[发明专利]一种基于深度学习的配网电气拓扑识别方法

权利要求书

1.一种基于深度学习的配网电气拓扑识别方法，其特征在于，包括如下步骤：

S1：对各用户的实时电压数据u、实时电流数i据进行采样；U为n个实时电压数据u的集合，I为n个实时电流数据i的集合，n为大于等于1的整数；每个用户的数据作为一个样本Data，以用户对应的归属台区和相位编号作为样本标签Label，制作配网拓扑识别数据集；每个样本的数据形式如下：

Data＝[U,I,Label]，

U＝[u₁,u_2,u₃,…u_n],I＝[i₁,i_2,i₃,…i_n]；

S2：构建双通道一维卷积神经网络模型，包括特征提取模块、特征融合模块，其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层；特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层；

S3：使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练，得到训练好的双通道一维卷积神经网络模型；

S4：利用训练好的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别；

所述步骤S3包括如下子步骤：

S31：将配网拓扑识别数据集分为训练集和测试集；

S32：将训练集中待测数据按照分类输入特征提取模块中的两个通道，经过多层叠加的1DCNN+BN+ReLU结构卷积层进行数据特征提取，输出两路特征数据；

S33：特征融合模块将特征提取模块输出的两路特征数据进行拼接，通过1DCNN+BN+ReLU结构的卷积层进行特征融合，输出特征数据；

S34：将特征融合模块输出的特征数据通过SoftMax函数进行分类，输出模型预测分类值；

S35：通过交叉熵损失函数和反向传播算法对模型进行权重更新；

S36：将测试集输入模型进行准确率测试，分别输出本轮测试集和训练集的准确率和loss值。

2.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法，其特征在于，对各用户的实时电压数据、实时电流数据进行采样的采样时间间隔为15分钟，采样时长为7天，n＝96，样本数据维度为96×2。

3.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法，其特征在于，步骤S2中1DCNN+BN+ReLU结构的卷积层包括如下工作步骤：

S21：1DCNN将输入数据D进行多层卷积，卷积过程为：

其中，输入数据D的维度为1×N_d，卷积核K的维度为1×N_k，j为卷积核位置，且满足1≤j≤N_d-N_k+1；

S22：BN将1DCNN处理后的数据进行归一化处理，将输入数据归一化至整体均值为0、方差为1的向量，加快网络的训练和收敛速度，并防止训练过拟合；对每一维数据的归一化过程为：

其中，k为输入数据维度，E(x_k)表示随机变量x_k的均值，Var(x_k)表示随机变量x_k的方差；

S23：ReLU对BN处理后的数据进行非线性变换，具体过程为：

4.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法，其特征在于，在步骤S2构建的双通道一维卷积神经网络模型的输入双通道之前分别增加加性高斯噪声层，将高斯噪声加入数据U和I，得到处理后的数据U′和I′；

所述加性高斯噪声概率密度为：

其中，p(x)表示噪声值取得x的概率，μ为噪声均值，σ为噪声方差。

5.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法，其特征在于，所述特征提取模块中的两个通道各包括两个1DCNN+BN+ReLU结构的卷积层。

6.根据权利要求1所述的一种基于深度学习的配网电气拓扑识别方法，其特征在于，所述步骤S3对所述配网拓扑识别数据集进行训练时，将数据集等比划分为五份，其中四份作为训练集，一份作为测试集，得到一个初始模型准确率；完成训练后，将测试集加入训练集，在训练集中重取一份数据出来作为新的测试集，重复上述步骤依次选取新的测试集，完成五次训练，得到五个初始模型准确率，取平均值得到模型综合准确率。