
为所述可疑电力元件，
Figure 208301DEST_PATH_IMAGE008
为基于
Figure 865678DEST_PATH_IMAGE004
下的所述配电网的故障先验概率，
Figure 175437DEST_PATH_IMAGE009
为所述可疑电力元件
Figure 433112DEST_PATH_IMAGE005
的故障先验概率，
Figure 486519DEST_PATH_IMAGE010
为所述可疑电力元件的故障权重，
Figure 263982DEST_PATH_IMAGE011
为
Figure 744642DEST_PATH_IMAGE004
对应的除所述可疑电力元件
Figure 489613DEST_PATH_IMAGE005
以外的第
Figure 18814DEST_PATH_IMAGE012
个可疑电力元件，
Figure 713101DEST_PATH_IMAGE013
为第
Figure 814262DEST_PATH_IMAGE012
个可疑电力元件
Figure 593999DEST_PATH_IMAGE011
的故障先验概率，
Figure 926892DEST_PATH_IMAGE014
为在
Figure 741264DEST_PATH_IMAGE005
发生故障时运行数据为
Figure 750677DEST_PATH_IMAGE004
的概率，
Figure 955393DEST_PATH_IMAGE015
为在
Figure 154294DEST_PATH_IMAGE011
发生故障时运行数据为
Figure 10123DEST_PATH_IMAGE004
的概率；
每一所述可疑电力元件的第二故障概率通过以下公式计算得到：
Figure 128121DEST_PATH_IMAGE016
；
其中，
Figure 882450DEST_PATH_IMAGE017
为所述历史故障运行数据，
Figure 557145DEST_PATH_IMAGE018
为所述历史故障运行数据中的第
Figure 270410DEST_PATH_IMAGE019
个数据，
Figure 637938DEST_PATH_IMAGE114
为在
Figure 879563DEST_PATH_IMAGE018
发生的条件下可疑电力元件
Figure 341638DEST_PATH_IMAGE005
发生故障的条件概率。
优选地，所述电网故障概率运算单元，具体用于：
确定所有所述可疑电力元件的故障概率的最大值，将所述最大值作为电网故障概率。
作为其中一个可选地实施方式，在所述频率选取模块23中，所述神经网络模型具体通过以下方式训练得到：
获取训练用数据；其中，所述训练用数据包括所述配电网正常工作时的运行数据，以及每次故障时的运行数据和对应的故障处理需求周期；
对所述训练用数据进行预处理，得到训练样本；其中，所述训练样本包括不同情况下的电网故障概率及其对应的采样频率；
通过所述训练样本对预先构建的神经网络模型进行训练，得到训练好的神经网络模型。
作为其中一个优选地实施方式，所述频率控制模块24，具体用于：
判断所述目标采样频率与所述配电网当前的馈线自动化采样频率是否相同，若是，则保持所述配电网的馈线自动化采样频率不变；若否，则调整所述配电网的馈线自动化采样频率为所述目标采样频率。
需要说明的是，本实施例的配电网馈线自动化控制装置的各实施例的相关具体描述和有益效果可以参考上述的配电网馈线自动化控制方法的各实施例的相关具体描述和有益效果，在此不再赘述。
参见图3，是本发明一实施例提供的一种终端设备的结构示意图。
本发明实施例提供的一种终端设备，包括处理器310、存储器320以及存储在所述存储器320中且被配置为由所述处理器310执行的计算机程序，所述处理器310执行所述计算机程序时实现如上述任一实施例所述的配电网馈线自动化控制方法。
所述处理器310执行所述计算机程序时实现上述配电网馈线自动化控制方法实施例中的步骤，例如图1所示的配电网馈线自动化控制方法的所有步骤。或者，所述处理器310执行所述计算机程序时实现上述配电网馈线自动化控制装置实施例中各模块/单元的功能，例如图2所示的配电网馈线自动化控制装置的各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器320中，并由所述处理器310执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如，所述计算机程序可以被分割成数据获取模块、故障分析模块、频率选取模块和频率控制模块，各模块具体功能如下：数据获取模块，用于获取配电网馈线的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；故障分析模块，用于基于所述历史运行数据和所述实时运行数据，计算电网故障概率；频率选取模块，用于将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于电网历史运行的电网故障概率和相应的采样频率进行训练的；频率控制模块，用于根据所述目标采样频率设置所述配电网的馈线自动化采样频率。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器310、存储器320。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器310是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器320可用于存储所述计算机程序和/或模块，所述处理器310通过运行或执行存储在所述存储器320内的计算机程序和/或模块，以及调用存储在存储器320内的数据，实现所述终端设备的各种功能。所述存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它门之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
