[发明专利]一种配电网录波多工况精确识别方法

说明书

本发明公开了一种配电网录波多工况精确识别方法，该方法包括：将工况录波输入卷积层区域以获得特征序列；将特征序列输入区域提取网络获得工况区域；将特征序列与工况区域叠加从而获得根据工况区域截取的多个特征序列区域；将该多个特征序列区域输入多层分类器得到对应的每个特征序列区域所对应的工况类型。实现工况持续时间及工况类型的同步判定，且上述两方面结果通过统一模型输出，从而形成端对端流程，以提高识别判定的准确率。

技术领域

本发明涉及电力技术领域，尤其涉及一种配电网录波多工况精确识别方法。

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。由此可见现有技术中的工况分类方法至少存在如下两方面的不足：第一、现有技术的各种故障定位方法仍然是将波形特征提取与工况类型判别分为两个步骤，即配电网中的终端设备获取的配电网拓扑中的原始波形，需先采取人工提取特征，再用特征进行工况类型判别，这种判别过程没有形成直接反馈的非端对端流程，因此工况分类判别的准确率无法持续提高。第二、现有技术的工况波形分类一般只能输出特定时间点的一种工况类型，然而在实际操作中，用户的实际需求为获取一段时间内多种工况，从而获得该时间段内工况演变的过程。

发明内容

本发明所要解决的技术问题之一是本发明利用区域-卷积神经网络模型，实现工况持续时间及工况类型的同步判定，且上述两方面结果通过统一模型输出，从而形成端对端流程，以提高识别判定的准确率。

本发明的另一个方面在于通过迁移学习的方式加快了区域-卷积神经网络的训练过程。

为了解决上述技术问题，本发明提供了一种配电网录波多工况精确识别方法，该方法包括：将工况录波输入卷积层区域以获得特征序列；将特征序列输入区域提取网络获得工况区域；将特征序列与工况区域叠加从而获得根据工况区域截取的多个特征序列区域，将该多个特征序列区域输入多层分类器得到对应的每个特征序列区域所对应的工况类型。

在一个实施例中，所述卷积层区域包含输入卷积层和卷积块，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，所述区域提取网络包括第一卷积层，并有该第一卷积层输出的双运算通道，其中一个运算通道经过一个卷积层输出参考区域尺寸修正参数，另一运算通道经过一个卷积层和softmax输出成输出参考区域是否有效的判定信息，即所述工况区域包含参考区域尺寸修正参数和参考区域是否有效的判定信息两部分信息。

在一个实施例中，所述多层分类器包括平均池化层、第一全连接层和第二全连接层。

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。

根据本发明的另一方面，还提供了一种用于种配电网录波多工况精确识别方法的区域-卷积神经网络的机器训练方法，该方法包括：

1.训练单数据块输入的深度神经网络模型并获得最优模型；