CN116307059A - 配电网区域故障预测模型构建方法及装置、电子设备 - Google Patents

Abstract

本申请提供了一种配电网区域故障预测模型构建方法及装置、电子设备，本申请属于故障识别技术领域，该方法包括：对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；基于支持向量机模型‑递归特征消除算法从初始故障特征中选取优化故障特征；将优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。在本申请中，构建目标故障预测模型过程中有机结合数据挖掘和智能算法，可以在初始故障特征选取、优化故障特征和目标故障预测模型确定过程中充分发挥各自的优势，从而实现基于目标故障预测模型进行配电网区域故障预测时提高预测准确度的有益效果。

Description

配电网区域故障预测模型构建方法及装置、电子设备

技术领域

本申请属于故障识别技术领域，更具体地说，是涉及一种配电网区域故障预测模型构建方法及装置、电子设备。

背景技术

目前，数据挖掘是指利用各种分析工具在大量数据中探索其规律和关系的过程。配电网故障预测往往需要分析多种故障影响因素，而数据挖掘技术可以很好地处理和分析大量配电网故障及其影响因素数据，并根据分析结果构建故障预测模型。

另外，传统的机器学习算法过分依赖于信号处理和专家经验提取故障特征，并且模型表达能力有限、泛化能力不足，在配电网故障预测领域的应用有一定的局限性。

因此，在电网故障预测领域，如何结合数据挖掘和智能算法以充分发挥各自的优势，同时实现配电网区域故障预测的准确预测成为本领域技术人员亟需解决的技术问题。

发明内容

本申请的目的在于提供一种配电网区域故障预测模型构建方法及装置、电子设备，以解决如何实现配电网区域故障预测的准确预测的技术问题。

本申请实施例的第一方面，提供了一种配电网区域故障预测模型构建方法，包括：

对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；

基于支持向量机模型-递归特征消除算法从所述初始故障特征中选取优化故障特征；

将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

在一种可能的实现方式中，所述初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，所述支持向量机分类器采用多类支持向量机。

在一种可能的实现方式中，将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型包括：

将所述历史运行数据输入所述卷积层进行卷积处理；

将卷积转化后的特征输入所述池化层进行压缩；

将卷积池化后的特征图输入全连接层进行全局信息整合；

将整合后的信息输入所述支持向量机分类器进行特征多分类处理，确定目标故障预测模型。

在一种可能的实现方式中，还包括：基于目标函数和Adam优化算法对所述卷积神经网络的权重和偏置值进行更新；其中，所述目标函数为Loss函数。

在一种可能的实现方式中，还包括：基于网格搜索法进行寻优处理确定所述支持向量机分类器的核函数和惩罚系数。

在一种可能的实现方式中，所述初始故障预测模型还包括批标准化层；所述批标准化层设置于所述卷积层和所述池化层之间。

在一种可能的实现方式中，所述对配电网区域内历史运行数据进行预处理，包括：

对配电网区域内历史运行数据进行数据清洗和数据变换，生成中间数据；

基于K-Means聚类算法在所述中间数据中检测多维离群数据；

从所述中间数据中删除所述多维离群数据；

其中，所述数据清洗包括：删除历史运行数据中的无关数据、重复数据、平滑噪声数据，并筛掉与挖掘主题无关的数据以及处理缺失值和利用箱型图识别的异常值。

在一种可能的实现方式中，所述历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据；

所述配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷；

所述故障数据包括故障开始时间、故障停止时间和故障馈线；

所述气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级；

所述初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。

本申请实施例的第二方面，提供了一种配电网区域故障预测模型构建，包括：

初始模块，用于对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；

选取模块，用于基于支持向量机模型-递归特征消除算法从所述初始故障特征中选取优化故障特征；

模型训练模块，用于将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

本申请实施例的第三方面，提供了一种电力系统，所述电力系统包括控制终端，所述控制终端包括存储器、处理器以及存储在所述存储器中并可在所述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的配电网区域故障预测模型构建方法的步骤。

