[发明专利]一种基于深度学习的配网电气拓扑识别方法

说明书

本发明公开了一种基于深度学习的配网电气拓扑识别方法，包括：S1：选取预设数量的台区，将每个台区内一定数量的用户作为数据采集对象，采集各用户对应的低压侧用电数据，作为配网拓扑识别数据集；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，多层叠加的结构可以更好地提取数据特征；特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层，实现特征的深度融合；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，得到训练后的双通道一维卷积神经网络模型；S4：利用训练后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。

技术领域

本发明涉及配电网领域，具体涉及一种基于深度学习的配网电气拓扑识别方法。

背景技术

配网电气拓扑是配电网上层工作正常开展的基础，现有的配网电气拓扑识别方法主要包括四类：人工现场巡检、脉冲电流识别法、基于μPMU设备的相位识别方法和基于电压相关性的识别方法。其中，人工现场巡检费时费力；脉冲电流识别法即在用户端发送脉冲电流信号，在台区识别终端接收脉冲电流信号完成识别，其存在无法双向通信的问题，且需要配合载波通信使用，只能在同一台区同一相位内传输；基于μPMU设备的相位识别方法需要额外的现场设备；使用基于电压相关性的识别方法对配网电气拓扑进行识别时，工作前需要进行数据预处理，识别效率会随着数据量的增大而降低。

发明内容

为解决现有的配网电气拓扑识别方法识别效率不高的问题，本发明提供了一种基于深度学习的配网电气拓扑识别方法。

本发明通过下述技术方案实现：

一种基于深度学习的配网电气拓扑识别方法，包括如下步骤：

S1：选取预设数量的台区，将每个台区内一定数量的用户作为数据采集对象，采集各用户对应的低压侧用电数据，作为配网拓扑识别数据集；

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，1DCNN为一维卷积神经网络(One-Dimensional Convolutional Neural Network)，BN为批量归一化处理(Batch Normalization)，ReLU为修正线性单元函数(Rectified Linear Unit)，多层叠加的结构可以更好地提取数据特征；特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层，实现特征的深度融合；

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，得到训练后的双通道一维卷积神经网络模型；

S4：利用训练后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。

在上述方案的基础上，所述步骤S1具体包括如下内容：

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，u₂，u₃，...u_n]，I＝[i₁，i₂，i₃，...i_n]。

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1天，n＝96，样本数据维度为96×2。