[发明专利]一种基于梯度下降算法的主配用一体化故障定位方法及系统

权利要求书

1.一种基于梯度下降算法的主配用一体化故障定位方法，其特征在于，所述故障定位方法包括以下步骤：

步骤1：基于主配用的故障历史数据，建立配网故障仿真模型；

1.1 采集主配用的故障历史数据，数据为主配电网内各节点的电压、电流、功率数据，包括系统内的发电机出力数据，以及故障所在支路数据；

1.2 对标故障定位的主配网系统，建立IEEE标准33节点配网故障仿真模型；

1.3设置故障支路参数、负荷波动参数模型参数；其中，故障支路参数代表为每次故障所发生的支路所在位置编号，对每条支路数据标签进行one-hot处理，同时打乱数据标签顺序；负荷波动参数为每次故障时，需要保证每次故障时负荷的大小是随机变化的，其为随机参数，每次模拟故障时通过随机参数产生随机负荷值；

1.4 基于1.2中的配网故障仿真模型和1.3所设置的模型参数，模拟主配网系统中的“N-1”故障，对相同故障情况模拟不同负荷的潮流，采集故障时各个监测节点的电流、电压、功率及相角信息及各发电机的出力数据；

步骤2：读取步骤1中配网故障仿真模型的数据，基于Tensorflow平台，搭建多层神经网络模型，使用softmax非线性激励函数，基于梯度下降算法对多层神经网络模型进行训练，确定多层神经网络模型的参数；

步骤3：采集主配用的实时数据，当配网发生故障后将采集的实时故障数据输入至步骤2确定参数的多层神经网络模型，输出故障定位结果。

2.根据权利要求1所述的主配用一体化故障定位方法，其特征在于：

在步骤2中，进一步包括以下内容：

2.1 基于Tensorflow平台，搭建多层神经网络梯度下降算法网络模型即神经网络模型；

2.2 设置多层神经网络梯度下降算法网络模型的神经元个数和模型参数；

2.3 使用梯度下降算法训练数据，优化网络模型参数；

2.4 判断网络模型的输出结果是否达到设定的准确度阈值，如果达到则进入2.5，否则返回2.3；

2.5 确定神经多层神经网络梯度下降算法网络模型的各参数。

3.根据权利要求2所述的主配用一体化故障定位方法，其特征在于：

在2.1中，通过TensorFlow平台框架，搭建多层网络结构模型，包括数据输入层、神经网络层、训练优化层、与准确率评估层；

其中，所述数据输入层用于对样本数据集的输入；所述神经网络层用于根据样本数据集的故障定位计算；所述训练优化层用于对训练结果进行反馈，调整神经网络层中的参数；所述准确率评估层用于对故障定位准确率进行评估。

4.根据权利要求3所述的主配用一体化故障定位方法，其特征在于：

在2.2中，建立一个输入层为99个神经元，输出层为37个神经元的多层神经网络梯度下降算法网络，中间包括一个99个神经元的隐含层。

5.根据权利要求4所述的主配用一体化故障定位方法，其特征在于：

在2.3中，通过Gradient梯度下降算法，对模型中的权重值矩阵W与偏置值矩阵b进行修正优化，以达到提高故障定位准确率的目的。

6.根据权利要求5所述的主配用一体化故障定位方法，其特征在于：

在2.4中，所设定的准确度阈值为95%；

每次训练通过神经网络模型中准确率评估层进行准确率评估，满足准确度阈值要求则进入2.5继续训练。