本申请提供的配电网区域故障预测模型构建方法及装置、电子设备的有益效果在于：

1、结合了数据挖掘技术对原始数据进行了预处理，保证后续模型训练的精确度；

2、基于改进后的结合算法模型即支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征，不仅保留了原来算法的特点，并将每次迭代后属性去留的决定交给属性权重与模型性能同时决定，令模型性能具有绝对话语权，并且算法能够在模型性能下降时自动终结，不需给定最终保留的属性数量，减少人为因素对模型的影响，从而保证选出的故障特征变量更加合理可靠；

3、综合卷积神经网络和支持向量机构建初始故障预测模型，初始故障预测模型作为深度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理技术依赖的同时也满足了配电网大数据背景下海量、高维数据的分析需求；

4、构建目标故障预测模型过程中有机结合数据挖掘和智能算法，可以在初始故障特征选取、优化故障特征和目标故障预测模型确定过程中充分发挥各自的优势，从而实现基于目标故障预测模型进行配电网区域故障预测时提高预测准确度的有益效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的配电网区域故障预测模型构建方法的流程示意图；

图2为本申请一实施例提供的支持向量机模型“一对一”法的算法结构示意图；

图3为本申请一实施例提供的对综合卷积神经网络和支持向量机构建的初始故障预测模型的训练流程示意图；

图4为本申请一实施例基于配电网区域内历史运行数据提取出的12维故障特征；

图5为本申请一具体实施例提供的Loss函数变化曲线；

图6为本申请一具体实施例提供的卷积神经网络-支持向量机模型准确率变化曲线；

图7为本申请一实施例提供的配电网区域故障预测模型构建装置的结构示意图；

图8为本申请一实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

本申请重点研究在电网故障预测领域，结合数据挖掘和智能算法构建配电网区域故障预测模型，以充分发挥各自的优势，提高预测精确度。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

请参考图1，图1为本申请一实施例提供的配电网区域故障预测模型构建方法的流程示意图，该方法包括：

S101：对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征。

S102：基于支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征。

S103：将优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

在一种可能的实现方式中，历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据。配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷。故障数据包括故障开始时间、故障停止时间和故障馈线。气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级。初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。

在一具体实施例中，根据统计周的区域故障次数和统计周停电时长比例Ti为配电网故障风险指标，将配电网故障等级分为轻度、中度和严重3级，如表1所示。分别计算后选择最高的风险等级，例如一个区域统计周故障次数为2，属于轻度风险，但是停电时长比例为80％，属于中度，则最终风险等级为中度，即2级。

表1配电网风险分类等级

风险等级	风险状态	每周故障次数n	周停电时长比例Ti
				1	轻度	少于2次	小于30％
2	中度	3～6次	30％～80％
				3	严重	6次以上	80％以上

在本实施例中，通过结合数据挖掘和智能算法构建配电网区域故障预测模型能够从多方面取得有益效果：

1、结合了数据挖掘技术对原始数据进行了预处理，保证后续模型训练的精确度；

2、基于改进后的结合算法模型即支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征，不仅保留了原来算法的特点，并将每次迭代后属性去留的决定交给属性权重与模型性能同时决定，令模型性能具有绝对话语权，并且算法能够在模型性能下降时自动终结，不需给定最终保留的属性数量，减少人为因素对模型的影响，从而保证选出的故障特征变量更加合理可靠；

3、综合卷积神经网络和支持向量机构建初始故障预测模型，初始故障预测模型作为深度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理技术依赖的同时也满足了配电网大数据背景下海量、高维数据的分析需求；

4、构建目标故障预测模型过程中有机结合数据挖掘和智能算法，可以在初始故障特征选取、优化故障特征和目标故障预测模型确定过程中充分发挥各自的优势，从而实现基于目标故障预测模型进行配电网区域故障预测时提高预测准确度的有益效果。

在一种可能的实现方式中，初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，支持向量机分类器采用多类支持向量机。