综上，本发明实施例所提供的一种配电网馈线自动化控制方法、装置、计算机可读存储介质及终端设备，首先，通过获取配电网的实时运行数据和历史故障运行数据，计算电网故障概率；然后，将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；最后，根据所述目标采样频率设置所述配电网的馈线自动化采样频率，从而能够针对不同的配电网工作状态采用不同频次的采样频率，避免非必要的高频采样和高速率数据交互，以减少数据量产生和数据传输的流量消耗。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种配电网馈线自动化控制方法，其特征在于，包括：
获取配电网的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于配电网历史运行的电网故障概率和相应的采样频率进行训练得到的；所述神经网络模型包括LSTM神经网络和Softmax分类器；
根据所述目标采样频率设置所述配电网的馈线自动化采样频率；
其中，所述神经网络模型具体通过以下方式训练得到：
获取训练用数据；其中，所述训练用数据包括所述配电网正常工作时的运行数据，以及每次故障时的运行数据和对应的故障处理需求周期；
对所述训练用数据进行预处理，得到训练样本；其中，所述训练样本包括不同情况下的电网故障概率及其对应的采样频率、采样频率权重和故障概率输入偏差项；
将所述训练样本输入至所述LSTM神经网络中进行分类训练，在训练过程中采用对数损失函数和梯度下降算法决定训练出口，训练结束后获得权重数组；
将所述权重数组输入至所述Softmax分类器中进行采样频率分类，以得到训练好的神经网络模型。
2.如权利要求1所述的配电网馈线自动化控制方法，其特征在于，所述历史运行数据还包括所述历史故障运行数据中的各数据对应的故障电力元件；
则所述基于所述历史运行数据和所述实时运行数据，计算电网故障概率，包括：
根据所述实时运行数据，确定所有可能发生故障的可疑电力元件；
对于每一所述可疑电力元件，根据所述配电网的故障先验概率、各个可疑电力元件的故障先验概率、该可疑电力元件的故障权重、所述实时运行数据和所述历史运行数据，计算得到该可疑电力元件基于所述实时运行数据下的第一故障概率；
根据所述历史运行数据进行故障分析，得到每一所述可疑电力元件基于所述历史运行数据下的第二故障概率；
根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率；
根据每一所述可疑电力元件的故障概率，得到电网故障概率。
3.如权利要求2所述的配电网馈线自动化控制方法，其特征在于，所述根据每一所述可疑电力元件的第一故障概率和第二故障概率，得到每一所述可疑电力元件的故障概率，具体为：
将每一所述可疑电力元件的第一故障概率除以第二故障概率，得到每一所述可疑电力元件的故障概率。
4.如权利要求2或3所述的配电网馈线自动化控制方法，其特征在于，每一所述可疑电力元件的第一故障概率通过以下公式计算得到：
Figure 473375DEST_PATH_IMAGE001
；
其中，
Figure 534872DEST_PATH_IMAGE002
；
Figure 6174DEST_PATH_IMAGE003
为在
Figure 418701DEST_PATH_IMAGE004
发生的条件下所述可疑电力元件
Figure 384382DEST_PATH_IMAGE005
发生故障的条件概率，
Figure 565965DEST_PATH_IMAGE006
为所述实时运行数据，
Figure 942589DEST_PATH_IMAGE004
为所述实时运行数据中的第
Figure 842412DEST_PATH_IMAGE007
个数据，
Figure 408522DEST_PATH_IMAGE005
为所述可疑电力元件，
Figure 647874DEST_PATH_IMAGE008
为基于
Figure 8448DEST_PATH_IMAGE004
下的所述配电网的故障先验概率，
Figure 395567DEST_PATH_IMAGE009
为所述可疑电力元件
Figure 952319DEST_PATH_IMAGE005
的故障先验概率，
Figure 842915DEST_PATH_IMAGE010
为所述可疑电力元件的故障权重，
Figure 639969DEST_PATH_IMAGE011
为
Figure 186488DEST_PATH_IMAGE004
对应的除所述可疑电力元件
Figure 359981DEST_PATH_IMAGE005
以外的第
Figure 557613DEST_PATH_IMAGE012
个可疑电力元件，
Figure 525569DEST_PATH_IMAGE013
为第
Figure 621701DEST_PATH_IMAGE012
个可疑电力元件
Figure 270988DEST_PATH_IMAGE011
的故障先验概率，
Figure 136176DEST_PATH_IMAGE014
为在
Figure 275033DEST_PATH_IMAGE005
发生故障时运行数据为
Figure 45412DEST_PATH_IMAGE004
的概率，
Figure 295127DEST_PATH_IMAGE015
为在
Figure 218084DEST_PATH_IMAGE011
发生故障时运行数据为
Figure 527843DEST_PATH_IMAGE004
的概率；
每一所述可疑电力元件的第二故障概率通过以下公式计算得到：
