[发明专利]一种配电网健康状态的智能诊断方法及系统

说明书

一种配电网健康状态的智能诊断方法及系统，包括：基于预先确定的关键特征量集和获取的当前配电网数据，计算所述关键特征量集中每个关键特征量的值；将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型，得到健康指数；基于所述健康指数得到配电网健康状态；提出的关键特征量，解决了配电网健康评价特征量繁杂、冗余度高，依赖专家经验的难题，可为配电网健康指数计算提供理论基础，配电网健康指数预测模型的提出能够对量大面广的配电设备和复杂多变的配电网数据进行深层次的挖掘，有效的防止配电网健康恶化，预防故障或停电事故发生。

技术领域

本发明涉及配电网资产管理技术领域，具体涉及一种配电网健康状态的智能诊断方法及系统。

背景技术

配电网直接面向终端用户，综合承接分布式电源、电动汽车等间歇性主动式负荷，是智能电网的物理载体和基石，是一切新技术所需数据的来源，是能源互联网不可或缺的角色。由于火电比例的相对下降和燃气、新能源发电比例的逐年上升，电力系统正在承载着越来越多的调负荷工作，这使得配电网健康状态变得越来越难以预测。同时影响配电网健康状态的因素庞杂，如何从繁多影响因素中找到影响配电网络健康状态的关键因素并提炼出最小关键特征量集，是配电网健康指数计算的首要条件。面对量大面广的配电设备和复杂多变的配电网中的数据维度之高、体量之大、类型之广也使得浅层机器学习无法适用。除此之外，由于实际配电系统搭建的特殊性，其网络拓扑无法用经典的深度神经网络很好地表示出来，存在网络规模变化或反复训练的问题。

配电网健康状态评价，受不同维度多个特征参量的复杂耦合影响，除了具有不确定性、随机性、物理解析模型不尽完备等特点，还具备时序性特征，即不同时刻的关键特征量取值，设备或网络健康指数的计算结果不同。因此，单纯依靠物理模型解析求解较为困难，仅仅采用不能处理时间序列的机器学习算法精度不高。因为这种时间序列特征在设备全寿命周期内可以看成是一种专家经验，即设备或网络的健康状态在全寿命周期内是逐步衰减的，类似于设备故障率在全寿命周期内符合浴盆曲线。因此如何在配电网各个环节、各个设备充分应用人工智能技术，使得计算机能从电网负荷、可靠性等多类型内外部数据的深层次挖掘中进行预测分析、拟合优化、发现问题并辅助规划、运行与检修决策，已经成为了电力领域现在的热点与难点。

发明内容

为了解决现有技术中所存在的上述不足，本发明提供一种配电网健康状态的智能诊断方法及系统。

本发明提供的技术方案是：

一种配电网健康状态的智能诊断方法，所述方法包括：

基于预先确定的关键特征量集和获取的当前配电网数据，计算所述关键特征量集中每个关键特征量的值；

将所述每个关键特征量的值带入预先构建的配电网健康指数预测模型，得到健康指数；

基于所述健康指数得到配电网健康状态。

优选的，所述配电网健康指数预测模型的构建，包括：

基于预先确定的配电网关键特征量获取配电网历史时序数据，以及所述历史时序数据对应的目标配电网的健康指数；

基于所述历史数据和对应的健康指数构建向量集，

并将所述向量集分为训练集和测试集；

对所述训练集，采用长短时记忆网络进行训练，得到关键特征量值与健康指数的对应关系；

基于所述测试集对所述关键特征量值与健康指数对应关系的准确性进行测试，得到配电网健康指数预测模型。

优选的，所述关键特征量集的确定，包括：

基于所述配电网故障原因和调研数据，得到n个影响配电网健康状态的因素和评价指标；

对所述影响配电网健康状态的因素和评价指标进行降维处理，得到关键特征量集；