其中，卷积层用于对输入数据进行卷积运算；池化层用于对卷积结果进行压缩；全连接层用于使局部特征在更高维度上进行全局信息整合；支持向量机分类器用于基于整合后全局信息进行分类。

本实施例中，初始故障预测模型引入针对小样本数据分类效果更为稳定的支持向量机分类器。支持向量机分类器是一种按监督学习方式对数据进行二元分类的广义线性分类器，通过定义适当的核函数实现非线性变换将输入空间变换到线性可分的高维空间，找到高维空间的最优线性超平面。

另外，采用多类支持向量机对整合后全局信息进行故障分类，相较于传统的用于解决二分类的支持向量机分类器，在本实施例中能够对根据故障程度划分不同等级，提高分类精确度，从而提高后续基于目标故障预测模型进行故障预测的效率。

具体的，采用多类支持向量机，通过“一对一”、“一对多”和“有向无环图”等方法实现多分类。本申请实施例采用如图2所示的“一对一”法，即在任意两类样本之间设计一个支持向量机子分类器，因此，K种类别的样本共设计

个子分类器，在预测新样本类别时，每个子分类器都对其进行判别并为相应类别投一票，得票数最多的类别被确定为预测类别。

上述主要介绍了初始故障预测模型架构，以下介绍基于上述初始故障预测模型具体的训练过程。

在一种可能的实现方式中，将优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型包括：

将历史运行数据输入卷积层进行卷积处理；

将卷积转化后的特征输入池化层进行压缩；

将卷积池化后的特征图输入全连接层进行全局信息整合；

将整合后的信息输入支持向量机分类器进行特征多分类处理，确定目标故障预测模型。

其中，故障特征首先输入到卷积神经网络的卷积层中，卷积层中一定大小的卷积核遍历输入特征图，与其中局部区域做如下式所示的卷积运算：

其中，

为第n层第j个卷积核输出的特征图；M_i为第n-1层输出特征图集合；/>

为第n-1层第i个特征图；/>

为第n层第j个卷积；/>

为对应偏置项；f(.)为激活函数；

卷积后再经过激活函数的非线性转化，将线性不可分的多维特征映射到线性可分性强的空间，得到新的特征，其中，采用如下式所示的ReLU激活函数：

池化层又称为下采样层，对卷积得到的特征图做进一步压缩，池化层的计算公式为：

在本实施例中，采用应用较为广泛的最大池化方式。

卷积池化后的特征图输入至全连接层，将其光栅化为一维向量，使局部特征在更高维度上进行全局信息整合。

将整合后全局信息输入支持向量机分类器，采用投票法将得票最多的类作为识别结果。

在一种可能的实现方式中，还包括：基于网格搜索法进行寻优处理确定支持向量机分类器的核函数和惩罚系数。

在本实施例中，基于网格搜索法，将支持向量机分类器的参数通过交叉验证的方法进行优化来得到最优的学习算法，从而提高支持向量机分类器对全局信息的分类效率。

在一种可能的实现方式中，还包括：基于目标函数和Adam优化算法对卷积神经网络的权重和偏置值进行更新；其中，目标函数为Loss函数。

其中，在对目标预测模型监督学习中，引入目标函数来评价输入数据经模型后的输出值与期望值的一致性程度，引入下式所示的平方折叶损失函数：

为抑制数值较大的权值，提升模型的泛化性，引入正则化惩罚项

多分类支持向量机和Loss函数合并为下式：

深度学习的优化算法主要有GD、SGD、Momentum、RMSProp和Adam算法等，其作用是通过计算神经网络反向传播中的梯度参数以求出最小损失函数对应的权重值。而本实施例中选用的Adam是一种学习率自适应的优化算法，其收敛速度快，学习效率高，对内存需求小，且在对角梯度缩放时保持不变，也同样适用于处理非平稳目标的问题。其超参数具有直观地解释，通常很少需要调整。因此，本实施例中选取Adam优化算法来优化网络模型参数能够提高优化速度和效率。