Figure 598567DEST_PATH_IMAGE016
；
其中，
Figure 838924DEST_PATH_IMAGE017
为所述历史故障运行数据，
Figure 678704DEST_PATH_IMAGE018
为所述历史故障运行数据中的第
Figure 159364DEST_PATH_IMAGE019
个数据，
Figure 389488DEST_PATH_IMAGE020
为在
Figure 246586DEST_PATH_IMAGE018
发生的条件下可疑电力元件
Figure 127823DEST_PATH_IMAGE005
发生故障的条件概率。
5.如权利要求2所述的配电网馈线自动化控制方法，其特征在于，所述根据每一所述可疑电力元件的故障概率，得到电网故障概率，具体为：
确定所有所述可疑电力元件的故障概率的最大值，将所述最大值作为电网故障概率。
6.如权利要求1所述的配电网馈线自动化控制方法，其特征在于，所述根据所述目标采样频率设置所述配电网的馈线自动化采样频率，具体为：
判断所述目标采样频率与所述配电网当前的馈线自动化采样频率是否相同，若是，则保持所述配电网的馈线自动化采样频率不变；若否，则调整所述配电网的馈线自动化采样频率为所述目标采样频率。
7.一种配电网馈线自动化控制装置，其特征在于，包括：
数据获取模块，用于获取配电网馈线的实时运行数据和历史运行数据；其中，所述历史运行数据包括历史正常运行数据和历史故障运行数据；
故障分析模块，用于基于所述历史运行数据和所述实时运行数据，计算电网故障概率；
频率选取模块，用于将所述电网故障概率输入至预先训练好的神经网络模型中，得到目标采样频率；其中，所述神经网络模型是基于电网历史运行的电网故障概率和相应的采样频率进行训练的；所述神经网络模型包括LSTM神经网络和Softmax分类器；
频率控制模块，用于根据所述目标采样频率设置所述配电网的馈线自动化采样频率；
其中，在所述频率选取模块中，所述神经网络模型具体通过以下方式训练得到：
获取训练用数据；其中，所述训练用数据包括所述配电网正常工作时的运行数据，以及每次故障时的运行数据和对应的故障处理需求周期；
对所述训练用数据进行预处理，得到训练样本；其中，所述训练样本包括不同情况下的电网故障概率及其对应的采样频率、采样频率权重和故障概率输入偏差项；
将所述训练样本输入至所述LSTM神经网络中进行分类训练，在训练过程中采用对数损失函数和梯度下降算法决定训练出口，训练结束后获得权重数组；
将所述权重数组输入至所述Softmax分类器中进行采样频率分类，以得到训练好的神经网络模型。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的配电网馈线自动化控制方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的配电网馈线自动化控制方法。
CN202210462477.6A 2022-04-29 2022-04-29 一种配电网馈线自动化控制方法、装置、设备及存储介质 Active CN114566964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462477.6A CN114566964B (zh) 2022-04-29 2022-04-29 一种配电网馈线自动化控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462477.6A CN114566964B (zh) 2022-04-29 2022-04-29 一种配电网馈线自动化控制方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114566964A CN114566964A (zh) 2022-05-31
CN114566964B true CN114566964B (zh) 2022-07-29

Family

ID=81720790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462477.6A Active CN114566964B (zh) 2022-04-29 2022-04-29 一种配电网馈线自动化控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114566964B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115800274B (zh) * 2023-02-08 2023-06-30 国网天津市电力公司电力科学研究院 一种5g配电网馈线自动化自适应方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261109A (zh) * 2019-04-28 2019-09-20 洛阳中科晶上智能装备科技有限公司 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
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
CN112051481A (zh) * 2020-08-12 2020-12-08 华中科技大学 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN112836436A (zh) * 2021-03-01 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于概率图模型的配电网线路风险量化预测方法
