[发明专利]基于网络拓扑及长时序信息的配电网工况录波分类方法

说明书

本发明公开了一种基网络拓扑及长时序信息的配电网工况分类方法，所述方法包括：根据广域对时技术对各配电网监测点的工况录波的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接；构建包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，利用工况录波分类数据集对多数据块输入深度神经网络训练以获得最优多数据块输入深度神经网络工况分类器模型；将所述多个有效波形区域输入最优多数据块输入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。

技术领域

本发明涉及电力技术领域，尤其涉及一种基于网络拓扑及长时序信息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。现有技术中的工况分类方法都只使用了单个检测设备短时的数据，这种录波数据造成了配电网网络拓扑及长时序信息的丢失，难以识别具有复杂波形的工况。同时，现有技术中使用人工提取特征的方法，并非端对端的学习训练，又进一步限制了其识别正确率的上限。

发明内容

本发明所要解决的技术问题之一是实现了对整合了配电网网络拓扑及长时序信息的录波数据进行工况分类。

本发明所要解决的另一技术问题是通过迁移学习的方式，实现了对大容量复杂模型的训练学习。

为了解决上述技术问题，本发明提供了一种基网络拓扑及长时序信息的配电网工况分类方法，所述配电网工况分类方法包括：对多个配电网监测点的工况录波进行波形拼接；对拼接后的波形进行预处理以获得多个有效波形区域；构建包含卷积层区域和长短时期记忆网络单元的多数据块输入深度神经网络框架，并根据该多数据块输入深度神经网络框架构建具有与其相同卷积层区域的单数据块输入深度神经网络框架；利用超参数生成器生成多个单数据块输入深度神经网络，使用工况录波分类数据集对该多个单数据块输入深度神经网络分别训练以获得最优单数据块输入深度神经网络模型，并从该最优单数据块输入深度神经网络模型中提取卷积层区域的结构及参数；利用该提取的卷积层区域的结构及参数初始化多数据块输入深度神经网络框架，利用超参数生成器生成多个多数据块输入深度神经网络，使用工况录波分类数据集对该多个多数据块输入深度神经网络分别训练以获得最优多数据块输入深度神经网络工况分类器模型；将所述多个有效波形区域输入最优多数据块输入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，所述波形拼接是指根据广域对时技术对各配电网监测点的工况录波的采集时间点对齐并截取出波形的公共区段，然后按不同配电网监测点的网络拓扑关系按顺序拼接。

在一个实施例中，所述卷积层区域包含卷积块，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。