如图3是本申请一实施例中提供的对综合卷积神经网络和支持向量机构建的初始故障预测模型的训练流程示意图。其中，在基于卷积层、池化层、全连接层和支持向量机分类器构建的初始故障预测模型基础上，基于Loss函数和Adam优化算法对卷积神经网络的权重和偏置值进行更新，并基于网格搜索法进行寻优处理确定支持向量机分类器(SVM)的核函数和惩罚系数。

在一种可能的实现方式中，初始故障预测模型还包括批标准化层；批标准化层设置于卷积层和池化层之间。

在本实施例中，为加快模型收敛速度和提升泛化能力，引入了批标准化层。在批标准化层被提出之前，Dropout是应用最为广泛的降低过拟合问题的方法，但Dropout的最优系数设置依赖经验尝试使结果具有不确定性，批标准化层可以减少人为选择参数的过程。批标准化层具有正则化效果，可以有效降低过拟合，并能增加模型的稳定性，减少梯度爆炸/消失，加快训练速度，主要操作步骤是将输入激活函数之前的特征图减去其所在mini-batch的均值，再除以其标准差，将输入数据强行拉回到均值为0方差为1的标准正态分布。

在一种可能的实现方式中，步骤S101中，对配电网区域内历史运行数据进行预处理，包括：

对配电网区域内历史运行数据进行数据清洗和数据变换，生成中间数据；

基于K-Means聚类算法在中间数据中检测多维离群数据；

从中间数据中删除多维离群数据。

其中，数据清洗包括：删除历史运行数据中的无关数据、重复数据、平滑噪声数据，并筛掉与挖掘主题无关的数据以及处理缺失值和利用箱型图识别的异常值。

在本实施例中，由于馈线的供电范围内设备众多，运行工况复杂，所以应尽可能考虑各种潜在故障因素，对配电网区域内历史运行数据进行数据清洗和数据变换，避免数据不完整、重复甚至异常等，为后续故障预测工作提供准确、可靠的参考。

另外，检测离群样本数据有多种方法，其中一种思路便是利用聚类的思想，所谓聚类就是在没有给定划分类别的情况下，根据数据相似度进行样本分簇的一种方法，正是由于这种原理，聚类在识别明显脱离样本的数据时效果显著，并且可以对多维数据进行操作。基于聚类的离群样本检测通常是先聚类所有对象，然后评估各对象属于簇的程度(离群点得分)。

在本申请实施例中，采用基于K-Means聚类算法的离群样本检测方法，包括如下步骤：

利用K-Means算法将样本集聚为k簇，确定各簇的质心；

分别计算各对象到离它最近的质心的距离与相对距离；

将相对距离与阈值进行比较(该阈值可以通过箱型图确定)，如果大于该阈值，则认为该对象为离群点。

其中，此将研究得出的故障因素重新整理，并分为两类：电网因素和非电网因素。

电网因素主要包括设备因素和负荷因素。设备自身状况与配电网故障有着密切联系，例如相同设备在不同投运时间下发生故障的概率不同；负荷大小同样也会对配电网故障产生影响，例如过负荷时设备温度升高，可能导致设备性能下降，从而为故障的发生埋下隐患。

非电网因素即外部因素，主要是指环境条件造成的影响。例如：气温过高可能会导致局部构件过热，影响其绝缘等方面的性能；大风天可能会引起架空线路摇摆、杆塔倒塌等状况；雷暴日会使设备承受雷击过电压，可能对设备造成严重破坏并直接导致故障发生等等。

在一种可能的实现方式中，历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据；

配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷；

故障数据包括故障开始时间、故障停止时间和故障馈线；

气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级；

初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。

在一种可能的实现方式中，步骤S102中，基于支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征，具体过程如下：

设有n元原始特征集，将原始特征集中的每个特征以单独的方式删除和多个特征以组合的方式删除获得所有特征子集，其所有特征子集(含空集)个数为2n-1，支持向量机模型-递归特征消除算法会在这2n-1个特征子集上运行支持向量机模型，逐一评估其分类效果，选择特征最少且满足分类要求的特征子集作为优化故障特征子集。