CN112924817A (zh) * 2021-04-15 2021-06-08 广东电网有限责任公司广州供电局 一种基于深度神经网络的配电网故障精确定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914735B (zh) * 2014-04-17 2017-03-29 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN107516170B (zh) * 2017-08-30 2020-07-28 东北大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110261109A (zh) * 2019-04-28 2019-09-20 洛阳中科晶上智能装备科技有限公司 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
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
CN112051481A (zh) * 2020-08-12 2020-12-08 华中科技大学 一种基于lstm的交直流混联电网故障区域诊断方法和系统
CN112836436A (zh) * 2021-03-01 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于概率图模型的配电网线路风险量化预测方法
CN112924817A (zh) * 2021-04-15 2021-06-08 广东电网有限责任公司广州供电局 一种基于深度神经网络的配电网故障精确定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
On-Load Tap-Changer Mechanical Fault Diagnosis Method Based on CEEMDAN Sample Entropy and Improved Ensemble Probabilistic Neural Network;Yuezhou Dong，等;《2021 IEEE 4th International Electrical and Energy Conference (CIEEC)》;20210530;1-6页 *
一种基于LSTM模型的电力负荷辨识方法;刘恒勇等;《电测与仪表》;20191210(第23期);70-77页 *
基于长短期记忆网络的轴承故障识别;唐赛等;《汽车工程学报》;20180720(第04期);297-303页 *
考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法;吴晓欣等;《电力自动化设备》;20200810(第08期);244-253页 *

Also Published As

Publication number Publication date
CN114566964A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN111178456B (zh) 异常指标检测方法、装置、计算机设备和存储介质
CN108415789B (zh) 面向大规模混合异构存储系统的节点故障预测系统及方法
WO2020259421A1 (zh) 一种业务系统的监控方法及装置
WO2020077682A1 (zh) 一种服务质量评估模型的训练方法及装置
CN112118143B (zh) 流量预测模型训练方法、流量预测方法、装置、设备及介质
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN110912737A (zh) 一种基于混合模型的动态感知性能预告警方法
CN110224850A (zh) 电信网络故障预警方法、装置及终端设备
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN113572625B (zh) 故障预警方法、预警装置、设备及计算机介质
CN114566964B (zh) 一种配电网馈线自动化控制方法、装置、设备及存储介质
CN112491854A (zh) 一种基于fcnn的多方位安全入侵检测方法及系统
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
JP2023504103A (ja) モデル更新システム、モデル更新方法及び関連装置
CN112465237A (zh) 基于大数据分析的故障预测方法、装置、设备和存储介质
CN113612645A (zh) 一种物联网数据处理方法及系统
CN113282920A (zh) 日志异常检测方法、装置、计算机设备和存储介质
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN116186221A (zh) 应用于在线对话平台的大数据分析方法及系统
CN110990223A (zh) 一种基于系统日志的监控告警方法及装置
CN114157486B (zh) 通信流量数据异常检测方法、装置、电子设备及存储介质
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN114443738A (zh) 异常数据挖掘方法、装置、设备及介质
CN113656452A (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
WO2021004877A1 (de) Identifizieren von ungenutzten servern

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