[发明专利]一种基于深度神经网络的配电网工况录波分类方法

说明书

本发明公开了一种基于深度神经网络的配电网工况分类方法，所述配电网工况分类方法包括对工况录波进行波形预处理；构建包含卷积层区域和全连接区域的深度神经网络工况分类器框架；利用工况录波分类数据集对深度神经网络进行超参数机器训练以获得最优深度神经网络工况分类器模型；将预处理波形输入最优深度神经网络工况分类器模型以获得该工况录波的工况类型，本发明能够实现对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于深度神经网络的配电网工况录波分类方法。

背景技术

配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速发现处理，其中对馈线异常工况的识别是智能配电网的重要功能。传统的配电网工况分类一直采用仿真数据，仿真数据太过理想，处理起来简单。近几年，随着配电网线路监测系统的出现，配电网实际运行中的电流电压数据被采集，并开始运用传统的提取特征方法结合一些机器学习方法对工况进行分类。如CN103136587A中公开了一种传统小波包提取仿真数据特征与支持向量机结合的配电网工况分类方法。CN103245881A中公开了一种基于潮流分布特征的配电网故障分析方法及装置。CN107340456A中公开了一种基于多特征分析的配电网工况智能识别方法。上述现有技术中均是通过人工提取特征并同时结合简单的机器学习模型的方式进行配电网工况分类。而上述方法至少存在如下缺陷：1.采用人工提取录波特征时，在提取过程中会造成关键数据信息的丢失，导致录波分类不准确。2.提取特征与录波分类被分成了不能同步修正的两个过程，这种非端对端的训练方式限制了识别正确率上限。3.现有方法中使用的机器学习模型无法直接处理波形数据，无法实现提取特征模型和分类模型一体化的。

发明内容

本发明所要解决的技术问题之一是不再采用人工对波形进行特征提取，然后使用提取的特征来识别工况的方案。而是对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。

本发明所要解决的技术问题还在于使用深度神经网络以实现直接将波形本身作为模型输入。

为了解决上述技术问题，本发明提供了一种基于深度神经网络的配电网工况分类方法，所述配电网工况分类方法包括对工况录波进行波形预处理以获得预处理波形；构建包含卷积层区域和全连接区域的深度神经网络工况分类器框架，所述卷积层区域包含卷积块；利用工况录波分类数据集对深度神经网络进行超参数机器训练以获得最优深度神经网络工况分类器模型；将预处理波形输入最优深度神经网络工况分类器模型以获得该工况录波的工况类型。

在一个实施例中，所述波形预处理包括对工况录波的波形截取和对工况录波所截取的波形区段进行降采样处理或插值处理，所述波形截取方法可以是二次差分法、滑动窗口傅里叶变换法或小波变换法。

在一个实施例中，所述卷积块的结构可以为双层卷积层叠加结构，或者为多通道的且每一通道由双层卷积层叠加的结构构成，或者为多通道的且每一通道包含1至3层卷积层的结构构成。

在一个实施例中，所述卷积层区域中的卷积块之间设置有残量连接，所述残量连接是指将一个卷积块的输入和输出取和，并将取和结果作为输入传递至下一卷积块。

在一个实施例中，所述工况录波分类数据集包括训练数据集、验证数据集和测试数据集，所述训练数据集、验证数据集和测试数据集包含短路、接地、停电、复电、大负荷投入、大负荷切出和雷击中至少一种的工况数据。

根据本发明的另一方面，还提供了一种用于对深度神经网络工况分类器框架进行超参数机器训练的方法，所述方法包括：

a.将深度神经网络分类器结构输入超参数随机生成器；