其中，如果数据的属性数量过多，数据挖掘算法就会耗费大量的时间和资源；同时，一些不必要的属性之间存在的相关性和模式往往没有实际价值，反而可能扰乱算法的正常工作，这种情况对于本申请所要处理的小样本来说十分常见。之前的数据预处理主要是从数值分布的层面考虑的，若要提高模型的可读性、科学合理性，还需基于属性层面对数据进行探索，研究故障与其影响因素的相关性，从而提取与故障相关性最优的属性。这些属性称为故障特征变量，作为故障预测模型的输入变量。提取故障特征变量这一步骤在数据领域中也被称为特征选择，其中特征就是指属性。

在本实施例中，由于已经确定了数据挖掘模型，考虑一种基于已有模型的特征选择方法，即利用模型效果来评估特征选择的效果。改进的递归特征消除算法可以很好地实现这一点。这里递归特征消除算法应基于支持向量机模型进行，即本实施例中的支持向量机模型-递归特征消除算法。本申请中优化故障特征子集的选择是使用一种包装方法——递归特征消除算法，将目标数据挖掘算法作为黑盒，所有可能的特征子集作为感兴趣的数据挖掘算法的输入，然后选取产生最好结果的特征子集。特征选择过程可以看作由四部分组成：特征子集评估度量、控制新的特征子集产生的搜索策略、停止搜索判断和验证过程。这一算法的特点是：不需要指定剩余特征数，如果删除特征会造成模型性能的损失，那么将保留所有特征。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

上述主要介绍了配电网区域故障预测模型构建过程，关于模型预测能力基于具体实验进行了相关验证。

在一具体实现过程中，选出如图4所示的12维故障特征，并设计了“卷积-批标准化-池化-卷积-池化-全连接-支持向量机分类器”结构的模型，两层卷积池化来提取原始数据的特征。为了获得丰富的感受野以提取到更多的有效特征，同时避免冗余的计算，卷积核的大小和数量须适当，逐层减小的卷积核可以有效地压缩模型的参数，网络模型具体参数如下表2所示：

表2模型参数表

层数	卷积神经网络
		1	卷积层+ReLU激活层(卷积核3×3，步长：2)
2	批标准化层
		3	池化层(池化核：3×3)
7	卷积层+ReLU激活层(卷积核3×3，步长：2)
		8	池化层(池化核：3×3)
6	全连接层(神经元数：67)
		7	全连接层(神经元数：3)

基于Python-Tensorflow搭建模型，在Inter-i7-8700CPU，GTX1070-8G，16G内存的计算条件下进行实验。

将数据集随机以7:3划分训练集和测试集，使用上表参数搭建模型，使用支持向量机多分类损失函数和支持向量机分类器优化模型，超参数设置：mini-batch＝100，学习率0.001，支持向量机的参数经过网格搜索法及K折交叉验证，确定为：核函数选为高斯径向基函数，惩罚因子C＝7.67，核参数γ＝7.21。

实验的分类准确率和Loss函数值分别如图5和图6所示，实验训练至80次左右时，模型在大部分情况下可收敛，虽然存在某些极端情况导致准确率存在极个别的波动，但总体的高准确率趋势依然保持平稳。测试集的分类准确率达到了90％以上，Loss值也降低至0.08。试验结果表明，采用支持向量机分类器配合BN层，有效地提升模型收敛速度和分类准确率，模型的泛化能力得以显著提升。

预测结果的混淆矩阵如表3所示。表3中等级1-3为前文定义的3类故障等级；精确率表示被预测为某类的样本中实际为某类的比例；召回率表示实际为某类的样本中被预测正确的比例；总准确率是三类样本总体预测准确率。

表3配电网故障等级预测结果

由表3可知，总准确率为90.38％，证实了本申请中卷积神经网络-支持向量机算法的有效性；故障等级1的预测精确率与召回率均在98％左右，说明模型对故障等级1的适应性较好；由于实际配电网中故障等级为3的样本数较少，预测准确率较低；在训练中增加等级3的样本数可进一步增加预测准确率。

为验证卷积神经网络-支持向量机算法在本实验中的优越性，另外又采用了BP神经网络、Adaboost进行配电网故障等级预测，预测结果的准确率和召回率对比如表4所示。

表4配电网故障等级预测算法对比

从表可以得出：基于卷积神经网络-支持向量机算法的故障等级预测算法准确率为90.38％，高于人工神经网络和Adaboost，这是由于卷积神经网络的卷积运算二次提取特征，得到了更深层次的特征图，并将其输入至更适合小样本分类的支持向量机分类器，充分结合两者优点，得到了优于其他两种算法的结果。

基于卷积神经网络-支持向量机算法对三类故障等级预测的召回率相对较高，说明模型对三类预测样本具有更好的适应性。虽然基于人工神经网络算法对等级1的预测召回率为97.77％，但对等级2的预测召回率仅为89.37％，说明对等级2样本进行预测的适应性极差。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图7是本申请一实施例提供的配电网区域故障预测模型构建的结构示意图，如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，如图7所示，该装置包括：初始模块701、选取模块702和模型训练模块703。

其中，初始模块701，用于对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征。

选取模块702，用于基于支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征。

模型训练模块703，用于将优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

在一种可能的实现方式中，初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，支持向量机分类器采用多类支持向量机。

在一种可能的实现方式中，模型训练模块703具体用于：

将历史运行数据输入卷积层进行卷积处理；

将卷积转化后的特征输入池化层进行压缩；

将卷积池化后的特征图输入全连接层进行全局信息整合；

将整合后的信息输入支持向量机分类器进行特征多分类处理，确定目标故障预测模型。

在一种可能的实现方式中，模型训练模块703还用于基于目标函数和Adam优化算法对卷积神经网络的权重和偏置值进行更新；其中，目标函数为Loss函数。

在一种可能的实现方式中，模型训练模块703还用于基于网格搜索法进行寻优处理确定支持向量机分类器的核函数和惩罚系数。

在一种可能的实现方式中，初始故障预测模型还包括批标准化层；批标准化层设置于卷积层和池化层之间。

在一种可能的实现方式中，初始模块对配电网区域内历史运行数据进行预处理，具体用于：

对配电网区域内历史运行数据进行数据清洗和数据变换，生成中间数据；

基于K-Means聚类算法在中间数据中检测多维离群数据；

从中间数据中删除多维离群数据；

其中，数据清洗包括：删除历史运行数据中的无关数据、重复数据、平滑噪声数据，并筛掉与挖掘主题无关的数据以及处理缺失值和利用箱型图识别的异常值。

在一种可能的实现方式中，历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据；

配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷；

故障数据包括故障开始时间、故障停止时间和故障馈线；

气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级；

初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。

本实施例提供的配电网区域故障预测模型构建装置的有益效果在于：

1、结合了数据挖掘技术对原始数据进行了预处理，保证后续模型训练的精确度；

2、基于改进后的结合算法模型即支持向量机模型-递归特征消除算法从初始故障特征中选取优化故障特征，不仅保留了原来算法的特点，并将每次迭代后属性去留的决定交给属性权重与模型性能同时决定，令模型性能具有绝对话语权，并且算法能够在模型性能下降时自动终结，不需给定最终保留的属性数量，减少人为因素对模型的影响，从而保证选出的故障特征变量更加合理可靠；

3、综合卷积神经网络和支持向量机构建初始故障预测模型，初始故障预测模型作为深度学习模型有强大的表达能力，将特征提取与分类识别融为一体，降低对信号处理技术依赖的同时也满足了配电网大数据背景下海量、高维数据的分析需求；

4、构建目标故障预测模型过程中有机结合数据挖掘和智能算法，可以在初始故障特征选取、优化故障特征和目标故障预测模型确定过程中充分发挥各自的优势，从而实现基于目标故障预测模型进行配电网区域故障预测时提高预测准确度的有益效果。

图8是本申请一实施例提供的电子设备的结构示意图。如图8所示，该实施例的电子设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个配电网区域故障预测模型构建方法实施例中的步骤，例如图2所示的步骤S101至步骤S103。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块701至703的功能。

示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/单元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82在所述电子设备8中的执行过程。例如，所述计算机程序82可以被分割成图7所示模块701至703。

所述电子设备8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。所述电子设备8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8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，例如所述电子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80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。

所述存储器81可以是所述电子设备8的内部存储单元，例如电子设备8的硬盘或内存。所述存储器81也可以是所述电子设备8的外部存储设备，例如所述电子设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本申请中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/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，本申请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，可实现上述各个配电网区域故障预测模型构建方法实施例的步骤。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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种配电网区域故障预测模型构建方法，其特征在于，包括：

对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；

基于支持向量机模型-递归特征消除算法从所述初始故障特征中选取优化故障特征；

将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

2.如权利要求1所述的配电网区域故障预测模型构建方法，其特征在于，所述初始故障预测模型包括卷积层、池化层、全连接层和支持向量机分类器；其中，所述支持向量机分类器采用多类支持向量机。

3.如权利要求2所述的配电网区域故障预测模型构建方法，其特征在于，将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型包括：

将所述历史运行数据输入所述卷积层进行卷积处理；

将卷积转化后的特征输入所述池化层进行压缩；

将卷积池化后的特征图输入全连接层进行全局信息整合；

将整合后的信息输入所述支持向量机分类器进行特征多分类处理，确定目标故障预测模型。

4.如权利要求3所述的配电网区域故障预测模型构建方法，其特征在于，还包括：基于目标函数和Adam优化算法对所述卷积神经网络的权重和偏置值进行更新；其中，所述目标函数为Loss函数。

5.如权利要求3所述的配电网区域故障预测模型构建方法，其特征在于，还包括：基于网格搜索法进行寻优处理确定所述支持向量机分类器的核函数和惩罚系数。

6.如权利要求2至5任一项所述的配电网区域故障预测模型构建方法，其特征在于，所述初始故障预测模型还包括批标准化层；所述批标准化层设置于所述卷积层和所述池化层之间。

7.如权利要求1所述的配电网区域故障预测模型构建方法，其特征在于，所述对配电网区域内历史运行数据进行预处理，包括：

对配电网区域内历史运行数据进行数据清洗和数据变换，生成中间数据；

基于K-Means聚类算法在所述中间数据中检测多维离群数据；

从所述中间数据中删除所述多维离群数据；

其中，所述数据清洗包括：删除历史运行数据中的无关数据、重复数据、平滑噪声数据，并筛掉与挖掘主题无关的数据以及处理缺失值和利用箱型图识别的异常值。

8.如权利要求1所述的配电网区域故障预测模型构建方法，其特征在于，所述历史运行数据包括：配电网的运行数据、故障数据以及配电网所在地的气象数据；

所述配电网的运行数据包括架空线路长度、电缆长度、分支线数量、开关台数、配变数量、配变容量、月最大负荷和月平均负荷；

所述故障数据包括故障开始时间、故障停止时间和故障馈线；

所述气象数据包括月平均气温、月最高/低气温、月降水量等级、月雷暴日数等级和月大风日数等级；

所述初始故障特征包括：配变数量、配变容量、月最高气温、月最低气温、月平均气温和月大风日数等级。

9.一种配电网区域故障预测模型构建，其特征在于，包括：

初始模块，用于对配电网区域内历史运行数据进行预处理后进行故障风险等级划分确定初始故障特征；

选取模块，用于基于支持向量机模型-递归特征消除算法从所述初始故障特征中选取优化故障特征；

模型训练模块，用于将所述优化故障特征对应的历史运行数据输入综合卷积神经网络和支持向量机构建的初始故障预测模型中进行训练，确定目标故障预测模型。

10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上的权利要求1至8中任一项所述方法的步骤。

Images